【技术实现步骤摘要】
多尺度深度残差网络的特高压直流输电异常数据辨识方法
[0001]本专利技术涉及特高压直流输电系统控制
,具体涉及多尺度深度残差网络的特高压直流输电异常数据辨识方法。
技术介绍
[0002]随着我国经济和社会的迅速发展,对电力的需求也愈加强烈,但是我国的能源分布和用户需求不成正比,建设新型电力系统成为了未来的主流趋势,因此发展可再生新能源是未来发展的必经之路。我国的风电和光伏等新能源主要分布在北方地区,用户需求主要在南方地区,面对如此情形,特高压直流输电因为传输距离长、传输效率高等优点被广泛应用。特高压直流输电线路的接入使整个电力系统更加复杂多样,如何对电网异常数据进行快速准确地辨识成为了目前的一个热点。
[0003]目前电网异常数据辨识方法主要包括传统方法和智能方法,传统方法主要包括非二次准则、最大标准化残差等,但是受电网拓扑结构和参数影响较大,如果网络参数获得难度较大,传统方法就会受限。随着近年来人工智能的快速发展,因为智能方法不受电网拓扑结构和参数的影响,已经被很多研究人员所重视。基于数据挖掘的异常数据辨识可以有效识别出不符合规范的数据集,较为经典的是统计模型、无监督聚类分析和有监督分析的方法,但是这些方法多数为浅层学习模型,特征提取能力较差,对时间序列数据异常检测效果不理想。
[0004]随着深度学习的快速发展,基于深度学习的时间序列异常数据检测被很多学者所研究。其中,神经网络在处理海量数据时具有很强的泛化能力,解决动态数据时拥有较好的效果。然而深度学习需要较深的网络完成特征提取,随着算法 ...
【技术保护点】
【技术特征摘要】
1.多尺度深度残差网络的特高压直流输电异常数据辨识方法,其特征在于,所述方法包括:对特高压直流输电线路进行电压采集,将采集到的电压数据进行归一化处理,按照7:3的比例分为训练集和测试集;设置网络参数、训练Batch Size和学习率,构建多尺度深度残差网络模型;在所述多尺度深度残差网络模型中输入训练集数据,特征学习特高压直流输电线路的电压数据,输出损失函数并判断是否低于网络设置的阈值,或者是否达到最大迭代次数,如果达到上述条件,则跳转到下一步;否则利用梯度下降算法使损失函数最小的原则更新网络参数,转到上一步;根据标准阈值找出是否包含异常数据,若有,则找出异常数据点;将测试集输入到已经训练完并且参数最优的多尺度深度残差网络模型中,计算特高压直流输电线路中异常数据辨识的准确率。2.根据权利要求1所述的多尺度深度残差网络的特高压直流输电异常数据辨识方法,其特征在于,特高压直流输电系统采用
±
800kV的特高压直流输电系统模型,所述特高压直流输电系统模型由双端交流系统、变压器、换流器、平波电抗器、特高压直流输电线路和直流滤波器组成。3.根据权利要求1所述的多尺度深度残差网络的特高压直流输电异常数据辨识方法,其特征在于,所述设置网络参数的方法具体包括:输入序列的大小和滑动窗口大小一致,均为N;第一层使用1
×
1、3
×
1、5
×
1三种卷积核的数量分别为4、8、12;设置包括3个残差块,卷积核个数分别为24、48、72;第1个残差块有3个残差单元,作为输入特征提取,第2个残差块有4个残差单元,第3个残差块有5个残差单元。4.根据权利要求1所述的多尺度深度残差网络的特高压直流输电异常数据辨识方法,其特征在于,所述多尺度深度残差网络模型由残差模块和多尺度卷积模块组成,通过多尺度卷积提取长序列特征,使用残差学习提升网络结构。5.根据权利要求4所述的多尺度深度残差网络的特高压直流输电异常数据辨识方法,其特征在于,所述多尺度卷积指的是使用不同尺度的卷积核提取特征的方式。6.根据权利要求5所述的多尺度深度残差网络的特高压直流输电异常数据辨识方法,其特征在于,所述多尺度卷积的具体实现方法为:选择1
×
1和3
×
1的卷积核提取短序列的局部信息,选择5
×
1的卷积核提取长序列的信息,1
×
1、3
×
1、5
×
1...
【专利技术属性】
技术研发人员:柯艳国,张学友,谢佳,罗沙,阮巍,贺成成,张东欣,廖军,石玮佳,魏南,殷振,邱曼曼,郑海鑫,阴春锦,张军,
申请(专利权)人:国网安徽省电力有限公司,
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。