[發(fā)明專利]基于交錯疊加CNN-LSTM模型的調(diào)相機(jī)無功出力建模方法在審
| 申請?zhí)枺?/td> | 202210224056.X | 申請日: | 2022-03-09 |
| 公開(公告)號: | CN114676625A | 公開(公告)日: | 2022-06-28 |
| 發(fā)明(設(shè)計(jì))人: | 王琳;王宏華;路天航;王成亮 | 申請(專利權(quán))人: | 河海大學(xué);江蘇方天電力技術(shù)有限公司 |
| 主分類號: | G06F30/27 | 分類號: | G06F30/27;G06N3/04;G06N3/08;G06F119/02 |
| 代理公司: | 南京經(jīng)緯專利商標(biāo)代理有限公司 32200 | 代理人: | 羅運(yùn)紅 |
| 地址: | 210000 江*** | 國省代碼: | 江蘇;32 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 基于 交錯 疊加 cnn lstm 模型 調(diào)相 無功 出力 建模 方法 | ||
1.一種基于交錯疊加CNN-LSTM模型的調(diào)相機(jī)無功出力建模方法,其特征在于,所述方法包括:
步驟1:選取調(diào)相機(jī)勵磁電流和勵磁電壓作為輸入的樣本數(shù)據(jù),調(diào)相機(jī)的無功輸出量和系統(tǒng)電壓作為輸出的樣本數(shù)據(jù),根據(jù)調(diào)相機(jī)無功調(diào)節(jié)仿真結(jié)果獲取訓(xùn)練樣本和測試樣本;
步驟2:將所述訓(xùn)練樣本和所述測試樣本進(jìn)行數(shù)據(jù)歸一化預(yù)處理,即將樣本數(shù)據(jù)的數(shù)值映射到[-1,1]之間;
步驟3:將基于交錯疊加的CNN模型與LSTM模型融合構(gòu)建基于交錯疊加CNN-LSTM模型;
步驟4:加載經(jīng)過處理的樣本數(shù)據(jù)到基于交錯疊加CNN-LSTM模型中;
步驟5:選取并調(diào)整基于交錯疊加CNN-LSTM模型的超參數(shù);
步驟6:訓(xùn)練并測試基于交錯疊加CNN-LSTM模型;
步驟7:評估基于交錯疊加CNN-LSTM模型的性能指標(biāo),判斷是否達(dá)到性能指標(biāo),如果未能達(dá)到性能指標(biāo),返回步驟5,調(diào)整基于交錯疊加CNN-LSTM模型的超參數(shù),經(jīng)過反復(fù)調(diào)整超參數(shù)并訓(xùn)練和測試基于交錯疊加CNN-LSTM模型,如果達(dá)到性能指標(biāo),獲得最優(yōu)的基于交錯疊加CNN-LSTM模型的調(diào)相機(jī)無功出力模型。
2.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述基于交錯疊加的CNN模型包括卷積單元1、卷積單元2、卷積單元3、卷積單元4、卷積單元5、卷積單元6、最大池化層、平均池化層和連接層,其中,卷積單元1、卷積單元3和卷積單元5的結(jié)構(gòu)相同,卷積單元2、卷積單元4和卷積單元6的結(jié)構(gòu)相同;
卷積單元1、卷積單元2、卷積單元3、卷積單元4、卷積單元5和卷積單元6順序連接,卷積單元6連接到兩個并行分支層,這兩個并行分支層是最大池化層和平均池化層,最大池化層和平均池化層的大小為3×3,滑動步長為1,最大池化層和平均池化層一起連接到連接層,形成基于交錯疊加的CNN模型。
3.根據(jù)權(quán)利要求2所述的方法,其特征在于,所述基于交錯疊加的CNN模型中卷積單元1、卷積單元3和卷積單元5采用第一種結(jié)構(gòu),第一種結(jié)構(gòu)的主支路按照二維卷積層1、批量歸一化層1、激活層1、二維卷積層2、批量歸一化層2、激活層2、添加層和最大池化層1順序連接,第一種結(jié)構(gòu)的分支路從激活層1通過二維卷積層3和批量歸一化層3連接到添加層;
卷積單元2、卷積單元4和卷積單元6采用第二種結(jié)構(gòu),第二種結(jié)構(gòu)的主支路按照二維卷積層1、批量歸一化層1、激活層1、二維卷積層2、批量歸一化層2、激活層2、添加層和最大池化層1順序連接,第二種結(jié)構(gòu)的分支路從激活層1直接連接到添加層;
卷積單元1中二維卷積層1和二維卷積層2的卷積核大小為2×1且深度為32,二維卷積層3的卷積核大小為1×1且深度為32,二維卷積層1和二維卷積層3的滑動步長為2,二維卷積層2的滑動步長為1;
卷積單元2中二維卷積層1和二維卷積層2的卷積核大小為2×1且深度為32,二維卷積層1的滑動步長為2,二維卷積層2的滑動步長為1;
卷積單元3中二維卷積層1和二維卷積層2的卷積核大小為2×1且深度為64,二維卷積層3的卷積核大小為1×1且深度為64,二維卷積層1和二維卷積層3的滑動步長為2,二維卷積層2的滑動步長為1;
卷積單元4中二維卷積層1和二維卷積層2的卷積核大小為2×1且深度為64,二維卷積層1滑動步長為2,二維卷積層2的滑動步長為1;
卷積單元5中二維卷積層1和二維卷積層2的卷積核大小為2×1且深度為128,二維卷積層3的卷積核大小為1×1且深度為128,二維卷積層1和二維卷積層3的滑動步長為2,二維卷積層2的滑動步長為1;
卷積單元6中二維卷積層1和二維卷積層2的卷積核大小為2×1且深度為128,二維卷積層1的滑動步長為2,二維卷積層2的滑動步長為1;
最大池化層1的大小為2×2,滑動步長為2。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于河海大學(xué);江蘇方天電力技術(shù)有限公司,未經(jīng)河海大學(xué);江蘇方天電力技術(shù)有限公司許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202210224056.X/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 圖像語義標(biāo)注的設(shè)備和方法及其模型的生成方法和系統(tǒng)
- 使用卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像處理
- 為數(shù)據(jù)庫確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 采用嵌入式系統(tǒng)中的小規(guī)模卷積神經(jīng)網(wǎng)絡(luò)模塊的人臉檢測
- 針對深度通道和卷積神經(jīng)網(wǎng)絡(luò)圖像和格式使用相機(jī)設(shè)備的方法和系統(tǒng)
- 處理卷積神經(jīng)網(wǎng)絡(luò)的方法
- CNN加速器和電子設(shè)備
- 一種基于混合神經(jīng)網(wǎng)絡(luò)的腦電時空特征學(xué)習(xí)與情感分類方法
- 一種基于FPGA的深度學(xué)習(xí)加速方法





