一种基于半监督学习的微电网运行状态标签化分类方法技术

本发明专利技术公开了一种基于半监督学习的微电网运行状态标签化分类方法，涉及技术领域，通过获取微电网运行状态的历史数据，形成历史数据集，将所述历史数据集分为有运行状态标签样本集、无运行状态标签样本集和测试样本集；从所述有运行状态标签样本集中重复随机抽取一定数量的样本，形成三个有标签样本子集，通三个所有标签样本子集分别训练，并根据迭代训练的标准进行迭代，得到三个不同的BP神经网络分类模型；采用无运行状态标签样本集分别三个所述BP神经网络分类模型进行从新训练，直到达到最大重复次数后结束训练，得到优化后的半监督学习神经网络分类模型。通过本发明专利技术方法能够解决现有没有专门的微电网运行状态标签化分类的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于半监督学习的微电网运行状态标签化分类方法


[0001]本专利技术属于微电网
，尤其涉及一种基于半监督学习的微电网运行状态标签化分类方法。

技术介绍

[0002]微电网做为分布式发电综合利用的有效手段，随着可再生能源渗透率的不断提高得到了广泛应用。微电网的优化运行调度是提升分布式可再生能源消纳能力、降低系统运行成本的关键环节。为了满足当前运行场景与配置结构日益复杂的微电网系统高效、可靠运行的需求，亟需研究寻优效率高、可靠通用的微电网调度策略制定方法，以降低微电网能量调度决策的响应时间，提高微电网经济效益与调度性能。近年来随着人工智能技术的发展，打破传统的基于物理原理通过建模求解调度策略的常规思维，借助数据驱动思想来提高微电网智能化调控性能，成为制定微电网能量调度策略的新思路。
[0003]传统基于神经网络模型的深度学习算法都是有监督学习，需要足够的带分类标签的样本集来训练神经网络模型，然而现有没有专门的微电网运行状态标签化分类，因此，需要一种基于半监督学习的微电网运行状态标签化分类方法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于半监督学习的微电网运行状态标签化分类方法，从而克服了现有没有专门的微电网运行状态标签化分类的缺点。
[0005]为实现上述目的，本专利技术提供了一种基于半监督学习的微电网运行状态标签化分类方法，包括以下步骤：
[0006]获取微电网运行状态的历史数据，形成历史数据集，将所述历史数据集分为有运行状态标签样本集、无运行状态标签样本集和测试样本集；
[0007]从所述有运行状态标签样本集中重复随机抽取一定数量的样本，形成三个有标签样本子集，通三个所有标签样本子集分别训练，并根据迭代训练的标准进行迭代，得到三个不同的BP神经网络分类模型；
[0008]采用无运行状态标签样本集分别三个所述BP神经网络分类模型进行从新训练，直到达到最大重复次数后结束训练，得到优化后的半监督学习神经网络分类模型。
[0009]优选地，所述优化后的半监督学习神经网络分类模型对下一调度周期微电网运行状态数据向量进行运行状态标签化分类，得到的输出结果为三个神经网络分类模型输出的各分类概率的平均值。
[0010]优选地，当最大的分类概率的平均值大于微电网运行状态分类概率阈值时，则下一调度周期微电网运行状态数据的标签化分类结果为最大的分类概率的平均值时对应的标签编号的取值。
[0011]优选地，所述迭代训练的标准包括：只要下一次迭代得到BP神经网络分类模型的分类错误率小于当前迭代的分类错误率，则会继续训练迭代，直到BP神经网络分类模型的
误差率增加，则停止进行训练。
[0012]优选地，采用无运行状态标签样本集分别三个所述BP神经网络分类模型进行从新训练，直到达到最大重复次数后结束训练，得到优化后的半监督学习神经网络分类模型，包括：
[0013]三个所述BP神经网络分类模型分别为M
a
、M
b
、M
j
；
[0014]S31、将无运行状态标签样本集中的无标签运行状态标签样本分别输入除M
j
外的BP神经网络分类模型M
a
、M
b
进行分类标签预测，得到的分类预测结果；
[0015]S32、判断两个分类预测结果是否相等，若不相等，则将所述无标签运行状态标签样本放回到无运行状态标签样本集中；若相等，则将所述无标签运行状态标签样本加入到BP神经网络分类模型M
j
对应的有标签样本补集中；
[0016]S33、重复步骤S31
‑
S32，直至无运行状态标签样本集中的所有无标签运行状态标签样本循环完毕；
[0017]S34、将循环完毕后的有标签样本补集与BP神经网络分类模型M
j
对应的有标签样本集合并，得到新一代有标签样本训练集，将新一代有标签样本训练集替代初始有标签样本集合，并通过新一代有标签样本训练集对BP神经网络分类模型M
j
进行重新训练，更新权重参数后得到新的BP神经网络分类模型M
j
；
[0018]S35、重复步骤S31
‑
S34分别对BP神经网络分类模型M
a
、M
b
进行训练，直至训练结束，得到优化后的半监督学习神经网络分类模型。
[0019]优选地，所述训练结束的条件为：训练次数达到最大重复次数。
[0020]与现有的技术相比，本专利技术具有如下有益效果：
[0021]本专利技术所提供的基于半监督学习的微电网运行状态标签化分类方法，获取微电网运行状态的历史数据，形成历史数据集，将所述历史数据集分为有运行状态标签样本集、无运行状态标签样本集和测试样本集；从所述有运行状态标签样本集中重复随机抽取一定数量的样本，形成三个有标签样本子集，通三个所有标签样本子集分别训练，并根据迭代训练的标准进行迭代，得到三个不同的BP神经网络分类模型；采用无运行状态标签样本集分别三个所述BP神经网络分类模型进行从新训练，直到达到最大重复次数后结束训练，得到优化后的半监督学习神经网络分类模型。通过本专利技术方法能够解决现有没有专门的微电网运行状态标签化分类的问题，而通过专利技术方法能够利用无标签样本中隐含的申诉件特征来训练神经网络模型参数，提高下一调度周期微电网运行状态的标签化分类识别。
附图说明
[0022]为了更清楚地说明本专利技术的技术方案，下面将对实施例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专利技术的一个实施例，对于本领域普通技术人员来说，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。
[0023]图1是本专利技术一种基于半监督学习的微电网运行状态标签化分类方法的流程图。
具体实施方式
[0024]下面结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的
实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]如图1所示，本专利技术所提供的基于半监督学习的微电网运行状态标签化分类方法包括以下步骤：
[0026]S1、获取微电网运行状态的历史数据，形成历史数据集，将所述历史数据集分为有运行状态标签样本集、无运行状态标签样本集和测试样本集；
[0027]具体的，微电网运行状态历史数据集Q包含k个样本，将历史数据集Q划分为有运行状态标签样本集A、无运行状态标签样本集B和测试样本集C，样本数量分别为k
A
、k
B
、k
C
，且k
A
+k
B
+k
C
＝k。
[0028]S2、从所述有运行状态标签样本集中重复随机抽取一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督学习的微电网运行状态标签化分类方法，其特征在于，包括以下步骤：获取微电网运行状态的历史数据，形成历史数据集，将所述历史数据集分为有运行状态标签样本集、无运行状态标签样本集和测试样本集；从所述有运行状态标签样本集中重复随机抽取一定数量的样本，形成三个有标签样本子集，通三个所有标签样本子集分别训练，并根据迭代训练的标准进行迭代，得到三个不同的BP神经网络分类模型；采用无运行状态标签样本集分别三个所述BP神经网络分类模型进行从新训练，直到达到最大重复次数后结束训练，得到优化后的半监督学习神经网络分类模型。2.根据权利要求1所述的基于半监督学习的微电网运行状态标签化分类方法，其特征在于，所述优化后的半监督学习神经网络分类模型对下一调度周期微电网运行状态数据向量进行运行状态标签化分类，得到的输出结果为三个神经网络分类模型输出的各分类概率的平均值。3.根据权利要求1所述的基于半监督学习的微电网运行状态标签化分类方法，其特征在于，当最大的分类概率的平均值大于微电网运行状态分类概率阈值时，则下一调度周期微电网运行状态数据的标签化分类结果为最大的分类概率的平均值时对应的标签编号的取值。4.根据权利要求1所述的基于半监督学习的微电网运行状态标签化分类方法，其特征在于，所述迭代训练的标准包括：只要下一次迭代得到BP神经网络分类模型的分类错误率小于当前迭代的分类错误率，则会继续训练迭代，直到BP神经网络分类模型的误差率增加，则停止进行训练。5.根据权利要求...

【专利技术属性】
技术研发人员：吴晓锐，陈卫东，吴宁，郭敏，肖静，姚知洋，韩帅，谭志广，刘志立，
申请(专利权)人：广西电网有限责任公司贵港供电局，
类型：发明
国别省市：