【技术实现步骤摘要】
本专利技术属于电力系统中的电网数据校核，具体为一种基于多重交织深度学习模型的电网数据校核方法、系统、设备及存储介质。
技术介绍
1、卷积神经网络(convolutional neural network，cnn)是一种深度学习技术，主要用于处理图像和其他二维数据，在计算机视觉、图像识别和模式分类等领域取得了巨大成功。cnn由卷积层、池化层和全连接层组成，其中卷积层是cnn的核心，使用卷积核(也成为滤波器)来扫描输入图像，从中提取特征。卷积操作有效地减少了需要训练的参数量，使得cnn适用于大规模的数据；池化层用于减小特征图的尺寸，同时保留重要信息。最常见的池化操作是最大池化，它选择每个区域中的最大值作为输出，有助于减少计算量并提高模型的鲁棒性；全连接层在卷积和池化之后，用于将特征映射转化为最终的分类或回归结果。全连接层的神经元与前一层的所有神经元相连，形成一个密集连接的网络。cnn的应用范围广泛，包括人脸识别、自动驾驶、医学图像分析等，它的成功部分归功于其对图像中局部特征的有效捕捉能力，以及对大规模数据集的训练。
2、门控循环...
【技术保护点】
1.一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述对每组历史数据和每组预测数据进行预处理，得到各自固定大小的嵌入矩阵，具体操作包括：
3.根据权利要求1所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述多重交织深度学习模型由多个单重交织网络的叠加构成；每个单重交织网络的输入为步骤2得到的嵌入矩阵，输入的嵌入矩阵经过双向门控循环单元Bi-GRU得到一个关注到嵌入矩阵内部各抽样时刻之间关联的、与原嵌入矩阵大小相同...
【技术特征摘要】
1.一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述对每组历史数据和每组预测数据进行预处理，得到各自固定大小的嵌入矩阵，具体操作包括：
3.根据权利要求1所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述多重交织深度学习模型由多个单重交织网络的叠加构成；每个单重交织网络的输入为步骤2得到的嵌入矩阵，输入的嵌入矩阵经过双向门控循环单元bi-gru得到一个关注到嵌入矩阵内部各抽样时刻之间关联的、与原嵌入矩阵大小相同的新的嵌入矩阵；新的嵌入矩阵与输入的嵌入矩阵相加后送入卷积神经网cnn，以提取单个抽样时刻内部各电网数据之间的关联特征。
4.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：每个单重交织网络的输入输出形状相同。
5.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述卷积神经网cnn中采用的卷积核的长度与嵌入矩阵长度保持相同。
6.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述的进行特征提取和最大池化处理，具体包括：所有单重交织网络叠加产生的最终特征矩阵，再经过最大池化处理，得到每组历史数据和每组预测数据对应的向量表示形式。
7.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述的进行特征提取和最大池化处理，具体包括：每层单重交织网络产生的特征矩阵经过最大池化处理，得到向量；再将所有向量进行堆叠得到每组历史数据和每组预测数据对应的向量表示形式。
8.根据权利要求1所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：按照以下步骤得到训练好的多重交织深度学习模型：
9.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：各单重交织网络的网络参数相互独立。
10.一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：包括：
11.根据权利要求10所述的一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：所...
【专利技术属性】
技术研发人员：张子谦，李莉，涂金金，葛国栋，王屹龙，黄文卓，
申请(专利权)人：南京南瑞信息通信科技有限公司，
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。