[發明專利]一種基于深度學習的電網在線時空預測方法

在審

• 申請號: 202310249827.5
• 申請日: 2023-03-15
• 公開（公告）號: CN116245249A
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 徐青山;戴蔚鶯
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/042;G06N3/044;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 楊敬

1.一種基于深度學習的電網在線時空預測方法，其特征在于，包括如下步驟：

步驟1、先設計圖卷積網絡捕捉電網的空間拓撲特征和參數，建立空間預測學習模型；

步驟2、然后設計神經網絡單元捕捉歷史采樣數據的時間特征，建立時間預測學習模型；

步驟3、接著設計DCRNN網絡具體結構、相關參數，實現復雜電網中給定歷史輸入和電網信息的時空建模；

步驟4、最后運用步驟3設計的DCRNN網絡建立在線預測機制，對電網實現暫態分析與預測，實現了對典型節點特征的預測，包括有功功率注入、電壓和頻率。

2.根據權利要求1所述的一種基于深度學習的電網在線時空預測方法，其特征在于，所述步驟1中先將傳輸線間阻抗定義為網絡距離，計算出每個節點之間的連接距離dist(v_i，v_j)，構建加權鄰接矩陣，在每個時間步，圖G都有一個觀察到的節點特征矩陣X^(t)∈R^N×D，其中，D是每個節點的特征數；

通過學習函數f(·)來預測下一個T步圖信號，如下式：

輸入圖信號X∈R^N×D的擴散卷積運算作為：

式中，★_G表示擴散卷積運算，K代表最大擴散步數，k代表擴散步數，θ_O和θ_I是過濾器的可學習參數，和表示轉換矩陣和反向矩陣，D_O和D_I分別是出度和入度對角矩陣，θ₀和θ_I是過濾器的可學習參數；

訓練擴散卷積層將D維節點特征輸入矩陣X^(t)∈R^N×D映射到Q維輸出H∈R^N×Q，如下式：

式中，Θ∈R^Q*D*K*2是濾波器參數的可學習張量；α是激活函數。

3.根據權利要求1所述的一種基于深度學習的電網在線時空預測方法，其特征在于，所述步驟2中使用計算速度較快的GRU單元根據歷史采樣的輸入數據進行建模，提取時間依賴性特征。

4.根據權利要求3所述的一種基于深度學習的電網在線時空預測方法，其特征在于，所述GRU單元結構如下：

r^(t)＝σ(Θ_r★_G[X^(t)，H^(t-1)]+b_r)

u^(t)＝σ(Θ_u★_G[X^(t)，H^(t-1)]+b_u)

C^(t)＝tanh(Θ_C＊_G[X^(t)，(r^(t)⊙H^(t-1))]+b_c)

H^(t)＝u^(t)⊙H^(t-1)+(1-u^(t))⊙C^(t)。

5.根據權利要求1所述的一種基于深度學習的電網在線時空預測方法，其特征在于，所述步驟3中DCRNN架構是一種Sequence-to-Sequence深度學習架構，由兩層組成，每層有4個DCGRU單元，第一層充當編碼器，第二層充當解碼器。

6.根據權利要求5所述的一種基于深度學習的電網在線時空預測方法，其特征在于，所述編碼器學習歷史時間序列輸入和固定大小編碼向量之間的映射，其最終狀態初始化解碼器，解碼器學習編碼向量和輸出序列之間的映射，編碼器和解碼器執行對稱操作，并由與GRU相同數量的擴散卷積循環層組成，解碼器預測下一個T時間步的輸出，并使用反向傳播訓練DCRNN的層，使用計劃采樣解決由于訓練和測試的輸入分布差異導致的性能下降。