【技术实现步骤摘要】
本专利技术涉及电力系统仿真，特别涉及一种电力系统主设备数字孪生模型构建方法及训练方法。
技术介绍
1、配电变压器在电力主设备中具有关键地位。它位于变电站或配电站内，主要用于将高压电力从输电线路转换为适用于城市、工业、商业和住宅用电的低电压电力。这些变压器不仅实现电压的升降，还在电力传输、分配和质量控制方面发挥重要作用。它们确保电力安全、稳定地供应到各个地方，同时提供了过载和短路等故障情况的保护。配电变压器的功能使其成为电力系统中不可或缺的一部分，为满足社会和工业对电力的需求提供了关键支持，保障了电能以合适的电压和质量可靠供应。
2、随着先进感知技术的不断进步，电力设备的检测方式已经从传统的测量方法，如温度点测量和接地电流测量，演变为同时采用多种光谱二维成像技术(包括红外、紫外、可见光、x射线等成像)与传统检测手段并存的情况。但是现有技术在模型更新时候，依然存在很多问题，比如模型精度不够、训练难等。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种电力系统主设备数字孪生模型构建方法及其训练方法，能够提高电力系统主设备的数字孪生体建模精度，增强了监测和故障预测性能，并且利用卷积神经网络的反向传播，通过定义损失函数和利用梯度下降法，使网络自动学习特征并优化参数，以最小化误差，从而提高了训练效率。
2、根据本专利技术的第一方面实施例的电力系统主设备数字孪生模型构建方法，其特征在于，包括以下步骤：
3、获取电力
4、对于任一时刻输入的图像特征数据，将其放入卷积神经网络，由输入层前向传播至卷积层，然后由普通隐藏层前向传播到卷积层，随后由隐藏层前向传播至池化层，最后由隐藏层前向传播至全连接层；
5、基于卷积神经网络处理过的图像特征与数值特征共同输入至液态神经网络，捕获其时序信息。
6、根据本专利技术实施例的电力系统主设备数字孪生模型构建方法，至少具有如下有益效果：该方法以传统检测数据和二维图像为输入，通过卷积神经网络提取图像特征，然后经过隐藏层、池化层和全连接层进行处理，最终输出设备状态；与此同时，模型利用液态神经网络捕获设备的时序信息，通过常微分方程求解器模拟连续时间以提高精度和稳定性，从而提高电力系统主设备的数字孪生体建模精度，从而增强了监测和故障预测性能。
7、根据本专利技术的一些实施例，所述获取的电力设备的数值特征与图像特征，可以表示如下为两部分：
8、
9、其中，itra(t)表示在t时刻传统测量方法测得数值的输入，iima(t)表示在t时刻图像的输入，表示用传统测量方法测得的某一特征，表示某种类型的图像输入。
10、根据本专利技术的一些实施例，所述由输入层前向传播至卷积层的过程，可以表示为：
11、iima,2(t)＝σ(iima,1(t)*w2+b2)
12、其中，上标表示层数，星号表示卷积，而b代表偏置项,σ表示激活函数，一般为relu，一般卷积核的数量多于一个，用k表示，卷积核中每个子矩阵的大小一般为f×f，一般用子矩阵的方阵卷积核表示。
13、根据本专利技术的一些实施例，所述普通隐藏层前向传播到卷积层的过程中，隐藏层的输出是一个由m个矩阵组成的三维张量，那么传递给卷积层的卷积核也将是由m个子矩阵组成的三维张量，具体公式表示如下：
14、iima,l(t)＝σ(iima,l-1(t)*wl+bl)
15、同样，上述公式也可以写成m个子矩阵子矩阵卷积后对应位置相加的形式，即：
16、
17、根据本专利技术的一些实施例，所述由隐藏层前向传播至全连接层的部分，其公式如下：
18、iima,l(t)＝σ(wliima,l-1+bl)
19、根据本专利技术的一些实施例，所述基于卷积神经网络处理过的图像特征与数值特征共同输入至液态神经网络，捕获其时序信息的步骤中，液态神经网络的输入为：
20、
21、其中，卷积神经网络的输出表示为液态神经网络利用常微分方程求解器将连续地模拟时间区间[0,t]并将连续时间分解为离散化间隔[t0,t1,…,tn]，求解器的每一步仅将神经元从ti时刻的状态更新至ti+1时刻的状态。
22、根据本专利技术的一些实施例，所述融合求解器对给定形式为dx/dt＝f(x)的动力学系统数值展开方式为：
23、x(ti+1)＝x(ti)+δtf(x(ti),x(ti+1))
24、将在f中以线性形式出现的x(ti)转换为x(ti+1)，在此情况下上述公式可以求解。利用融合求解器求解x(t+δt)，得到：
25、
26、根据本专利技术的第二方面实施例的电力系统主设备数字孪生动态更新模型训练方法，使用了上述任意一种模型构建方法，其特征在于，包括：
27、定义损失函数用于衡量网络的输出与实际标准之间的误差；
28、调整卷积神经网络中的参数，包括卷积核权重和偏置项；
29、反向传播的核心思想是通过计算损失函数对这些参数的梯度来指导参数的更新；
30、通过链式法则，逐层计算梯度，从输出层向后传播至输入层。
31、根据本专利技术实施例的模型训练方法，至少具有如下有益效果：该方法利用卷积神经网络的反向传播，通过定义损失函数和利用梯度下降法，使网络自动学习特征并优化参数，以最小化误差，从而提高了训练效率。而在液态神经网络的反向传播中，通过融合卷积神经网络的时间反向传播算法，克服了传统伴随方法的数值偏差问题，实现了对正向传播的高度准确恢复，这一创新显著提高了模型训练的效率。这些方法的综合应用旨在使数字孪生动态更新模型更快地收敛，更有效地学习主设备特征和时序信息，从而为提升建模精度提供了强有力的支持。
32、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种电力系统主设备数字孪生模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取的电力设备的数值特征与图像特征，可以表示如下为两部分：
3.根据权利要求1所述的方法，其特征在于，所述由输入层前向传播至卷积层的过程，可以表示为：
4.根据权利要求2或3所述的方法，其特征在于，所述普通隐藏层前向传播到卷积层的过程中，隐藏层的输出是一个由M个矩阵组成的三维张量，那么传递给卷积层的卷积核也将是由M个子矩阵组成的三维张量，具体公式表示如下：
5.根据权利要求2或3所述的方法，其特征在于，所述由隐藏层前向传播至全连接层的部分，其公式如下：
6.根据权利要求2或3所述的方法，其特征在于，所述基于卷积神经网络处理过的图像特征与数值特征共同输入至液态神经网络，捕获其时序信息的步骤中，液态神经网络的输入为：
7.根据权利要求6所述的方法，其特征在于，所述融合求解器对给定形式为dx/dt＝f(x)的动力学系统数值展开方式为：
8.一种电力系统主设备数字孪生动态更新模型训练方法，
...【技术特征摘要】
1.一种电力系统主设备数字孪生模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取的电力设备的数值特征与图像特征，可以表示如下为两部分：
3.根据权利要求1所述的方法，其特征在于，所述由输入层前向传播至卷积层的过程，可以表示为：
4.根据权利要求2或3所述的方法，其特征在于，所述普通隐藏层前向传播到卷积层的过程中，隐藏层的输出是一个由m个矩阵组成的三维张量，那么传递给卷积层的卷积核也将是由m个子矩阵组成的三维张量，具体公式表示如下：
5.根据权...
【专利技术属性】
技术研发人员：高帅，李哲，汪旭，底晓梦，张鑫，李凌，翟天一，王致芃，程月瑄，彭林，何志敏，欧朱建，毛艳芳，
申请(专利权)人：中国电力科学研究院有限公司，
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。