CN117874472A - 基于宽度学习网络的录波文件可信时间分析系统及方法 - Google Patents
基于宽度学习网络的录波文件可信时间分析系统及方法 Download PDFInfo
- Publication number
- CN117874472A CN117874472A CN202410275356.XA CN202410275356A CN117874472A CN 117874472 A CN117874472 A CN 117874472A CN 202410275356 A CN202410275356 A CN 202410275356A CN 117874472 A CN117874472 A CN 117874472A
- Authority
- CN
- China
- Prior art keywords
- learning network
- layer
- width learning
- data
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 42
- 238000013507 mapping Methods 0.000 claims description 38
- 238000005457 optimization Methods 0.000 claims description 28
- 230000014509 gene expression Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims 1
- 230000005856 abnormality Effects 0.000 description 9
- 239000002245 particle Substances 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 108091093088 Amplicon Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于宽度学习网络的录波文件可信时间分析系统及方法,系统包括预处理单元,用于对采集的各个变电站录波文件数据和对采集的各个变电站录波文件的时钟偏差数据进行预处理;构建单元,用于构建用于变电站采样回路异常预警的录波文件可信时间预测的宽度学习网络模型;训练单元,用于对宽度学习网络模型进行训练得到模型参数;优化单元,用于在宽度学习网络模型中新增子储备池,利用增量学习算法重新计算模型参数,并通过改进的贝叶斯优化算法对模型参数进行优化,得到目标宽度学习网络模型;预测单元,用于根据目标宽度学习网络模型对未来短期时间点的时钟偏差进行预测。增强了系统灵活性的同时提高了同源匹配准确度。
Description
技术领域
本发明属于智能电网、机器学习及大数据等技术领域,尤其涉及一种基于宽度学习网络的录波文件可信时间分析系统及方法。
背景技术
继电保护装置应灵敏和可靠地反应电力系统中各种电气设备的故障及不正常工作状态,并有选择性使相关断路器快速跳闸,从而起着电网安全卫士的重大作用。然而,当保护装置的采样回路发生故障时,往往容易导致电网或设备事故扩大。随着电网规模的不断扩大以及无人值守变电站建设的不断推进,尤其是在电力系统发生停电故障时,大量的多源、异构、分散性异质数据送达,专责和监控人员很难凭借经验和直觉判断故障性质并采取有效措施,传统的数据应用智能化分析程度不高且瓶颈凸显。当电网迈入高质量发展新常态,大数据的智能化应用需求已迫在眉睫,尤其在系统联动性、前瞻性预控和辅助决策等方面亟待智能化水平的提升。
现有的变电站采样回路异常诊断方法的主要功能实现首先是获取海量录波文件数据并进行同源配对,虽然现场GPS统一授时装置会给录波装置授时,但是由于不同装置的授时回路差异以及装置异常、装置长期失修且自授时功能异常等原因,对于同一次的电网扰动导致不同故障录波装置所形成的录波文件记录时刻容易产生差异,从而导致海量录波文件的同源匹配面临巨大挑战,而过去的基于主站时差补偿后再对某固定时间段内海量文件开展一致性匹配的做法,尤其是在装置异常频繁启动下必将面临匹配计算量大、容易错误匹配、固定时间选择有误导致失配等等问题。在实际数据中,许多情况下数据呈现非平稳性,这意味着它们可能不遵循线性模式、包含噪声或者不断变化。分析和建模这些非平稳时间序列数据至关重要。目前,神经网络是处理这类数据最有效的方法之一。虽然像循环神经网络(RNN)、门控循环单元(GRU)、长短期记忆网络(LSTM)等非线性模型具有出色的能力,但它们的训练过程通常需要大量的反向传播迭代,因此训练速度较慢,不太适合频繁的模型更新。相比之下,宽度学习系统和回声状态网络不需要误差反向传播,大大缩短了训练时间。宽度回声状态网络模型在工业应用中表现出色,其预测准确度很高。不过,这种模型的一个挑战是参数的确定,包括映射层神经元数量、强化层神经元数量和储备池大小等。因此,若要在电力特定领域应用宽度回声状态网络模型进行时间序列预测,需要对其进行改进和调整。本发明将对以上问题提供行之有效的解决方案。
发明内容
本发明提供一种基于宽度学习网络的录波文件可信时间分析系统及方法,用于解决电网中海量录波装置因各类型原因导致装置对时状态处于不稳定、不明确、不可实时获知的情况下,导致采样回路异常诊断准确度下降或无法进行异常诊断的技术问题。
第一方面,本发明提供一种基于宽度学习网络的录波文件可信时间分析系统,包括:
预处理单元,用于对采集的各个变电站录波文件数据和对采集的各个变电站录波文件的时钟偏差数据进行预处理并构建时钟偏差数据集;
构建单元,用于根据改进的宽度学习网络结构构建用于变电站采样回路异常预警的录波文件可信时间预测的宽度学习网络模型,并初始化所述宽度学习网络模型;
训练单元,用于采用自适应优化算法将所述时钟偏差数据集中各个时钟偏差数据分别作为所述宽度学习网络模型的输入,并对所述宽度学习网络模型进行训练得到模型参数;
优化单元,用于当所述模型参数达不到预先设定的性能指标时,在所述宽度学习网络模型中新增子储备池,利用增量学习算法重新计算所述模型参数,并通过改进的贝叶斯优化算法对模型参数进行优化,得到目标宽度学习网络模型;
预测单元,用于根据所述目标宽度学习网络模型对未来短期时间点的时钟偏差进行预测,并获取未来短期时间点的实际时钟偏差数据对所述目标宽度学习网络模型进行重新训练。
第二方面,本发明提供一种基于宽度学习网络的录波文件可信时间分析方法,包括:
对采集的各个变电站录波文件数据和对采集的各个变电站录波文件的时钟偏差数据进行预处理并构建时钟偏差数据集;
根据改进的宽度学习网络结构构建用于变电站采样回路异常预警的录波文件可信时间预测的宽度学习网络模型,并初始化所述宽度学习网络模型;
采用自适应优化算法将所述时钟偏差数据集中各个时钟偏差数据分别作为所述宽度学习网络模型的输入,并对所述宽度学习网络模型进行训练得到模型参数;
当所述模型参数达不到预先设定的性能指标时,在所述宽度学习网络模型中新增子储备池,利用增量学习算法重新计算所述模型参数,并通过改进的贝叶斯优化算法对模型参数进行优化,得到目标宽度学习网络模型;
根据所述目标宽度学习网络模型对未来短期时间点的时钟偏差进行预测,并获取未来短期时间点的实际时钟偏差数据对所述目标宽度学习网络模型进行重新训练。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明一实施例的基于宽度学习网络的录波文件可信时间分析方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明一实施例的基于宽度学习网络的录波文件可信时间分析方法的步骤。
本申请的基于宽度学习网络的录波文件可信时间分析系统及方法,具有以下有益效果:
本发明用于变电站采样回路异常预警的海量录波文件可信时间预估,充分利用调度端录波主站定期召唤而来的海量时钟信息,实现了电力系统中海量录波装置对时状态的短期标准时差预估,从而大幅降低海量录波文件同源匹配算法复杂度并减少系统计算量,压缩数据预处理时间,同时支持变电站内不同录波装置的时差自适应整定与选择,增强了系统灵活性的同时提高了同源匹配准确度,相较于本行业的传统处理模式和方法更具操作性和经济性,极大的满足电网大规模实时运行状态主动感知应用需求;基于自适应学习方法,实现了对海量录波装置可信时间的连续预估和修正,实现了在无法实时获取海量录波装置对时情况下可对各类装置的对时情况进行短期连续预估,让同源匹配预处理文件数量大幅压缩且同源匹配精准度大幅上升,属于对采样回路异常自适应诊断系统做出的强化补充,让异常诊断方法更具时效性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于宽度学习网络的录波文件可信时间分析系统的结构框图;
图2为本发明一实施例提供的一种基于宽度学习网络的录波文件可信时间分析方法的流程图;
图3为本发明一实施例提供一个具体实施例的合并后的时差数据集表格图;
图4为本发明一实施例提供的一具体实施例的改进的宽度学习网络结构的示意图;
图5是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本申请的一种基于宽度学习网络的录波文件可信时间分析系统的结构框图。
如图1所示,录波文件可信时间分析系统200包括:
预处理单元210,用于对采集的各个变电站录波文件数据和对采集的各个变电站录波文件的时钟偏差数据进行预处理并构建时钟偏差数据集;
构建单元220,用于根据改进的宽度学习网络结构构建用于变电站采样回路异常预警的录波文件可信时间预测的宽度学习网络模型,并初始化所述宽度学习网络模型;
训练单元230,用于采用自适应优化算法将所述时钟偏差数据集中各个时钟偏差数据分别作为所述宽度学习网络模型的输入,并对所述宽度学习网络模型进行训练得到模型参数;
优化单元240,用于当所述模型参数达不到预先设定的性能指标时,在所述宽度学习网络模型中新增子储备池,利用增量学习算法重新计算所述模型参数,并通过改进的贝叶斯优化算法对模型参数进行优化,得到目标宽度学习网络模型;
预测单元250,用于根据所述目标宽度学习网络模型对未来短期时间点的时钟偏差进行预测,并获取未来短期时间点的实际时钟偏差数据对所述目标宽度学习网络模型进行重新训练。
在本实施例中,录波文件可信时间分析系统采用改进的宽度学习网络结构,改进的宽度学习网络结构在宽度学习架构基础上,将强化层采用递归连接的储备池结构代替原宽度学习网络的前向连接,并使用增量学习方法,储备池结构的引入,使BLS具备了一定的回声状态特性,通过提取时间信息,有助于对时间序列信息的预测精度。
需要说明的是,优化单元240包括:
第一初始化模块,用于初始化特征映射层权值 和特征映射层偏置值/>;
确定模块,用于设置最大容许误差,并确定储备池的结构和参数;
计算模块,用于计算特征映射层的输出数据,计算储备池层的状态数据/>,计算储备池层的状态矩阵/>的伪逆以及储备池层的权值矩阵/>;
第二初始化模块,用于初始化新增子储备池的结构和参数,并计算新增子储备池的状态数据,计算新增子储备池的状态矩阵/>的伪逆以及新增子储备池的权值矩阵/>;
分析模块,用于计算实际误差,若实际误差小于最大容许误差,则停止,否则继续初始化新增子储备池的结构和参数;
优化模块,用于根据改进的贝叶斯优化算法自动调整网络中最优超参数集合以使模型的性能最佳,定义目标函数,目标函数/>表示宽度学习网络模型的性能评估指标,即验证集预测准确率,/>是待优化的超参数集合,包括映射层个数、储备池大小和储备池数量;
最大化目标函数,并使用高斯过程对目标函数/>进行建模,表达式为:
,
式中,为高斯过程的均值函数,/>为协方差函数,/>为高斯过程;
,
式中,,r表示两个评估点之间的欧氏距离,/>表示当前评估点,/>表示下一个评估点,/>为平方指数协方差函数, />为周期协方差函数, />、/>均为系数,/>为周期性参数,/>表示长度尺度,为协方差函数的超参数;
将作为协方差函数的超参数,并使用最大化边际似然的方法得到最优,log形式的边际似然函数为:
,
式中,p(*|*)表示概率,y为历史观测值,为协方差函数,/>表示方差,I为单位矩阵,T为转置,/>为观测样本的数量;
通过改进的自适应遗传算法最大化所述边际似然函数,得到协方差函数的最优超参数,其中,改进的自适应遗传算法的交叉率和变异率的表达式分别为:
,
,
式中,为交叉率,/>为变异率,/>为要交叉的两个个体中最大的适应度值,为群体中个体最大的适应度值,/>为群体的适应度平均值;/>,/>为交叉概率的上限与下限,/>取0.9,/>取[0.5,0.9];/>,/>为变异概率的最大值与最小值,/>取0.1,/>取[0.04,0.1];/>,/>为取值范围均为[0.5,1]的群体交叉率和变异率的自适应调整系数。
详细过程为:随机生成一定数量的个体,每个个体代表一个协方差函数的超参数组合,对超参数空间中的三个设计变量进行二进制编码并随机产生初始种群;对于每个个体,计算其对应的负对数形式的边际似然值作为适应度,即/>,根据个体适应度值选出下一代个体交叉概率进行交叉并产生新个体,以及变异概率进行变异操作并产生新个体;重复进行选择、交叉、变异、替换和解码优化参数的操作,直到满足最大迭代次数的停止条件;最后返回适应度最优的个体对应的超参数组合/>作为最终高斯过程最优超参数结果。
在每次贝叶斯优化迭代中,使用贝叶斯优化选择下一个样本点进行评估,更新高斯过程模型,使用置信上限策略,选择新的超参数组合,计算目标函数值,置信上限策略的表达式为:
,
式中,为置信上限,/>为高斯过程的均值预测,/>为标准差预测,/>为置信上限的权重。
初始化一群粒子,每个粒子代表一个超参数组合,给定粒子的超参数组合,计算目标函数值,使用标准的粒子群优化更新规则更新每个粒子的位置和速度/>,对于每个粒子/>,计算目标函数值,标准的粒子群优化更新规则表达式为:
,
,
式中,为惯性权重,/>,/>是惯性因子,/>,/>是随机数,/>为个体最优位置,为全局最优位置;
在每次迭代后,比较改进的贝叶斯优化和粒子群优化的结果,选择性能较好的超参数组合作为下一轮优化的起点,如果粒子群中某个例子的适应值优于当前全局最优解,则更新全局最优解,当满足收敛条件时停止,最终给出最优的参数组合,以及对应的性能评估值/>。
其中,第二初始化模块包括:
更新子模块,用于在新增子储备池后,更新新增子储备池的状态矩阵,表达式为:
,
,
式中,为状态矩阵,/>为特征映射层的输出数据,/>为子储备池的状态数据,为新增子储备池的状态数据;
第一计算子模块,用于计算新增子储备池的状态矩阵的伪逆,表达式为:
,
式中,为新增子储备池的状态矩阵/>的伪逆,/>为子储备池的状态矩阵/>的伪逆,/>、/>均为中间变量,无实质含义。
第二计算子模块,用于计算新增子储备池的权值矩阵,表达式为:
,
式中,为新增子储备池的权值矩阵,/>为子储备池的权值矩阵,/>为预测的时间序列;
其中,,
式中,为状态矩阵/>的伪逆矩阵,/>为增加的第m+1个子储备池的状态矩阵,/>为/>的伪逆矩阵,/>为状态矩阵,/>为中间变量,无实质含义。
请参阅图2,其示出了本申请的一种基于宽度学习网络的录波文件可信时间分析方法的流程图。
如图2所示,基于宽度学习网络的录波文件可信时间分析方法具体包括以下步骤:
步骤S101,对采集的各个变电站录波文件数据和对采集的各个变电站录波文件的时钟偏差数据进行预处理并构建时钟偏差数据集。
在本步骤中,采集各变电站及其各录波器时钟偏差数据的信号流程为,首先,以省调度中心录波主站为基准。远程通过IEC61850协议召唤省调度数据网的各区域核心站,获取各站录波装置时间偏差作为时间补偿数据。这些数据从录波装置经过非实时交换机、纵向加密装置、场站路由和通信设备,最终到达该变电站所属的区域核心站的汇集交换机。接着,通过光纤通信将数据输送至省调度大楼的核心交换机。经过省调度大楼的核心交换机、骨干网路由器和骨干网交换机,最终抵达录波主站的服务器。将录波器数据与录波主站的时钟进行比对,计算录波装置的时钟偏差与绝对时钟偏差,生成该召唤时间点的录波器标准格式录波时差数据文件,文件表格形式,如图3所示。
提取文件中的可用于进行时间序列预测任务输入预测模型中的特征,通过python中的pandas数据分析库,将数据文件中时钟未获取的项、时钟偏差格式混乱及不合理的项剔除,将所有时间点的录波器标准格式录波时差数据文件合并,并将数据按照地区、变电站、录波器相同的优先级,以及根据请求时间顺序排列,生成一个便于用于训练以及数据集划分的数据集。
对数据集进行分离,建立地区级别的子数据集,并对每个地区的录波器进行分类,每个地区的变电站及其拥有的录波器视为一个子组,对每个子组(地区+变电站+录波器)的数据进行分离和处理。对于每个地区、变电站和录波器的组合:按照8:2的比例分割每个子组的数据集,划分为训练集和测试集,采用滚动窗口法以保持数据集的时间相关性,这意味着在训练和测试集中,时间点之间存在重叠,以更好地捕捉时间序列模式,对于每个训练集,保留一部分数据作为验证集,用于调整模型超参数。对每个地区、变电站和录波器组合重复执行这些步骤。这样可以确保每个子组都有自己的训练集和测试集。
步骤S102,根据改进的宽度学习网络结构构建用于变电站采样回路异常预警的录波文件可信时间预测的宽度学习网络模型,并初始化所述宽度学习网络模型。
在本步骤中,构建的该改进的宽度学习系统在宽度学习系统架构BLS的基础上引入了池计算,采用递归连接的储备池取代了BLS强化层中前向连接的神经元,构成了储备池层,储备池层表示为:
,
,
式中,为预测的时间序列,/>为特征映射层的输出矩阵,为储备池层的输出矩阵,/>为储备池层的权值矩阵,/>为正则化参数,为特征映射层中第一个映射节点的输出,/>为特征映射层中第二个映射节点的输出,/>为特征映射层中第n个映射节点的输出,/>为储备池层的状态矩阵,/>为储备池层中第一个子储备池的输出,/>为储备池层中第二个子储备池的输出,/>为储备池层中第m个子储备池的输出,/>为单位矩阵;
改进的宽度学习网络结构包括输入层、特征映射层、储备池层和输出层;
其中,录波文件中的时间序列数据经过输入层输送至特征映射层;特征映射层使用全连接的神经元学习方式,对录波时差数据文件的时间序列数据进行训练,将特征映射层的输出数据输送至储备池层;储备池层中的各神经单元对输出数据/>并行处理后,输出状态数据/>;输出层根据计算状态数据/>与映射层输出数据/>的线性关系来拟合输出预测的时间序列/>。
改进的宽度学习网络结构包括结构参数和输出权重,所述结构参数包括m个储备池和n组特征映射,其中,特征映射的输出表达式为:
,
,
式中,为非线性激活函数,/>为特征映射层权值,/>为特征映射层偏置值,/>为映射层节点数,/>为特征映射层的总输出,/>为网络输入,/>为第i个映射层节点的输出,/>为实数域,/>为映射层各节点的神经元个数。
步骤S103,采用自适应优化算法将所述时钟偏差数据集中各个时钟偏差数据分别作为所述宽度学习网络模型的输入,并对所述宽度学习网络模型进行训练得到模型参数。
步骤S104,当所述模型参数达不到预先设定的性能指标时,在所述宽度学习网络模型中新增子储备池,利用增量学习算法重新计算所述模型参数,并通过改进的贝叶斯优化算法对模型参数进行优化,得到目标宽度学习网络模型。
在本步骤中,初始化特征映射层权值和特征映射层偏置值/>;设置最大容许误差/>,并确定储备池的结构和参数;计算特征映射层的输出数据/>,计算储备池层的状态数据/>,计算储备池层的状态矩阵/>的伪逆以及储备池层的权值矩阵/>;初始化新增子储备池的结构和参数,并计算新增子储备池的状态数据/>,计算新增子储备池的状态矩阵/>的伪逆以及新增子储备池的权值矩阵/>;计算实际误差,若实际误差小于最大容许误差,则停止,否则继续初始化新增子储备池的结构和参数。
改进的宽度学习网络结构如图4所示,在新增子储备池后,更新新增子储备池的状态矩阵,表达式为:
,
,
式中,为状态矩阵,/>为特征映射层的输出数据,/>为子储备池的状态数据,为新增子储备池的状态数据;
计算新增子储备池的状态矩阵的伪逆,表达式为:
,
式中,为新增子储备池的状态矩阵/>的伪逆,/>为子储备池的状态矩阵/>的伪逆,/>、/>均为中间变量,无实质含义。
计算新增子储备池的权值矩阵,表达式为:
,
式中,为新增子储备池的权值矩阵,/>为子储备池的权值矩阵,/>为预测的时间序列;
其中,,
式中,为状态矩阵/>的伪逆矩阵,/>为增加的第m+1个子储备池的状态矩阵,/>为/>的伪逆矩阵,/>为状态矩阵。/>为中间变量,无实质含义。
最后,根据改进的贝叶斯优化算法自动调整网络中最优超参数集合以使模型的性能最佳,定义目标函数,目标函数/>表示宽度学习网络模型的性能评估指标,即验证集预测准确率,/>是待优化的超参数集合,包括映射层个数、储备池大小和储备池数量;
最大化目标函数,并使用高斯过程对目标函数/>进行建模,表达式为:
,
式中,为高斯过程的均值函数,/>为协方差函数,/>为高斯过程;
,
式中,,r表示两个评估点之间的欧氏距离,/>表示当前评估点,/>表示下一个评估点,/>为平方指数协方差函数, />为周期协方差函数, />、/>均为系数,/>为周期性参数,/>表示长度尺度,为协方差函数的超参数;
将作为协方差函数的超参数,并使用最大化边际似然的方法得到最优,log形式的边际似然函数为:
,
式中,p(*|*)表示概率,y为历史观测值,为协方差函数,/>表示方差,I为单位矩阵,T为转置,/>为观测样本的数量;
通过改进的自适应遗传算法最大化所述边际似然函数,得到协方差函数的最优超参数,其中,改进的自适应遗传算法的交叉率和变异率的表达式分别为:
,
,
式中,为交叉率,/>为变异率,/>为要交叉的两个个体中最大的适应度值,/>为群体中个体最大的适应度值,/>为群体的适应度平均值;/>,/>为交叉概率的上限与下限,/>取0.9,/>取[0.5,0.9];/>,/>为变异概率的最大值与最小值,/>取0.1,/>取[0.04,0.1];/>,/>为取值范围均为[0.5,1]的群体交叉率和变异率的自适应调整系数。
通过迭代优化过程,贝叶斯优化会在给定的迭代次数内或满足收敛条件时停止。最终给出最优的参数组合,以及对应的性能评估值/>。搜寻到参数空间最优解为:映射层的神经元个数为10,强化层储备池单元个数为4,储备池大小为627。
步骤S105,根据所述目标宽度学习网络模型对未来短期时间点的时钟偏差进行预测,并获取未来短期时间点的实际时钟偏差数据对所述目标宽度学习网络模型进行重新训练。
在本步骤中,将目标宽度学习网络模型在时钟偏差预测系统中部署,用于未来5日内的所有的毫秒级时间点的录波装置与录波主站之间存在的时钟偏差进行短期预测,每隔五日,录波主站向各变电站的录波装置进行召唤,得到一个该召唤时间点的实际时钟偏差,用于更新录波装置时差数据文件与时间序列预测数据集,并重新训练网络,对下一个5日内的所有毫秒级时间点进行时钟偏差的连续预测。
综上,本申请的方法用于变电站采样回路异常预警的海量录波文件可信时间预估,大幅降低海量录波文件同源匹配算法复杂度并减少系统计算量,压缩数据预处理时间,同时支持变电站内不同录波装置的时差自适应整定与选择,增强了系统灵活性的同时提高了同源匹配准确度,相较于本行业的传统处理模式和方法更具操作性和经济性,满足电网大规模实时运行状态主动感知应用需求;实现了对海量录波装置可信时间的连续预估和修正,实现了在无法实时获取海量录波装置对时情况下可对各类装置的对时情况进行短期连续预估,让同源匹配预处理文件数量大幅压缩且同源匹配精准度大幅上升,属于对采样回路异常自适应诊断系统做出的强化补充,让异常诊断方法更具时效性。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的基于宽度学习网络的录波文件可信时间分析方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
对采集的各个变电站录波文件数据和对采集的各个变电站录波文件的时钟偏差数据进行预处理并构建时钟偏差数据集;
根据改进的宽度学习网络结构构建用于变电站采样回路异常预警的录波文件可信时间预测的宽度学习网络模型,并初始化所述宽度学习网络模型;
采用自适应优化算法将所述时钟偏差数据集中各个时钟偏差数据分别作为所述宽度学习网络模型的输入,并对所述宽度学习网络模型进行训练得到模型参数;
当所述模型参数达不到预先设定的性能指标时,在所述宽度学习网络模型中新增子储备池,利用增量学习算法重新计算所述模型参数,并通过改进的贝叶斯优化算法对模型参数进行优化,得到目标宽度学习网络模型;
根据所述目标宽度学习网络模型对未来短期时间点的时钟偏差进行预测,并获取未来短期时间点的实际时钟偏差数据对所述目标宽度学习网络模型进行重新训练。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于宽度学习网络的录波文件可信时间分析系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至基于宽度学习网络的录波文件可信时间分析系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图5是本发明实施例提供的电子设备的结构示意图,如图5所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图5中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例基于宽度学习网络的录波文件可信时间分析方法。输入装置330可接收输入的数字或字符信息,以及产生与基于宽度学习网络的录波文件可信时间分析系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于基于宽度学习网络的录波文件可信时间分析系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
对采集的各个变电站录波文件数据和对采集的各个变电站录波文件的时钟偏差数据进行预处理并构建时钟偏差数据集;
根据改进的宽度学习网络结构构建用于变电站采样回路异常预警的录波文件可信时间预测的宽度学习网络模型,并初始化所述宽度学习网络模型;
采用自适应优化算法将所述时钟偏差数据集中各个时钟偏差数据分别作为所述宽度学习网络模型的输入,并对所述宽度学习网络模型进行训练得到模型参数;
当所述模型参数达不到预先设定的性能指标时,在所述宽度学习网络模型中新增子储备池,利用增量学习算法重新计算所述模型参数,并通过改进的贝叶斯优化算法对模型参数进行优化,得到目标宽度学习网络模型;
根据所述目标宽度学习网络模型对未来短期时间点的时钟偏差进行预测,并获取未来短期时间点的实际时钟偏差数据对所述目标宽度学习网络模型进行重新训练。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于宽度学习网络的录波文件可信时间分析系统,其特征在于,包括:
预处理单元,用于对采集的各个变电站录波文件数据和对采集的各个变电站录波文件的时钟偏差数据进行预处理并构建时钟偏差数据集;
构建单元,用于根据改进的宽度学习网络结构构建用于变电站采样回路异常预警的录波文件可信时间预测的宽度学习网络模型,并初始化所述宽度学习网络模型;
训练单元,用于采用自适应优化算法将所述时钟偏差数据集中各个时钟偏差数据分别作为所述宽度学习网络模型的输入,并对所述宽度学习网络模型进行训练得到模型参数;
优化单元,用于当所述模型参数达不到预先设定的性能指标时,在所述宽度学习网络模型中新增子储备池,利用增量学习算法重新计算所述模型参数,并通过改进的贝叶斯优化算法对模型参数进行优化,得到目标宽度学习网络模型;
预测单元,用于根据所述目标宽度学习网络模型对未来短期时间点的时钟偏差进行预测,并获取未来短期时间点的实际时钟偏差数据对所述目标宽度学习网络模型进行重新训练。
2.根据权利要求1所述的一种基于宽度学习网络的录波文件可信时间分析系统,其特征在于,所述改进的宽度学习网络结构为在宽度学习网络架构BLS的基础上引入池计算,并采用递归连接的储备池取代了BLS强化层中前向连接的神经元,构成储备池层,所述储备池层表示为:
,
,
式中,为预测的时间序列,/>为特征映射层的输出矩阵,为储备池层的输出矩阵,/>为储备池层的权值矩阵,/>为正则化参数,为特征映射层中第一个映射节点的输出,/>为特征映射层中第二个映射节点的输出,/>为特征映射层中第n个映射节点的输出,/>为储备池层的状态矩阵,/>为储备池层中第一个子储备池的输出,/>为储备池层中第二个子储备池的输出,/>为储备池层中第m个子储备池的输出,/>为单位矩阵;
所述改进的宽度学习网络结构包括输入层、特征映射层、储备池层和输出层;
其中,录波文件中的时间序列数据经过输入层输送至特征映射层;特征映射层使用全连接的神经元学习方式,对录波时差数据文件的时间序列数据进行训练,将特征映射层的输出数据输送至储备池层;储备池层中的各神经单元对输出数据/>并行处理后,输出状态数据/>;输出层根据计算状态数据/>与映射层输出数据/>的线性关系来拟合输出预测的时间序列/>。
3.根据权利要求1所述的一种基于宽度学习网络的录波文件可信时间分析系统,其特征在于,所述改进的宽度学习网络结构包括结构参数和输出权重,所述结构参数包括m个储备池和n组特征映射,其中,特征映射的输出表达式为:
,
,
式中,为非线性激活函数,/>为特征映射层权值,/>为特征映射层偏置值,/>为映射层节点数,/>为特征映射层的总输出,/>为网络输入,/>为第i个映射层节点的输出,/>为实数域,/>为映射层各节点的神经元个数。
4.根据权利要求1所述的一种基于宽度学习网络的录波文件可信时间分析系统,其特征在于,所述优化单元包括:
第一初始化模块,用于初始化特征映射层权值和特征映射层偏置值/>;
确定模块,用于设置最大容许误差,并确定储备池的结构和参数;
计算模块,用于计算特征映射层的输出数据,计算储备池层的状态数据/>,计算储备池层的状态矩阵/>的伪逆以及储备池层的权值矩阵/>;
第二初始化模块,用于初始化新增子储备池的结构和参数,并计算新增子储备池的状态数据,计算新增子储备池的状态矩阵/>的伪逆以及新增子储备池的权值矩阵;
分析模块,用于计算实际误差,若实际误差小于最大容许误差,则停止,否则继续初始化新增子储备池的结构和参数。
5.根据权利要求4所述的一种基于宽度学习网络的录波文件可信时间分析系统,其特征在于,所述第二初始化模块包括:
更新子模块,用于在新增子储备池后,更新新增子储备池的状态矩阵,表达式为:
,
,
式中,为状态矩阵,/>为特征映射层的输出数据,/>为子储备池的状态数据,/>为新增子储备池的状态数据;
第一计算子模块,用于计算新增子储备池的状态矩阵的伪逆,表达式为:
,
式中,为新增子储备池的状态矩阵/>的伪逆,/>为子储备池的状态矩阵/>的伪逆,/>、/>均为中间变量,无实质含义;
第二计算子模块,用于计算新增子储备池的权值矩阵,表达式为:
,
式中,为新增子储备池的权值矩阵,/>为子储备池的权值矩阵,/>为预测的时间序列;
其中,,
式中,为状态矩阵/>的伪逆矩阵,/>为增加的第m+1个子储备池的状态矩阵,/>为/>的伪逆矩阵,/>为状态矩阵,/>为中间变量,无实质含义。
6.根据权利要求1所述的一种基于宽度学习网络的录波文件可信时间分析系统,其特征在于,所述优化单元还包括:
优化模块,用于根据改进的贝叶斯优化算法自动调整网络中最优超参数集合以使模型的性能最佳,定义目标函数,目标函数/>表示宽度学习网络模型的性能评估指标,即验证集预测准确率,/>是待优化的超参数集合,包括映射层个数、储备池大小和储备池数量;
最大化目标函数,并使用高斯过程对目标函数/>进行建模,表达式为:
,
式中,为高斯过程的均值函数,/>为协方差函数,/>为高斯过程;
,
式中,,r表示两个评估点之间的欧氏距离,/>表示当前评估点,/>表示下一个评估点,/>为平方指数协方差函数, />为周期协方差函数, />、/>均为系数,/>为周期性参数,/>表示长度尺度,为协方差函数的超参数;
将作为协方差函数的超参数,并使用最大化边际似然的方法得到最优,log形式的边际似然函数为:
,
式中,p(*|*)表示概率,y为历史观测值,为协方差函数,/>表示方差,I为单位矩阵,T为转置,/>为观测样本的数量;
通过改进的自适应遗传算法最大化所述边际似然函数,得到协方差函数的最优超参数,其中,改进的自适应遗传算法的交叉率和变异率的表达式分别为:
,
,
式中,为交叉率,/>为变异率,/>为要交叉的两个个体中最大的适应度值,/>为群体中个体最大的适应度值,/>为群体的适应度平均值;/>,/>为交叉概率的上限与下限,/>取0.9,/>取[0.5,0.9];/>,/>为变异概率的最大值与最小值,/>取0.1,/>取[0.04,0.1];/>,/>为取值范围均为[0.5,1]的群体交叉率和变异率的自适应调整系数。
7.一种基于宽度学习网络的录波文件可信时间分析方法,其特征在于,包括:
对采集的各个变电站录波文件数据和对采集的各个变电站录波文件的时钟偏差数据进行预处理并构建时钟偏差数据集;
根据改进的宽度学习网络结构构建用于变电站采样回路异常预警的录波文件可信时间预测的宽度学习网络模型,并初始化所述宽度学习网络模型;
采用自适应优化算法将所述时钟偏差数据集中各个时钟偏差数据分别作为所述宽度学习网络模型的输入,并对所述宽度学习网络模型进行训练得到模型参数;
当所述模型参数达不到预先设定的性能指标时,在所述宽度学习网络模型中新增子储备池,利用增量学习算法重新计算所述模型参数,并通过改进的贝叶斯优化算法对模型参数进行优化,得到目标宽度学习网络模型;
根据所述目标宽度学习网络模型对未来短期时间点的时钟偏差进行预测,并获取未来短期时间点的实际时钟偏差数据对所述目标宽度学习网络模型进行重新训练。
8.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求7所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275356.XA CN117874472A (zh) | 2024-03-12 | 2024-03-12 | 基于宽度学习网络的录波文件可信时间分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275356.XA CN117874472A (zh) | 2024-03-12 | 2024-03-12 | 基于宽度学习网络的录波文件可信时间分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117874472A true CN117874472A (zh) | 2024-04-12 |
Family
ID=90579763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410275356.XA Pending CN117874472A (zh) | 2024-03-12 | 2024-03-12 | 基于宽度学习网络的录波文件可信时间分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874472A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9236967B1 (en) * | 2012-10-05 | 2016-01-12 | Integrated Device Technology, Inc. | Methods of packet-based synchronization in non-stationary network environments |
CN110443364A (zh) * | 2019-06-21 | 2019-11-12 | 深圳大学 | 一种深度神经网络多任务超参数优化方法及装置 |
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
US20200334577A1 (en) * | 2016-06-15 | 2020-10-22 | Roger N. Anderson | Electric grid analytics learning machine |
CN113360555A (zh) * | 2021-04-30 | 2021-09-07 | 国网浙江省电力有限公司丽水供电公司 | 一种基于电网二次设备大数据的故障诊断分析方法及系统 |
CN115526308A (zh) * | 2022-09-09 | 2022-12-27 | 北京工商大学 | 基于宽度剪枝回声状态网络的时间序列预测方法 |
-
2024
- 2024-03-12 CN CN202410275356.XA patent/CN117874472A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9236967B1 (en) * | 2012-10-05 | 2016-01-12 | Integrated Device Technology, Inc. | Methods of packet-based synchronization in non-stationary network environments |
US20200334577A1 (en) * | 2016-06-15 | 2020-10-22 | Roger N. Anderson | Electric grid analytics learning machine |
CN110443364A (zh) * | 2019-06-21 | 2019-11-12 | 深圳大学 | 一种深度神经网络多任务超参数优化方法及装置 |
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
CN113360555A (zh) * | 2021-04-30 | 2021-09-07 | 国网浙江省电力有限公司丽水供电公司 | 一种基于电网二次设备大数据的故障诊断分析方法及系统 |
CN115526308A (zh) * | 2022-09-09 | 2022-12-27 | 北京工商大学 | 基于宽度剪枝回声状态网络的时间序列预测方法 |
Non-Patent Citations (2)
Title |
---|
刘志远;张沈习;韦鹏;史磊;李君宏;张志贤;: "基于RBF神经网络的换流站交流滤波器故障预警研究", 电力电容器与无功补偿, no. 04, 25 August 2018 (2018-08-25) * |
王明哲;全海燕;: "基于神经网络重力固体潮信号的建模与预测", 计算机仿真, no. 02, 15 February 2020 (2020-02-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112986827B (zh) | 一种基于深度学习的燃料电池剩余寿命预测方法 | |
CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
Zhu et al. | A novel traffic flow forecasting method based on RNN-GCN and BRB | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN112884008A (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN116168548A (zh) | 一种基于多特征融合的时空注意图卷积网络的交通流预测方法 | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
CN115271186A (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN111311905A (zh) | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 | |
CN117874472A (zh) | 基于宽度学习网络的录波文件可信时间分析系统及方法 | |
CN113934862B (zh) | 社区安全风险预测方法、装置、电子设备及介质 | |
CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 | |
CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
CN114741952A (zh) | 一种基于长短期记忆网络的短期负荷预测方法 | |
Cao et al. | Probabilistic electricity demand forecasting with transformer-guided state space model | |
CN113837443A (zh) | 基于深度BiLSTM的变电站线路负载预测方法 | |
CN115705339A (zh) | 交通流量预测方法及电子设备 | |
CN115456073B (zh) | 基于长短期记忆的生成式对抗网络模型建模分析方法 | |
CN117034780B (zh) | 一种基于深度学习的多尺度次季节降水量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |