【技術實現步驟摘要】
本申請涉及配電網精確狀態估計，特別是涉及一種基于遷移學習的配電網量測數據超分辨率感知方法。
技術介紹
1、獲取配電網可靠準確的高頻量測信息是實現配電網精確狀態估計的基礎，目前配電網量測信息的采集主要由數據采集與監視控制系統(supervisory?control?and?dataacquisition，scada)、基于同步相量測量單元(phasor?measurement?unit，pmu)的廣域測量系統(wide?area?measurement?system，wams)和高級量測體系(advanced?meteringinfrastructure，ami)所構成的混合量測體系來完成。在這個混合量測體系中，不僅存在量測裝置布點不全的問題，而且采集到的量測數據頻率較低，無法滿足配電網高精度狀態感知的要求。若配電網超分辨率感知模型的可靠性不足，則可能出現模型生成數據準確率下降的情況，進而影響到配電網狀態感知效果。
2、現有技術中，配電網量測數據超分辨率感知方法主要分為兩類：物理驅動和數據驅動。其中，物理驅動主要是通過對配電網系統模型的構建和物理參數的計算實現感知。但這種方法相較于數據驅動方法存在很多問題：首先，物理驅動方法通?；诶硐氲奈锢砟Ｐ?，然而新型配電網由于分布式電源和非線性負荷的大量接入，具有較高的間歇性和隨機性，基于傳統物理模型的方法難以準確描述實際配電網的運行狀態；其次，復雜配電網模型的求解計算量過大導致超分辨率感知的實時性難以得到保證。
3、數據驅動通常是指運用訓練好的深度學習模型實現感知，
4、因此，相關技術中，亟需一種能夠解決傳統方法通過增加圖神經網絡層數來擴大感受野而導致的過擬合問題，以及模型的拓撲泛化能力不足而導致實際配電網發生拓撲重構時和模型應用對象發生遷移時的模型性能下降問題的方式。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠解決傳統方法通過增加圖神經網絡層數來擴大感受野而導致的過擬合問題，以及模型的拓撲泛化能力不足而導致實際配電網發生拓撲重構時和模型應用對象發生遷移時的模型性能下降問題的一種基于遷移學習的配電網量測數據超分辨率感知方法。
2、第一方面，本申請提供了一種基于遷移學習的配電網量測數據超分辨率感知方法。所述方法包括：
3、獲取高頻時間序列并進行預處理，得到訓練樣本數據；
4、基于圖注意力網絡和transformer網絡構建級聯模型，將所述訓練樣本數據和關聯矩陣輸入所述級聯模型，對所述級聯模型進行預訓練，所述關聯矩陣表示配電網拓撲連接關系；
5、將預訓練之后的級聯模型分為學習器部分和決策器部分，并進行遷移學習訓練，保留達到訓練目標的模型參數，得到最終的超分辨率感知模型，其中，所述學習器部分包括除transformer線性輸出層外的所有層，決策器部分包括transformer的線性輸出層；
6、將實時量測數據輸入所述超分辨率感知模型，得到超分辨率量測生成結果。
7、可選的，在本申請的一個實施例中，所述預處理包括：
8、對所述高頻時間序列進行線性歸一化和下采樣處理。
9、可選的，在本申請的一個實施例中，所述級聯模型包括：
10、采用圖注意力網絡層計算低頻數據的注意力系數，對所述注意力系數進行softmax歸一化處理，輸出節點特征序列；
11、將節點特征序列輸入嵌入層進行特征轉換，最后輸入transformer網絡中，由transformer網絡的線性層輸出超分辨率量測結果。
12、可選的，在本申請的一個實施例中，所述遷移學習訓練包括：
13、將所述學習器部分分為三個部分，包括gat塊、編碼器塊和解碼器塊；
14、采用不同訓練方案進行遷移學習訓練，評估模型訓練效果，選擇更佳的訓練方案。
15、可選的，在本申請的一個實施例中，所述訓練方案包括：
16、對所述gat塊、編碼器塊和解碼器塊分別進行參數更新；
17、鎖定所述gat塊，對所述編碼器塊和解碼器塊分別進行參數更新；
18、鎖定所述gat塊和編碼器塊，對所述解碼器塊進行參數更新；
19、鎖定所述學習器部分，對所述決策器部分進行參數更新。
20、可選的，在本申請的一個實施例中，所述方法還包括：
21、針對原拓撲及單個重構開關狀態發生改變時的重構拓撲進行模型訓練；
22、采用多任務學習框架，同時加入潮流約束任務更新所述模型訓練的損失函數。
23、可選的，在本申請的一個實施例中，所述方法還包括：
24、基于學習率動態調整所述潮流約束任務的權重。
25、第二方面，本申請還提供了一種基于遷移學習的配電網量測數據超分辨率感知裝置。所述裝置包括：
26、數據集獲取模塊，用于獲取高頻時間序列并進行預處理，得到訓練樣本數據；
27、模型預訓練模塊，用于基于圖注意力網絡和transformer網絡構建級聯模型，將所述訓練樣本數據和關聯矩陣輸入所述級聯模型，對所述級聯模型進行預訓練，所述關聯矩陣表示配電網拓撲連接關系；
28、遷移學習模塊，用于將預訓練之后的級聯模型分為學習器部分和決策器部分，并進行遷移學習訓練，保留達到訓練目標的模型參數，得到最終的超分辨率感知模型，其中，所述學習器部分包括除transformer線性輸出層外的所有層，決策器部分包括transformer的線性輸出層；
29、超分辨率感知模塊，用于將實時量測數據輸入所述超分辨率感知模型，得到超分辨率量測生成結果。
30、第三方面，本申請還提供了一種計算機設備。所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行上述各個實施例所述方法的步驟。
31、第四方面，本申請還提供了一種計算機可讀存儲介質。所述計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述各個實施例所述方法的步驟。
32、上述一種基于本文檔來自技高網...
【技術保護點】
1.一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述預處理包括：
3.根據權利要求1所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述級聯模型包括：
4.根據權利要求1所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述遷移學習訓練包括：
5.根據權利要求4所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述訓練方案包括：
6.根據權利要求1所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述方法還包括：
7.根據權利要求6所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述方法還包括：
8.一種基于遷移學習的配電網量測數據超分辨率感知裝置，其特征在于，所述裝置包括：
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述預處理包括：
3.根據權利要求1所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述級聯模型包括：
4.根據權利要求1所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述遷移學習訓練包括：
5.根據權利要求4所述的一種基于遷移學習的配電網量測數據超分辨率感知方法，其特征在于，所述訓練方案包括：
6.根據權利要求1所述的一種基于...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。