[發明專利]基于深度學習和用戶行為的電力系統調整潮流方法及系統

有效

• 申請號: 201711247523.6
• 申請日: 2017-12-01
• 公開（公告）號: CN109873425B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 田芳;李鐵;陳繼林;曲祖義;曾思成;何曉洋;劉娜娜;金曉明;郭中華;唐俊刺;陳勇;曾輝;徐希望;張艷軍;李亞樓;孫文濤;李柏青;嚴劍鋒;周純瑩;裘微江;張楠;李尹;郭春雨;何春江;周智強
• 申請（專利權）人: 中國電力科學研究院有限公司;國家電網公司;國網遼寧省電力有限公司
• 主分類號: H02J3/06
• 分類號: H02J3/06
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

1.一種基于深度學習和用戶行為的電力系統調整潮流方法，其特征在于，包括：

獲取電力系統的當前潮流斷面數據；

將所述潮流斷面數據輸入預先基于深度學習和用戶行為構建的潮流調整模型，得到用戶調整潮流策略；

根據所述用戶調整潮流策略對潮流進行自動調整。

2.如權利要求1所述的電力系統調整潮流方法，其特征在于，所述潮流調整模型的構建包括：

獲取電力系統的歷史潮流斷面數據；

從所述歷史潮流斷面數據中提取用戶行為日志信息；

把所述用戶行為日志信息批處理為數據集；

根據所述數據集，基于深度學習算法構建潮流調整模型。

3.如權利要求2所述的電力系統調整潮流方法，其特征在于，所述把用戶行為日志信息批處理為數據集，包括：

對用戶行為日志信息中的每個電路元件進行編號，整理成(x,y)的數據形式，x表示各編號元件的參數，y表示是否收斂，y＝0不收斂，y＝1收斂；

把整理好的數據集隨機打散后按80％、10％、10％的比例拆分成訓練集、交叉驗證集和測試集。

4.如權利要求3所述的電力系統調整潮流方法，其特征在于，根據所述數據集，基于深度學習算法構建潮流調整模型，包括：

基于深度學習算法對所述數據集進行訓練，得到用于構建神經網絡模型的最優超參數；

基于所述最優超參數構建神經網絡模型，以所述神經網絡模型作為潮流調整模型。

5.如權利要求4所述的電力系統調整潮流方法，其特征在于，基于深度學習算法對所述數據集進行訓練，得到用于構建神經網絡模型的最優超參數，包括：

通過反向傳播算法對訓練集進行擬合，得到至少一組初始超參數；

當所述超參數組數大于1時，對交叉驗證集進行擬合，根據所述擬合結果確定最優超參數；否則，所述超參數為最優超參數。

6.如權利要求4所述的電力系統調整潮流方法，其特征在于，基于深度學習算法對所述數據集進行訓練，得到用于構建神經網絡模型的最優超參數，還包括：用分布式集群計算平臺對所述數據集進行訓練。

7.如權利要求4所述的電力系統調整潮流方法，其特征在于，基于所述最優超參數構建神經網絡模型，包括：

用測試集對基于最優超參數構建的神經網絡模型進行評價，若不符合預設的評價標準，則重新對數據集進行訓練，得到新的最優超參數，直至基于最優超參數構建的神經網絡模型符合預設的評價標準。

8.如權利要求4-7任一所述的電力系統調整潮流方法，其特征在于，所述超參數包括：神經網絡模型類型、代價函數、正則化、優化方法。

9.如權利要求2所述的電力系統調整潮流方法，其特征在于，所述歷史潮流斷面數據包括：

電力系統的用戶特征數據、后端日志以及業務數據。

10.如權利要求2所述的電力系統調整潮流方法，其特征在于，所述用戶行為日志信息包括：用戶人員信息、時間、電網調整參數和調整量。

11.一種基于深度學習和用戶行為的電力系統調整潮流系統，其特征在于，包括：

采集模塊，用于獲取電力系統的當前潮流斷面數據；

分析模塊，用于將所述潮流斷面數據輸入預先基于深度學習算法和用戶行為構建的潮流調整模型，得到用戶調整潮流策略；

調整模塊，用于根據所述用戶調整潮流策略對潮流進行自動調整。