【技术实现步骤摘要】
本专利技术属于绿电数据监控，具体涉及一种基于粒子群算法的绿电数据监控优化方法及系统。
技术介绍
1、随着全球对环境保护和可持续发展的日益重视，绿色电力作为一种清洁、可再生的能源形式，得到了越来越广泛的应用和发展。绿色电力主要包括太阳能、风能、水能、生物质能等可再生能源发电，其在减少温室气体排放、缓解能源危机等方面具有重要意义，然而，绿色电力的生产和供应具有间歇性、波动性和不确定性等特点，这给绿电数据的监控和管理带来了很大的挑战。传统的绿电数据监控方法主要依赖于人工监测和经验判断，存在着监测精度低、响应速度慢、数据处理能力有限等问题，难以满足现代绿电系统高效、稳定运行的需求。
2、为了解决上述问题，近年来，随着信息技术和智能算法的不断发展，越来越多的先进技术被应用于绿电数据监控领域。其中，粒子群算法作为一种基于群体智能的优化算法，具有收敛速度快、全局搜索能力强、参数设置简单等优点，在绿电数据监控优化中具有很大的潜力，目前，虽然已经有一些研究将粒子群算法应用于绿电数据监控中，但仍然存在着一些不足之处。例如，现有方法往往只考虑了单一的优化目标，如最小化预测误差或最大化系统可靠性，而忽略了其他重要因素的影响；此外，现有方法在处理大规模绿电数据时，计算效率和可扩展性还有待提高，现阶段需要一种基于粒子群算法的绿电数据监控优化方法及系统。
技术实现思路
1、为解决现有技术中存在的不足，本专利技术提供一种基于粒子群算法的绿电数据监控优化方法及系统，解决了绿电数据监控中存在的监测精度低、
2、本专利技术采用如下的技术方案。
3、本专利技术提供了一种基于粒子群算法的绿电数据监控优化方法，其特征在于，包括：
4、获取绿电数据，包括获取绿电系统中的发电量、功率、电压、电流和环境参数；
5、基于获取的绿电数据进行预处理，包括对采集到的绿电数据进行清洗、去噪和归一化处理；
6、将预处理后的绿电数据进行特征提取，包括利用时域分析、频域分析提取数据特征，并采用主成分分析减少维度特征；
7、利用特征提取后的绿电数据构建监控模型，包括以卷积神经网络为架构建立监控模型；
8、基于监控模型进行模型参数的优化，包括利用粒子群优化算法进行模型参数优化；
9、设定预警阈值，将监控模型的输出与预警阈值进行对比。
10、优选的，所述对采集到的数据进行清洗、去噪和归一化处理，包括利用插值法填充缺失值，并根据所述获取的绿电数据的均值和标准差对异常值进行筛选，之后对筛选后的绿电数据进行小波变换并根据小波函数计算小波系数，基于小波系数进行小波逆变换得到去噪后的绿电数据，最后将去噪后的绿电数据进行z-score归一化。
11、优选的，所述利用时域分析、频域分析提取数据特征，包括利用时域分析获取绿电数据中的时域数据，将时域数据作为输入进行快速傅里叶变换得到频谱，利用频谱进行数据特征的提取，所述频谱的计算公式为：
12、
13、其中，p[c]表示为是绿电数据的时域离散样本序列，在时刻c时的绿电数据的时域离散样本值，p[k]表示为频谱，j表示为虚数单位，k表示为频率索引，表示为离散频率的基本单位，表示为复指数函数。
14、优选的，所述采用主成分分析减少维度特征，包括对经过时域和频域分析得到的特征矩阵进行数据中心化，计算中心化后数据矩阵的协方差矩阵，求解协方差矩阵的特征值和特征向量，将特征值按从大到小排序，并通过特征值计算累计方差贡献率，根据累计方差贡献率选择主成分，将原始数据投影至选择的主成分上以得到降维后的数据。
15、优选的，所述以卷积神经网络为架构建立监控模型，包括构建输入层、卷积层、池化层和全连接层，其中，输入层的构建根据特征提取后的绿电数据维度确定输入层节点数量，输入层将一维绿电数据特征向量传递给卷积层，卷积层按照与输入数据适配的卷积核大小和步长进行卷积操作，并添加tanh激活函数将输出一维特征序列传递至池化层进行下采样操作，最后添加全连接层，并利用softmax激活函数将全连接层输出向量转换为各类别的概率分布。
16、优选的，所述利用粒子群优化算法进行模型参数优化，包括根据监控模型参数进行编码并初始化粒子群，利用均方误差定义适应度函数，根据速度更新公式和位置更新公式进行粒子速度和位置的更新，最后根据全局最优适应度值设置迭代终止条件。
17、优选的，所述利用粒子群优化算法进行模型参数优化，还包括在优化过程中采用自适应参数调整策略，根据迭代次数自适应调整惯性权重，根据粒子与最优位置的距离动态调整学习因子，采用多群体协作优化机制，将粒子群划分为多个子群体进行信息交换，并且结合模型结构自适应调整，根据模型性能反馈调整监控模型结构。
18、本专利技术还提供了一种基于粒子群算法的绿电数据监控优化系统，所述系统为前述一种基于粒子群算法的绿电数据监控优化方法所使用的系统，其特征在于，包括：
19、数据获取模块，被配置为：获取绿电数据，包括获取绿电系统中的发电量、功率、电压、电流和环境参数；
20、预处理模块，被配置为：基于获取的绿电数据进行预处理，包括对采集到的绿电数据进行清洗、去噪和归一化处理；
21、特征提取模块，被配置为：将预处理后的绿电数据进行特征提取，包括利用时域分析、频域分析提取数据特征，并采用主成分分析减少维度特征；
22、模型模块，被配置为：利用特征提取后的绿电数据构建监控模型，包括以卷积神经网络为架构建立监控模型；
23、优化模块，被配置为：基于监控模型进行模型参数的优化，包括利用粒子群优化算法进行模型参数优化；
24、输出模块，被配置为：根据绿电系统的特点和监控目标设定预警阈值，利用监控模型的输出与预警阈值进行对比。
25、本专利技术还提供了一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行前述的一种基于粒子群算法的绿电数据监控优化方法。
26、本专利技术还提供了一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行前述的一种基于粒子群算法的绿电数据监控优化方法。
27、本专利技术的有益效果在于，与现有技术相比，
28、1、本专利技术以卷积神经网络为架构建立监控模型具有很强的特征学习能力。构建输入层、卷积层、池化层和全连接层的结构可以自动学习绿电数据中的复杂模式。卷积层通过卷积核的滑动卷积操作能够自动提取数据中的局部特征，tanh激活函数的使用为卷积层引入了非线性因素，使得模型能够处理绿电数据中的非线性关系，尤其在绿电数据中的功率与环境因素之间的关系往往是非线性的，cnn的这种结构能够有效地捕捉到这种复杂关系，从而提高对绿电系统状态的监控准确性。
29、2、本专利技术通过多群体协作优化机制本文档来自技高网...
【技术保护点】
1.一种基于粒子群算法的绿电数据监控优化方法，其特征在于，包括：
2.根据权利要求1所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
3.根据权利要求2所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
4.根据权利要求3所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
5.根据权利要求4所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
6.根据权利要求5所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
7.根据权利要求6所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
8.一种基于粒子群算法的绿电数据监控优化系统，所述系统为前述权利要求1-7中任一项所述的一种基于粒子群算法的绿电数据监控优化方法所使用的系统，其特征在于，包括：
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-7所述的一种基于粒子群算法的绿电数据监控优化方法。
10.一种终
...【技术特征摘要】
1.一种基于粒子群算法的绿电数据监控优化方法，其特征在于，包括：
2.根据权利要求1所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
3.根据权利要求2所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
4.根据权利要求3所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
5.根据权利要求4所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
6.根据权利要求5所述的一种基于粒子群算法的绿电数据监控优化方法，其特征在于：
7.根据权利要求6所述的一种基于粒子群算法的绿电数据监控优化方...
【专利技术属性】
技术研发人员：吴海琨，丁盛，邓广志，詹国红，潘庆庆，马泽坤，骆丹，王宇，王启鹏，唐骞，
申请(专利权)人：国网宁夏电力有限公司银川供电公司，
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。