CN110414718A - 一种深度学习下的配电网可靠性指标优化方法 - Google Patents
一种深度学习下的配电网可靠性指标优化方法 Download PDFInfo
- Publication number
- CN110414718A CN110414718A CN201910599100.3A CN201910599100A CN110414718A CN 110414718 A CN110414718 A CN 110414718A CN 201910599100 A CN201910599100 A CN 201910599100A CN 110414718 A CN110414718 A CN 110414718A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- deep learning
- reliability index
- sample
- network
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 27
- 230000008439 repair process Effects 0.000 claims description 22
- 230000015556 catabolic process Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 241000006479 Cyme Species 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004904 shortening Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种深度学习下的配电网可靠性指标优化方法,包括步骤:1)采集样本数据,构建训练样本和测试样本;2)确定深度信念网络结构;3)将训练样本输入深度信念网络,对深度信念网络模型进行优化;4)将测试样本输入至优化后的深度信念网络模型,获取对应的配电网可靠性指标;5)确定临界值,将获取的配电网可靠性指标与已有精确结果进行比较,若相对误差大于或等于临界值,则调整网络层数和节点个数后,重复步骤3)~4),若相对误差小于临界值,则完成深度学习下的配电网可靠性获取的优化。与现有技术相比,本发明具有能完整、科学、可靠的获取优化的深度学习下的配电网可靠性指标,且保证指标精确度、缩短计算时间等优点。
Description
技术领域
本发明涉及配电网可靠性分析领域,尤其是涉及一种深度学习下的配电网可靠性指标优化方法。
背景技术
配电网是电力***中不可或缺的一部分,现存的配电网可靠性分析的传统方法包括解析法、模拟法等,都是以配电网元件可靠性参数为基础计算配电网可靠性指标的,难以适用于所有类型的配电网结构,且无法兼顾结果精度与计算时间。人工智能算法的优势在于通过类比模拟法分析事件内部存在的客观规律、模糊参数、盲数的确定等方面,建立输入矢量与输出矢量之间的关系。近些年来,在国内外专家学者的不断尝试下,利用人工智能的方法对配电网***元件与配电网***的可靠性进行分析也取得了一定进展,在此基础上提出了模糊可靠性与人工神经网络等评估分析算法。电网结构日益复杂、数据量逐渐加大,与此同时人工智能也在快速发展、日益普及,其中深度学习算法也日趋成熟。然而如何提供一种更加精确化的电网可靠性指标优化方法仍是现如今要解决的重要问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种深度学习下的配电网可靠性指标优化方法。
本发明的目的可以通过以下技术方案来实现:
一种深度学习下的配电网可靠性指标优化方法,包括下列步骤:
S1:采集样本数据,构建训练样本和测试样本。
训练样本矩阵的数据包括配电网的拓扑结构数据、线路参数、配电网元件可靠性参数和负荷类参数。所述的线路参数包括各条线路长度、各条线路类型,所述的配电网元件可靠性参数包括线路故障率、线路平均故障修复时间、变压器故障率、变压器平均故障修复时间、断路器故障率、断路器平均故障修复时间、母线故障率、母线平均故障修复时间、分段开关故障率、分段开关故障修复时间,所述的负荷类参数包括负荷点总用户数。
S2:确定深度信念网络结构,包括设置网络层数、节点个数和初始状态参数。
确定深度学***均停电频率指标)、SAIDI(System average interruption duration index,***平均停电持续时间)、ASAI(Average service availability index,平均供电可用率指标)。初始状态参数包括训练周期、学习率、激活函数、输入层节点数、输出层节点数、可见层的偏置向量、隐含层的偏置向量和权值。
S3:将训练样本输入深度信念网络,对深度信念网络模型进行优化;
对训练样本获取关联矩阵后输入至深度信念网络中,逐步训练深度信念网络中的所有RBM,权值矩阵W、可见层的偏置向量a和隐含层的偏置向量b,参数的更新原则表达式为:
其中,ε为梯度下降法的学习率,<·>recon为一次重构后可见层或隐含层的概率分布,v为可见层观测数据,h为隐含层数据;
将训练得到的参数输入到BP网络中进行反向优化训练,使权值矩阵W和偏置向量a、b参数再次更新,得到完整深度信念网络模型。
可见层的偏置向量a初始化选取公式为:
式中,pi为第i个特征取值为1的样本所占样本总数的比例;
隐含层的偏置向量b初始化取0;
权值矩阵W中每个数值初始化为正态分布N(0,0.1)的随机数。
优选地,在训练过程中,训练周期为每一层RBM迭代30次,整个深度学习网络迭代5000次,并选取ReLU函数作为激活函数。
S4:将测试样本输入至优化后的深度信念网络模型,获取对应的配电网可靠性指标;
S5:确定临界值,将步骤S4获取的配电网可靠性指标与已有精确结果进行比较,若相对误差大于或等于临界值,则调整网络层数和节点个数后,重复步骤S3~S4,若相对误差小于临界值,则完成深度学习下的配电网可靠性获取的优化。已有精确结果由商用可靠性计算软件CYME计算获取。
与现有技术相比,本发明方法最大范围的选取配电网可靠性影响因素,将各个因素的数值输入深度学习网络进行训练,并依据所得配电网可靠性指标的准确度,对深度学习网络结构进行调整,从而得到最适合配电网可靠性分析的深度学习网络;本发明方法能够完整、科学、可靠的获取优化的深度学习下的配电网可靠性指标,且该方法能保证配电网可靠性指标的精确度,可适用于多种配电网网架结构,同时训练好后的深度学习网络能够缩短大量数据的计算时间。
附图说明
图1为本发明方法的流程示意图;
图2为配电网网络拓扑图;
图3为本发明实施例中测试矩阵中十个样本ASAI指标相较于已有准确结果的相对误差折线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
本发明选择断路器、母线、架空线路、电缆线路、分段开关等进行维修后可以恢复到正常工作状态的配电网元器件的可靠性、网络拓扑结构以及网络参数等作为深度学习网络输入。
目前深度学习网络包括深度信念网络、卷积神经网络和循环神经网络等。其中深度信念网络(Deep Belief Network,DBN)模型较为灵活,融合了无监督学习及有监督学习的优势,可以从大量样本中学习数据集的本质特征,与其他方法的兼容性较好,因此本发明采用多个受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)堆叠形成的深度信念网络模型用于获取更加优化的配电网可靠性指标。基于深度信念网络的配电网供电可靠性指标获取通过TensorFlow深度学习框架来实现。
本发明涉及一种深度学习下的配电网可靠性指标优化方法,如图1所示,具体包括如下步骤:
步骤一、采集样本数据或参考配电网可靠性样本数据库,构建训练样本矩阵和测试样本矩阵。
样本为m×n矩阵,其中m为样本配电网网架结构个数,n为配电网状态参数的个数。其中,有四大类配电网数据作为输入:1、配电网的拓扑结构2、线路参数(各条线路长度、各条线路类型)3、配电网元件可靠性参数(线路故障率、线路平均故障修复时间、变压器故障率、变压器平均故障修复时间、断路器故障率、断路器平均故障修复时间、母线故障率、母线平均故障修复时间、分段开关故障率、分段开关故障修复时间)4、负荷类参数(负荷点总用户数)。
将三类配电网可靠性指标SAIFI(System average interruption frequencyindex,***平均停电频率指标)、SAIDI(System average interruption duration index,***平均停电持续时间)、ASAI(Average service availability index,平均供电可用率指标)作为深度学习网络的输出特征矢量(矢量元素个数Q=3)。
步骤二、将配电网的拓扑结构通过转化为关联矩阵的形式作为输入。
当一个配电网网络拓扑结构中存在k个节点,其关联矩阵则会是一个k*k的矩阵形式,依据下式可确定矩阵中每一项的元素值,其中,节点i与j之间若是只有一段线路连接,且线路不包含其他节点,该元素aij用1表示,否则就用0表示。
配电网可以依据负荷分布数量、密度差异、地理条件状况、电源位置、电压等级大小差异等情况来形成不同的结构,基础结构例如树状、手拉手、多联络多分段等结构。例如图2所示,为一个拥有十节点树状结构的配电网网络拓扑模型,其关联矩阵即为一个10*10的矩阵。当关联矩阵中对角线上的点代表同一节点,其元素值应设为1,即矩阵中对角线元素均为1,图2中节点1只与节点2相关联,所以a21与a12值都置为1,其他无关联元素都置为0,以此类推,可以得到图2所对应的关联矩阵A为:
在配电网拓扑结构矩阵中,数值的大小代表相关联节点间的距离。除配电网的拓扑结构外,其它三大类配电网状态参数皆以数值的方式作为深度学习网络的输入。
步骤三、确定深度信念网络的结构。
设置网络层数和节点个数,其中各层节点数最大值为由以下原则确定。
A.在满足精度要求的前提下取尽可能紧凑的结构,即取尽可能少的隐含层节点数。研究表明,隐含层节点数不仅与输入、输出层的节点数有关,与需解决的问题的复杂程度、转换函数的型式以及样本数据的特性等因素也有关。
B.隐含层节点数必须小于N-1(其中N为训练样本数),否则,网络模型的***误差与训练样本的特性无关而趋于零,即建立的网络模型没有泛化能力,也没有任何实用价值。故输入层的节点数(变量数)必须小于N-1。
C.训练样本数必须多于网络模型的连接权数,一般为2~10倍,否则,样本必须分成几部分并采用“轮流训练”的方法才可能得到可靠的神经网络模型。
初始状态参数设为极小值,包括训练周期、学习率、激活函数、输入层节点数、输出层节点数、偏置和权值,其中:输入层神经元个数取为209,输出层神经元个数取为3;训练周期为每一层RBM迭代30次,整个深度学习网络迭代5000次;RBM学习率取0.0001,整个深度学习网络学习率取0.005,激活函数选取ReLU函数。相对于Sigmoid和Tanh激活函数,ReLU不仅能够使深度学习网络训练过程中梯度下降、反向传播更加高效,避免梯度***和梯度消失问题,而且能够简化计算过程,没有其他复杂激活函数中诸如指数函数的影响,同时活跃度的分散性使得神经网络整体计算复杂度降低、时间减少。ReLU函数如下式所示:
f(x)=max(0,x)
可见层的偏置向量a初始化取:
其中,pi表示为第i个特征取值为1的样本所占样本总数的比例,隐含层的偏置向量b初始化取0;权值矩阵W中每个数值初始化为正态分布N(0,0.1)的随机数。
步骤四、网络模型参数优化。
将训练样本输入深度信念网络中,逐步训练深度信念网络中的所有RBM,权值矩阵W和偏置向量a、b参数更新如下式所示:
其中,ε是梯度下降法的学习率,<·>recon为一次重构后可见层或隐含层的概率分布,v为可见层观测数据,h为隐含层数据,用于特征提取。
把训练得到的参数输入到BP网络中进行反向优化训练,使权值矩阵W和偏置向量a、b参数再次更新,得到完整深度信念网络模型。
步骤五、输入测试矩阵,得出相应的配电网可靠性指标。
输出的可靠性指标分别为SAIFI、SAIDI、ASAI,以m×3的矩阵形式呈现,经过可视化过程,以折线图的形式将结果与已有精确结果进行对比,观察误差。已有精确结果由商用可靠性计算软件CYME计算获取。
步骤六、确定临界值μ。
根据相关文献及经验,临界值μ取0.03,将所得输出配电网可靠性指标相对误差与μ进行对比:若误差绝对值大于或等于μ则调整网络层数和节点个数,重复步骤四、五;若小于μ,则完成深度学习下的配电网可靠性优化。
由于测试矩阵样本数量较多,在测试矩阵中随机取十个样本,将其ASAI指标相较于已有准确结果,经过可视化过程,以折线图的形式展示其相对误差,如图3所示,最大值为0.05%,远小于允许误差范围3%,符合结果要求。
本实施例以一个配电网样本为例,对本发明方法进行说明。
选取四大类共十四种输入数据,分别为各条线路长度、各条线路种类、线路故障率、线路平均故障修复时间、变压器故障率、变压器平均故障修复时间、断路器故障率、断路器平均故障修复时间、母线故障率、母线平均故障修复时间、分段开关故障率、分段开关故障修复时间、负荷点总用户数、配电网的拓扑结构。其中,选取的某一典型10节点网架结构案例中线路故障率、线路平均故障修复时间、变压器故障率、变压器平均故障修复时间、断路器故障率、断路器平均故障修复时间、母线故障率、母线平均故障修复时间、分段开关故障率、分段开关故障修复时间、负荷点总用户数的数据分别为{1.97,9,0,200,0.01,4,0.13,10.48,0.06,2,1232}。
由10节点的配电网网架结构为例,得到用10×10的矩阵B表示的配电网的拓扑结构如下式所示:
该样本共有209个输入特征,第一层可见层有209个神经元与其对应,故输入层神经元个数取为209;输出层神经元个数取为3;训练过程中每层RBM迭代30次,整个DBN迭代5000次;RBM学习率取0.0001,整个DBN学习率取0.005;激活函数选取ReLU函数;可见层的偏置向量a初始化取:
通过4层隐含层h1,h2,h3,h4,(依次对应600,1000,1500,2000个神经元),到达输出层的3个神经元,三类配电网可靠性输出指标SAIFI、SAIDI、ASAI的数值为0.953,8.249,0.99906。最终完成了深度学习下的配电网可靠性优化。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种深度学习下的配电网可靠性指标优化方法,其特征在于,该方法包括下列步骤:
1)采集样本数据,构建训练样本和测试样本;
2)确定深度信念网络结构,包括设置网络层数、节点个数和初始状态参数;
3)将训练样本输入深度信念网络,对深度信念网络模型进行优化;
4)将测试样本输入至优化后的深度信念网络模型,获取对应的配电网可靠性指标;
5)确定临界值,将步骤4)获取的配电网可靠性指标与已有精确结果进行比较,若相对误差大于或等于临界值,则调整网络层数和节点个数后,重复步骤3)~4),若相对误差小于临界值,则完成深度学习下的配电网可靠性获取的优化。
2.根据权利要求1所述的一种深度学习下的配电网可靠性指标优化方法,其特征在于,训练样本矩阵的数据包括配电网的拓扑结构数据、线路参数、配电网元件可靠性参数和负荷类参数。
3.根据权利要求2所述的一种深度学***均故障修复时间、变压器故障率、变压器平均故障修复时间、断路器故障率、断路器平均故障修复时间、母线故障率、母线平均故障修复时间、分段开关故障率、分段开关故障修复时间,所述的负荷类参数包括负荷点总用户数。
4.根据权利要求3所述的一种深度学习下的配电网可靠性指标优化方法,其特征在于,步骤2)的具体内容为:
确定深度学习网络的结构,将隐含层设置为四层,其中各隐含层节点数最大值为m为样本配电网网架结构个数,n为单个样本输入数据的个数;将初始状态参数设为极小值,其中输出层的输出特征向量设置为Q=3,输出特征向量包括三类配电网可靠性指标SAIFI、SAIDI、ASAI。
5.根据权利要求4所述的一种深度学习下的配电网可靠性指标优化方法,其特征在于,初始状态参数包括训练周期、学习率、激活函数、输入层节点数、输出层节点数、可见层的偏置向量、隐含层的偏置向量和权值。
6.根据权利要求5所述的一种深度学习下的配电网可靠性指标优化方法,其特征在于,步骤3)的具体内容为:
对训练样本获取关联矩阵后输入至深度信念网络中,逐步训练深度信念网络中的所有RBM,权值矩阵W、可见层的偏置向量a和隐含层的偏置向量b,参数的更新原则表达式为:
其中,ε为梯度下降法的学习率,<·>recon为一次重构后可见层或隐含层的概率分布,v为可见层观测数据,h为隐含层数据;
将训练得到的参数输入到BP网络中进行反向优化训练,使权值矩阵W和偏置向量a、b参数再次更新,得到完整深度信念网络模型。
7.根据权利要求6所述的一种深度学习下的配电网可靠性指标优化方法,其特征在于,可见层的偏置向量a初始化选取公式为:
式中,pi为第i个特征取值为1的样本所占样本总数的比例;
隐含层的偏置向量b初始化取0;
权值矩阵W中每个数值初始化为正态分布N(0,0.1)的随机数。
8.根据权利要求6所述的一种深度学习下的配电网可靠性指标优化方法,其特征在于,步骤3)在训练过程中,训练周期为每一层RBM迭代30次,整个深度学习网络迭代5000次。
9.根据权利要求6所述的一种深度学习下的配电网可靠性指标优化方法,其特征在于,选取ReLU函数作为激活函数。
10.根据权利要求1所述的一种深度学习下的配电网可靠性指标优化方法,其特征在于,步骤5)中,已有精确结果由商用可靠性计算软件CYME计算获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910599100.3A CN110414718A (zh) | 2019-07-04 | 2019-07-04 | 一种深度学习下的配电网可靠性指标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910599100.3A CN110414718A (zh) | 2019-07-04 | 2019-07-04 | 一种深度学习下的配电网可靠性指标优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414718A true CN110414718A (zh) | 2019-11-05 |
Family
ID=68360345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910599100.3A Pending CN110414718A (zh) | 2019-07-04 | 2019-07-04 | 一种深度学习下的配电网可靠性指标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414718A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083151A (zh) * | 2019-12-23 | 2020-04-28 | 深圳供电局有限公司 | 基于深度信念网络的攻击识别方法及风电管理*** |
CN111177101A (zh) * | 2019-12-18 | 2020-05-19 | 广西电网有限责任公司电力科学研究院 | 一种基于大数据架构的配电网多维可视化平台 |
CN111881628A (zh) * | 2020-08-06 | 2020-11-03 | 云南电网有限责任公司电力科学研究院 | 一种方波电压源电气参数优化的方法、***及存储介质 |
CN112053032A (zh) * | 2020-08-05 | 2020-12-08 | 上海工程技术大学 | 一种基于负荷量变化的微电网可靠性评估方法 |
CN112327101A (zh) * | 2020-10-30 | 2021-02-05 | 国网上海市电力公司 | 基于长短时记忆神经网络的配电网可靠性检测方法及*** |
CN112651183A (zh) * | 2021-01-19 | 2021-04-13 | 广西大学 | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN107506590A (zh) * | 2017-08-26 | 2017-12-22 | 郑州大学 | 一种基于改进深度信念网络的心血管疾病预测模型 |
WO2018076475A1 (zh) * | 2016-10-26 | 2018-05-03 | 广东产品质量监督检验研究院 | 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法 |
CN108694479A (zh) * | 2018-07-11 | 2018-10-23 | 南京邮电大学 | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 |
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
WO2019015461A1 (zh) * | 2017-07-18 | 2019-01-24 | ***股份有限公司 | 一种基于迁移深度学习的风险识别方法以及*** |
-
2019
- 2019-07-04 CN CN201910599100.3A patent/CN110414718A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
WO2018076475A1 (zh) * | 2016-10-26 | 2018-05-03 | 广东产品质量监督检验研究院 | 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法 |
WO2019015461A1 (zh) * | 2017-07-18 | 2019-01-24 | ***股份有限公司 | 一种基于迁移深度学习的风险识别方法以及*** |
CN107506590A (zh) * | 2017-08-26 | 2017-12-22 | 郑州大学 | 一种基于改进深度信念网络的心血管疾病预测模型 |
CN108694479A (zh) * | 2018-07-11 | 2018-10-23 | 南京邮电大学 | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 |
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
KINGZONE_2008: "神经网络中隐层数和隐层节点数问题的讨论", Retrieved from the Internet <URL:https://blog.csdn.net/kingzone_2008/article/details/81291507> * |
孔祥玉: "基于深度信念网络的短期负荷预测方法", 《电力***自动化》 * |
孔祥玉: "基于深度信念网络的短期负荷预测方法", 《电力***自动化》, 10 March 2018 (2018-03-10), pages 133 - 139 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111177101A (zh) * | 2019-12-18 | 2020-05-19 | 广西电网有限责任公司电力科学研究院 | 一种基于大数据架构的配电网多维可视化平台 |
CN111083151A (zh) * | 2019-12-23 | 2020-04-28 | 深圳供电局有限公司 | 基于深度信念网络的攻击识别方法及风电管理*** |
CN111083151B (zh) * | 2019-12-23 | 2021-05-25 | 深圳供电局有限公司 | 基于深度信念网络的攻击识别方法及风电管理*** |
CN112053032A (zh) * | 2020-08-05 | 2020-12-08 | 上海工程技术大学 | 一种基于负荷量变化的微电网可靠性评估方法 |
CN111881628A (zh) * | 2020-08-06 | 2020-11-03 | 云南电网有限责任公司电力科学研究院 | 一种方波电压源电气参数优化的方法、***及存储介质 |
CN111881628B (zh) * | 2020-08-06 | 2023-01-20 | 云南电网有限责任公司电力科学研究院 | 一种方波电压源电气参数优化的方法、***及存储介质 |
CN112327101A (zh) * | 2020-10-30 | 2021-02-05 | 国网上海市电力公司 | 基于长短时记忆神经网络的配电网可靠性检测方法及*** |
CN112651183A (zh) * | 2021-01-19 | 2021-04-13 | 广西大学 | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414718A (zh) | 一种深度学习下的配电网可靠性指标优化方法 | |
CN110535146B (zh) | 基于深度确定策略梯度强化学习的电力***无功优化方法 | |
Song et al. | New chaotic PSO-based neural network predictive control for nonlinear process | |
CN112382082A (zh) | 一种拥堵区域交通运行状态预测方法及*** | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN107506590A (zh) | 一种基于改进深度信念网络的心血管疾病预测模型 | |
CN110223234A (zh) | 基于级联收缩扩张的深度残差网络图像超分辨率重建方法 | |
CN113780002A (zh) | 基于图表示学习和深度强化学习的知识推理方法及装置 | |
CN109255469A (zh) | 融合栈式自编码器和支持向量回归的洪水预测方法 | |
CN114912357A (zh) | 基于用户模型学习的多任务强化学习用户运营方法及*** | |
Fan et al. | Neighborhood centroid opposite-based learning Harris Hawks optimization for training neural networks | |
CN116667369B (zh) | 一种基于图卷积神经网络的分布式光伏电压控制方法 | |
Abiyev | Fuzzy wavelet neural network for prediction of electricity consumption | |
CN116432359A (zh) | 基于元迁移学习的变拓扑网络潮流计算方法 | |
Papageorgiou et al. | A weight adaptation method for fuzzy cognitive maps to a process control problem | |
CN112861332B (zh) | 一种基于图网络的集群动力学预测方法 | |
Bideh et al. | Automatic fault diagnosis of computer networks based on a combination BP neural network and fuzzy logic | |
CN114254828A (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
Chun-Mei | Using fuzzy cognitive map for system control | |
Abraham et al. | An intelligent forex monitoring system | |
JP4267726B2 (ja) | 制御装置における動作信号と操作量との関係を決定する装置、制御装置、データ生成装置、入出力特性決定装置及び相関関係評価装置 | |
Park et al. | The hybrid multi-layer inference architecture and algorithm of FPNN based on FNN and PNN | |
CN112287120A (zh) | 一种基于强化学习的双***知识图谱的知识推理方法 | |
CN111882124A (zh) | 一种基于生成对抗模仿学***台发展效应预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |