电量数据传输系统技术方案

公开了一种电量数据传输系统，其以基于深度神经网络的人工智能技术通过将高压变电站一端对所获取的预定时间段内的一系列时间点的电量数据进行处理以挖掘出各个时间点的电量数据的高维特征以及各个时间点的电量数据之间的关联特征，并以自由空间路径损失来表征从热电厂到高压变电站的电量传输过程当中所产生的路径损耗，通过这样的方式，提高对电量数据传输系统中到达高压变电站的电量的稳定性是否符合标准的判断精确度。性是否符合标准的判断精确度。性是否符合标准的判断精确度。

【技术实现步骤摘要】
电量数据传输系统


[0001]本申请涉及深度学习和神经网络领域，且更为具体地，涉及一种电量数据传输系统。

技术介绍

[0002]热力厂发电之后，所产生的电能会通过电线传送到高压变电站，再通过高压电网传送出去。目前，高压电网的发展已经比较成熟，相对的，从电厂到高压变电站的电量数据传输系统还未得到充分发展，其中的一方面就是需要对该电量数据传输系统的电量传输状况进行判定。
[0003]目前，由于从电厂到高压变电站的电量传输过程当中的热辐射等造成的损耗等原因，在高压变电站一端接收到的电量可能不稳定，从而影响高压电网的整体工作效率，导致电力资源浪费。
[0004]因此，期望一种优化的电量数据传输系统。
[0005]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0006]深度学习以及神经网络的发展为电量数据传输系统提供了新的解决思路和方案。

技术实现思路

[0007]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电量数据传输系统，其以基于深度神经网络的人工智能技术通过将高压变电站一端对所获取的预定时间段内的一系列时间点的电量数据进行处理以挖掘出各个时间点的电量数据的高维特征以及各个时间点的电量数据之间的关联特征，并以自由空间路径损失来表征从热电厂到高压变电站的电量传输过程当中所产生的路径损耗，通过这样的方式，提高对电量数据传输系统中到达高压变电站的电量的稳定性是否符合标准的判断精确度。
[0008]根据本申请的一个方面，提供了一种电量数据传输系统，其包括：
[0009]电量数据单元，用于在电量数据传输系统中的高压变电站一端获得预定时间段内的一系列时间点的电量数据；
[0010]一维卷积单元，用于将所述一系列时间点的电量数据转化为输入向量后通过由交替的全连接层和一维卷积层构成的深度神经网络模型以获得电量特征向量，其中，所述电量特征向量包含各时间点的电量的高维特征以及各时间点的电量之间的关联特征；
[0011]自由空间路径损失值计算单元，用于计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值，其中，所述自由空间路径损失值基于从热电厂到所述高压变电站的电量传输距离和热辐射的波长确定；
[0012]分类特征向量生成单元，用于计算所述电量特征向量中各个位置的特征值与该位置对应的自由空间路径损失值之间的加权和以获得分类特征向量；
[0013]电量传输判定单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述电量数据传输系统中到达高压变电站的电量的稳定性是否符合标准。
[0014]在上述的电量数据传输系统中，所述自由空间路径损失值计算单元，进一步用于以如下公式计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值；
[0015]其中，所述公式为：
[0016][0017]其中，d表示从所述热电厂到所述高压变电站的电量传输距离，且λ表示热辐射的波长。
[0018]在上述的电量数据传输系统中，所述自由空间路径损失值计算单元，进一步用于：获取从所述热电厂到所述高压变电站的输电线的热力图；以及，基于所述热力图，确定所述热辐射的波长。
[0019]在上述的电量数据传输系统中，所述自由空间路径损失值计算单元，进一步用于以如下公式计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值；
[0020]其中，所述公式为：
[0021][0022]其中，d表示从所述热电厂到所述高压变电站的电量传输距离，且λ表示热辐射的波长，Δλ是基于所述输电线上的温度差计算出的热辐射的波长差值。
[0023]在上述的电量数据传输系统中，所述电量传输判定单元，进一步用于：将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于所述电量数据传输系统中到达高压变电站的电量的稳定性符合标准的第一概率和所述分类特征向量归属于所述电量数据传输系统中到达高压变电站的电量的稳定性不符合标准的第二概率；以及，基于所述第一概率和所述第二概率的比较，确定所述分类结果。
[0024]根本本申请的另一方面，提供了一种电量数据传输系统的运行方法，其包括：
[0025]通过电量数据传输系统中的高压变电站一端获得预定时间段内的一系列时间点的电量数据；
[0026]将所述一系列时间点的电量数据转化为输入向量后通过由交替的全连接层和一维卷积层构成的深度神经网络模型以获得电量特征向量，其中，所述电量特征向量包含各时间点的电量的高维特征以及各时间点的电量之间的关联特征；
[0027]计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值，其中，所述自由空间路径损失值基于从热电厂到所述高压变电站的电量传输距离和热辐射的波长确定；
[0028]计算所述电量特征向量中各个位置的特征值与该位置对应的自由空间路径损失值之间的加权和以获得分类特征向量；
[0029]将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述电量数据传输系统中到达高压变电站的电量的稳定性是否符合标准。
[0030]在上述的电量数据传输系统的运行方法中，计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值，进一步包括：以如下公式计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值；
[0031]其中，所述公式为：
[0032][0033]其中，d表示从所述热电厂到所述高压变电站的电量传输距离，且λ表示热辐射的波长。
[0034]在上述的电量数据传输系统的运行方法中，计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值，进一步包括：获取从所述热电厂到所述高压变电站的输电线的热力图；以及，基于所述热力图，确定所述热辐射的波长。
[0035]在上述的电量数据传输系统的运行方法中，计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值，进一步包括：
[0036]以如下公式计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值；
[0037]其中，所述公式为：
[0038][0039]其中，d表示从所述热电厂到所述高压变电站的电量传输距离，且λ表示热辐射的波长，Δλ是基于所述输电线上的温度差计算出的热辐射的波长差值。
[0040]在上述的电量数据传输系统的运行方法中，将所述分类特征向量通过分类器以获得分类结果，进一步包括：将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于所述电量数据传输系统中到达高压变电站的电量的稳定性符合标准的第一概率和所述分类特征向量归属于所述电量数据传输系统中到达高压变电站的电量的稳定性不符合标准的第二概率；以及，基于所述第一概率和所述第二概率的比较，确定所述分类结果。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电量数据传输系统，其特征在于，包括：电量数据单元，用于在电量数据传输系统中的高压变电站一端获得预定时间段内的一系列时间点的电量数据；一维卷积单元，用于将所述一系列时间点的电量数据转化为输入向量后通过由交替的全连接层和一维卷积层构成的深度神经网络模型以获得电量特征向量，其中，所述电量特征向量包含各时间点的电量的高维特征以及各时间点的电量之间的关联特征；自由空间路径损失值计算单元，用于计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值，其中，所述自由空间路径损失值基于从热电厂到所述高压变电站的电量传输距离和热辐射的波长确定；分类特征向量生成单元，用于计算所述电量特征向量中各个位置的特征值与该位置对应的自由空间路径损失值之间的加权和以获得分类特征向量；电量传输判定单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述电量数据传输系统中到达高压变电站的电量的稳定性是否符合标准。2.根据权利要求1所述的电量数据传输系统，其中，所述自由空间路径损失值计算单元，进一步用于以如下公式计算所述电量特征向量中各个位置的特征值对应的自由空间路径损失值；其...

【专利技术属性】
技术研发人员：罗文，吕利，李镇海，冯东生，欧阳洲，
申请(专利权)人：江西金仪能新能源有限公司，
类型：发明
国别省市：