专利汇可以提供一种基于深度学习的电力系统暂态稳定性判别系统及方法专利检索,专利查询,专利分析的服务。并且本 发明 公开一种基于 深度学习 的电 力 系统暂态 稳定性 判别系统及方法,属于电力系统动态安全评估技术领域,本发明的系统包括样本获取、特征提取、样本扩展和稳定性判别四个模 块 ,同时公开了系统实现的方法,采用深度自 编码器 提取电力系统样本数据的特征数据降低样本的维度,可以有效的节省计算力及计算时间;采用对抗生成网络生成伪样本数据,扩展样本集规模,使稳定性判别模块可以更好的判断电力系统的暂态稳定性,提高稳定性判断的准确率;采用深度 卷积神经网络 构建电力系统暂态稳定性判别模块,可以更为实时、准确的判断电力系统的暂态稳定性。,下面是一种基于深度学习的电力系统暂态稳定性判别系统及方法专利的具体信息内容。
1.一种基于深度学习的电力系统暂态稳定性判别系统,其特征在于包括:
样本获取模块,用于获取训练网络所需的特征数据样本集;
特征提取模块:用于提取样本生成模块获取的样本集中的重要特征;
样本扩展模块:用于扩展样本集的样本数量;
稳定性判别模块:用于最终判断电力系统的暂态稳定与否。
2.根据权利要求1所述的一种基于深度学习的电力系统暂态稳定性判别系统,其特征在于所述样本获取模块包括:
实际数据采集单元,用于采集电网的实际运行数据;
仿真模拟单元,用于仿真模拟生成电网运行数据,与电网实际运行数据共同输入权利要求1所述特征提取模块。
3.根据权利要求1所述的一种基于深度学习的电力系统暂态稳定性判别系统,其特征在于所述特征提取模块包括:
数据归一化单元,用于归一化样本生成模块获取的特征数据,减小每个样本内数值差距带来的影响;
深度自编码器特征提取单元,用于提取归一化后的样本中的重要特征数据。
4.根据权利要求1所述的一种基于深度学习的电力系统暂态稳定性判别系统,其特征在于所述样本扩展模块包括:
网络输入生成单元,用于生成对抗生成网络的输入数据;
对抗生成网络样本生成单元,用于模拟权利要求1所述特征提取模块输出的样本数据特征生成样本,并扩展样本集规模。
5.根据权利要求1所述的一种基于深度学习的电力系统暂态稳定性判别系统,其特征在于所述稳定性判别模块包括:
深度卷积神经网络训练单元,用于训练深度卷积神经网络对电力系统暂态稳定性的判别能力;
判别器性能测试单元,用于测试训练后的深度卷积神经网络对稳定性的判别能力;
稳定性判别单元,用于判断电力系统的暂态稳定性。
6.一种基于深度学习的电力系统暂态稳定性判别方法,其特征在于,采用权利要求1所述的一种基于深度学习的电力系统暂态稳定性判别系统,包括以下步骤:
步骤1:将采集的电网实际运行特征数据同仿真模拟电网运行特征数据一并作为样本集,所述运行特征数据包括:母线电压、母线电压相角、线路有功功率、线路无功功率和发电机无功功率,其中每个样本的维数为a;
步骤2:归一化处理样本集中的特征数据值;
其中,k表示每个样本中的初始特征数据值,|kmax|表示每个样本中绝对值最大的特征数据值,k′表示归一化后的特征数据值;
步骤3:采用深度自编码器提取归一化处理后的特征数据中的重要特征数据;
步骤4:采用对抗生成网络生成样本数据,扩展提取后的样本集规模;
步骤5:采用深度卷积神经网络判别电力系统的暂态稳定与否。
7.根据权利要求6所述一种基于深度学习的电力系统暂态稳定性判别方法,其特征在于所述步骤3的过程如下:
步骤3.1:构建第一个自编码器,输入节点数为输入特征维数a,隐含层节点数为表示向上取整,输出层节点数与隐含层节点数相同,输入权利要求6所述归一化后的特征数据进行训练,并根据编码后的特征用于判断暂态稳定性的准确率,从而评估所述深度自编码器的性能;
步骤3.2:构建第二个自编码器,输入步骤3.1所述自编码器的输出进行训练,输入节点数为 隐含层节点数为 输出节点数与隐含层节点数相同,训练完成后根据编码后的特征用于判断暂态稳定性的准确率,从而评估所述深度自编码器的性能;
步骤3.3:构建下一个自编码器,并以此类推;
步骤3.4:在训练第l+1自编码器后,如果评估准确率没有再增加或者准确率缩小,则自编码器数量固定为l,此时,所述深度自编码器的性能最好,将l个自编码器按顺序连接,构成深度自编码网络;
步骤3.5:采用梯度下降法训练深度自编码网络,并对网络的参数进行微调,进一步提高网络的特征提取能力;
步骤3.6:使用深度自编码网络输出的特征维度为 的样本集更新原样本集,作为后续样本扩展模块的输入,称为真实样本集。
8.根据权利要求6所述一种基于深度学习的电力系统暂态稳定性判别方法,其特征在于所述步骤4的过程如下:
步骤4.1:构建随机数据集:
以随机数为样本数据,随机数的取值公式如下:
其中,μ为数学期望,σ为标准差,rand为(-1,1)间的随机数,x为(-3,3)间的随机数,F为最终生成的随机数;
其维度与权利要求7得到的真实样本集中样本数据维度相同,并随机构建类别标签;
所述类别标签设置为0和1,其中1代表稳定样本,0代表不稳定样本;
步骤4.2:构建一个生成器,隐含层为三个全连接层和三个反卷积层,反卷积层过滤器尺寸为4×4,输入为步骤4.1生成的随机数据集,输出为维度相同的伪样本集;
步骤4.3:构建一个判别器,隐含层为三个卷积层和三个全连接层,卷积层过滤器尺寸为4×4,将步骤4.2输出的伪样本集与权利要求7得到的真实样本集共同作为输入,输出层采用Softmax分类器,用来判别输入的每个样本是属于生成器生成的伪样本还是真实样本;
步骤4.4:依据判别器的输出,采用梯度下降法调整生成器中的参数,使生成器生成的伪样本与真实样本具有相同的分布概型;
步骤4.5:采用梯度下降法反复训练优化生成器和判别器,直至生成器生成的样本判别器的正确判别几率为50%,即判别器难以判断生成器生成的样本是真实样本还是生成的伪样本;
步骤4.6:使用生成器生成的伪样本集与真实样本集共同作为后续稳定性判别模块的输入。
9.根据权利要求6所述一种基于深度学习的电力系统暂态稳定性判别方法,其特征在于所述步骤5的过程如下:
步骤5.1:构建一个隐含层为三个卷积层和四个池化层的深度卷积神经网络,其结构如下所述:
第一个卷积层的过滤器尺寸为8×8,步长为1×1,输入为权利要求8得到的样本扩展后的输出;
第一个卷积层后连接第一个池化层,过滤器尺寸为2×2,步长为2×2;
第一个池化层后连接第二个卷积层的过滤器尺寸为5×5,步长为1×1;
第二个卷积层后连接第二个池化层,过滤器尺寸为2×2,步长为2×2;
第二个池化层后连接第三个卷积层,过滤器尺寸为3×3,步长为1×1;
第三个卷积层后连接第三个池化层,过滤器尺寸为2×2,步长为2×2;
第三个池化层后连接第四个池化层为全局平均池化层,步长与过滤器尺寸与第三个池化层的输出尺寸相同;
步骤5.2:在每一个卷积层后面使用Batch Normalization算法对数据进行处理,防止过拟合,增加收敛速度;
步骤5.3:使用梯度下降法训练深度卷积神经网络,直至损失函数值低于给定的阈值s或者训练轮数达到最大迭代次数tmax次;
步骤5.4:使用训练后的深度卷积神经网络判别电力系统的暂态稳定性。
10.根据权利要求9所述一种基于深度学习的电力系统暂态稳定性判别方法,其特征在于步骤5.2中所述Batch Normalization算法的过程如下:
步骤5.2.1:设G为m×n个特征数据组成的一个样本,G表示为:
其中,gij表示样本G中的一个特征数据;
步骤5.2.2:计算所有特征数据的平均值μG:
步骤5.2.3:计算所有特征数据的方差
步骤5.2.4:归一化所有特征数据:
其中,ε是一个常数, 为归一化后的数据;
步骤5.2.5:缩放平移归一化值:
其中,hij为平移后的新特征数据,γ是缩放系数,β是平移系数。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种测定材料标距效应曲线的试验与计算方法 | 2021-02-21 | 0 |
数据核对方法、装置、系统、计算机设备和存储介质 | 2021-08-18 | 1 |
一种基于Spark的路网交通运行分析方法 | 2022-07-16 | 2 |
一种基于深度学习的纳米结构设计方法 | 2020-08-01 | 1 |
分布式无线传感器网络数据漂移盲校准方法 | 2020-09-08 | 0 |
一种基于无人机的物联网系统数据收集方法 | 2021-03-12 | 0 |
一种基于抽取的商业智能分析平台自动分区方法及装置 | 2020-09-05 | 1 |
融合分布式电源与柔性负荷的配电网检修负荷转供方法 | 2022-02-03 | 1 |
一种商品评论数据的口碑分析方法和装置 | 2023-01-28 | 0 |
车载双路应急发电装置 | 2021-09-17 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。