CN108520472A - 一种处理电力***数据的方法、装置及电子设备 - Google Patents
一种处理电力***数据的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108520472A CN108520472A CN201810166848.XA CN201810166848A CN108520472A CN 108520472 A CN108520472 A CN 108520472A CN 201810166848 A CN201810166848 A CN 201810166848A CN 108520472 A CN108520472 A CN 108520472A
- Authority
- CN
- China
- Prior art keywords
- learning model
- data
- training
- model
- electric
- 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 57
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000013136 deep learning model Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 239000012141 concentrate Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003012 network analysis Methods 0.000 abstract description 11
- 230000009471 action Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供了一种处理电力***数据的方法、装置及电子设备，所述方法包括：基于预先训练的深度强化学习模型，获取电力***运行数据中的学习价值信息；根据所获取的学习价值信息判断所述电力***的运行状态；根据所述电力***的运行状态，确定控制决策，其中，所述控制决策用于保障所述电力***安全稳定运行。通过本发明实施例提供的技术方案，能够直接从电网数据入手，基于预先训练好的深度强化学习模型获取电力***运行数据中的学习价值信息，根据所获取的学习价值信息来判断电力***的运行状态并给出合理控制方案；从而能够避免电网分析对物理模型的依赖，且对于不同运行方式不同场景不需要重新调整模型架构，训练效率高，适用性较强。
Description
技术领域
本发明涉及数据处理技术领域，特别是涉及一种处理电力***数据的方法、装置及电子设备。
背景技术
随着新能源、电动汽车等新型供用电在电网占比增加，传统的电力***分析方法对于新的发展形势下电网分析控制适用性较差，不能满足电网发展要求，具体的，传统电力***分析控制往往采用基于物理模型建模构建数学方程组并求解，根据计算结果判定***状态。但是，随着电力***结构日趋复杂，基于物理模型的分析方法难以适应电网需求，分析结果可信度下降。
发明内容
本发明实施例的目的在于提供一种处理电力***数据的方法、装置及电子设备，以避免电网分析对物理模型的依赖，保证了分析结果的可信度，且对于不同运行方式不同场景不需要重新调整模型架构，训练效率高，适用性强。具体技术方案如下：
第一方面，本发明实施例提供了一种处理电力***数据的方法，所述方法包括：
基于预先训练的深度强化学习模型，获取电力***运行数据中的学习价值信息；
根据所获取的学习价值信息判断所述电力***的运行状态；
根据所述电力***的运行状态，确定控制决策，其中，所述控制决策用于保障所述电力***安全稳定运行。
可选的，所述深度强化学习模型的训练过程如下：
初始化深度强化学习模型，所述深度强化学习模型由深度学习模型和强化学习模型构成；
获得电网数据；
对所获得的电网数据进行预处理形成样本数据集；
从所述样本数据集中选取训练数据；
利用深度学习模型提取所述训练数据的特征；
利用强化学习模型对所提取的特征进行分析，得到分析结果，并基于所述分析结果判断是否完成训练；
如果判断结果为完成训练，得到训练完成的深度强化学习模型；
如果判断结果为未完成训练，调整所述深度学习模型和强化学习模型的模型参数，返回执行从所述样本数据集中选取训练数据的步骤。
可选的，所述深度学习模型为：深度卷积神经网络。
可选的，所述深度学习模型为用于提高原始数据价值密度和增加模型泛化能力的模型。
可选的，所述强化学习模型为Q-Learning分析模型。
第二方面，本发明实施例提供了一种处理电力***数据的装置，所述装置包括：
信息获取模块，用于基于预先训练的深度强化学习模型，获取电力***运行数据中的学习价值信息；
运行状态判断模块，用于根据所获取的学习价值信息判断所述电力***的运行状态；
控制决策确定模块，用于根据所述电力***的运行状态，确定控制决策，其中，所述控制决策用于保障所述电力***安全稳定运行。
可选的，所述深度强化学习模型的训练过程如下：
初始化深度强化学习模型，所述深度强化学习模型由深度学习模型和强化学习模型构成；
获得电网数据；
对所获得的电网数据进行预处理形成样本数据集；
从所述样本数据集中选取训练数据；
利用深度学习模型提取所述训练数据的特征；
利用强化学习模型对所提取的特征进行分析，得到分析结果，并基于所述分析结果判断是否完成训练；
如果判断结果为完成训练，得到训练完成的深度强化学习模型；
如果判断结果为未完成训练，调整所述深度学习模型和强化学习模型的模型参数，返回执行从所述样本数据集中选取训练数据的步骤。
可选的，所述深度学习模型为：深度卷积神经网络。
可选的，所述深度学习模型为用于提高原始数据价值密度和增加模型泛化能力的模型。
可选的，所述强化学习模型为Q-Learning分析模型。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面所述的任一处理电力***数据的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的任一处理电力***数据的方法。
与现有技术相比，本发明实施例提供的技术方案，能够直接从电网数据入手，基于预先训练好的深度强化学习模型获取电力***运行数据中的学习价值信息，然后根据所获取的学习价值信息来判断电力***的运行状态并给出合理控制方案；从而能够一定程度上避免电网分析对物理模型的依赖，且对于不同运行方式不同场景不需要重新调整模型架构，训练效率高，适用性较强；另外，本发明实施例充分利用数据资源，保证了资源不被浪费。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例所提供的一种处理电力***数据的方法的流程图；
图2为本发明实施例所提供的深度卷积神经网络架构图；
图3为本发明实施例所提供的16-17号支路故障不同切机策略发电机偏差对比图；
图4为本发明实施例所提供的对比不同运行方式下切机决策结果示意图；
图5为本发明实施例所提供的一种处理电力***数据的装置的结构示意图；
图6为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
为了解决现有技术存在的技术问题，本发明实施例提供了一种处理电力***数据的方法、装置及电子设备，以避免电网分析对物理模型的依赖，且对于不同运行方式不同场景不需要重新调整模型架构，训练效率高，适用性强。
第一方面，下面首先对本发明实施例所提供的处理电力***数据的方法进行介绍。
如图1所示，本发明实施例所提供的一种处理电力***数据的方法，包括如下步骤：
S101，基于预先训练的深度强化学习模型，获取电力***运行数据中的学习价值信息；
传统的电力***分析控制往往采用基于物理模型建模构建数学方程组并求解，根据计算结果判定***状态。随着电力***结构日趋复杂，基于物理模型的分析方法难以适应电网需求，分析结果可信度下降。另外，由于电网中不确定性因素增加，物理模型难以对不确定性因素建模，导致电网建模困难，对于一些问题不能计算分析。
为了解决传统的电力***分析方法所存在的问题，本发明实施例提供的深度强化学习模型直接从电网数据入手，在数据中学习价值信息，分析电网运行状态并给出合理控制方案。本发明能够一定程度上避免电网分析对物理模型的依赖，适用性较强，对于不同运行方式不同场景不需要重新调整模型架构，训练效率高。
其中，上述深度强化学习模型由深度学习和强化学习两部分组成。本发明实施例中的深度学习采用深度卷积神经网络；强化学习采用Q-Learning分析方法。深度卷积神经网络采用不同卷积核采集不同特征，可提升原始数据价值密度，增加模型泛化能力。
需要说明的是，上述深度卷积神经网络的架构图如图2所示，卷积神经网络通过不同的卷积核分析不同特征，每个卷积核采用权值共享的方式抓取特征。第一次卷积采用4个卷积核分析样本数据，产生4种特征样本，每种样本特征权值相同。二次采样过程即为池化过程，可以有效降低特征样本维度，同时尽可能保证关键信息不丢失。
上述强化学习Q-Learning方法主要处理分析电网动作信息，将电网动作效果通过Q函数量化为数字指标Q值，通过对比Q值大小判定动作优劣进而得到控制策略。
S102，根据所获取的学习价值信息判断所述电力***的运行状态；
所获取的学习价值信息能够判断电力***的运行状态，具体的，深度强化学习模型训练的流程为：输入电网数据；对输入的电网数据进行预处理形成样本数据集；选取训练数据；利用卷积神经网络提取训练数据的特征；利用强化学习对所提取的特征进行分析，并判断是够完成训练；如果判断结果为完成训练，则存储参数，即得到深度强化学习模型训练；如果判断结果为未完成训练，则继续执行选取训练模型的步骤。
在得到深度强化学习模型之后，提取训练样本数据时，每次同时训练多条数据，包括不同运行方式下电网数据，用以提高模型泛化能力，同时提高训练效率。深度强化学习过程中，回报函数对于模型效果有重要的作用。数据的方差可表征物理***能量，随机矩阵理论中心极限定理计算数据方差作为动作执行后的回报值。考虑电网动作前后的物理特性，采用发电机速度偏差数据作为回报值计算的数据源。电网正常运行时，发电机速度偏差均匀分布于零值附近，期望值近似为零。电网处于紧急状态并采取切机动作，动作有效则发电机速度偏差减小，数据波动能量也相应减小。为了避免Q值估计过高给计算结果带来的不确定性，结合双重Q网络和竞争Q网络构建算法模型。强化学习的双重Q网络的目标函数为(1)
由式(1)，回报值越小动作越有效，即控制效果越好。竞争Q网络考虑将回报值划分为环境回报值和动作回报值，结合电网运行特性，将电网环境数据分为运行环境数据和动作信息数据。运行环境信息主要包括发电机功率信息，动作信息数据主要包括电压、功角和发电机速度偏差等信息。基于以上讨论，发电机速度偏差的方差可以一定程度上反映控制策略的优劣，因此将发电机速度偏差的方差作为回报，式(14)作为回报函数。强化学习过程中，Q-Learning网络将不断修正网络参数，使得网络计算的Q值不断接近回报值。
其中，样本数据考虑电网多维度和物理特征分别采用发电机无功、发电机电磁功率、发电机机械功率、节点电压、发电机速度偏差和发电机功角等属性维度。为便于分析阐述，采用IEEE39节点***仿真数据作为样本数据，将切机动作编号，发电机节点由小到大，切机容量由小到大的顺序将动作编号为1-30，例如30号发电机节点分别切除容量50％、60％、70％，动作编号分别为1、2、3；38号节点发电机节点分别切除容量50％、60％、70％，动作编号分别为25、26、27。训练过程中，动作编号采用onehot编码方式编码，作为Q-Learning的训练样本。Q-Learning采用Google发布的Tensorflow深度学习框架搭建网络，并进行数据计算处理。按照图2所示切机控制决策流程训练模型并得到最终结果。
S103，根据所述电力***的运行状态，确定控制决策，其中，所述控制决策用于保障所述电力***安全稳定运行。
在得到电力***的运行状态后，可以从多个控制决策中选择适应电力***运行状态的控制决策，从而使得电力***能够正常稳定地运行。
具体的，如图3所示，为16-17号支路故障不同切机策略发电机偏差对比图。由图3(b)为本发明实施例提供的技术方案所得到的控制策略，按本发明实施例提供的技术方案所选择的动作切除发电机后，发电机速度偏差趋于稳定，发电机速度偏差被抑制在较小范围波动。图3(a)随机选择切除30号发电机，切除后发电机速度偏差仍不断增加，最终将导致电网运行失去稳定性。可见，通过本发明实施例提供的技术方案所确定的控制决策，能够使得电力***正常稳定地运行。
图4对比不同运行方式下切机决策结果，其中子图分别代表5-6、5-8、6-7、15-16、16-17、16-19、16-24号支路扰动切机决策结果分布。图中线段代表回报值，即强化学习模型需要学习的目标值。图中点代表不同运行方式下Q值结果。分析过程中，随机抽取负荷率0.9-1.1的电网运行环境信息，Q值小的策略效果较好，应优先考虑。由图4可得，Q值分布于回报值线段的两侧，且Q值整体分布特性与回报值线段趋势一致，同时大多数动作对应的Q值分布较为紧密。图4(e)-(g)切机策略对应的扰动均位于16号节点附近，Q值分布特性相近，回报值线段趋势相似，针对不同运行方式下切机决策结果相近。因此，深度强化学习模型具有较好的适应能力。由于深度强化学习框架含有多层神经网络模型，从数据驱动角度神经网络对数据具有一定的泛化能力，从物理***角度为鲁棒性。基于以上讨论，深度强化学习用于电网切机决策控制能够一定程度上适应电网不同运行方式，且所得结果具有正确性。
与现有技术相比，本发明实施例提供的技术方案，能够直接从电网数据入手，基于预先训练好的深度强化学习模型获取电力***运行数据中的学习价值信息，然后根据所获取的学习价值信息来判断电力***的运行状态并给出合理控制方案；从而能够一定程度上避免电网分析对物理模型的依赖，且对于不同运行方式不同场景不需要重新调整模型架构，训练效率高，适用性较强；另外，本发明实施例充分利用数据资源，保证了资源不被浪费。
第二方面，本发明实施例还提供了一种处理电力***数据的装置，如图5所示，所述装置包括：
信息获取模块510，用于基于预先训练的深度强化学习模型，获取电力***运行数据中的学习价值信息；
运行状态判断模块520，用于根据所获取的学习价值信息判断所述电力***的运行状态；
控制决策确定模块530，用于根据所述电力***的运行状态，确定控制决策，其中，所述控制决策用于保障所述电力***安全稳定运行。
可选的，所述深度强化学习模型的训练过程如下：
初始化深度强化学习模型，所述深度强化学习模型由深度学习模型和强化学习模型构成；
获得电网数据；
对所获得的电网数据进行预处理形成样本数据集；
从所述样本数据集中选取训练数据；
利用深度学习模型提取所述训练数据的特征；
利用强化学习模型对所提取的特征进行分析，得到分析结果，并基于所述分析结果判断是否完成训练；
如果判断结果为完成训练，得到训练完成的深度强化学习模型；
如果判断结果为未完成训练，调整所述深度学习模型和强化学习模型的模型参数，返回执行从所述样本数据集中选取训练数据的步骤。
可选的，所述深度学习模型为：深度卷积神经网络。
可选的，所述深度学习模型为用于提高原始数据价值密度和增加模型泛化能力的模型。
可选的，所述强化学习模型为Q-Learning分析模型。
与现有技术相比，本发明实施例提供的技术方案，能够直接从电网数据入手，基于预先训练好的深度强化学习模型获取电力***运行数据中的学习价值信息，然后根据所获取的学习价值信息来判断电力***的运行状态并给出合理控制方案；从而能够一定程度上避免电网分析对物理模型的依赖，且对于不同运行方式不同场景不需要重新调整模型架构，训练效率高，适用性较强；另外，本发明实施例充分利用数据资源，保证了资源不被浪费。
第三方面，本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现第一方面所述的处理电力***数据的方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
与现有技术相比，本发明实施例提供的技术方案，能够直接从电网数据入手，基于预先训练好的深度强化学习模型获取电力***运行数据中的学习价值信息，然后根据所获取的学习价值信息来判断电力***的运行状态并给出合理控制方案；从而能够一定程度上避免电网分析对物理模型的依赖，且对于不同运行方式不同场景不需要重新调整模型架构，训练效率高，适用性较强；另外，本发明实施例充分利用数据资源，保证了资源不被浪费。
第四方面，在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述方法实施例中所述的数据搜索方法。
与现有技术相比，本发明实施例提供的技术方案，能够直接从电网数据入手，基于预先训练好的深度强化学习模型获取电力***运行数据中的学习价值信息，然后根据所获取的学习价值信息来判断电力***的运行状态并给出合理控制方案；从而能够一定程度上避免电网分析对物理模型的依赖，且对于不同运行方式不同场景不需要重新调整模型架构，训练效率高，适用性较强；另外，本发明实施例充分利用数据资源，保证了资源不被浪费。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种处理电力***数据的方法，其特征在于，所述方法包括：
基于预先训练的深度强化学习模型，获取电力***运行数据中的学习价值信息；
根据所获取的学习价值信息判断所述电力***的运行状态；
根据所述电力***的运行状态，确定控制决策，其中，所述控制决策用于保障所述电力***安全稳定运行。
2.根据权利要求1所述的方法，其特征在于，所述深度强化学习模型的训练过程如下：
初始化深度强化学习模型，所述深度强化学习模型由深度学习模型和强化学习模型构成；
获得电网数据；
对所获得的电网数据进行预处理形成样本数据集；
从所述样本数据集中选取训练数据；
利用深度学习模型提取所述训练数据的特征；
利用强化学习模型对所提取的特征进行分析，得到分析结果，并基于所述分析结果判断是否完成训练；
如果判断结果为完成训练，得到训练完成的深度强化学习模型；
如果判断结果为未完成训练，调整所述深度学习模型和强化学习模型的模型参数，返回执行从所述样本数据集中选取训练数据的步骤。
3.根据权利要求2所述的方法，其特征在于，所述深度学习模型为：深度卷积神经网络。
4.根据权利要求2所述的方法，其特征在于，所述深度学习模型为用于提高原始数据价值密度和增加模型泛化能力的模型。
5.根据权利要求4所述的方法，其特征在于，所述强化学习模型为Q-Learning分析模型。
6.一种处理电力***数据的装置，其特征在于，所述装置包括：
信息获取模块，用于基于预先训练的深度强化学习模型，获取电力***运行数据中的学习价值信息；
运行状态判断模块，用于根据所获取的学习价值信息判断所述电力***的运行状态；
控制决策确定模块，用于根据所述电力***的运行状态，确定控制决策，其中，所述控制决策用于保障所述电力***安全稳定运行。
7.根据权利要求5所述的装置，其特征在于，所述深度强化学习模型的训练过程如下：
初始化深度强化学习模型，所述深度强化学习模型由深度学习模型和强化学习模型构成；
获得电网数据；
对所获得的电网数据进行预处理形成样本数据集；
从所述样本数据集中选取训练数据；
利用深度学习模型提取所述训练数据的特征；
利用强化学习模型对所提取的特征进行分析，得到分析结果，并基于所述分析结果判断是否完成训练；
如果判断结果为完成训练，得到训练完成的深度强化学习模型；
如果判断结果为未完成训练，调整所述深度学习模型和强化学习模型的模型参数，返回执行从所述样本数据集中选取训练数据的步骤。
8.根据权利要求6所述的装置，其特征在于，所述深度学习模型为：深度卷积神经网络。
9.根据权利要求6所述的装置，其特征在于，所述深度学习模型为用于提高原始数据价值密度和增加模型泛化能力的模型。
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810166848.XA CN108520472A (zh) | 2018-02-28 | 2018-02-28 | 一种处理电力***数据的方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810166848.XA CN108520472A (zh) | 2018-02-28 | 2018-02-28 | 一种处理电力***数据的方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108520472A true CN108520472A (zh) | 2018-09-11 |
Family
ID=63433376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810166848.XA Pending CN108520472A (zh) | 2018-02-28 | 2018-02-28 | 一种处理电力***数据的方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108520472A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109103936A (zh) * | 2018-09-30 | 2018-12-28 | 南京铭越创信电气有限公司 | 一种电力***大停电后最优机组启动次序计算方法 |
| CN109754075A (zh) * | 2019-01-16 | 2019-05-14 | 中南民族大学 | 无线传感器网络节点的调度方法、设备、存储介质及装置 |
| CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、***及电子设备 |
| CN110516889A (zh) * | 2019-09-03 | 2019-11-29 | 广东电网有限责任公司 | 一种基于Q-learning的负荷综合预测方法和相关设备 |
| CN110535146A (zh) * | 2019-08-27 | 2019-12-03 | 哈尔滨工业大学 | 基于深度确定策略梯度强化学习的电力***无功优化方法 |
| CN111191529A (zh) * | 2019-12-17 | 2020-05-22 | 中移（杭州）信息技术有限公司 | 一种处理异常工单的方法及*** |
| CN111327487A (zh) * | 2018-12-14 | 2020-06-23 | 国网山西省电力公司信息通信分公司 | 基于深度学习的电力通信网络运行状态监测方法和装置 |
| CN111478292A (zh) * | 2020-03-16 | 2020-07-31 | 中国电力科学研究院有限公司 | 一种基于深度强化学习的电力***的故障切除方法和*** |
| CN111525587A (zh) * | 2020-04-01 | 2020-08-11 | 中国电力科学研究院有限公司 | 一种基于无功负荷态势的电网无功电压控制方法及*** |
| CN111688104A (zh) * | 2020-06-18 | 2020-09-22 | 诺兰特新材料(北京)有限公司 | 自动化去毛边*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512808A (zh) * | 2015-11-30 | 2016-04-20 | 武汉大学 | 一种面向大数据的电力***暂态稳定评估方法 |
| CN105676670A (zh) * | 2014-11-18 | 2016-06-15 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
| CN107037278A (zh) * | 2016-11-04 | 2017-08-11 | 国家电网公司 | 一种iec61850标准下的智能变电站故障诊断方法 |
| CN107067190A (zh) * | 2017-05-18 | 2017-08-18 | 厦门大学 | 基于深度强化学习的微电网电能交易方法 |
-
2018
- 2018-02-28 CN CN201810166848.XA patent/CN108520472A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105676670A (zh) * | 2014-11-18 | 2016-06-15 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
| CN105512808A (zh) * | 2015-11-30 | 2016-04-20 | 武汉大学 | 一种面向大数据的电力***暂态稳定评估方法 |
| CN107037278A (zh) * | 2016-11-04 | 2017-08-11 | 国家电网公司 | 一种iec61850标准下的智能变电站故障诊断方法 |
| CN107067190A (zh) * | 2017-05-18 | 2017-08-18 | 厦门大学 | 基于深度强化学习的微电网电能交易方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘威等: "基于深度强化学习的电网紧急控制策略研究", 《中国电机工程学报》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109103936A (zh) * | 2018-09-30 | 2018-12-28 | 南京铭越创信电气有限公司 | 一种电力***大停电后最优机组启动次序计算方法 |
| CN111327487A (zh) * | 2018-12-14 | 2020-06-23 | 国网山西省电力公司信息通信分公司 | 基于深度学习的电力通信网络运行状态监测方法和装置 |
| CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、***及电子设备 |
| CN109754075A (zh) * | 2019-01-16 | 2019-05-14 | 中南民族大学 | 无线传感器网络节点的调度方法、设备、存储介质及装置 |
| CN110535146A (zh) * | 2019-08-27 | 2019-12-03 | 哈尔滨工业大学 | 基于深度确定策略梯度强化学习的电力***无功优化方法 |
| CN110516889A (zh) * | 2019-09-03 | 2019-11-29 | 广东电网有限责任公司 | 一种基于Q-learning的负荷综合预测方法和相关设备 |
| CN110516889B (zh) * | 2019-09-03 | 2023-07-07 | 广东电网有限责任公司 | 一种基于Q-learning的负荷综合预测方法和相关设备 |
| CN111191529A (zh) * | 2019-12-17 | 2020-05-22 | 中移（杭州）信息技术有限公司 | 一种处理异常工单的方法及*** |
| CN111191529B (zh) * | 2019-12-17 | 2023-04-28 | 中移（杭州）信息技术有限公司 | 一种处理异常工单的方法及*** |
| CN111478292A (zh) * | 2020-03-16 | 2020-07-31 | 中国电力科学研究院有限公司 | 一种基于深度强化学习的电力***的故障切除方法和*** |
| CN111478292B (zh) * | 2020-03-16 | 2022-10-04 | 中国电力科学研究院有限公司 | 一种基于深度强化学习的电力***的故障切除方法和*** |
| CN111525587A (zh) * | 2020-04-01 | 2020-08-11 | 中国电力科学研究院有限公司 | 一种基于无功负荷态势的电网无功电压控制方法及*** |
| CN111525587B (zh) * | 2020-04-01 | 2022-10-25 | 中国电力科学研究院有限公司 | 一种基于无功负荷态势的电网无功电压控制方法及*** |
| CN111688104A (zh) * | 2020-06-18 | 2020-09-22 | 诺兰特新材料(北京)有限公司 | 自动化去毛边*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520472A (zh) | 一种处理电力***数据的方法、装置及电子设备 | |
| CN110633745B (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
| EP2991004B1 (en) | Method and apparatus for labeling training samples | |
| CN108615073A (zh) | 图像处理方法及装置、计算机可读存储介质、电子设备 | |
| CN111709406B (zh) | 文本行识别方法及装置、可读存储介质、电子设备 | |
| CN108009673A (zh) | 基于深度学习的新型负荷预测方法和装置 | |
| CN107729465B (zh) | 人物危险度的评估方法、装置及电子设备 | |
| CN109102146B (zh) | 基于多参数线性规划的电力***风险评估加速方法 | |
| CN112862092B (zh) | 一种异构图卷积网络的训练方法、装置、设备和介质 | |
| CN110349082A (zh) | 图像区域的裁剪方法和装置、存储介质及电子装置 | |
| Yu et al. | Forecasting house price index of China using dendritic neuron model | |
| CN112217207A (zh) | 一种暂态电压稳定裕度预测方法及装置 | |
| CN107392311A (zh) | 序列切分的方法和装置 | |
| CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
| CN111957047A (zh) | 关卡配置数据调整方法、计算机设备及存储介质 | |
| CN114726823B (zh) | 一种基于生成对抗网络的域名生成方法、装置和设备 | |
| CN106845991A (zh) | 一种规则处理方法和设备 | |
| CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及*** | |
| CN107506952A (zh) | 危险指数的评估方法、装置及电子设备 | |
| CN112402982A (zh) | 基于机器学习的用户作弊行为检测方法和*** | |
| CN111598234B (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
| CN106897328A (zh) | 一种图像检索方法及装置 | |
| CN112580868A (zh) | 电力***输电阻塞管理方法、***、设备及存储介质 | |
| CN108052520A (zh) | 基于主题模型的关联词分析方法、电子装置及存储介质 | |
| CN110069772A (zh) | 预测问答内容的评分的装置、方法及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180911 |
|
| WD01 | Invention patent application deemed withdrawn after publication |