一种面向电力场景的异构类脑计算模型优化方法与流程

摘要: 本发明涉及模型优化领域,尤其涉及一种面向电力场景的异构类脑计算模型优化方法。背景技术:1、在新型电力系统和智能电网的快速发展背景下,电力系统的自动化、智能化水平...
一种面向电力场景的异构类脑计算模型优化方法与流程

本发明涉及模型优化领域,尤其涉及一种面向电力场景的异构类脑计算模型优化方法。

背景技术:

1、在新型电力系统和智能电网的快速发展背景下,电力系统的自动化、智能化水平不断提升,对多源异构数据的感知、处理与决策提出了更高要求。电力网络中涵盖了电压、电流、频率、开关状态、环境温度、故障波形等大量来源各异、特性复杂的数据,运行状态呈现高度动态性与多样性。传统基于规则或浅层机器学习方法的电力监控与故障诊断难以满足复杂场景下的精准识别、自适应学习和实时决策需求。与此同时,脉冲神经网络(spikingneural network, snn)作为典型的类脑智能模型,在模拟生物神经机制、处理时序脉冲信号、高效节能等方面展现出天然优势,可为电力系统安全稳定运行、智能调控和自适应维护提供新的路径。

2、然而,snn的时序性、稀疏性和事件驱动计算特性,对计算资源的分配和硬件平台的适配提出了新的挑战。传统cpu、gpu在某些计算子任务(如脉冲传播、异步更新)上表现有限,而npu、fpga等新型异构硬件可以在低延迟、低功耗下高效支持snn事件驱动操作。

技术实现思路

1、为了解决上述问题,本发明的目的在于提供一种面向电力场景的异构类脑计算模型优化方法,有效实现模型能效最优与实时可靠的脉冲类脑推断。

2、为实现上述目的,本发明采用以下技术方案:

3、一种面向电力场景的异构类脑计算模型优化方法,包括以下步骤:

4、s1:采集电力系统多源数据,并预处理,得到预处理后的电力系统多源数据;

5、s2:根据预处理后的电力系统多源数据,提取电力信号的时域、频域、时频域特征,标注运行状态和故障类型,生成训练数据集;

6、s3:基于lif神经元设计的三层snn架构构建脉冲神经网络,实现信号脉冲编码和stdp自适应学习机制,并根据训练数据集训练,得到训练后的脉冲神经网络;

7、s4:将脉冲神经网络计算任务分配到不同设备,建立任务映射表和优化计算图;

8、s5:设计基于设备负载状态和任务优先级的动态负载均衡算法,监控各设备负载状态,按任务优先级动态分配计算资源,输出实时调度方案。

9、进一步的,预处理,具体如下:建立数据质量评估指标体系,包括完整性、准确性、一致性对采集到的电力系统多源数据,进行质量评估;采用3σ准则识别异常值,将超出预设范围的数据标记为异常并剔除;采用卡尔曼滤波算法去除测量噪声和过程噪声,建立状态空间模型进行自适应滤波,使用插值算法填补缺失数据。

10、进一步的,根据预处理后的电力系统多源数据,提取电力信号的时域、频域、时频域特征,标注运行状态和故障类型,生成训练数据集,具体如下:基于电力系统专业知识进行特征工程,提取时域特征、频域特征、时频域特征,同时建立电力场景标注体系,将数据标注为正常运行、故障状态、负荷高峰、负荷低谷类别,并标注具体的故障类型和负荷模式,输出特征向量矩阵f(t)和对应的标签向量l(t),形成有监督学习的训练数据集{f(t), l(t)};

11、进一步的,基于lif神经元设计的三层snn架构构建脉冲神经网络,实现信号脉冲编码和stdp自适应学习机制,具体如下:

12、基于lif(leaky integrate-and-fire)神经元模型设计分层脉冲神经网络架构,输入层设计为多通道结构,每个通道对应一种电力信号类型;隐藏层采用三层结构:第一层为信号特征提取层,第二层为模式识别层,第三层为决策融合层;输出层根据应用场景设计:负荷预测为1个神经元输出连续值,故障诊断为k个神经元对应k种故障类型,网络连接采用稀疏连接模式;

13、所述lif 神经元模型对每层神经元 i,膜电位 vi(t)更新与发放机制如下,膜电位积分与泄露:

14、;

15、;

16、;

17、其中,vi(t+δt)为神经元i在时刻t+δt的膜电位;λ为膜电位泄漏系数;τm为膜时间常数;wij为从神经元j到神经元i的突触权重;sj(t)为神经元j在时刻t的脉冲发放状态;为神经元i在时刻t接收的外部输入电流;vreset为膜电位重置值;ri(t)为神经元i在时刻t的重置信号;

18、脉冲发放:

19、;

20、其中,vth为发放阈值;1{vi(t)≥vth}为脉冲发放判定函数;

21、不应期:

22、;

23、其中,ρi(t)为神经元i的不应期剩余时间;vreset为膜电位重置值

24、通过电力信号特征的时空稀疏编码算法,将连续的电力信号转换为离散的脉冲序列;并基于stdp的自适应学习机制,使网络能够根据电力场景动态调整连接权重。

25、进一步的,通过电力信号特征的时空稀疏编码算法,将连续的电力信号转换为离散的脉冲序列,具体如下:

26、时空稀疏编码算法采用速率编码和时间编码相结合的方式,将信号幅值映射为脉冲发放频率,信号变化率映射为脉冲发放时刻;

27、输入连续信号 xc(t),通道 c=1,…,32,编码为脉冲序列 sc(τ):

28、速率编码:

29、;

30、其中,μc为通道c信号的历史均值;σc为通道c信号的历史标准差;αc为通道c的编码增益系数;rmax为最大允许脉冲频率;clip表示clip操作;

31、在 [t,t+δt]内基于 rc(t) 产生泊松脉冲:

32、;

33、其中,p(sc(τ)=1)为在时间步τ内发放脉冲的概率;

34、相位编码:

35、;

36、其中,φc(t)为通道c在时刻t的相位值;βc为通道c的相位编码系数;为信号变化率;为强制脉冲发放时刻;t0为编码窗口起始时刻;t为编码窗口长度;

37、在步 τ=τcemit 处强制发放一次脉冲,融合得到时间脉冲轨迹 sc(τ);

38、通道 c扩展到 g 个编码神经元 u=1…g,每个编码器具有不同增益与偏置:

39、;

40、其中,g为每通道的编码神经元数量;为编码器u的个性化增益;γu为增益调制因子;bc,u为编码器u的偏置项;表示实数集

41、对所有通道与群体编码器堆叠,得编码矩阵sin:

42、;

43、其中,nenc总编码神经元数量。

44、进一步的,根据训练数据集训练,得到训练后的脉冲神经网络,具体如下:

45、输入训练数据集 {f(t),l(t)},其中f(t),l(t)分别为时刻 t 的输入特征和监督标签,经编码器得到 sin;

46、离线预训练:固定连接掩码,以 surrogate-bp 训练读出头与部分突触,最小化损失函数l;

47、初始化 stdp 参数 (a±,τ±,η),其中a±为最大权重变化幅值,τ±为权重变化时间常数,η为stdp学习率与权重范围[wmin,wmax];

48、在线 stdp 适应:

49、根据运行上下文 c 动态选择动态stdp调度函数 g(c,t);按事件驱动更新突触:每对 pre-post 脉冲配对计算单次配对突触权重变化量 δwij,并执行剪枝/归一化;

50、稳态与约束:周期性控制发放率与能耗:若 ,其中,为神经元 i的平均发放率,为神经元 i 的可容许的最大发放率阈值;则提高阈值 vth或增加抑制;得到训练后的 snn 模型 m与权重 w、编码器参数 θ。

51、进一步的,将脉冲神经网络计算任务分配到不同设备,建立任务映射表和优化计算图,具体如下:建立任务-设备映射表m,将snn计算任务按照计算特性进行分解,映射到不同的异构计算设备上,膜电位积分和阈值比较操作映射到cpu,大规模矩阵运算映射到gpu的cuda核心,脉冲传播和突触更新计算映射到专用npu,实时信号处理和控制逻辑映射到fpga;同时设计任务间的数据流图,明确各设备间的数据传输关系,输出优化的计算图gopt,为后续调度提供依据。

52、进一步的,设计任务间的数据流图,明确各设备间的数据传输关系,输出优化的计算图,具体如下:构建多层次的数据流图,明确任务间的数据依赖关系和设备间的通信模式,数据流图分为三个层次:任务级数据依赖图描述各任务之间的前后依赖关系;设备级数据传输图定义四类设备间的数据流向和传输协议,fpga产生的编码脉冲数据通过pcie总线传输到cpu进行膜电位积分,cpu计算的脉冲序列通过高速内存总线传递给npu执行脉冲传播,npu的突触事件通过专用通道反馈给gpu进行权重更新;时序级同步图确保分布式计算的时间一致性,设置三个关键同步点:tencode同步点确保所有编码数据准备就绪,tcompute同步点确保所有神经元状态更新完成,tupdate同步点确保所有权重修改生效;

53、数据传输关系采用流水线模式,通过双缓冲机制实现计算与通信的重叠,减少设备间的等待时间;建立数据版本控制机制,为每个数据块分配时间戳和版本号,保证多设备访问数据的一致性;设计通信优化策略,包括数据压缩、批量传输和异步通信,最大化带宽利用率并最小化通信延迟。

54、基于任务映射表和数据流图,生成优化的计算图gopt= (v, e, w, c)作为调度系统的核心依据。

55、进一步的,设计基于设备负载状态和任务优先级的动态负载均衡算法,监控各设备负载状态,按任务优先级动态分配计算资源,输出实时调度方案,具体如下:

56、实时采集各异构设备的关键性能指标,包括cpu、gpu、npu、fpga四类设备的利用率、内存使用率和温度状态信息;

57、根据电力应用的实时性要求设定任务优先级:保护控制任务优先级最高priority= 1,故障诊断次之priority = 2,负荷预测优先级较低priority = 3;当设备负载超过阈值时,触发任务迁移机制,将低优先级任务迁移到其他设备,输出实时的任务调度方案schedule(t),保证系统整体性能最优。

58、进一步的,任务迁移机制,具体如下:

59、对每个候选任务 i′与可用目标设备 q≠d,定义收益函数:

60、;

61、其中,为任务i′从设备d迁移到设备q在时刻t的总收益值;为任务i′在设备d上的预估执行时间;为任务i′在目标设备q上的预估执行时间;为从设备d到设备q的通信传输成本;λ为健康余量权重系数;pdevice,q(t)为目标设备q在时刻t的性能健康评分;pdevice,d(t)为源设备d在时刻t的性能健康评分;

62、选择最优目标q

63、;

64、其中,为候选目标设备集合;

65、并需满足容量与实时性约束:

66、;

67、其中,ρk为任务k的等效负载权重;1{ak=q}为指示函数;ak为任务k的当前归属设备;ρi′为待迁移任务i′的等效负载权重;capq为设备q的容量上限;为任务i′的完成时限;

68、若 ,则批准迁移;否则暂缓,转而降低该任务的资源档位或批尺寸。

69、本发明具有如下有益效果:

70、1、本发明通过全流程采集和融合电力系统的多源数据,利用系统性的预处理与深度特征提取,对电力信号进行时域、频域和时频域的多角度全面分析,结合多维度工况标记与故障精细分类,实现从原始信号到精确诊断、预测的结构化训练数据生成,为后续基于脉冲神经网络(snn)的复杂模式识别和智能决策打下坚实的数据基础,显著提升了复杂电力场景下的异常识别与状态评估能力;

71、2、本发明采用三层lif神经元脉冲网络架构,具备生物启发的时序信息建模与事件感知特性,通过脉冲编码和stdp学习规则实现端到端自适应特征提取与学习,训练后的snn不仅自动适应电力系统动态环境变化,还具备强噪声鲁棒性与在线增量学习能力,同时,将snn的多样化计算任务根据其计算特性、资源需求等映射到cpu、gpu、npu、fpga异构硬件平台,构建任务—设备映射表和通信优化计算图,充分释放各类设备最大计算与资源优势,实现高效、低能耗的类脑计算方案;

72、3、本发明通过全局监控各异构设备的利用率、内存、温度等运行态指标,结合同步监测任务的优先级,设计动态负载均衡与优先级感知调度算法,根据任务重要性智能迁移、重分配计算资源,生成自适应的实时调度方案,该机制不仅保障了高优先级关键任务的强实时性和稳定性,还防止系统瓶颈和资源失衡,有效提升了整体电力智控系统的安全鲁棒性和能效水平。