一种特高压直流输电系统损耗计量方法及系统与流程

1.本发明涉及损耗计量技术领域，并且更具体地，涉及一种特高压直流输电系统损耗计量方法及系统。


背景技术：

2.近年来特高压直流输电系统取得了快速的发展及工程应用。与传统输电网相比，特高压直流输电系统的动态特性更加复杂、时间尺度更小，必须建立有效的损耗计量模型。但是目前依靠机理分析方法所建立的特高压直流输电系统数字模型未能充分考虑运行设备状态、参数和环境，模型计算结果准确性较低。数据驱动类数字模型构建方法中，常用深度学习模型作为数字模型主体，如长短时记忆网络，以能更好地基于数据挖掘序列维度上的关联性。
3.但是常规深度学习模型仅包含单一映射任务，缺少双向映射机制，难以实现逆向反演。


技术实现要素：

4.根据本发明，提供了一种特高压直流输电系统损耗计量方法及系统，以解决常规深度学习模型仅包含单一映射任务，缺少双向映射机制，难以实现逆向反演的技术问题。
5.根据本发明的第一个方面，提供了一种特高压直流输电系统损耗计量方法，包括：
6.根据特高压直流输电系统的数字空间完整映射数据，确定深度多维关联特征；
7.根据所述深度多维关联特征与缺失信息及未知损耗的掩码数据标记信息，计算特高压直流输电系统内未知的分元件的损耗计量数据；
8.基于深度卷积神经网络构建编码解码模型框架，训练及更新所述损耗计量数据，计算特高压直流输电系统分元件损耗。
9.可选地，根据特高压直流输电系统的数字空间完整映射数据，确定深度多维关联特征，包括：
10.在编码数据输入层输入特高压直流输电系统的数字空间完整映射数据；
11.在拓扑特征提取模块内提取数字空间完整映射数据的位置编码特征，并确定特高压直流输电系统的拓扑关系；
12.将所述位置编码特征送入n个所述编码层，感知重点设备参数并编码，确定深度多维关联特征。
13.可选地，确定特高压直流输电系统的拓扑关系，包括：
14.使用d维向量来展现特高压直流输电系统的拓扑关系，下标t表示位置，即计算公式为：
[0015][0016]
其中，sin和cos函数是有界的周期函数，k值用于区分索引坐标的奇偶值。
[0017]
可选地，根据所述深度多维关联特征与缺失信息及未知损耗的掩码数据标记信息，计算特高压直流输电系统内未知的分元件的损耗计量数据，包括：
[0018]
将缺失信息及未知损耗的掩码数据标记信息从解码数据输入层输入；
[0019]
提取解码器输入的初次特征，将所述初次特征与所述深度多维关联特征合并一同送入解码层；
[0020]
处理最后一层解码层的输出特征，并得到特高压直流输电系统内未知的分元件的损耗计量数据；
[0021]
其中所述多任务交叉模块包括全感知层和激活层，共享之前模型的输出特征，在捕获联合特征的基础上，序列输出所有损耗计量数据。
[0022]
可选地，基于深度卷积神经网络构建编码解码模型框架，训练及更新损耗计量数据，计算特高压直流输电系统分元件损耗，包括：
[0023]
基于深度卷积神经网络构建模型，在模型的训练过程中，建立损失函数：
[0024][0025]
其中，以损失函数计算损耗值并反向传播，根据梯度信息更新模型参数；其中，m是输出损耗的数量，x
′i是第i个输出损耗，xi是第i个损耗的标签数据；c是调节因子，wi是第i层模型的参数，l是需要正则化处理的卷积层数量。
[0026]
根据本发明的另一个方面，还提供了一种特高压直流输电系统损耗计量系统，包括：
[0027]
确定深度多维关联特征模块，用于根据特高压直流输电系统的数字空间完整映射数据，确定深度多维关联特征；
[0028]
计算损耗计量数据模块，用于根据所述深度多维关联特征与缺失信息及未知损耗的掩码数据标记信息，计算特高压直流输电系统内未知的分元件的损耗计量数据；
[0029]
计算分元件损耗模块，用于基于深度卷积神经网络构建编码解码模型框架，训练及更新所述损耗计量数据，计算特高压直流输电系统分元件损耗。
[0030]
可选地，确定深度多维关联特征模块，包括：
[0031]
输入数字空间完整映射数据子模块，用于在编码数据输入层输入特高压直流输电系统的数字空间完整映射数据；
[0032]
提取位置编码特征子模块，用于在拓扑特征提取模块内提取数字空间完整映射数据的位置编码特征，并确定特高压直流输电系统的拓扑关系；
[0033]
确定深度多维关联特征子模块，用于将所述位置编码特征送入n个所述编码层，感知重点设备参数并编码，确定深度多维关联特征。
[0034]
可选地，提取位置编码特征子模块，包括：
[0035]
提取位置编码特征单元，用于使用d维向量来展现特高压直流输电系统的拓扑关
系，下标t表示位置，即计算公式为：
[0036][0037]
其中，sin和cos函数是有界的周期函数，k值用于区分索引坐标的奇偶值。
[0038]
可选地，计算损耗计量数据模块，包括：
[0039]
输入掩码数据标记信息子模块，用于将缺失信息及未知损耗的掩码数据标记信息从解码数据输入层输入；
[0040]
合并特征子模块，用于提取解码器输入的初次特征，将所述初次特征与所述深度多维关联特征合并一同送入解码层；
[0041]
得到损耗计量数据子模块，用于处理最后一层解码层的输出特征，并得到特高压直流输电系统内未知的分元件的损耗计量数据；
[0042]
其中所述多任务交叉模块包括全感知层和激活层，共享之前模型的输出特征，在捕获联合特征的基础上，序列输出所有损耗计量数据。
[0043]
可选地，计算分元件损耗模块，包括：
[0044]
建立损失函数子模块，用于基于深度卷积神经网络构建模型，在模型的训练过程中，建立损失函数：
[0045][0046]
其中，以损失函数计算损耗值并反向传播，根据梯度信息更新模型参数；其中，m是输出损耗的数量，x
′i是第i个输出损耗，xi是第i个损耗的标签数据；c是调节因子，wi是第i层模型的参数，l是需要正则化处理的卷积层数量。
[0047]
从而，能够在输入数据存在缺失的情况下直接计算所有损耗数据，能够通过关联关系高维映射和深度特征提取实现高精度的损耗计量，具有足够的泛化能力，适用于各个电压等级的特高压直流输电系统。
附图说明
[0048]
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
[0049]
图1为本实施方式所述的一种特高压直流输电系统损耗计量方法的流程示意图；
[0050]
图2为本实施方式所述的一种特高压直流输电系统损耗计量方法的流程示意图；
[0051]
图3为本实施方式所述的多任务交叉模块流程示意图；
[0052]
图4为本实施方式所述的一种特高压直流输电系统损耗计量系统的示意图。
具体实施方式
[0053]
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示
例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0054]
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0055]
根据本发明的第一个方面，提供了一种特高压直流输电系统损耗计量方法100，参考图1所示，该方法100包括：
[0056]
s101:根据特高压直流输电系统的数字空间完整映射数据，确定深度多维关联特征；
[0057]
s102:根据所述深度多维关联特征与缺失信息及未知损耗的掩码数据标记信息，计算特高压直流输电系统内未知的分元件的损耗计量数据；
[0058]
s103:基于深度卷积神经网络构建编码解码模型框架，训练及更新所述损耗计量数据，计算特高压直流输电系统分元件损耗。
[0059]
具体地，参考图2所示，主要包括三个步骤：
[0060]
(1)编码器构建。编码器包括数据输入层、拓扑特征提取模块和编码层。特高压直流输电系统的数字空间完整映射数据经由编码器进入模型，挖掘其深度多维关联特征提供给解码器；
[0061]
(2)解码器构建。解码器包括数据输入层、解码层和多任务交叉模块。解码器融合缺失信息及未知损耗的掩码数据标记信息和编码器的输出特征，计算特高压直流输电系统内未知的分元件损耗。
[0062]
(3)深度学习模型训练：基于深度卷积神经网络构建编码解码模型框架，训练及更新模型参数，使之用于特高压直流输电系统分元件损耗计算。
[0063]
所述编码器，在所述数据输入层输入特高压直流输电系统的数字空间完整映射数据，在所述拓扑特征提取模块内提取数字空间完整映射数据的位置编码特征，随后送入n个所述编码层，感知重点设备参数并编码，提供给解码器。
[0064]
所述的拓扑特征提取模块，其特征在于，使用d维向量来展现特高压直流输电系统的拓扑关系，下标t表示位置，即计算公式为：
[0065][0066]
其中，sin和cos函数是有界的周期函数，k值用于区分索引坐标的奇偶值。
[0067]
所述的编码层，n个编码层的结构相同，均包含重点设备参数自适应感知模型、残差结构及归一化、前向网络。其中，残差结构及归一化、前向网络用于深度学习模型框架的训练，重点设备参数自适应感知模型用于捕获序列开端和末端的信息，引入缩放点积注意力机制后所述模型可表示为：
[0068]
[0069]
其中，q是查询值，k是待查询的键值，v是被查询值，这三个量均是数字空间完整映射先验数据的特征空间高维映射；softmax(
·
)是归一化指数函数；是控制缩放因子。
[0070]
所述的解码器，缺失信息及未知损耗的掩码数据标记信息从数据输入层输入，在本层实现解码器输入的初次特征提取，随后将提取后的特征与编码器的输出特征合并一同送入解码层，最终由所述多任务交叉模块处理最后一层解码层的输出特征，并得到损耗计量数据。其中解码层与编码器中的编码层结构相同。
[0071]
参考图3所示，多任务交叉模块由全感知层和激活层组成，共享之前模型的输出特征，在捕获联合特征的基础上，序列输出所有损耗计量数据。
[0072]
所述的深度学习模型，其特征在于，基于深度卷积神经网络构建模型，在模型的训练过程中，建立正则化损失函数：
[0073][0074]
以正则化损失函数计算损耗值并反向传播，根据梯度信息更新模型参数；其中，m是输出损耗的数量，x
′i是第i个输出损耗，xi是第i个损耗的标签数据；c是调节因子，wi是第i层模型的参数，l是需要正则化处理的卷积层数量。
[0075]
进一步的，一种基于编码解码模型的特高压直流输电系统损耗计量装置，其特征在于：所述装置中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中描述中的编码解码结构的特高压直流输电系统损耗计量方法，输入特高压直流输电系统的已知和未知数字空间映射数据，输出特高压直流输电系统内未知的分元件损耗。
[0076]
从而，能够在输入数据存在缺失的情况下直接计算所有损耗数据，能够通过关联关系高维映射和深度特征提取实现高精度的损耗计量，具有足够的泛化能力，适用于各个电压等级的特高压直流输电系统。
[0077]
可选地，根据特高压直流输电系统的数字空间完整映射数据，确定深度多维关联特征并，包括：
[0078]
在编码数据输入层输入特高压直流输电系统的数字空间完整映射数据；
[0079]
在拓扑特征提取模块内提取数字空间完整映射数据的位置编码特征，并确定特高压直流输电系统的拓扑关系；
[0080]
将所述位置编码特征送入n个所述编码层，感知重点设备参数并编码，确定深度多维关联特征。
[0081]
可选地，确定特高压直流输电系统的拓扑关系，包括：
[0082]
使用d维向量来展现特高压直流输电系统的拓扑关系，下标t表示位置，即计算公式为：
[0083][0084]
其中，sin和cos函数是有界的周期函数，k值用于区分索引坐标的奇偶值。
[0085]
可选地，根据所述深度多维关联特征与缺失信息及未知损耗的掩码数据标记信
息，计算特高压直流输电系统内未知的分元件的损耗计量数据，包括：
[0086]
将缺失信息及未知损耗的掩码数据标记信息从解码数据输入层输入；
[0087]
提取解码器输入的初次特征，将所述初次特征与所述深度多维关联特征合并一同送入解码层；
[0088]
处理最后一层解码层的输出特征，并得到特高压直流输电系统内未知的分元件的损耗计量数据；
[0089]
其中所述多任务交叉模块包括全感知层和激活层，共享之前模型的输出特征，在捕获联合特征的基础上，序列输出所有损耗计量数据。
[0090]
可选地，基于深度卷积神经网络构建编码解码模型框架，训练及更新损耗计量数据，计算特高压直流输电系统分元件损耗，包括：
[0091]
基于深度卷积神经网络构建模型，在模型的训练过程中，建立损失函数：
[0092][0093]
其中，以损失函数计算损耗值并反向传播，根据梯度信息更新模型参数；其中，m是输出损耗的数量，x
′i是第i个输出损耗，xi是第i个损耗的标签数据；c是调节因子，wi是第i层模型的参数，l是需要正则化处理的卷积层数量。
[0094]
从而，能够在输入数据存在缺失的情况下直接计算所有损耗数据，能够通过关联关系高维映射和深度特征提取实现高精度的损耗计量，具有足够的泛化能力，适用于各个电压等级的特高压直流输电系统。
[0095]
根据本发明的另一个方面，还提供了一种特高压直流输电系统损耗计量系统400，参考图4所示，该系统400包括：
[0096]
确定深度多维关联特征模块410，用于根据特高压直流输电系统的数字空间完整映射数据，确定深度多维关联特征；
[0097]
计算损耗计量数据模块420，用于根据所述深度多维关联特征与缺失信息及未知损耗的掩码数据标记信息，计算特高压直流输电系统内未知的分元件的损耗计量数据；
[0098]
计算分元件损耗模块430，用于基于深度卷积神经网络构建编码解码模型框架，训练及更新所述损耗计量数据，计算特高压直流输电系统分元件损耗。
[0099]
可选地，确定深度多维关联特征模块，包括：
[0100]
输入数字空间完整映射数据子模块，用于在编码数据输入层输入特高压直流输电系统的数字空间完整映射数据；
[0101]
提取位置编码特征子模块，用于在拓扑特征提取模块内提取数字空间完整映射数据的位置编码特征，并确定特高压直流输电系统的拓扑关系；
[0102]
确定深度多维关联特征子模块，用于将所述位置编码特征送入n个所述编码层，感知重点设备参数并编码，确定深度多维关联特征。
[0103]
可选地，提取位置编码特征子模块，包括：
[0104]
提取位置编码特征单元，用于使用d维向量来展现特高压直流输电系统的拓扑关系，下标t表示位置，即计算公式为：
[0105][0106]
其中，sin和cos函数是有界的周期函数，k值用于区分索引坐标的奇偶值。
[0107]
可选地，计算损耗计量数据模块，包括：
[0108]
输入掩码数据标记信息子模块，用于将缺失信息及未知损耗的掩码数据标记信息从解码数据输入层输入；
[0109]
合并特征子模块，用于提取解码器输入的初次特征，将所述初次特征与所述深度多维关联特征合并一同送入解码层；
[0110]
得到损耗计量数据子模块，用于处理最后一层解码层的输出特征，并得到特高压直流输电系统内未知的分元件的损耗计量数据；
[0111]
其中所述多任务交叉模块包括全感知层和激活层，共享之前模型的输出特征，在捕获联合特征的基础上，序列输出所有损耗计量数据。
[0112]
可选地，计算分元件损耗模块，包括：
[0113]
建立损失函数子模块，用于基于深度卷积神经网络构建模型，在模型的训练过程中，建立损失函数：
[0114][0115]
其中，以损失函数计算损耗值并反向传播，根据梯度信息更新模型参数；其中，m是输出损耗的数量，x
′i是第i个输出损耗，xi是第i个损耗的标签数据；c是调节因子，wi是第i层模型的参数，l是需要正则化处理的卷积层数量。
[0116]
本发明的实施例的一种特高压直流输电系统损耗计量系统500与本发明的另一个实施例的一种特高压直流输电系统损耗计量方法100相对应，在此不再赘述。
[0117]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
[0118]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0119]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0120]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0121]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0122]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。