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】
本专利技术涉及水电站控制,具体为基于深度学习的水电站启闭机监控方法及系统。
技术介绍
1、传统的水电站的控制主要依赖于手动操作,如通过人工开关启闭机来控制水流。随着技术的发展,自动化控制系统被广泛应用于水电站,使得水流和发电量的调节更加准确和高效。这些系统通常包括众多传感器,用于实时监测水位、水流速度、压力等关键参数,以及自动控制面板和程序逻辑控制器(plc)来执行预设的控制命令。近年来,信息技术的进步为水电站控制带来了革新。先进的数据处理和通信技术,如无线传感器网络和远程数据传输,允许更迅速和灵活的监控管理。现代水电站控制技术趋向于集成化、智能化和自动化,旨在实现更高效的能源管理和更稳定的电力供应。而一般的自动化控制方法并不能满足复杂的水情下对启闭机进行灵活而精细的自动控制。过多的人工操作的存在使整个控制系统效率低下,且操作错误的情况屡见不鲜。
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:对水电站启闭机进行自动化检测和管控。
3、为解决上述技术问题,本专利技术提供如下技术方案:基于深度学习的水电站启闭机监控方法,包括:
4、采集水电站启闭机的各项运行数据,对数据进行多模态数据集成;
5、构建模拟水电机启闭机运行环境,建立深度强化学习算法模型;
6、使用多模态数据集训练深度强化学习算法模型,在模拟环境中进行测试运行并评估,根据评估结果对模型进行优化;
7、将模
8、作为本专利技术所述的基于深度学习的水电站启闭机监控方法的一种优选方案,其中:所述多模态数据集成包括,识别数据源,数据源包括温度、压力、流量、速度、位置的传感器读数数据,视觉数据、声音数据、震动数据,水电站启闭机的操作日志、故障记录数据库;
9、对不同来源的数据进行预处理,具体包括:
10、进行标准化,将收集到的数据转化为数字格式;
11、进行数据清洗,删除错误数据和修正不一致数据;
12、将所有数据进行时间同步和数据融合,作为一个综合数据集;
13、使用深度学习算法的多模态融合器对综合数据集进行特征识别和特征提取;学习不同数据模态之间的内在联系,提取跨模态的共同特征。
14、作为本专利技术所述的基于深度学习的水电站启闭机监控方法的一种优选方案,其中:所述深度学习强化学习算法包括,构建策略梯度算法dpg,初始化两个神经网络,一个策略网络和一个值函数网络;
15、其中策略网络用于生成动作,值函数网络用于评估策略网络生成的动作;
16、在环境中执行当前策略,收集经验数据,使用收集的经验数据更新值函数网络,计算目标值表示为:
17、 ;
18、最小化损失函数表示为:
19、 ;
20、其中,表示折扣因子,计算未来奖励的当前价值,表示当前状态,a表示策略网络生成的动作,表示策略网络的参数,表示值函数网络的参数;表示奖励,表示下一个动作状态;
21、使用策略梯度更新策略网络,梯度公式表示为:
22、 ;
23、其中,表示性能函数;表示策略参数的性能函数的梯度;表示样本的数量;表示值函数关于动作a的梯度;表示策略关于参数的梯度;梯度公式通过优化策略网络带来最大化预期回报;重复执行当前策略收集经验数据,循环更新值函数网络和策略网络,直到网络收敛。
24、作为本专利技术所述的基于深度学习的水电站启闭机监控方法的一种优选方案,其中:所述优化包括,在训练过程中,使用优化器处理深度强化学习算法drl中的神经网络的非凸优化问题;
25、所述优化器为adam优化器,公式表示为:
26、 ;
27、其中,表示优化参数;表示学习率;表示一阶矩估计;表示二阶矩估计;表示极小常数;在策略网络的损失函数中加入正则化项,正则化项表示为;
28、 ;
29、其中,表示原始损失函数;表示正则化系数;表示神经网络参数;
30、调整模型的学习率,采用学习率衰减调整策略,公式表示为:
31、 ;
32、其中,表示初始学习率;表示衰减率;表示迭代次数;表示调整后学习率;在计算梯度时采用梯度裁剪,限制梯度更新的步长,梯度裁剪公式表示为:
33、 ;
34、其中,表示原梯度;表示裁剪后梯度;表示梯度向量的范数;表示梯度裁剪阈值;
35、使用优先级经验回放方法,调整奖励信号,优先级分配公式表示为:
36、 ;
37、其中,表示第i个数据样本被选中的概率;表示样本i的优先级;表示控制优先级的影响程度的超参数;实施优先级经验回放,优先处理预计学习价值更高的数据。
38、作为本专利技术所述的基于深度学习的水电站启闭机监控方法的一种优选方案,其中:所述水电站启闭机模拟环境包括,使用组态软件搭建水电站启闭机模拟环境,分析规划出监控和控制的参数区域,在模型中添加水电站启闭机动作行为对象;
39、为所述行为对象指定特性,并将动作行为对象与数据和事件行为关联;事件行为包括运行脚本、生成数据、发出命令,以及执行其他水电站启闭机的行为操作;
40、为水电站启闭机模拟环境模型在组态软件中添加交互式hmi功能、显示报警、可视化趋势、回放历史数据,并提供监控地图上资产的能力;可视化识别设备状态、过程、条件和其他可以量化的信息。
41、作为本专利技术所述的基于深度学习的水电站启闭机监控方法的一种优选方案,其中:所述深度学习模型在模拟环境训练并评估包括,在水电站启闭机模拟环境中使用综合数据集测试dpg算法;添加经验放回机制,更新规则为,其中表示学习率;使用所述优化函数对dpg进行优化,基于水电站启闭机模拟环境的数据对深度学习模型进行训练和评估;
42、用状态空间表示启闭机模型中的事件状态,包含启闭机数学模型的各项传感器收集到的参数;用包含水电站启闭机所有可执行的操作的动作空间表示模型中可执行的动作行为集合,设计奖励函数 根据状态 和动作 来计算奖励值;奖励函数反映启闭机运行的期望,奖励函数表示为:
43、 ;
44、其中,表示基于当前状态和动作的发电效率;表示当前状态下的安全风险;表示动作对启闭机造成的磨损;表示发电效率权重因子;表示安全权重因子;表示磨损权重因子;
45、通过调节权重因子不断优化奖励函数,在自动奖励机制下学习在不同状态下做出启闭机期望的最优决策,模型优化模块监控dpg算法在模拟环境中决策的准确性、响应时间和稳定性;在日志记录和性能指标监控工具中记录并进行评估,同时通过奖励函数优化模型参数。
46、作为本专利技术所述的基于深度学习的水电站启闭机监控方法的一种优选方案,其中:本文档来自技高网...
【技术保护点】
1.基于深度学习的水电站启闭机监控方法,其特征在于,包括:
2.如权利要求1所述的基于深度学习的水电站启闭机监控方法,其特征在于:所述多模态数据集成包括,识别数据源,对不同来源的数据进行预处理并构建综合数据集;
3.如权利要求2所述的基于深度学习的水电站启闭机监控方法,其特征在于:所述建立深度强化学习算法模型包括,构建策略梯度算法DPG,执行当前策略,收集经验数据更新策略网络,计算目标值,最大化预期回报;
4.如权利要求3所述的基于深度学习的水电站启闭机监控方法,其特征在于:所述优化包括,在训练过程中,使用优化器处理深度强化学习算法模型DRL中的神经网络的非凸优化问题;
5.如权利要求4所述的基于深度学习的水电站启闭机监控方法,其特征在于:所述模拟水电机启闭机运行环境包括,使用组态软件搭建水电站启闭机模拟环境,分析规划出监控和控制的参数区域,将综合数据集导入到水电站启闭机模拟环境中,在模拟环境中添加水电站启闭机动作行为对象;给所述行为对象指定对应的运行数据,并将行为对象的运行数据和事件行为关联;
6.如权利要求5所述的基
7.如权利要求6所述的基于深度学习的水电站启闭机监控方法,其特征在于:所述完成对水电站启闭机的自动监控包括,使用深度学习模型持续监控水电站启闭机的运行数据,根据需求对启闭机进行调控;
8.一种采用如权利要求1~7任一所述方法的基于深度学习的水电站启闭机监控系统,其特征在于,包括,
...【技术特征摘要】
1.基于深度学习的水电站启闭机监控方法,其特征在于,包括:
2.如权利要求1所述的基于深度学习的水电站启闭机监控方法,其特征在于:所述多模态数据集成包括,识别数据源,对不同来源的数据进行预处理并构建综合数据集;
3.如权利要求2所述的基于深度学习的水电站启闭机监控方法,其特征在于:所述建立深度强化学习算法模型包括,构建策略梯度算法dpg,执行当前策略,收集经验数据更新策略网络,计算目标值,最大化预期回报;
4.如权利要求3所述的基于深度学习的水电站启闭机监控方法,其特征在于:所述优化包括,在训练过程中,使用优化器处理深度强化学习算法模型drl中的神经网络的非凸优化问题;
5.如权利要求4所述的基于深度学习的水电站启闭机监控方法,其特征在于:所述模拟水电机启闭机运行环境包括...
【专利技术属性】
技术研发人员:李晓飞,张建,王勇飞,裘伟,李胜,徐建洪,郭浩,
申请(专利权)人:国能大渡河检修安装有限公司,
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。