一种特高压系统无线通信网络时延优化控制方法及装置
文献发布时间:2023-06-19 19:28:50
技术领域
本发明涉及通信传输领域,更具体涉及一种特高压系统无线通信网络时延优化控制方法及装置。
背景技术
随着特高压输电通道的建成投运,电网互联规模不断加大,网内电气联系更加紧密,特高压电网的安全稳定问题越来越突出,运行管理技术难度和安全风险明显加大。特高压同步电网建成后将扮演全国统一电网的骨架作用,其安全可靠运行对于全国电网的安全稳定运行起着不言而喻的重要作用,而特高压系统运维业务对传输实时性具有高需求,传输实时性是特高压系统安全稳定运行的第一道防线,能最直接最有效的保证电力系统的暂态稳定。因此,如何通过无线网络通信时延优化控制,以进一步提高特高压系统异构网络通信质量是广大特高压系统从业者长期的工作重点与工作目标。
中国专利公开号CN110556841A公开了一种计及无线通信时延的孤岛微电网频率控制器设计方法,包括以下步骤:基于M/M/1型排队论建立考虑网络通信负载变化的级联时变时延模型;基于电力系统的连续时间特性,建立微电网分布式发电系统的连续时间频率控制模型;采用分段积分对连续时间频率控制模型进行处理,建立考虑级联时变时延模型的离散时间分布式发电系统频率控制模型;基于离散时间分布式发电系统频率控制模型,针对由网络负载变化造成的时变时延,结合控制理论中的离散随机控制原理,采用线性二次高斯控制方法设计控制器,减小无线网络中通信时延对微电网频率稳定性的影响。该专利申请减小了网络化控制中的时变通信时延对微电网频率稳定性的影响。但是该专利申请并不涉及详细的时延优化控制过程,时延预测值精准度不高,鲁棒性不强,难以输出最优信息,无法满足特高压网络通信一体化运维对安全和智能化程度的实际需求。
发明内容
本发明所要解决的技术问题在于现有技术电网无线通信时延优化控制方法,时延预测值精准度不高,鲁棒性不强,难以输出最优信息,无法满足特高压网络通信一体化运维对安全和智能化程度的实际需求。
本发明通过以下技术手段实现解决上述技术问题的:一种特高压系统无线通信网络时延优化控制方法,所述方法包括:
步骤一:采集特高压系统时延数据;
步骤二:对时延数据归一化处理,构建训练集和测试集;
步骤三:构建基于注意力机制的LSTM神经网络预测模型;
步骤四:训练LSTM神经网络预测模型;
步骤五:k时刻根据LSTM神经网络预测模型输出的时延预测值选取上一时刻控制增量,根据控制增量与上一时刻的控制输入得出当前时刻的控制输入,将当前时刻的控制输入作为特高压系统的输入。
本发明基于LSTM和注意力机制以提取重要时序信息,可以较为精准的预测时延,使特高压系统无线通信网络更加稳定运行,k时刻根据LSTM神经网络预测模型输出的时延预测值选取上一时刻控制增量,根据控制增量与上一时刻的控制输入得出当前时刻的控制输入,实现主动的补偿时延,输出最优信息,满足特高压网络通信一体化运维对安全和智能化程度的实际需求。
进一步地,所述步骤一包括:
采用无线通信设备采集并保存特高压系统时延数据,将采集的前n+1个时刻时延序列数据导出作为原始实验数据X
更进一步地,所述步骤二包括:
通过公式
更进一步地,所述步骤三包括:
将注意力机制融入LSTM网络中,通过公式e
根据相关指数通过公式
通过公式
基于SCNs一维随机配置网络构建特征映射函数
更进一步地,所述步骤四包括:
模型输出值与真实值之间的差值定义为e
更新LSTM网络的参数,计算模型输出值与真实值之间的差值,当差值不满足设定值时,随机生成参数g
更进一步地,所述更新LSTM网络的参数,包括:
设LSTM网络权值参数W和偏置项b为服从均值为0、方差为1的标准正态分布,设输出数据初始参数h
输入训练集到LSTM网络中,每次训练保存所得权值参数W={W
更进一步地,所述步骤五包括:
根据k时刻LSTM网络的输出特征y
根据控制增量与上一时刻的控制输入得出当前时刻的控制输入为u(k)=u(k-1)+ΔU(n),其中,
将当前时刻的控制输入u(k)作为特高压系统的输入。
本发明还提供一种特高压系统无线通信网络时延优化控制装置,所述装置包括:
数据采集模块,用于采集特高压系统时延数据;
归一化模块,用于对时延数据归一化处理,构建训练集和测试集;
模型构建模块,用于构建基于注意力机制的LSTM神经网络预测模型;
模型训练模块,用于训练LSTM神经网络预测模型;
模型应用模块,用于k时刻根据LSTM神经网络预测模型输出的时延预测值选取上一时刻控制增量,根据控制增量与上一时刻的控制输入得出当前时刻的控制输入,将当前时刻的控制输入作为特高压系统的输入。
进一步地,所述数据采集模块用于:
采用无线通信设备采集并保存特高压系统时延数据,将采集的前n+1个时刻时延序列数据导出作为原始实验数据X
更进一步地,所述归一化模块用于:
通过公式
更进一步地,所述模型构建模块用于:
将注意力机制融入LSTM网络中,通过公式e
根据相关指数通过公式
通过公式
基于SCNs一维随机配置网络构建特征映射函数
更进一步地,所述模型训练模块用于:
模型输出值与真实值之间的差值定义为e
更新LSTM网络的参数,计算模型输出值与真实值之间的差值,当差值不满足设定值时,随机生成参数g
更进一步地,所述更新LSTM网络的参数,包括:
设LSTM网络权值参数W和偏置项b为服从均值为0、方差为1的标准正态分布,设输出数据初始参数h
输入训练集到LSTM网络中,每次训练保存所得权值参数W={W
更进一步地,所述模型应用模块用于:
根据k时刻LSTM网络的输出特征y
根据控制增量与上一时刻的控制输入得出当前时刻的控制输入为u(k)=u(k-1)+ΔU(n),其中,
将当前时刻的控制输入u(k)作为特高压系统的输入。
本发明的优点在于:本发明基于LSTM和注意力机制以提取重要时序信息,可以较为精准的预测时延,使特高压系统无线通信网络更加稳定运行,k时刻根据LSTM神经网络预测模型输出的时延预测值选取上一时刻控制增量,根据控制增量与上一时刻的控制输入得出当前时刻的控制输入,实现主动的补偿时延,输出最优信息,满足特高压网络通信一体化运维对安全和智能化程度的实际需求。
附图说明
图1为本发明实施例所公开的一种特高压系统无线通信网络时延优化控制方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,一种特高压系统无线通信网络时延优化控制方法,所述方法包括:
S1:采集特高压系统时延数据;具体过程为:
采用无线通信设备采集并保存特高压系统时延数据,将采集的前n+1个时刻时延序列数据导出作为原始实验数据X
S2:对时延数据归一化处理,构建训练集和测试集;具体过程为:
通过公式
S3:构建基于注意力机制的LSTM神经网络预测模型;具体过程为:
设定当前训练LSTM神经网络模型具有输入层、隐含层、注意力层和输出层,设输入数据为x
其中,t表示当前时刻,t-1表示前一时刻,
f
f
i
i
其中,W
h
o
其中σ是标准sigmoid函数,定义为:
将注意力机制融入LSTM预测网络中,注意力机制通过式e
为提高模型泛化能力,基于SCNs一维随机配置网络构建特征映射函数对LSTM预测网络输出的信息进行优化,以保证分类精度。具体是,基于SCNs一维随机配置网络构建特征映射函数
S4:训练LSTM神经网络预测模型;具体过程为:
模型输出值与真实值之间的差值定义为e
更新LSTM网络的参数,计算模型输出值与真实值之间的差值,当差值不满足设定值时,随机生成参数g
其中,更新LSTM网络的参数,包括:
设LSTM网络权值参数W和偏置项b为服从均值为0、方差为1的标准正态分布,设输出数据初始参数h
输入训练集到LSTM网络中,每次训练保存所得权值参数W={W
S5:k时刻根据LSTM神经网络预测模型输出的时延预测值选取上一时刻控制增量,根据控制增量与上一时刻的控制输入得出当前时刻的控制输入,将当前时刻的控制输入作为特高压系统的输入;具体过程为:
根据k时刻LSTM网络的输出特征y
根据控制增量与上一时刻的控制输入得出当前时刻的控制输入为u(k)=u(k-1)+ΔU(n),其中,
将当前时刻的控制输入u(k)作为特高压系统的输入。
通过以上技术方案,本发明基于LSTM和注意力机制以提取重要时序信息,可以较为精准的预测时延,使特高压系统无线通信网络更加稳定运行,k时刻根据LSTM神经网络预测模型输出的时延预测值选取上一时刻控制增量,根据控制增量与上一时刻的控制输入得出当前时刻的控制输入,实现主动的补偿时延,输出最优信息,满足特高压网络通信一体化运维对安全和智能化程度的实际需求。
实施例2
本发明还提供一种特高压系统无线通信网络时延优化控制装置,所述装置包括:
数据采集模块,用于采集特高压系统时延数据;
归一化模块,用于对时延数据归一化处理,构建训练集和测试集;
模型构建模块,用于构建基于注意力机制的LSTM神经网络预测模型;
模型训练模块,用于训练LSTM神经网络预测模型;
模型应用模块,用于k时刻根据LSTM神经网络预测模型输出的时延预测值选取上一时刻控制增量,根据控制增量与上一时刻的控制输入得出当前时刻的控制输入,将当前时刻的控制输入作为特高压系统的输入。
具体的,所述数据采集模块用于:
采用无线通信设备采集并保存特高压系统时延数据,将采集的前n+1个时刻时延序列数据导出作为原始实验数据X
更具体的,所述归一化模块用于:
通过公式
更具体的,所述模型构建模块用于:
将注意力机制融入LSTM网络中,通过公式e
根据相关指数通过公式
通过公式
基于SCNs一维随机配置网络构建特征映射函数
更具体的,所述模型训练模块用于:
模型输出值与真实值之间的差值定义为e
更新LSTM网络的参数,计算模型输出值与真实值之间的差值,当差值不满足设定值时,随机生成参数g
更具体的,所述更新LSTM网络的参数,包括:
设LSTM网络权值参数W和偏置项b为服从均值为0、方差为1的标准正态分布,设输出数据初始参数h
输入训练集到LSTM网络中,每次训练保存所得权值参数W={W
更具体的,所述模型应用模块用于:
根据k时刻LSTM网络的输出特征y
根据控制增量与上一时刻的控制输入得出当前时刻的控制输入为u(k)=u(k-1)+ΔU(n),其中,
将当前时刻的控制输入u(k)作为特高压系统的输入。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。