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】
本专利技术涉及电网数据检索,具体为一种基于深度学习的电网数据检索方法及系统。
技术介绍
1、随着电网系统的日益复杂和智能化,对电网数据进行有效管理和利用已成为提升电网运行效率和安全的关键。传统的电网数据检索方法依赖于简单的数据库查询,这种方法在处理大量、复杂的电网数据时效率较低,难以满足实时性和精确性的需求。此外,传统方法在面对新型电网事件时往往缺乏足够的灵活性和适应性,难以及时更新检索策略来应对电网的动态变化。
2、近年来,深度学习技术在电网数据处理领域得到了广泛应用。特别是深度强化学习,它通过从环境反馈中学习,可以更好地适应电网数据的动态特性。然而,现有的深度学习方法在电网数据检索方面仍有改进空间,如如何更好地融合用户反馈,实现自适应调整等。
技术实现思路
1、鉴于上述存在的问题,提出了本专利技术。
2、因此,本专利技术解决的技术问题是:现有技术在电网数据检索中具有局限性,特别是在处理大规模、复杂且不断变化的电网数据时。
3、为解决上述技术问题,本专利技术提供如下技术方案:一种基于深度学习的电网数据检索方法,包括:连接电网系统的数据接口,获取电网数据并加密。
4、对加密的电网数据解密,并进行预处理。
5、建立神经网络模型,对模型进行训练和测试。
6、当用户输入检索内容时,利用训练好的模型进行检索,返回检索结果,同时收集用户反馈,优化模型。
7、作为本专利技术所述的基于深度学习的电网数据检索方法的
8、作为本专利技术所述的基于深度学习的电网数据检索方法的一种优选方案,其中:所述加密包括,使用改进的aes加密算法:
9、
10、其中,m表示明文消息,k表示初始密钥。ki表示第i轮的扩展密钥。表示轮次迭代,subbytes表示aes的子字节替换函数。shiftrows表示aes的行移位函数。mixcolumns表示aes的列混合函数。addroundkey表示aes的轮密钥加函数。
11、作为本专利技术所述的基于深度学习的电网数据检索方法的一种优选方案,其中:所述解密包括,使用改进的aes加密算法对应的解密算法:
12、
13、其中,em表示加密消息,invsubbytes表示aes的逆向子字节替换函数,invshiftrows表示aes的逆向行移位函数,invmixcolumns表示aes的逆向列混合函数。
14、对解密数据进行预处理:
15、
16、其中,x表示解密数据,min(x)表示数据集中的最小值,max(x)表示数据集中的最大值。
17、作为本专利技术所述的基于深度学习的电网数据检索方法的一种优选方案,其中:所述神经网络模型为多层神经网络结构的dqn网络,具体包括:
18、输入层对预处理后的数据进行特征转换:
19、itransformed=relu(wi·i+bi)
20、其中,wi表示输入层的权重。i表示输入数据。bi表示输入层的偏置。relu()表示激活函数。
21、中间层包括强化学习特征提取层和动作价值函数层。
22、强化学习特征提取层表示为:
23、ft=relu(wf·itransformed+bf)
24、其中,wf表示特征提取层的权重。bf表示特征提取层的偏置。
25、动作价值函数层表示为:
26、q(s,a,θ)=wq·tanh(ft+wa·a+ba)+bq
27、其中,s表示状态,a表示动作,θ表示网络参数,wa表示动作价值函数的的权重,ba表示动作价值函数的偏置,wq表示动作价值层的的权重,bq表示动作价值层的偏置。
28、输出层表示为:
29、o=adaptact(wo1·(mlp(q(s,a,θ);wmlp,bmlp)+wo2·ft+bo))
30、其中,o表示输出层最终决策输出,adaptact()表示自适应激活函数,wo1表示输出层的动作价值权重,mlp(q(s,a,θ);wmlp,bmlp)表示多层感知机,wmlp表示mlp的权重,bmlp表示mlp的偏置,wo2表示输出层的特征提取权重,bo表示输出层的偏置。
31、对模型进行训练和测试包括,将预处理后的数据按7:3的比例分为训练集和测试集,分别输入模型对模型进行训练和测试。
32、作为本专利技术所述的基于深度学习的电网数据检索方法的一种优选方案,其中:所述收集用户反馈包括,在用户检索后为用户提供反馈评分选项,包括1星、2星、3星、4星、5星。
33、1星表示检索结果与用户搜索内容有0%的相关性。
34、2星表示检索结果与用户搜索内容有30%的相关性。
35、3星表示检索结果与用户搜索内容有50%的相关性。
36、4星表示检索结果与用户搜索内容有70%的相关性。
37、5星表示检索结果与用户搜索内容有100%的相关性。
38、作为本专利技术所述的基于深度学习的电网数据检索方法的一种优选方案,其中:所述优化模型包括,根据用户评分和反馈,生成模型训练的信号:
39、
40、其中,sfeedback表示反馈信号,wi表示用户评i星的权重,fi表示用户评i星的反馈值,αi表示调节因子,n表示反馈类型总数,abs()表示绝对值函数。
41、根据反馈信号,更新模型的参数:
42、
43、其中,θnew表示更新后的模型参数集合,θold表示更新后的模型参数集合,η表示学习率,表示损失函数关于模型参数的梯度,l表示基于反馈调整的损失函数,λ表示正则化系数,regularize()表示正则化函数。
44、一种基于深度学习的电网数据检索系统,其特征在于:包括,
45、连接数据接口模块,连接电网系统的数据接口,获取电网数据并加密。
46、预处理模块,对加密的电网数据解密,并进行预处理。
47、建立模型模块,建立神经网络模型,对模型进行训练和测试。
48、反馈优化模块,当用户输入检索内容时,利用训练好的模型进行检索,返回检索结果,同时收集用户反馈,优化模型。
49、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
50、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
51、本专利技术的有益效果:本专利技术能够从电网数据中学习并自动调整检索策略,显著提高了检索的准确性和效率。采用的安全加密和解密机制保证了数据的安全性,减少了数据泄露的风险。通过整合用本文档来自技高网...
【技术保护点】
1.一种基于深度学习的电网数据检索方法,其特征在于,包括:
2.如权利要求1所述的基于深度学习的电网数据检索方法,其特征在于:所述获取电网数据包括,获取主网OCS系统、配网OCS系统、OMS系统、电网管理平台调度域的数据源。
3.如权利要求2所述的基于深度学习的电网数据检索方法,其特征在于:所述加密包括,使用改进的AES加密算法:
4.如权利要求3所述的基于深度学习的电网数据检索方法,其特征在于:所述解密包括,使用改进的AES加密算法对应的解密算法:
5.如权利要求4所述的基于深度学习的电网数据检索方法,其特征在于:所述神经网络模型为多层神经网络结构的DQN网络,具体包括:
6.如权利要求5所述的基于深度学习的电网数据检索方法,其特征在于:所述收集用户反馈包括,在用户检索后为用户提供反馈评分选项,包括1星、2星、3星、4星、5星;
7.如权利要求6所述的基于深度学习的电网数据检索方法,其特征在于:所述优化模型包括,根据用户评分和反馈,生成模型训练的信号:
8.一种采用如权利要求1-7任一所述方法的
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的电网数据检索方法,其特征在于,包括:
2.如权利要求1所述的基于深度学习的电网数据检索方法,其特征在于:所述获取电网数据包括,获取主网ocs系统、配网ocs系统、oms系统、电网管理平台调度域的数据源。
3.如权利要求2所述的基于深度学习的电网数据检索方法,其特征在于:所述加密包括,使用改进的aes加密算法:
4.如权利要求3所述的基于深度学习的电网数据检索方法,其特征在于:所述解密包括,使用改进的aes加密算法对应的解密算法:
5.如权利要求4所述的基于深度学习的电网数据检索方法,其特征在于:所述神经网络模型为多层神经网络结构的dqn网络,具体包括:
6.如权利要求5所述的基于深度学习的电...
【专利技术属性】
技术研发人员:覃禹铭,毛杰,刘晓放,罗星宇,代启璨,包义钊,卢颖,杨涵,殷思琦,简蓓,王开波,陈鑫,樊一鸣,邓志强,李瑶,徐润,徐朝兵,曹宇,张庭钰,雷廷浩,兰颖,皮昆,任庭昊,
申请(专利权)人:贵州电网有限责任公司,
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。