一种电网稳定性判别方法、系统及计算机设备

技术领域

本发明属于电网稳定性判别领域，尤其涉及一种电网稳定性判别方法、系统及计算机设备。

背景技术

随着智能电网建设的不断发展和完善，电网稳定性问题在整个电力系统中的地位日趋增长，其稳定状态直接影响着电网工作的稳定性、经济型和安全性。通常，电网需电力供需平衡才能维持稳定，衍生了基于需求驱动的电力生产方法进而实现所述平衡。传统方法通过需求驱动的电力生产来实现这种平衡。然而，对于电网来说，需求响应的概念是一个很有前途的解决方案。这意味着电力消耗量会随着电价的变化而变化，存在不同的方法来定义价格并将其传达给消费者，包括当地电力拍卖或通过建立可靠的需求和供应预测得出的电力价格。最终，判断参与者响应价格变化的行为是否破坏电网的稳定性。

传统电网稳定性判别方法基于专家经验规则对其进行打分，判定电网稳定性时，每次只改变其中某一个电网参数值，固定其他参数，并结合给出的电网参数稳定区间参考范围，考虑当前电网各参数的组合是否为稳定状态，上述过程忽略了其他参数之间的交互作用关系且极大程度上依赖于专家经验规则，因此其诊断精度上仍存在一定问题。且传统神经网络(多层感知机)误差进行反向传播时，为获取某参数的偏导数时，需要对其进行链式求导。然而，由于网络学习为非线性叠加，在深层网络下会存在偏导数结果极大或者极小的情况，从而导致梯度消失或者梯度爆炸，最终影响电网判别模型的诊断精度。

发明内容

本申请实施例提供了一种电网稳定性判别方法、系统及计算机设备，以至少解决电网判别模型的诊断精度存在缺陷的问题。

第一方面，本申请实施例提供了一种电网稳定性判别方法，包括：

S101.收集电网稳定性数据，构建电网样本数据集，并将所述电网样本数据集划分为训练集和测试集；

S102.对所述训练集以及测试集的数据进行预处理；

S103.构建深度残差网络分类模型；

S104.引入激活函数进行模型优化；

S105.利用所述训练集数据训练所述深度残差网络分类模型；

S106.利用训练好的所述深度残差网络分类模型对所述测试集提取到的电网稳定性数据进行测试；

S107.对电网稳定性进行判别并输出结果。

优选的，所述预处理为数据归一化处理。

优选的，所述步骤S103包括在深度残差网络中加入多层感知机。

优选的，所述深度残差网络分类模型包括模型输入层、原始数据预处理、残差-BP学习模块、特征提取层以及输出层。

优选的，所述深度残差网络分类模型包括恒等残差捷径；所述恒等残差捷径将误差略过模型中间部分隐藏层，直接传递到上层网络中。

优选的，所述深度残差网络分类模型中的网络学习为线性叠加，公式为：

F＝f(X,W)

式中:W＝{w

优选的，所述激活函数为缩放指数线性单元函数。

第二方面，本申请实施例提供了一种电网稳定性判别系统，适用于上述一种电网稳定性判别方法，包括：

数据收集单元：收集电网稳定性数据，构建电网样本数据集，并将所述电网样本数据集划分为训练集和测试集；

数据预处理单元：对所述训练集以及测试集的数据进行预处理；

模型构建单元：构建深度残差网络分类模型；

模型优化单元：引入激活函数进行模型优化；

模型训练单元：利用所述训练集数据训练所述深度残差网络分类模型；

模型测试单元：利用训练好的所述深度残差网络分类模型对所述测试集提取到的电网稳定性数据进行测试；

数据输出单元：对电网稳定性进行判别并输出结果。

在其中一些实施例中，数据预处理单元将数据归一化处理。

在其中一些实施例中，模型构建单元在深度残差网络中加入多层感知机。

在其中一些实施例中，模型构建单元中所述深度残差网络分类模型包括模型输入层、原始数据预处理、残差-BP学习模块、特征提取层以及输出层。

在其中一些实施例中，模型构建单元中所述深度残差网络分类模型包括恒等残差捷径；所述恒等残差捷径将误差略过模型中间部分隐藏层，直接传递到上层网络中。

在其中一些实施例中，深度残差网络分类模型中的网络学习为线性叠加，公式为：

F＝f(X,W)

式中:W＝{w

在其中一些实施例中，模型优化单元中的激活函数为缩放指数线性单元函数。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于深度残差网络的电网稳定性判别方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的基于深度残差网络的电网稳定性判别方法。

相比于相关技术，本申请实施例提供的一种电网稳定性判别方法：

1、提供了一种电网稳定性判别模型，采用深度残差网络ResNets与多层感知机融合的深度学习方法，建立由电力数据驱动的基于深度残差网络的电网稳定性判别模型并确立最优适配网络激活函数；

2、解决了传统BP神经网络网络层数过深导致的梯度消失或者梯度爆炸的问题，提升了电网稳定性诊断的精度。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的基于深度残差网络的电网稳定性判别方法流程图；

图2为根据本申请实施例中的基于深度残差网络的电网稳定性判别的框架图；

图3是根据本申请实施例的计算机设备的框架图；

以上图中：

11、数据收集单元；12、数据预处理单元；13、模型构建单元；14、模型优化单元；15、模型训练单元；16、模型测试单元；17、数据输出单元；21、处理器；22、存储器；23、通信接口；20、总线。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

考虑到深度学习是一种通过模拟人脑的多层感知结构来认识数据模式的学习算法，该算法具有强非线性学习能力、网络结构灵活、并行处理能力强、高度自适应性以及容错性等优势。针对复杂环境干扰下，传统电网稳定性判别模型存在诊断精度较低的问题，因此本申请实施例采用深度学习方法求解电网稳定性黑箱模型。针对电网稳定性数据结构的特点，本申请实施例通过融合深度残差网络ResNets与多层感知机融合(MultilayerPerceptron，MLP)的深度学习方法，建立由电力数据驱动的深度残差网络判别模型。为了提高网络非线性学习表达能力，引入为缩放指数线性单元函数(Scaled Exponential LinearUnit，SELU)代替传统ReLU激活函数(Rectified Linear Unit，ReLU)，进而提高电网稳定性判别精度。

首先介绍本申请所提到的部分专业术语：

归一化是一种统计学数据处理方法，归一化方法有两种形式，一种是把数变为(0，1)之间的小数，一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。本具体实施例采用的是第一种形式。

深度残差网络(Residual Neural Network，ResNet)由微软研究院的Kaiming He等四名华人提出，通过使用ResNet Unit成功训练出了152层的神经网络，并在ILSVRC2015比赛中取得冠军，在top5上的错误率为3.57％，同时参数量比VGGNet低，效果非常突出。ResNet的结构可以极快的加速神经网络的训练，模型的准确率也有比较大的提升。同时ResNet的推广性非常好，甚至可以直接用到InceptionNet网络中。ResNet的主要思想是在网络中增加了直连通道，即Highway Network的思想。此前的网络结构是性能输入做一个非线性变换，而Highway Network则允许保留之前网络层的一定比例的输出。

多层感知器(MLP，Multilayer Perceptron)是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上。多层感知机是最简单的网络之一。本质上，它被定义为具有一个输入层、一个输出层和几个隐藏层(不止一个)。每一层都有多个神经元，相邻的层之间进行全连接。每个神经元都可以被看作是这些巨大网络中的一个细胞，其决定了输入信号的流动和转换。前一层的信号通过连接权值被向前推送给下一层神经元。对于每个人工神经元，其通过将信号与权值相乘并加上偏值来计算所有输入的加权和。然后，加权和将送入一个称为激活函数的函数来决定是否应该被触发，这将产生输出信号以便用于下一层。

所谓激活函数(Activation Function)，就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。ReLU激活函数是使用最为广泛的，其可极大节省计算成本，同样有助于解决梯度消失，信息丢失问题。ReLU激活函数的单侧抑制性可以很好地解决过拟合问题。但其存在单侧置0的问题，在计算过程中，容易出现神经元死亡的问题，即当负梯度经过ReLU函数时，容易导致某些神经元不被激活，网络参数不更新。针对上述问题，继而引入SELU激活函数。SELU不同于ReLU函数，其正半轴上的斜度大于1，在激活函数方差较小的情况下可以增大方差，防止梯度消失。其次，负半轴上不再置0，较缓的坡度不仅保证了单侧抑制的优势，又解决了神经元激活失效的问题。

请参见图1，为本申请实施例的基于深度残差网络的电网稳定性判别方法流程图，包括如下步骤：

S101、收集电网稳定性数据，构建电网样本数据集，并将所述电网样本数据集划分为训练集和测试集；

S102、对所述训练集以及测试集的数据进行预处理；

S103、构建深度残差网络分类模型；

S104、引入激活函数进行模型优化；

S105、利用所述训练集数据训练所述深度残差网络分类模型；

S106、利用训练好的所述深度残差网络分类模型对所述测试集提取到的电网稳定性数据进行测试；

S107、对电网稳定性进行判别并输出结果。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

其中，在S102中，所述预处理为数据归一化处理。

考虑到电网稳定性数据中各参数具有不同的数量级，并且数量级之间差别较大，为了消除参数与参数之间的量纲影响，需要对原始电网数据进行标准化预处理，以便样本参数之间具有可比性，其次还能够提高网络训练速率。综上，本文采用归一化数据预处理方法，使预处理后的参数符合标准正态分布。

在步骤S103中，所述构建深度残差网络分类模型的步骤包括在深度残差网络中加入多层感知机。

深度残差网络是一种改进的卷积神经网络，适用于时序数据，与本申请实施例的电网稳定性数据结构的实际情况不符，因此将其与多层感知器进行融合，从而解决上述问题。

进一步的，所述深度残差网络分类模型包括模型输入层、原始数据预处理、残差-BP学习模块、特征提取层以及输出层。

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，BP算法由信号的正向传播和误差的反向传播两个过程组成。反向传播时，将输出误差(期望输出与实际输出之差)按原通路反传计算，通过隐层反向，直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将其作为修正各单元权值的根据。这一计算过程使用梯度下降法完成，在不停地调整各层神经元的权值和阈值后，使误差信号减小到最低限度。

电网稳定性判别模型引入恒等残差捷径，当误差进行反馈时，误差可以直接略过模型中间部分隐藏层，直接传递到上层网络中，不仅可以大大加快模型的收敛速度，而且可以提高模型最终的训练效果和泛化性能，此时，电网稳定性判别模型的输入为供应商反应时间、用户耗能以及供应商弹性时间等稳定性参数，输出为稳定性状态[0,1]，其中0表示非稳定状态，1表示稳定状态。

当传统BP神经网络下的误差进行反向传播时，为了获取某参数的偏导数时，需要对其进行反向链式求导。然而，由于网络学习为非线性形式进行叠加，当神经网络层数过深时会存在偏导数结果较小或者较大(有多少层网络则有多少个偏导数进行累乘)，从而导致梯度消失或者梯度爆炸的情况，公式为：

F＝f(X,W)

式中:W＝{w

因此，如果引入残差学习模块时，参数更新的链式求导过程改变，此时网络学习为线性叠加，能够极大程度上缓解网络层数增加带来的负面影响。

综上，经过优化后，所述深度残差网络分类模型中的网络学习为线性叠加，公式为：

F＝f(X,W)

式中:W＝{w

在步骤S104中，所述激活函数为缩放指数线性单元函数。

本申请实施例提供了一种基于深度残差网络的电网稳定性判别系统，适用于上述的一种基于深度残差网络的电网稳定性判别方法，，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图2为根据本申请实施例中的日志触犯的异常规则信息的存储系统的框架图，包括数据收集单元11、数据预处理单元12、模型构建单元13、模型优化单元14、模型训练单元15、模型测试单元16、数据输出单元17，其中：

数据收集单元：收集电网稳定性数据，构建电网样本数据集，并将所述电网样本数据集划分为训练集和测试集；

数据预处理单元：对所述训练集以及测试集的数据进行预处理；

模型构建单元：构建深度残差网络分类模型；

模型优化单元：引入激活函数进行模型优化；

模型训练单元：利用所述训练集数据训练所述深度残差网络分类模型；

模型测试单元：利用训练好的所述深度残差网络分类模型对所述测试集提取到的电网稳定性数据进行测试；

数据输出单元：对电网稳定性进行判别并输出结果。

需要说明的是，上述各个单元可以是功能单元也可以是程序单元，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的单元而言，上述各个单元可以位于同一处理器中；或者上述各个单元还可以按照任意组合的形式分别位于不同的处理器中。

另外，结合图1描述的本申请实施例一种基于深度残差网络的电网稳定性判别方法可以由计算机设备来实现。图3为根据本申请实施例的计算机设备的硬件结构示意图。

计算机设备可以包括处理器21以及存储有计算机程序指令的存储器22。

具体地，上述处理器21可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器22可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器22可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器22可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器22可在数据处理装置的内部或外部。在特定实施例中，存储器22是非易失性(Non-Volatile)存储器。在特定实施例中，存储器22包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器22可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器21所执行的可能的计算机程序指令。

处理器21通过读取并执行存储器22中存储的计算机程序指令，以实现上述实施例中的任意一种基于深度残差网络的电网稳定性判别方法。

在其中一些实施例中，计算机设备还可包括通信接口23和总线20。其中，如图2所示，处理器21、存储器22、通信接口23通过总线20连接并完成相互间的通信。

通信端口23可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线20包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。总线20包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线20可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(FrontSide Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线20可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该计算机设备可以执行本申请实施例中的一种基于深度残差网络的电网稳定性判别方法。

另外，结合上述实施例中的一种基于深度残差网络的电网稳定性判别方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于深度残差网络的电网稳定性判别方法。

而前述的存储介质包括：U盘、移动硬盘、只读存储器(ReadOnly Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。