【技术实现步骤摘要】
基于深度学习的电网量测中心多源数据校核方法及系统
[0001]本专利技术涉及电力系统中的电网量测中心数据校核
,更具体地,涉及一种基于深度学习的电网量测中心多源数据校核方法及系统
。
技术介绍
[0002]深度学习
(Deep Learning
,
DL)
是使用多个复杂的神经网络结构来表示多层非线性变换的高层级抽象算法,近些年来在图像分类
、
机器翻译
、
人脸识别
、
目标检测等机器学习的各个领域都表现出强大的能力
。
深度学习的发展离不开强大的计算机算力和海量数据的支持,因此自从
1998
年第一个
CNN
架构
——LeNet
‑5问世以来,深度学习的发展进入十年冰河期,直到
2012
年
AlexNet
一举夺得
ImageNet
挑战赛的冠军后,各种基于深度学习的神经网络如
VGG Net、GoogLeNet、ResNet
等在计算机视觉
(Computer Vision
,
CV)
领域大放异彩
。
网络朝着更深的方向不断发展,性能也越来越优异
。
深度学习同样推动着自然语言处理
(Natural Language Processing
,
NLP)
领域向前发展
。2017 >年
Transformer
横空出世,在
NLP
的各个领域都取得了前所未有的成绩,后来根据
Transformer
变形得到的模型如
BERT、ELMo、GPT
等均表现出优异的性能
。
[0003]卷积神经网络
(Convolutional Neural Network
,
CNN)
是一种特殊的神经网络,其主要用于图像识别
、
语音识别
、
自然语言处理等领域
。CNN
的核心是卷积层
(Convolutional Layer)
,卷积层通过一定的卷积操作,提取出输入数据中的特征
。
卷积层中的每一个神经元只与前一层中的一部分神经元相连,这使得
CNN
能够处理大规模的数据
。CNN
还包括池化层
(Pooling Layer)
和全连接层
(Fully Connected Layer)。
池化层通过减小特征图的尺寸和数量,来减少网络复杂度,降低过拟合的风险
。
全连接层通过将池化层的输出与权重相乘并加上偏置项,得到最终的输出结果
。CNN
的训练过程通常采用反向传播算法
(Backpropagation)
和梯度下降算法
(Gradient Descent)
来调整网络中的参数,以使得网络能够准确地对输入数据进行分类或预测
。
[0004]在电力系统中,数据校核是保证电网数据准确性和可靠性的重要手段
。
现有的电网数据校核方法主要包括规则校核
、
逻辑校核和统计校核等,但这些现有校核方法均存在着一定的局限性,例如规则校核只能校核符合预设规则的数据,无法校核异常数据;逻辑校核需要人工编写校核逻辑,效率较低;统计校核依赖于统计模型的准确性和数据质量,对数据质量要求较高
。
技术实现思路
[0005]为解决现有技术中存在的不足,本专利技术提供一种基于深度学习的电网量测中心多源数据校核方法,能够解决现有校核方法准确性和处理效率较低的技术问题
。
[0006]本专利技术采用如下的技术方案
。
[0007]一种基于深度学习的电网量测中心多源数据校核方法,包括如下步骤:
[0008]步骤1,采集电路中的遥信数据和遥测数据并构建数据集,通过预处理模块对数据
集中的数据进行预处理,将遥信数据和遥测数据分别转化为第一遥信嵌入矩阵和第一遥测嵌入矩阵;
[0009]步骤2,通过注意力交互模块获取第一遥信嵌入矩阵和第一遥测嵌入矩阵的之间数据关联,并将其分别转化为第二遥信嵌入矩阵和第二遥测嵌入矩阵;
[0010]步骤3,基于数据集对卷积神经网络进行训练,将完成训练的卷积神经网络作为校核模型;
[0011]步骤4,采集电路的实时遥测数据和遥信数据并通过预处理模块和注意力交互模块对其进行处理,并通过校核模型校核数据是否异常
。
[0012]优选地,所述步骤1中,采集遥信数据,遥信数据指各电路中的开关状态,设某一电路中共有
M
个不同的开关,每个开关之间的状态相互独立,采集各开关的状态为开启或关闭,得到每个开关的状态,构成该电路的遥信数据,共采集
M
个遥信数据;
[0013]采集遥测数据,采集各电路中电力设备的遥测数据构成电路的遥测数据,且采集的每个遥测数据为一个三维数据组,每个三维数据组中包括电力设备
ID、
遥测数据类型
、
数据值,其中,遥测数据的类型包括:电力设备的有功功率
、
无功功率
、
电流
、
电压,共采集
N
个遥测数据
。
[0014]优选地,通过预处理模块对数据集中的数据进行预处理还包括:
[0015]预设第一遥信嵌入矩阵和第一遥测嵌入矩阵为
l
tp
×
l
vec
的矩阵,根据各电路采集的遥信数据和遥测数据个数进行数据填充或剔除,使遥信数据和遥测数据的个数均达到
l
tp
个;
[0016]将填充或剔除后的每个遥信数据和每个遥测数据分别映射为一个固定长度为
l
vec
的向量;
[0017]将得到的
l
tp
个遥信数据向量和
l
tp
个遥测数据向量分别进行拼接,得到得到得到第一遥信嵌入矩阵
s
和第一遥测嵌入矩阵
d
,且得到的第一遥信嵌入矩阵
s
和第一遥测嵌入矩阵
d
均为
l
tp
×
l
vec
的矩阵
。
[0018]优选地,所述预处理中,若遥信数据或遥测数据的个数不足
l
tp
个,则填充特殊符号
<pad>
使其补足至
l
tp
个;若遥信数据或遥测数据超出
l
tp
个,则剔除超出的数据使遥信数据和遥本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的电网量测中心多源数据校核方法,其特征在于,包括如下步骤:步骤1,采集电路中的遥信数据和遥测数据并构建数据集,通过预处理模块对数据集中的数据进行预处理,将遥信数据和遥测数据分别转化为第一遥信嵌入矩阵和第一遥测嵌入矩阵;步骤2,通过注意力交互模块获取第一遥信嵌入矩阵和第一遥测嵌入矩阵的之间数据关联,并将其分别转化为第二遥信嵌入矩阵和第二遥测嵌入矩阵;步骤3,基于数据集对卷积神经网络进行训练,将完成训练的卷积神经网络作为校核模型;步骤4,采集电路的实时遥测数据和遥信数据并通过预处理模块和注意力交互模块对其进行处理,并通过校核模型校核数据是否异常
。2.
根据权利要求1所述的基于深度学习的电网量测中心多源数据校核方法,其特征在于,所述步骤1中,采集遥信数据,遥信数据指各电路中的开关状态,设某一电路中共有
M
个不同的开关,每个开关之间的状态相互独立,采集各开关的状态为开启或关闭,得到每个开关的状态,构成该电路的遥信数据,共采集
M
个遥信数据;采集遥测数据,采集各电路中电力设备的遥测数据构成电路的遥测数据,且采集的每个遥测数据为一个三维数据组,每个三维数据组中包括电力设备
ID、
遥测数据类型
、
数据值,其中,遥测数据的类型包括:电力设备的有功功率
、
无功功率
、
电流
、
电压,共采集
N
个遥测数据
。3.
根据权利要求2所述的基于深度学习的电网量测中心多源数据校核方法,其特征在于,所述通过预处理模块对数据集中的数据进行预处理还包括:预设第一遥信嵌入矩阵和第一遥测嵌入矩阵为
l
tp
×
l
vec
的矩阵,根据各电路采集的遥信数据和遥测数据个数进行数据填充或剔除,使遥信数据和遥测数据的个数均达到
l
tp
个;将填充或剔除后的每个遥信数据和每个遥测数据分别映射为一个固定长度为
l
vec
的向量;将得到的
l
tp
个遥信数据向量和
l
tp
个遥测数据向量分别进行拼接,得到得到得到第一遥信嵌入矩阵
s
和第一遥测嵌入矩阵
d
,且得到的第一遥信嵌入矩阵
s
和第一遥测嵌入矩阵
d
均为
l
tp
×
l
vec
的矩阵
。4.
根据权利要求3所述的基于深度学习的电网量测中心多源数据校核方法,其特征在于,所述预处理中,若遥信数据或遥测数据的个数不足
l
tp
个,则填充特殊符号
<pad>
使其补足至
l
tp
个;若遥信数据或遥测数据超出
l
tp
个,则剔除超出的数据使遥信数据和遥测数据的个数均为
l
tp
个
。5.
根据权利要求1所述的基于深度学习的电网量测中心多源数据校核方法,其特征在于,所述步骤2还包括:步骤2‑1,通过余弦相似度衡量遥信数据和遥测数据之间的相关程度,得到遥信数据和遥测数据的有效部分的相似度矩阵
M
s
;
步骤2‑2,对有效部分的相似度矩阵
M
s
分别进行列方向和行方向的
softmax
处理,得到列方向相关矩阵
M
ss
和行方向相关矩阵
M
sd
;步骤2‑3,将列方向相关矩阵
M
ss
和行方向相关矩阵
M
sd
进行填充,得到大小为
l
tp
×
l
tp
第一相关矩阵
matrix1
和第二相关矩阵
matrix2
;步骤2‑4,将第一遥信嵌入矩阵
s
和第一遥测嵌入矩阵
d
分别与第一相关矩阵
matrix1
和第二相关矩阵
matrix2
相乘,得到第二遥信嵌入矩阵
S
和第二遥测嵌入矩阵
D。6.
根据权利要求5所述的基于深度学习的电网量测中心多源数据校核方法,其特征在于,所述步骤2‑1还包括:提取第一遥信嵌入矩...
【专利技术属性】
技术研发人员:许扬,谭晶,李莉,刘梅招,马洲俊,李盛盛,顾颖程,夏飞,王沈亮,刘坤,张子谦,魏柳,于海平,涂金金,程环宇,刘凯,宋玉,谢志,陈高峰,陈重尧,汤雷,许梦晗,朱昊,胡秋翔,葛国栋,
申请(专利权)人:国网江苏省电力有限公司信息通信分公司国网电力科学研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。