Multiattention机制在电力系统中的应用分支参数识别

文摘

保持准确性和鲁棒性一直是一个未解决的问题在电网分支参数识别的任务。因此,许多研究人员参加了参数识别的研究分支。现有的电网分支参数识别方法受到两个限制。(1)传统方法只使用人工经验或工具完成参数识别单一分支的特点,但是他们只是用来确定一个目标,不能充分利用电网数据的历史信息。(2)深度学习方法可以完整的模型通过历史数据的训练,但是这些方法不能考虑电网拓扑结构的约束,相当于识别分别连接电网的分支。为了克服这些限制,我们提出一种新颖的多任务网络图变压器(GTN)神经网络相结合的一个图表和一个multiattention机制来构建我们的模型。具体来说,我们输入分支节点的全球特性和拓扑信息到我们GTN模型。在参数识别的过程中,使用多线程的注意机制的分支特征信息融合不同的子空间,突出不同分支的重要性和提高局部特征提取的能力。最后,每个分支特性的拟合和预测通过解码层完成。实验表明,我们建议的GTN优于其他机器学习方法和深度学习方法,仍然可以实现在各种噪声条件下准确的分支参数识别。

1。介绍

分支参数的准确识别是非常重要的对现代电力系统的发展1]。解决问题的智能电网的稳态分支参数的识别,实现高效的电网调控系统的部署,有利于提供保障大电网在线安全稳定运行(2]。在电力系统稳定和有效的管理取决于准确的预测未来的分支参数在不同的时间范围。大部分的现有电网分支参数识别方法主要是模型驱动的,相对较低的识别准确性和可靠性较差。可靠和有效的电网分支参数识别技术可以应用于在线应用等传动系统的状态估计和功率流计算,以提高电网的可靠性传输和调度辅助决策的可信度和支持电网分析和决策的正确性。这极大地提高了整个应用程序的实际水平的调度自动化系统,促进可持续发展和构建和谐社会具有重要意义。

多年来,研究人员已经提出了各种分支参数识别的方法。这些方法主要分为四类。(1)理论计算方法:在长期的实际工作,行参数得到了从设计手册和产品目录根据经验值或近似计算。然而,由于环境因素和操作条件的变化,理论计算结果不能反映出真正的输电线路参数的变化。(2)参数测量方法:输电线路参数测量方法用于测试传输线当场通过使用额外的测量装置在开机或关机的状态。(3)行参数估计基于SCADA(监控和数据采集):基于SCADA的线参数估计使用现场操作数据,这是统一行参数的识别和评估整个网络。然而,这种方法是难以衡量的影响在不同位置测量误差参数的估计精度的一行,参数估计结果的相互影响不同的线。(4)行参数估计基于PMU(相量测量单元):基于PMU的线参数识别分离线可以确定从电网的其他元素,然后单独的解耦,从而有效地识别个人行参数。然而,目前,PMU装置不够宽的覆盖范围和PMU装置的成本太高,所以这个方法还没有普及。

在参数识别的研究,有许多工作与机器学习相结合。为了维持稳定的电网,Eskandarpour和Khodaei3)提出利用知识发现方法和统计机器学习预测组件和系统故障的风险。王等人。4)选择随机森林(RF)作为演算法的基本分类器进行功能建筑工程,改善了检测模型的准确性。虽然见证了机器学习方法的进步电力系统分支参数识别,有一些问题需要解决在ML-based分支电力系统参数识别。首先,传统的最小二乘方法的鲁棒性是不可靠的。当输入数据包含太多的噪音或引入噪声测量过程中,识别结果的最小二乘法将变得很差。其次,方法和支持向量回归(SVR)提高输入数据的维数和高维空间中对输入数据进行回归预测。然而,SVR取决于参数和核函数的选择极大地影响数据。最后,如射频集成方法,它决定了最终的预测结果通过投票的每棵树,但是当进行回归,很难得到最终的预测结果,不能超出范围的训练集数据进行预测,这可能会导致过度拟合在某些特定的噪声数据建模,和这个问题已经验证5]。

近年来,深学习发展迅速。特别是深层神经网络在计算机视觉领域取得了很大的进步,自然语言处理,和语音识别6]。卷积内核中使用传统的深层神经网络是卷积神经网络(CNN) (7),而卷积方法如图1(一)。处理过的数据是欧几里得数据,如图像数据(8)和语音数据(9]。然而,随着电力传输系统而言,网格节点的数量众多,不规则,和数据结构如图1 (b)。对于这样的非欧几里得的数据,很少有深度学习模型,可以应用于处理这种类型的数据。研究人员试图使用一个完全连接神经网络(FCN)处理电网分支参数识别的任务,从而将大量的历史数据预测电网分支参数的发展趋势。然而,一般FCN模型不能考虑传动系统的拓扑结构,随着层数的增加,预测结果容易overfitted,和模型训练变得困难,这限制了模型的性能,使预测结果不准确。

在这项工作中,我们的目标是准确地识别电网分支的参数采用最新的神经网络模型(图10)和多线程的注意机制(11]。而不是叠加多个输入和输出之间的隐藏层,本工作采用图变压器的结构(12]。该方法可以把图的邻接矩阵结构数据和图形数据作为输入,并完全取决于注意力机制来描述输入和输出之间的关系。注意机制的引入使得该模型更加关注全球特征信息,避免了重复回旋的深网的过程,导致该模型更好的表达分支信息。

本文的主要贡献如下:(我)我们提出一种新颖的多任务网络图变压器(GTN)。编码层网络约束的网格结构,和multiattention机制用于考虑不同分支的功能信息。基于融合全球信息、重要特征信息和节点信息完全捕获。据我们所知,我们是第一个使用图变压器来捕获特性从电力传输系统,并将它们应用到电网参数识别的任务。(2)解码层使用完全连接层作为解码结构的分支特征信息融合和解码编码层根据不同分支的任务信息。该模块可以解码电网中的多个分支回路在同一时间。我们建议的模型的实验结果有较高的精度和鲁棒性的组合拓扑信息和全球信息。(3)与机器学习模型和深度学习模型相比,我们提出的模型更好的性能。此外,图变压器结构表现良好的噪音和数据丢失。

本文的其余部分安排如下。节2的发展历史,我们引入分支参数识别在过去几十年。节3,我们介绍了如何结合多线程的注意机制的神经网络图。节4介绍和分析实验结果。最后,在节5上面,我们总结工作,并指出这项工作的缺点。

2。相关工作

2.1。方法获取输电线路参数

在过去的几十年中,研究者们提出了各种方法来解决这个问题的参数识别电网分支。这些研究通常可以分为以下四类:(1)理论计算方法:线参数的理论计算是基于卡森的模型(13]。电阻、电抗和电纳是根据公式计算通过使用物理参数如self-geometric平均距离,相互几何平均距离,导线材料的线,结合外部环境因素如土壤水分和空气温度。然而,输电线路的电磁模型大大简化的理论计算方法、不确定因素的影响,如温度和线下垂14不被认为是,计算结果与实际情况不一致。此外,由于环境因素和操作条件的变化,理论计算结果不能反映出真正的输电线路参数的变化。(2)参数测量方法:输电线路参数测量方法是一组技术来测试传输线当场通过使用额外的测量装置在开机或关机状态,可分为仪器方法,数字方法和注入测量方法。仪器的方法实现各种状态的测量线的使用各种工具,如电压表,电流表,功率计,频率计关机状态下,然后计算参数手册阅读后根据相应的公式。Crotti et al。15)提出了建立一个新的测量框架,它被用来实现PQ的跟踪测量参数在电网系统当时电网系统的干扰。然而,由于仪器问题,它仍然是不可能准确地识别参数。仪器的原理方法简单,易于操作,但也有人类读数不准确和环境干扰。数字方法改进仪器方法的实验数据通过使用单片机和数字信号处理技术和提高测量精度,但并没有从根本上改变传统的测量方法的缺点在实际电压操作环境。注入测量方法可以实现当电气权力“关闭”或不完整”。“基于全球定位系统(GPS)提供的时间脉冲,它衡量手动添加同步电压和电流信号,通过传输线模型计算出相应的参数。Nezhadi et al。16)提出了一种新的利用平稳小波降噪方法电流和电压信号。在信号能量的频率范围大于噪声能量,精确阻抗估计可以实现通过使用信号注入。你们et al。17宣布异步时间应该引入双端故障记录信息,和异步时间应该解决电量约束方程。根据修改后的同步电压和电流相量两端,输电线路的稳态参数测定实现参数识别的结果。注入测量方法操作复杂,需要更多的实验设备,很难反映行参数在不同工作条件下的真实条件和操作环境。(3)行参数估计基于SCADA:状态估计是一个重要的能量管理系统(EMS)的一部分,这常常会不满意由于不准确的参数估计结果,所以SCADA数据被用来估计行参数。它主要包括两类:增广状态估计和测量残差灵敏度分析。德布斯的工作(18提出了一种递归滤波算法,证明了电力系统参数估计的可行性。做Coutto球场et al。19]提出了离线处理分支可疑的电网参数的方法,从而完成分支参数识别通过暂时消除可疑参数参与状态估计的过程,直到可疑参数修正。de Souza Stacchini et al。20.)提出了一个网络参数估计和校正的方法是基于遗传算法,结合遗传算法和分支力量来完成系统的状态估计。在陈et al。21),一个方法基于长期短期记忆(LSTM)和autoencoder (AE)介绍了神经网络的评估顺序的风力发电机状态监测数据。基于SCADA数据的参数估计使用现场操作数据,以确定和评估整个网络的行参数一致。因为国家的尺寸数量增加,参数估计方程进行冗余,这可能导致数值不稳定。此外,测量配置需要充分考虑满足可观测性,,很难衡量测量误差的估计精度为一行参数在不同的位置。(4)行参数估计基于PMU:与理论计算相比,传统的测量,和状态估计,PMU测量可以分离一行独立从整个网络和识别。丁等。22]提出的方法窗口滑动最小二乘法,PMU滑动窗口的数据用于参数识别,和白噪声的影响是有效地克服通过最小化误差的平方和的窗口。赵et al。23)开发并实现了一个在线PMU-based传输线(TL)参数识别系统(tpi),可以考虑输电杆塔的几何图形,导体尺寸,估计线长度、导体凹陷等等来提高参数识别的准确性。Asprou和Kyriakides24)报道,识别和评估的方法提出了错误的输电线路参数利用PMU测量和估计状态提供的状态估计。然而,在实际应用的过程中,也有不可避免的PMU测量数据中的错误,并有一定的识别结果和理论值之间的差距,从而导致识别结果的可信度和可用性问题。因此,相关影响因素识别结果需要进一步研究。

2.2。神经网络图

近年来,神经网络图(GNN)已经证明其效率在社交网络,链接预测,交通流预测,和其他领域。在某种程度上,参数识别输电线路的输电系统也可以被视为一个特殊的图节点回归预测。周et al。25)表明,当处理图结构的数据,图像卷积神经网络有独特的优势,既可以考虑节点特性和节点拓扑,和聚合相邻节点的信息通过使用图卷积内核,而这些卷积内核可以通过端到端提取地方特色培训。换句话说,通过邻接矩阵构建之前,图像卷积神经网络可以获得当地的特性通过聚合相邻节点的特征信息。

图卷积神经网络被首次提出Scarselli et al。26),卷积的计算图中定义傅里叶域中,而Kipf和威灵电机(10]提出一阶ChebShev多项式可以用来生成图卷积内核约,大大改善了图像卷积神经网络的计算效率。然而,这些方法获得的特征信息仍然取决于拉普拉斯特征相关图结构。近年来,手枪(27)(图关注网络),GraphSAGE [28)(图样本和聚合),和其他神经网络图一个接一个地出现。他们有一个共同特征;他们不同重要性分配到不同的节点在附近使用注意力机制,取得了较好的结果。此外,当FCN用来处理数据,模型的层数太浅,火车和符合所需的模型效果,而模型的层数太深容易导致过度拟合。这启发我们使用注意力机制来创建一个模型;也就是说,我们可以使用注意机制来描述输入和输出之间的关系完全取代传统的卷积。这可以避免过度拟合模型由于太深层,和注意力机制使得模型本身可以注意重要节点和通过学习特征信息。

2.3。多线程的注意机制

多线程的注意机制的结构被首次提出Vaswani et al。11),应用于自然语言处理(NLP) [29日,30.首先。通过关注机制,网络强调兴趣的区域动态加权的方法和抑制这些地区无关的背景在同一时间。CNN的指标的弱改善领域的视觉检查和近年来分类,注意多线程机制,从CNN卷积结构不同,在计算机视觉领域大放异彩。例如,Dosovitskiy et al。31日]提出了维特模式,抛弃了传统的CNN模型,充分利用注意力机制,变压器应用于图像分类,并取得了良好的分类结果。Carion et al。32]共同CNN和变压器结构相结合,把CNN作为骨干学习的2 d表示输入图像,然后使用变压器补充的位置编码输入图像,最后直接预测检测结果。基于上述工作,DETR(检测变压器)模型提出了。郑et al。33)提出了一个叫分割的语义分割模型变压器(SETR),使用视觉变压器(ViT)编码器的图像,然后添加一个CNN解码器完成语义图的预测。上述文件显示,将模型划分为多个标题,形成多个子空间可以使模型关注的不同方面的信息。换句话说,多线程的关注可以让网络捕捉丰富的特征信息,最后将输出连接。摘要多线程的注意力从多个子空间模型可以获得不同的位置信息来获得更全面的信息。

2.4。多任务学习

多任务转移学习,学习是一种旨在使用知识从其他任务目标任务在多个任务时,以提高目标任务的有效性(34,35]。多任务学习可以使模型适应多个任务场景,它可以有效地提高模型的抗干扰能力。有两种模式的多任务学习,如图2(一个)和2 (b)。他们很难共享隐层参数和软隐层的共享参数,分别。(我)硬的共享参数:多个任务共享相同的隐层网络,但网络的输出附近做不同的任务(2)软的共享参数:不同的任务使用不同的网络,但网络参数的不同的任务使用L1正规化或L2正则化约束,鼓励参数相似

模型本文采用参数很难共享,这是有利于减少过度拟合的风险(36]。当我们学习任务的同时,提出的模型我们可以捕获更多的相同的表示任务,导致风险过度拟合。通过多任务学习,我们希望预测的参数在同一时间多个分支机构,避免过度拟合通过这种学习方法,以提高模型的鲁棒性。

3所示。算法

在本节中,我们首先定义分支传动系统的参数识别。然后,我们介绍了我们提出的模型的技术细节。

3.1。问题陈述

由于电网的特性分支,目的是预测线电纳的真正价值和分支电导每个分支。在这篇文章中,一个变压器网络旨在实现多任务图。通过连接电力系统中变压器的节点,我们建立一个图表 由顶点组和边集代表点之间的连接性。假设输电网络变压器节点,对线 ,我们表达输入配电系统的特点如下: ,在这和代表的两端节点 - - - - - -th分支,然后和代表的两端有功功率 - - - - - -th分支,同样的,和代表无功功率分支的两端,和代表分支的两端,代表了电纳的地面 - - - - - -分支。根据方程(1)和(2),这是来自 - - - - - -类型等效电路,我们可以计算线电纳的标签值和分支电导 。

我们提出了多任务图的输入变压器网络特性矩阵 和邻接矩阵 。输入数据包含的特性节点,每个节点都包含上述七个特性。如果一个拓扑包含电力传输系统分支,每个分支需要计算相应的线电纳的真正价值和分支电导 。

3.2。传统的机器学习模型

传统的机器学习模型可用于传输系统的参数识别分支。最典型的一个是线性回归方法,最大限度地减少误差的平方和。将数据划分为训练集和测试集,计算平方和总误差的训练数据和线性回归模型。线性回归模型应用于测试集验证模型的质量。线性回归方法而言,其效果非常接近真实价值没有噪音和其他类型的干扰,如节点数据丢失。然而,随着实际传输系统而言,噪声干扰和数据丢失通常发生在收集数据的过程。当这种情况发生时,线性回归模型不适合,因为它可怜的鲁棒性。当有一个小的噪音数据,预测结果将大大偏离。除了线性回归方法,我们将与一些比较经典的机器学习方法,包括SVR(支持向量回归)、射频(随机森林),FCN更深的学习方法,给我们提出了模型的优越性。

3.3。总体框架

我们的目标是学习更多融合信息的充分利用本地和全局结构,使预测结果更可靠、准确。

如图3、多任务图变压器由两部分组成:编码和解码部分。在图3编码部分,需要这个功能和邻接矩阵电网拓扑节点的图结构的数据作为输入,注重不同的分支在不同的子空间信息和特征信息通过使用多线程的注意机制。最后,我们将这些不同的子空间,所以之前学的信息融合和输入的编码部分。编码的结构部分显示译码器的图,这是组成的平行两层完全连接层,代表分行的分销系统,使用不同分支的分支网络,以适应不同分支的特点,实现分支参数的准确识别的目的。

3.4。应用Multiattention机制

多线程的注意机制在许多领域发挥了重要作用,包括NLP和计算机视觉。因此,我们考虑多线程的注意机制应用到传动系统的参数识别分支图与神经网络相结合。多线程的注意机制的具体实现编码器部分如图所示3。首先,节点的功能和邻接矩阵被认为是作为输入数据:

根据方程(3)- (6),每一层的输出特性。当= 0,是原始的输入数据。为了引入输入数据到不同的子空间,首先,目标节点特性分为源节点功能和指向节点特性根据邻接矩阵。源节点特性和指向节点功能分别是,转换成查询向量和关键的向量通过使用线性函数。在上面的公式中, , , ,和都是可训练的重量系数。在方程(5), 代表功能点积的比值和来 , 代表隐藏神经元的数量在每个子空间(即头部)代表关注一个分支系数相对于中心节点 - - - - - -子空间。此外,如方程所示(6),node-pointing特性转化为一个值向量通过使用一个线性函数。

在方程(7),| |代表连接多个子空间的操作。首先,价值向量乘以系数的关注,然后指向该节点的信息特性源节点传播根据邻接矩阵形成了源节点的功能 。然后,源节点功能转化为源节点特性通过使用一个线性函数方程(8),源节点功能下一层是获得源节点通过添加新特性和在方程(9)。以上是multiattention机制的实现过程。

3.5。多任务回归模型

在我们提出GTN模型中,我们使用一个硬参数共享机制,多任务回归模型的具体实现解码器部分如图所示3。根据图3,我们可以发现,多任务图的解码部分变压器网络模型提出了实现解码通过多个两个完全连接层。中的编码层图融合丰富的特性和语义信息在不同的子空间通过电网和节点的拓扑特征信息作为输入,并融合连接不同子空间的特征信息,确保编码层融合全球解码的信息作为输入层。电网系统的一个分支,每个分支都有自己的特点,通过全面连接层实现解码和完成任务的参数识别电网分支。每个分支网络可以满足分支特征根据分支特征,从而达到准确预测的目的。

4所示。实验结果

4.1。数据集

我们的数据集来自实际的网格线数据由中国电力科学研究院、收集和收集频率是每分钟一次。数据集包含了8460组数据;有17个,需要确认。我们选择七天的数据,其中包括6000组数据作为训练数据,1000组数据作为测试数据,剩余的1460组数据作为验证数据。图4显示了收集数据的拓扑信息,它显示了节点之间的连接模式。

4.2。基线和声音设置

为了证明我们的模型可以模拟的分支参数最接近真实结果在各种误差的条件下,我们添加了三种噪声的原始数据和比较没有噪声和噪声识别结果如下:(1)高斯噪声:根据布朗提出的方法(37),我们添加了两种高斯噪音的节点特性,使信噪比达到50 dB和30 dB,分别。(2)节点损失:在实际的配电系统,通常情况下,一个节点线受损,无法收集数据。为了在模型训练模拟这个问题,我们决定模拟网格节点的损失,从每组随机选择一个节点的数据,并设置其特点为0。(3)损失节点特点:收集电路数据的过程中,是很常见的一个传感器损坏,这经常发生一个分支电流或电压不能收集。为了模拟这种情况的发生,我们随机选择一个七个特性的每一组数据并将它设置为0,所以比较情况,没有收集到的数据可以在电网的实际运行。

为了证明我们提出的模型的有效性,我们采用以下方法基线:(1)线性回归:最小二乘法通常用作工程中常用的一种方法。因为它的简单原理和少量的计算,最小二乘法是常用于工程。然而,由于它的参数和全球信息不能被认为是小,当大量的噪声出现在数据集,由最小二乘法参数辨识的准确性将会下降很多,所以它的鲁棒性差,不能实现准确识别分支参数的目的。(2)SVR:支持向量回归机是一种机器学习方法,基于支持向量机回归的任务。同样,使用核函数将功能映射到高维空间,回归,但这部分取决于训练数据的完整性和核函数的选择。(3)射频:随机森林是一个经典的机器学习算法。它结合了多个决策树,取决于每一个决策树预测目标任务。最后,最终的平均值获得的平均预测值的决策树。它的优点是,对不平衡数据,它可以平衡时,错误和预测精度特性。同样的,当随机森林面临着嘈杂的数据,它将overfitted,不能达到准确识别的目的。(4)FCN:完全连接神经网络是一种最常用的神经网络在深入学习。它可以不断更新其神经元的权重通过训练和学习识别不同的分支参数。但对于完全连接神经网络,过度拟合是一个致命的弱点。面对缺失数据或噪音,模型的性能不能充分发展。

4.3。评价指标和参数设置

在模型中评估,通常是必要的,以确定模型的评价指标来衡量质量的实验。为了评估我们的模型的质量,考虑到我们的任务是一种线性回归,我们决定使用美,MSE和RMSE模型的评价指标。

美也被称为平均绝对误差,其计算公式如下:

MSE也被称为均方误差,其计算公式如下:

RMSE也被称为均方根误差,其计算公式如下: 在哪里代表测试集的数量,代表的真实价值 - - - - - -th分公司测试集代表的预测价值 - - - - - -分支测试集的。在图模型训练的比较图5,我们选择美和RMSE作为评价指标。

模型的参数设置如下:(1)LinearRegression:作为一个参数识别中常用的基本算法,它将包含在基本模型。(2)SVR: SVR的径向基(RBF)卷积内核设置C= 100, 和SVR scikit-learn图书馆(38]在python中用于实现支持向量回归机。(3)射频:树木的数量设置为300,每片叶子的最小样本数量设置为35,和分裂所需的最小样本数量设置为3。五个交互检验后,我们确定了superparameters SVR和射频。(4)FCN:最常用的基准模型在深度学习,为了防止过度拟合,我们完全连接神经网络具有两层,和隐藏的神经元分别是512年和256年。FCN模型中,我们使用线性激活函数(ReLU)激活函数。

RMSE表作为评价指标1和2。通过比较实验数据表,结合模型训练图中,我们可以找到以下。

当没有噪音或噪音小,最小二乘法表现良好,简单易用。然而,实际情况往往不理想。我们可以发现,线性回归方法的精度迅速下降,当噪声添加到实验数据;尤其是当限幅比例达到30 dB,其他模型的影响变得相当可怜。至于其他的机器学习算法,虽然有些模型执行在上面的一些任务,这些模型的准确性并不符合我们的要求,这是由于机器学习模型本身的局限性。然而,之间的关系的基础上,考虑拓扑结构和多源数据,模型的准确性并不减少很多因为增加噪音。这是强大的抵抗噪声的影响。FCN此外,通过比较,我们可以发现,我们提出的梯度模型迅速下降并趋于收敛后第十代时代,和准确性没有太多变化,显示的优越性在深度上优于我们的模型参数识别算法。

4.4。该方法的实际应用

在实际电网传输操作,参数识别,作为电网监管和控制系统的基础,一直是研究的一个热门话题。大多数现有的电网模型驱动分支参数识别方法,识别精度较低和可靠性差和表现不佳时噪声在实际电网操作。从实验结果比较,可以发现,我们提出的模型具有较高的预测精度,性能优良,和良好的鲁棒性的情况下添加各种噪音,因为考虑到电网的拓扑结构约束分支和关注关键分支通过多线程的注意机制和功能信息。与传统的参数识别方法相比,效果有所改善。如果预测模型部署到终端的电网调度中心,模型的预测结果能有效解决问题的智能电网的稳态分支参数的识别,提高了分析结果的可靠性水平的调度系统,和更有效地保证在线大电网的安全稳定运行。

4.5。讨论

的头图变压器:头图中变压器的数量代表的子空间预测的模型。更大数量的子空间,丰富的信息融合模型,但模型的多个参数,模型训练的过程越慢。选择一个适当数量的正面是一个需要解决的问题。目前,只有一个选择适当数量的头通过多个实验。此外,因为有太多的参数图变压器,可以减少模型参数模型修剪或神经网络架构搜索在未来的研究中,这使得该模型较轻的同时确保模型的准确性。这是更有利于终端的部署模型的电网调度中心,提高电网的可靠性和实时性能分支预测。

如何识别分支参数不同的大小?至于摘要分支参数识别任务而言,线电纳的数量级和分支电导是完全不同的。如果损失函数的简单方法采用,该模型将忽略分支电导的准确性,主要关注电纳线的准确性 ;因此,我们采用的方法,分别确定了两个目标,以避免这种情况。在未来的研究中,我们可以设置一个动态权重值给不同的重量值线电纳和分支电导相同的路线。通过一种引起神经网络训练,我们可以抑制大量目标和促进少数目标。该方法将能够识别不同级别的分支参数在同一时间。

5。结论

在这项工作中,我们提出一种新颖的多任务网络图变压器(GTN)来确定电网的分支。GTN使用图变压器构造图的输入数据,抛弃了传统的卷积模型学习的特性,并充分利用注意力机制来实现分支的聚合功能。具体来说,在训练过程中,模型可以融合丰富的全球信息通过设置不同的子空间。此外,注意机制可以提高本地信息的提取,强调不同的邻居节点的重要性,增加他们的影响力给相对重要的分支和高权重特性。GTN旨在完成电网参数识别的任务通过使用电网的拓扑约束和连接结构。实验的实际收集的数据由中国电力科学研究院表明,我们建议的GTN模型可以处理好不同噪声条件下由于全球信息的集成。与传统模式相比,提高了模型的鲁棒性,识别精度也有所改善,它提供了一个全面的保证电网运行和调度。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的项目的有关“数据和模型驱动的参数识别的分支电网”(5108 - 2020190227 - 0 - 0 - 00)

引用

1. j . Suonan j . Qi,输电线路的准确故障定位算法”的基础上r- - - - - -l模型参数识别”,电力系统研究,卷76,不。1 - 3,17-24,2005页。视图:出版商的网站|谷歌学术搜索
2. j .太阳,m .夏,问:陈,“一个分类识别方法基于相量测量配电线路参数识别在测量不足情况下,“IEEE访问7卷,第158743 - 158732页,2019年。视图:出版商的网站|谷歌学术搜索
3. r . Eskandarpour和a . Khodaei“基于机器学习的电网故障预测极端事件,“IEEE电力系统,32卷,不。4、3315 - 3316年,2016页。视图:谷歌学术搜索
4. d . Wang x, y,和l .金”检测电网扰动和基于机器学习的网络攻击,“《信息安全与应用程序,46卷,42-52,2019页。视图:出版商的网站|谷歌学术搜索
5. m·r·西格尔机器学习的基准和随机森林回归,Kluwer学术出版社,伦敦,英国,2004年。
6. m·夏x张w·a·刘,l .翁和y徐,“多级特征约束学习年龄估计,”IEEE取证和安全信息15卷,第2428 - 2417页,2020年。视图:出版商的网站|谷歌学术搜索
7. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”先进的神经信息处理系统25卷,第1105 - 1097页,2012年。视图:谷歌学术搜索
8. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,https://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
9. n .神田陆x h·卡瓦依,“基于最大后验的解码ctc声学模型”Interspeech,页1868 - 1872,国际言语交际协会,拜,法国,2016年。视图:出版商的网站|谷歌学术搜索
10. t . n . Kipf和m·威林”Semi-supervised分类与图像卷积网络”,2016年,https://arxiv.org/abs/1609.02907。视图:谷歌学术搜索
11. 答:Vaswani: Shazeer: Parmar et al .,“注意你所需要的,”2017年,https://arxiv.org/abs/1706.03762。视图:谷歌学术搜索
12. Yun, m .宋r . Kim j .康和h·j·金,“图变压器网络,”2019年,https://arxiv.org/abs/1911.06455。视图:谷歌学术搜索
13. j·r·卡森”架空电线与地面反射波传播”,贝尔系统技术杂志,5卷,不。4、539 - 554年,1926页。视图:出版商的网站|谷歌学术搜索
14. j·s·索普,a·g·Phadke s h·霍洛维茨和m . m .成为“相量测量的一些应用自适应保护。”IEEE电力系统,3卷,不。2、791 - 798年,1988页。视图:出版商的网站|谷歌学术搜索
15. g . Crotti h·范布朗·e·莫恩et al .,“测量仪器精度评估的方法和步骤为电能质量测量变压器,”电磁测量精度的2020会议(CPEM)丹佛市,页1 - 2,IEEE,美国,2020年8月。视图:出版商的网站|谷歌学术搜索
16. m·m·a . Nezhadi h·娜,f . Zare“电网阻抗估计使用低功率信号注入噪声测量条件基于小波去噪,”学报2017年3日伊朗智能会议系统和信号处理(ICSPIS)IEEE,页81 - 86年,Shahrood,伊朗,2017年12月。视图:出版商的网站|谷歌学术搜索
17. c, s, p .徐,j .刘“输电线路参数识别考虑non-synchronized故障记录信息的时间,”学报》2018年第2 IEEE先进信息管理、通信、电子和自动化控制会议(IMCEC)IEEE,页1749 - 1753年,西安,中国,2018年5月。视图:出版商的网站|谷歌学术搜索
18. a .德布斯“电力系统稳态模型参数估计,”IEEE电力设备和系统,不是- 93卷,不。5,1260 - 1268年,1974页。视图:出版商的网站|谷歌学术搜索
19. m . b .做Coutto球场,j . c . de Souza Stacchini和e . b . m .就“离线电源网络分支参数的验证,”专业生成、传输和分配,卷2,不。6,892 - 905年,2008页。视图:出版商的网站|谷歌学术搜索
20. m . b . j . c . de Souza Stacchini做Coutto球场,和e . b . m .就“治疗通过多个网络参数错误会算法,”电力系统研究,卷79,不。11日,第1552 - 1546页,2009年。视图:出版商的网站|谷歌学术搜索
21. x h, h . Liu,问:刘,和d .雪,“异常检测和关键的scada参数识别为风力涡轮机lstm-ae神经网络基础上,“可再生能源卷,172年,第840 - 829页,2021年。视图:出版商的网站|谷歌学术搜索
22. l .丁、t . Bi和d,“输电线路参数识别基于移动窗tls和pmu数据,”《2011年国际会议上先进的电力系统自动化和保护,3卷,第2191 - 2187页,IEEE,北京,中国,2011年10月。视图:出版商的网站|谷歌学术搜索
23. 周x赵,h . d .史h .赵c .京和c·琼斯,“网上pmu-based输电线路参数识别,”CSEE电力和能源系统杂志》上,1卷,不。2、68 - 74年,2015页。视图:出版商的网站|谷歌学术搜索
24. m . Asprou和e . Kyriakides”错误的输电线路参数的识别和估计使用pmu测量。”IEEE电力交付,32卷,不。6,2510 - 2519年,2017页。视图:出版商的网站|谷歌学术搜索
25. j·g·崔,z . Zhang et al .,”图神经网络:评估方法和应用,”2018年,https://arxiv.org/abs/1812.08434。视图:谷歌学术搜索
26. f . Scarselli m·戈里a·c·Tsoi m . Hagenbuchner和g . Monfardini“图神经网络模型,IEEE神经网络,20卷,不。1,第80 - 61页,2008。视图:谷歌学术搜索
27. p . Veličkovićg . Cucurull Casanova, a·罗梅罗·利奥和y Bengio,“图关注网络,”2017年,https://arxiv.org/abs/1710.10903。视图:谷歌学术搜索
28. w·l·汉密尔顿,r .应,j . Leskovec归纳学习大型图形表示,“2017年,https://arxiv.org/abs/1706.02216。视图:谷歌学术搜索
29. m·d·扬德尔和w·h·Majoros基因组学和自然语言处理。”自然遗传学评论,3卷,不。8,601 - 610年,2002页。视图:出版商的网站|谷歌学术搜索
30. k . m .夏w·a . Liu, x,, y,“非侵入性的负载基于深层扩张残余网络崩溃,”电力系统研究卷,170年,第285 - 277页,2019年。视图:出版商的网站|谷歌学术搜索
31. a . Dosovitskiy l·拜尔,a Kolesnikov et al .,“形象价值16 x16词:图像识别变压器的规模,”2020年,https://arxiv.org/abs/2010.11929。视图:谷歌学术搜索
32. n . Carion f·马萨,g . Synnaeve n . Usunier a . Kirillov和s . Zagoruyko“端到端对象检测与变压器,”欧洲计算机视觉的诉讼施普林格,页213 - 229年,2020年11月在瑞士巴塞尔。视图:出版商的网站|谷歌学术搜索
33. 郑,j . Lu h .赵et al .,“重新考虑语义分割与变压器从sequence-to-sequence的角度来看,“2020年,https://arxiv.org/abs/2012.15840。视图:谷歌学术搜索
34. y张问:杨,“多任务学习的一项调查,”IEEE工程知识和数据,2021年。视图:出版商的网站|谷歌学术搜索
35. m·夏w·a·刘,k . Wang w .歌曲,c .陈和李y,“非侵入性的负载变革,基于复合深度长期短期记忆网络”专家系统与应用程序,卷160,不。6、文章ID 113669, 2020。视图:出版商的网站|谷歌学术搜索
36. s .粗鲁的“多任务学习的概述在深层神经网络,”2017年,https://arxiv.org/abs/1706.05098。视图:谷歌学术搜索
37. m·布朗,m .∙梵天,s . j . Ranade和h .曹”PMU数据描述和量化噪声,”《2016年IEEE电力和能源学会学报大会(PESGM),页1 - 5,IEEE,波士顿,MA,美国,2016年7月。视图:谷歌学术搜索
38. f . Pedregosa g . Varoquaux a Gramfort et al .,“Scikit-learn:机器学习在python中,”机器学习研究杂志》上》12卷,第2830 - 2825页,2011年。视图:谷歌学术搜索

版权

版权©2021年在野王等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。