版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
一种基于迁移学习的配电网量测数据超分本申请涉及一种基于迁移学习的配电网量高频时间序列并进行预处理,得到训练样本数据;基于图注意力网络和transformer网络构建学习器部分包括除transformer线性输出层外的所有层,决策器部分包括transformer的线性输2基于图注意力网络和transformer网络构建级联模型,将所述训练样本数据和关联矩将预训练之后的级联模型分为学习器部分和决策器部分,2.根据权利要求1所述的一种基于迁移学习的配电网量测数据超分辨率感知方法,其3.根据权利要求1所述的一种基于迁移学习的配电网量测数据超分辨率感知方法,其采用图注意力网络层计算低频数据的注意力系数,对所述注意力系数进行softmax归将节点特征序列输入嵌入层进行特征转换,最后输入transformer网络中,由4.根据权利要求1所述的一种基于迁移学习的配电网量测数据超分辨率感知方法,其5.根据权利要求4所述的一种基于迁移学习的配电网量测数据超分辨率感知方法,其6.根据权利要求1所述的一种基于迁移学习的配电网量测数据超分辨率感知方法,其针对原拓扑及单个重构开关状态发生改变时的7.根据权利要求6所述的一种基于迁移学习的配电网量测数据超分辨率感知方法,其8.一种基于迁移学习的配电网量测数据超分辨3迁移学习模块,用于将预训练之后的级联模型分为学习器部分和超分辨率感知模块,用于将实时量测数据输入所述超分辨率感知模9.一种计算机设备,包括存储器和处理器,所述存储器存被处理器执行时实现权利要求1至7中任一项所述的4电网量测信息的采集主要由数据采集与监视控制系统(supervisorycontrolanddata量系统(wideareameasurementsystem,WAMS)和高级量测体系(advancedmetering的求解计算量过大导致超分辨率感知的实时性难以[0004]数据驱动通常是指运用训练好的深度学习模型实现感知,包括卷积神经网络构时和模型应用对象发生迁移时的模型性能5电网发生拓扑重构时和模型应用对象发生迁移时的模型性能下降问题的一种基于迁移学[0007]第一方面,本申请提供了一种基于迁移学习的配电网量测数据超分辨率感知方[0009]基于图注意力网络和transformer网络构建级联模型,将所述训练样本数据和关[0010]将预训练之后的级联模型分为学习器部分和决策器部分[0015]采用图注意力网络层计算低频数据的注意力系数,对所述注意力系数进行[0016]将节点特征序列输入嵌入层进行特征转换,最后输入transformer网络中,由6得模型能够从时空两个维度深入挖掘配电网信息,而且通过引入transformer进一步学习练之后的模型进行微调,使得为源任务所开发的预训练模型能够很好的应用在目标任务[0038]图1为一个实施例中一种基于迁移学习的配电网量测数据超分辨率感知方法的应[0039]图2为一个实施例中一种基于迁移学习的配电网量测数据超分辨率感知方法的流[0043]图6为一个实施例中一种基于迁移学习的配电网量测数据超分辨率感知方法具体[0044]图7为一个实施例中一种基于迁移学习的配电网量测数据超分辨率感知装置的结7[0056]之后,将高频时间序列V(t)切分为固定长度l,同时定义模型训练时的高频标签在此基础上定义一个掩码矩阵M,将高频标签变换为低频序列这样就得到了8过程中是用0对低频序列中无量测信息的位置进[0059]通过将掩码矩阵M与高频标签做哈达玛积的形式,实现高频标签与低频数据之间[0062]本申请实施例中,以串联的方式将GAT与transformer进行结合形成GAT+transformer级联模型,由于配电网超分辨率感知任务实质上是一个回归任务,因此删除[0063]目前应用最多的图神经网络主要包括基于谱域的图卷积神经网络(GCN)和基于空多角度地挖掘各节点的特征信息之间的关联性,有效缓解了通过不断堆叠GAT层来扩大感[0067]在本申请的一个实施例中,首先图注意力网络GAT层会针对低频数据完成注意力9nin[0073]GAT网络所输出的各节点特征序列在进入transformer编码器前需要经过嵌入层[0074]Transformer编码器中的多头自注意力机制允许模型并行处理信息子空间,其计分包括除transformer线性输出层外的所有层,决策器部分包括transformer的线性输出分只包括transformer的线性输出层。同时认为预训练模型的学习器部分已经具有可以提图注意力层堆叠得到的GAT块(BLOCK1),第二部分是transformer中由N个Encoder层堆叠而成的Encoder块(BLOCK2),第三部分是transformer中由N个Decoder层堆叠而成的的学习率(远小于预训练模型训练过程中的学习率)进行参数更新。2.对BLOCK1进行锁定(不对其参数进行更新操作),对BLOCK2和BLOCK3分别采用由小到大的学习率进行参数更化性能,可以使模型针对原拓扑以及单个重构开关状态发生改变时的重构拓扑进行训练,[0102]其中,和为节点注入的有功和无功功率;Vi和Vj分别是节点i和j的电压幅t轮迭代后的学习率大小。从而使模型更侧重于原始目标函数Loriginal的优化,避免限制模型在原始任务上的微调能[0118]以上增强模型拓扑泛化性能的方案同时应用于模型的预训练过程以及迁移学习器部分包括transformer的线性输出层;最后,将实时量测数据输入所述超分辨率感知模使得模型能够从时空两个维度深入挖掘配电网信息,而且通过引入transformer进一步学[0122]下面以一个具体实施例说明本申请的一种基于迁移学习的配电网方法的具体实于迁移学习的配电网量测数据超分辨率感知方法的一种基于迁移学习的配电网量测数据实施例中的具体限定可以参见上文中对于一种基于迁移学习的配电网量测数据超分辨率[0127]模型预训练模块703,用于基于图注意力网络和transform中,所述学习器部分包括除transformer线性输出层外的所有层,决策器部分包括[0133]采用图注意力网络层计算低频数据的注意力系数,对所述注意力系数进行[0134]将节点特征序列输入嵌入层进行特征转换,最后输入transformer网络中,由[0148]上述一种基于迁移学习的配电网量测数据超分辨率感知装置中的各个模块可全机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、机程序被处理器执行时实现上述各方法实施例中非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read_Only(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory,MRAM)、铁电存储器(FerroelectricRandomAccessMemory,FRAM)、相变存储器(PhaseChangeMemory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory,库和非关系型数据库中至少一种。非关
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026事业单位工勤技能-河北-河北医技工二级(技师)历年参考题库含答案详解
- 2026事业单位工勤技能-江西-江西有线广播电视机务员五级(初级工)历年参考题库含答案详解
- 2026事业单位工勤技能-江西-江西动物检疫员五级(初级工)历年参考题库含答案详解
- 2026事业单位工勤技能-江苏-江苏检验员一级(高级技师)历年参考题库含答案详解
- 2026事业单位工勤技能-江苏-江苏土建施工人员二级(技师)历年参考题库含答案详解
- 2026事业单位工勤技能-新疆-新疆计量检定工一级(高级技师)历年参考题库含答案详解
- 2026事业单位工勤技能-新疆-新疆水利机械运行维护工二级(技师)历年参考题库含答案详解
- 冠心病搭桥围手术期护理
- 腹股沟肉芽肿
- 保险产品设计与营销策略备考习题集及答案
- 猝死科普教学课件
- YB-T5034-2024《履带用热轧型钢》
- 气象公园施工方案(3篇)
- 按摩技师合作合同协议书
- 安省g1驾照考试题库及答案
- 华润万家顾客服务培训
- 2025公基题库(附答案解析)
- 消化内镜检查中的事故应对与处理措施
- DBJ50-052-2020公共建筑节能(绿色建筑)设计标准
- 《银行承兑汇票培训》课件
- JTJ-324-2006疏浚与吹填工程质量检验标准-PDF解密
评论
0/150
提交评论