System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及损耗类型识别,尤其涉及一种输电线路损耗类型识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,并不必然构成在先技术。
2、目前的电力系统越来越复杂,在电力系统的发电、配电、输电过程中都会出现线路损耗,尤其是输电线路损耗,发电厂在产生电能传输到用户端的过程中,由于各种原因导致电能以热能等其他形式能量损失在周围其他介质中的电能成为输电线路损耗,一般情况下,导致损耗的原因分为不可抗力因素和人为因素,不可抗力因素可包括电能经过输电线路,由于线路电阻导致的损耗,人为因素可包括个别人或企业为了自身利益的窃电行为。输电线路的损耗会降低供电质量以及带来经济和能源的损失,所以及时识别出输电线路损耗类型,做到早识别早干预,在本领域中具有重大意义。
3、随着神经网络技术的不断发展,目前基于神经网络对损耗类型识别的技术发展的越来越快,但是传统的神经网络,如cnn存在梯度消失、过拟合、计算量大以及模型泛化能力弱等缺陷,如何提取模型中深层的特征,增强模型的泛化能力是本领域技术人员不断探索的方向之一。在研究中还发现目前已有的技术方案中,模型最终输出的结果中夹杂有噪声,从而造成识别结果与实际情况误差较大,所以如何提取更加深层的特征、增强模型泛化能力以及解决输出结果存有噪声的问题,是本领域技术人员亟需解决的技术难题。
技术实现思路
1、本专利技术为了解决上述问题,提出了一种输电线路损耗类型识别方法及系统,通过对传统的神经网络进行改进,在保留原
2、为了实现上述目的,本专利技术采用如下技术方案:
3、第一方面,本专利技术提供了一种输电线路损耗类型识别方法,包括:
4、获取输电线路历史损耗数据,对获取的输电线路历史损耗数据进行预处理,构建历史损耗数据集,将所述历史损耗数据集分为训练集、验证集和测试集;
5、构建改进的cnn-lstm神经网络,所述改进的cnn-lstm神经网络依次包括输入层、特征提取层、第二卷积层、lstm层、全连接层和输出层,其中特征提取层依次包括第一卷积层和池化层,利用训练集对改进的cnn-lstm神经网络进行训练,同时利用验证集优化改进cnn-lstm神经网络的参数,再利用测试集对改进cnn-lstm神经网络进行测试验证,得到最终的改进cnn-lstm神经网络,并作为损耗识别模型;
6、获取当前输电线路的损耗数据,输入至损耗识别模型中,输出初始识别结果,再利用加权平均法对初始识别结果进行处理,得到最终损耗类型识别结果。
7、进一步的技术方案,所述输电线路历史损耗数据包括电阻数据、电感数据、电流数据、电压数据、负荷数据和功率数据,所述损耗类型识别结果包括导线电阻损耗、电感损耗、绝缘损耗、负载损耗、空载损耗以及盗电损耗。
8、进一步的技术方案,所述利用训练集对改进的cnn-lstm神经网络进行训练,具体过程为:
9、所述输入层将输入的训练集处理成第一特征,并输入至特征提取层中进行特征提取,其中特征提取层中的第一卷积层对第一特征进行提取得到第一特征映射,再经过激活函数得到第二特征映射;特征提取层中的池化层对第二特征映射进行二次处理得到第三特征映射并输出至第二卷积层中;所述第二卷积层对第三特征映射进行进一步的特征提取,得到第四特征映射,再经过激活函数得到第五特征映射并输入至lstm层中;所述lstm层自动学习第五特征映射中的特征信息,再经过全连接层完成分类任务,最终由输出层输出;所述全连接层还用于计算损失函数,并用最小损失函数作为学习目标。
10、进一步的技术方案,所述对第二特征映射进行二次处理包括数据划分和压缩,并得到个第三特征映射,其中为第一特征个数,y为池化层尺寸。
11、进一步的技术方案,所述利用验证集优化改进cnn-lstm神经网络的参数:通过随机梯度下降法和反向传播法优化改进cnn-lstm神经网络的参数,其中依据随机梯度下降法的方向,反向传播法会进行若干次的迭代计算并求解出最小损失函数值。
12、进一步的技术方案,所述利用测试集对改进cnn-lstm神经网络进行测试验证,具体包括根据测试验证的结果评价性能指标,所述性能指标包括精确率、准确率、f1值和召回率。
13、进一步的技术方案,所述利用加权平均法对初始识别结果进行处理的方法为:
14、=;
15、其中,为加权平均法处理后得到的最终损耗类型识别结果,为j时刻的初始识别结果,i为时间长度,k为权重系数。
16、第二方面,本专利技术提供了一种输电线路损耗类型识别系统,包括:
17、数据获取模块,被配置为:获取输电线路历史损耗数据,对获取的输电线路历史损耗数据进行预处理,构建历史损耗数据集,将所述历史损耗数据集分为训练集、验证集和测试集;
18、网络构建模块,被配置为:构建改进的cnn-lstm神经网络,所述改进的cnn-lstm神经网络依次包括输入层、特征提取层、第二卷积层、lstm层、全连接层和输出层,其中特征提取层依次包括第一卷积层和池化层,利用训练集对改进的cnn-lstm神经网络进行训练,同时利用验证集优化改进cnn-lstm神经网络的参数,再利用测试集对改进cnn-lstm神经网络进行测试验证,得到最终的改进cnn-lstm神经网络,并作为损耗识别模型;
19、识别模块,被配置为:获取当前输电线路的损耗数据,输入至损耗识别模型中,输出初始识别结果,再利用加权平均法对初始识别结果进行处理,得到最终损耗类型识别结果。
20、本专利技术与现有技术相比,具有如下的优点和有益效果:
21、本专利技术通过对传统的cnn-lstm神经网络进行改进,在保留原有网络结构的基础上,在特征提取层和lstm层之间,增加一个第二卷积层,第二卷积层可以提取模型深层特征,有效增强模型的泛化能力,并且本申请在池化层中进行了数据划分和压缩,在一定程度了减少了过拟合的风险并能加快计算速度,这样得到的损耗识别模型在进行输电线路损耗识别过程中,改善了过拟合和计算速度慢的问题,还提升了神经网络的泛化能力。
22、本专利技术通过对损耗识别模型输出的初始识别结果利用加权平均法处理,将处理后的结果作为最终损耗类型识别结果,能有效消除初始识别结果中的噪声,减少最终损耗类型识别结果与实际情况之间的误差,提高识别的准确性。
本文档来自技高网...【技术保护点】
1.一种输电线路损耗类型识别方法,其特征在于,包括:
2.如权利要求1所述的一种输电线路损耗类型识别方法,其特征在于,所述输电线路历史损耗数据包括电流数据、电压数据、负荷数据和功率数据,所述损耗类型识别结果包括负载损耗、空载损耗以及盗电损耗。
3.如权利要求1所述的一种输电线路损耗类型识别方法,其特征在于,所述利用训练集对改进的CNN-LSTM神经网络进行训练,具体过程为:
4.如权利要求3所述的一种输电线路损耗类型识别方法,其特征在于,所述对第二特征映射进行二次处理包括数据划分和压缩,并得到个第三特征映射,其中为第一特征个数,y为池化层尺寸。
5.如权利要求1所述的一种输电线路损耗类型识别方法,其特征在于,所述利用验证集优化改进CNN-LSTM神经网络的参数:通过随机梯度下降法和反向传播法优化改进CNN-LSTM神经网络的参数,其中依据随机梯度下降法的方向,反向传播法会进行若干次的迭代计算并求解出最小损失函数值。
6.如权利要求1所述的一种输电线路损耗类型识别方法,其特征在于,所述利用测试集对改进CNN-LSTM神经网
7.如权利要求1所述的一种输电线路损耗类型识别方法,其特征在于,所述利用加权平均法对初始识别结果进行处理的方法为:
8.一种输电线路损耗类型识别系统,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种输电线路损耗类型识别方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种输电线路损耗类型识别方法中的步骤。
...【技术特征摘要】
1.一种输电线路损耗类型识别方法,其特征在于,包括:
2.如权利要求1所述的一种输电线路损耗类型识别方法,其特征在于,所述输电线路历史损耗数据包括电流数据、电压数据、负荷数据和功率数据,所述损耗类型识别结果包括负载损耗、空载损耗以及盗电损耗。
3.如权利要求1所述的一种输电线路损耗类型识别方法,其特征在于,所述利用训练集对改进的cnn-lstm神经网络进行训练,具体过程为:
4.如权利要求3所述的一种输电线路损耗类型识别方法,其特征在于,所述对第二特征映射进行二次处理包括数据划分和压缩,并得到个第三特征映射,其中为第一特征个数,y为池化层尺寸。
5.如权利要求1所述的一种输电线路损耗类型识别方法,其特征在于,所述利用验证集优化改进cnn-lstm神经网络的参数:通过随机梯度下降法和反向传播法优化改进cnn-lstm神经网络的参数,其中依据随机梯度下降法的方向,反向传播...
【专利技术属性】
技术研发人员:马良,郭丹丹,董聪,杜威,李浩,王冬,任兴星,刘亚冉,梁明,张斌,路宽,胡敬敬,
申请(专利权)人:国网山东省电力公司汶上县供电公司,
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。