[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118171099A - 基于神经网络的分布式储能鲁棒性评估方法 - Google Patents

基于神经网络的分布式储能鲁棒性评估方法 Download PDF

Info

Publication number
CN118171099A
CN118171099A CN202311710857.8A CN202311710857A CN118171099A CN 118171099 A CN118171099 A CN 118171099A CN 202311710857 A CN202311710857 A CN 202311710857A CN 118171099 A CN118171099 A CN 118171099A
Authority
CN
China
Prior art keywords
data
quantum
neural network
new
energy storage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311710857.8A
Other languages
English (en)
Inventor
刘骁
靳文涛
连湛伟
邱勇
单栋梁
张琦
戚江兵
李强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinyuan Zhichu Energy Development Beijing Co ltd
Original Assignee
Xinyuan Zhichu Energy Development Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinyuan Zhichu Energy Development Beijing Co ltd filed Critical Xinyuan Zhichu Energy Development Beijing Co ltd
Priority to CN202311710857.8A priority Critical patent/CN118171099A/zh
Publication of CN118171099A publication Critical patent/CN118171099A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0495—Quantised networks; Sparse networks; Compressed networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)

Abstract

本发明公开了一种基于神经网络的分布式储能鲁棒性评估方法，所述方法包括：对采集的分布式储能系统的实时监测数据和历史数据经预处理及属性转换后，输入预先建立和训练好的评估模型，得到输出权重，实现鲁棒性评估；其中，所述评估模型的训练数据集基于生成对抗网络得到新的数据点，并结合切比雪夫多项式进行调整，实现数据集的扩充；所述评估模型采用神经网络进行特征提取，再采用分类器输出鲁棒性评估结果；所述评估模型的训练包括通过基于量子物理的优化策略对神经网络进行训练，以及结合稀疏编码和量子编码的极限学习机对分类器进行训练。本发明的方法显著提高了数据质量和模型的鲁棒性，加快了模型训练速度，提高了鲁棒性评估的精度。

Description

基于神经网络的分布式储能鲁棒性评估方法
技术领域
本发明属于分布式储能系统评估技术领域，尤其涉及基于神经网络的分布式储能鲁棒性评估方法。
背景技术
随着能源技术的持续进步，分布式储能系统越来越受到关注和广泛应用。这些系统如蓄电池、超级电容、飞轮、热储能、液态空气储能等，都为现代能源网络提供了稳定性和灵活性。然而，为了确保这些分布式储能系统能够在各种情况下可靠地工作，对其进行鲁棒性评估是至关重要的。在实际应用中，对这些系统的鲁棒性进行评估是一项挑战，因为系统的数据可能存在各种不确定性，如噪声、缺失值或不一致性等。此外，由于实时监测和历史数据的复杂性，很难直接从这些数据中提取有用的信息进行评估。传统的评估方法可能依赖于简化的模型或启发式的方法，但这些方法可能无法充分捕获系统的真实行为，导致评估结果的不准确。另一方面，随着人工智能和深度学习技术的迅速发展，利用神经网络对复杂系统进行建模和分析已经成为一个热门研究方向。但是，由于神经网络模型的高度非线性和大量参数，传统的基于梯度下降的优化方法可能会面临梯度消失、梯度爆炸或容易陷入局部最优解的问题。
申请号为CN202310688959.8的中国专利申请“一种含风电及储能的电力系统可靠性评估方法及装置”，所述方法包括：根据储能装置处于充电模式的时段和所述储能装置处于放电模式的时段，将所述分析时段划分为多个仿真模拟时段；在各个仿真模拟时段内，分别采用蒙特卡罗法对从预设风机可靠性模型得到的风力发电机有功功率进行随机抽样，得到多段风力发电机组有功功率时序数据；根据每段风力发电机组有功功率时序数据，计算各个通过收敛性检验的仿真模拟时段内失负荷概率值和和电量不足期望值，进而评估所述电力系统的可靠性。采用本发明，对划分后收敛时段进行可靠性分析，排除无意义时段数据的干扰，得到准确的分析结果。
申请号为CN202310996933.X的中国专利申请“一种基于多维度分析的储能电池控制方法、系统及介质”，基于目标储能电池组高清图像数据进行内部结构分析，得到电池组结构分布图；基于充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；基于电池组充放电计划数据进行计算分析得到电能监测指标信息；实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案。基于本发明，能够实现储能电池组的精细化分析与热能消耗评估，进一步对储能电池组进行智能诊断、维护与控制。
申请号为CN202211561786.5的中国专利申请“一种储能系统运行的监测系统及方法”，包括：采集模块、预测模块、存储模块、处理模块和评估模块；所述采集模块，用于采集储能系统的运行数据；所述预测模块，用于对所述运行数据进行预测，获取所述储能系统未来发展趋势的预测数据；所述处理模块，用于对所述运行数据和所述预测数据进行处理，获取储能系统中的电池组运行状态；所述存储模块，用于存储所述运行数据、预测数据和电池组运行状态；所述评估模块，用于根据所述运行数据、预测数据和电池组运行状态对所述储能系统的运行状态进行评估。该发明能对储能系统的进行全面监测，并结合电网调度指令对储能系统的运行状态进行评估。
上述方法存在以下问题难以解决：
1、数据质量问题:现有技术没有充分利用或处理实时监测和历史数据，导致模型训练和预测的不准确。
2、数据不足问题:现有技术面临训练数据不足的问题，从而导致模型鲁棒性差。
3、参数优化问题:传统的基于梯度下降的优化方法存在梯度消失、梯度爆炸或容易陷入局部最优解的问题。
4、模型训练速度慢:现有技术的模型训练速度较慢。
5、特征提取不足:现有技术在特征提取方面存在不足。
6、鲁棒性评估精度不高:现有的评估方法存在精度不足的问题。
发明内容
本发明的目的在于克服现有技术缺陷，提出了基于神经网络的分布式储能鲁棒性评估方法。
为了实现上述目的，本发明提出了一种基于神经网络的分布式储能鲁棒性评估方法，所述方法包括：
对采集的分布式储能系统的实时监测数据和历史数据经预处理及属性转换后，输入预先建立和训练好的评估模型，得到输出权重，实现鲁棒性评估；其中，
所述评估模型的训练数据集基于生成对抗网络得到新的数据点，并结合切比雪夫多项式进行调整，实现数据集的扩充；
所述评估模型采用神经网络进行特征提取，再采用分类器输出鲁棒性评估结果；
所述评估模型的训练包括通过基于量子物理的优化策略对神经网络进行训练，以及结合稀疏编码和量子编码的极限学习机对分类器进行训练。
优选的，所述分布式储能系统包括：蓄电池、超级电容、飞轮、热储能系统和液态空气储能系统。
优选的，所述实时监测数据和历史数据包括不同采样时刻的数据属性，所述数据属性包括：电池状态、电池温度、电池电压、电池电流、超级电容状态、飞轮速度、热储能温度、液态空气压力、系统负载和外部环境温度。
优选的，所述预处理包括：
结合熵理论对不同属性的数据进行标准化；
对缺失的数据基于前一时刻的已知数据和通过历史数据估算的反应速率常数进行补充；和
结合动量守恒原理，定义动量指标，对异常值进行检测。
优选的，所述属性转换包括：
根据下式，采用基于自然界季节性因素的属性转换方法：
x′i＝xi×sin(ωt+φ)
其中，x′i为转换后的数据点，xi为原始数据点，ω为频率，代表季节性周期，t为时间，φ为相位，代表季节性的偏移；
构建属性的交互网络，利用生物学的网络拓扑理论，定义一个度量两个属性xi和xj间交互强度的函数I(xi,xj)：
其中，cov(xi,xj)为协方差，var(xi)和var(xj)分别为xi和xj的方差；
根据下式为每个类别分配一个适应度值：
其中，F(c)为类别c的适应度值，nc为类别c的样本数量，N为总样本数量，S(c)为类别c的生存率，根据适应度值进行过采样。
优选的，所述生成对抗网络包括一个生成器G和一个判别器D，用于根据已有数据生成新的数据；
所述生成对抗网络的训练目标是最小化损失函数LGAN：
其中，x是原始数据的样本，z是一个随机噪声，pdata(x)是原始数据的分布，pz(z)是噪声的分布，D(x)是判别器的输出，G(z)是生成器的输出，是x服从于分布pdata(x)时的期望值，/>是z服从于分布pz(z)时的期望值。
优选的，所述结合切比雪夫多项式进行调整，实现数据集的扩充，包括：
对于每一个生成的数据点x′，计算它与原始数据x的角距离：
根据下式对x′进行调整：
x″＝x′+αTn(cosθ)
其中，x″是切比雪夫多项式调整后的数据，α是调整系数，Tn是切比雪夫多项式，满足下式：
Tn(cosθ)＝cos(nθ)
其中，n是多项式的项数；
将通过切比雪夫调整后的数据点与原始数据合并，形成扩充后的数据集。
优选的，所述神经网络包括输入层、第一隐藏层、第二隐藏层和第三隐藏层，其中，
所述输入层包含Nin个神经元，其中Nin为输入到神经网络的数据的拉伸为一维向量后的维度；
所述第一隐藏层有128个神经元，所述第二隐藏层有256个神经元，所述第三隐藏层有100个神经元；
上述三个隐藏层均使用ReLU作为激活函数。
优选的，所述基于量子物理的优化策略对神经网络进行训练，包括：
步骤1)使用Xavier初始化的方式为神经网络的权重参数和偏置参数分别初始化一个量子态；
步骤2)多量子态探测：在每一轮迭代中，为每一个量子态引入一个新的随机偏移模拟量子系统中的振荡，参数p在其量子态q中，其偏移Δq表示为：
Δq＝ω×∈
其中，ω是振荡频率，∈是从均匀随机分布中抽取的随机数；
根据下式，得到新的参数值pnew：
pnew＝p+Δq
其中，p为多量子态探索前的参数值；
根据下式计算适应度值L：
L＝Fbase(pnew)+λ×Fcohesion(Q)
其中，L(pnew,Q)为适应度函数，Fbase(pnew)是均方误差损失函数，Fcohesion(Q)是量子凝聚项，衡量不同量子态的协同效应；Q是一个集合，包含所有的量子态，λ是超参数，用于调整量子凝聚项的权重；
其中，NUM是量子态的数量，ψ(qi,qj)是量子凝聚函数，用于衡量两个量子态qi和qj之间的凝聚程度，i和j分别是相邻的两个量子态的序号；
其中，d(qi,qj)是量子态qi和qj之间的欧几里得距离；∈s是常数，确保分母不为零；
步骤3)根据下式动态频率调整:
ωnew＝ωs×(1+αs×δ)
其中，ωs为动态频率调整前的频率；ωnew为动态频率调整后的频率；αs为预设的学习率；δ为适应度函数的变化率，计算方式如下：
其中，Lcurrent和Lprevious分别是当前和前一次迭代的损失；
步骤4)选择两个量子态q1和q2进行撞击，模拟撞击的方式表示为：
qnew＝β×q1+(1-β)×q2
其中，qnew2为量子撞击后的量子态，β是一个从均匀随机分布中抽取的系数；
评估新生成的量子态：
pnew2＝pnew+qnew
其中，pnew2为量子撞击后产生的新的参数值；
计算新的适应度值，若Lnew<Lprevious则pnew替代p；如果这个新态导致了更小的适应度值，则认为撞击成功，并将新的量子态用于后续的迭代；
步骤5)对所有参数的量子态进行合并，模拟量子干涉：
qinterference＝γ×qa+(1-γ)×qb
其中，qinterference为干涉效应更新后的参数值，γ为预设的干涉系数，qa和qb为两个量子态；
选择产生更低适应度值的量子态，淘汰其余的量子态；
从所有的qinterference和qnew2中，选择导致最小适应度值的量子态进行参数更新：
其中，poptimal为本次迭代确定的神经网络参数；ap和aq为本次迭代神经网络的参数及其量子态的集和；
步骤6)如果达到预设的迭代次数，或适应度函数达到预设的阈值，则终止算法，得到训练好的神经网络；否则转至步骤2)。
优选的，所述结合稀疏编码和量子编码的极限学习机对分类器进行训练；包括：
步骤1)随机设置权重和偏置，使用量子编码函数对随机设置的权重进行处理，得到优化后的权重初始值；
步骤2)使用权重和偏置将输入数据转换到隐藏层空间；
步骤3)在隐藏层中应用稀疏约束，使得某些节点的激活值为零，从而使网络关注关键特征；
步骤4)使用最小二乘法训练输出权重，目标是最小化稀疏编码后的隐藏层输出与真实标签之间的差异；
步骤5)转至步骤2)继续优化输入权重和偏置，直至满足训练条件，得到训练好的分类器与现有技术相比，本发明的优势在于：
1、提高数据质量:通过数据预处理和属性转换，提高了数据的质量，使得模型能够更准确地反映分布式储能系统的实际状态；
2、增强模型的鲁棒性:通过生成对抗网络的数据扩充和特征提取中的量子态振荡优化，增强了模型的鲁棒性，使其在面对不同的数据分布时都能保持良好的性能；
3、加快模型训练速度:通过量子态振荡的特性，加快了神经网络的参数优化速度，从而加速了整个模型的训练过程；
4、提高鲁棒性评估的精度:结合稀疏编码和量子编码的极限学习机能够学习到更有代表性的特征，从而提高了鲁棒性评估的精度。
附图说明
图1是本发明的神经网络进行特征提取的结构流程示意图；
图2是基于量子物理的优化策略对神经网络进行训练的流程图。
具体实施方式
本发明提出一种基于神经网络的分布式储能鲁棒性评估方法，主要用于改善和提高分布式储能系统的稳定性和可靠性评估。在现有技术的背景下，分布式储能系统面临着数据处理和鲁棒性评估的挑战，尤其是在数据质量、处理速度和评估准确性方面存在不足。本发明提出的方法首先通过数据采集与预处理步骤，对分布式储能系统的实时监测和历史数据进行处理，包括蓄电池、超级电容、飞轮、热储能和液态空气储能系统的状态数据。随后，利用生成对抗网络结合切比雪夫多项式对数据进行扩充。在特征提取阶段，应用神经网络进行多量子态探索、动态频率调整和量子撞击，以优化网络参数。接着，使用结合稀疏编码和量子编码的极限学习机进行分类器训练。最后，利用训练好的模型对分布式储能系统的鲁棒性进行评估。本发明的方法显著提高了数据质量和模型的鲁棒性，加快了模型训练速度，提高了鲁棒性评估的精度。
主要创新点包括：
1、属性转换与选择:提出了基于自然界季节性因素的属性转换方法，使得属性之间的交互性更加明显。
2、基于生成对抗网络的数据扩充:不仅使用GAN生成新数据，还结合切比雪夫多项式对这些生成的数据点进行调整，确保其与原始数据的分布相一致。
3、量子态振荡优化:在特征提取中，为神经网络参数引入了基于量子物理的优化策略，将每个参数视作“量子态”，并通过模拟量子态的振荡进行参数优化。
4、结合稀疏编码和量子编码的极限学习机:提出了新的稀疏编码策略，在隐层节点中引入稀疏性，使得极限学习机能够学习到更有代表性和区分性的特征。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例
本发明提出一种基于神经网络的分布式储能鲁棒性评估方法，如图1所示，主要步骤如下：
步骤一：数据采集与标注
本发明的数据主要来源于分布式储能系统的实时监测和历史记录。分布式储能系统包括但不限于蓄电池、超级电容、飞轮、热储能、液态空气储能等。数据格式采用统一的结构化数据表格，每一行代表一个采样时刻的系统状态，而每一列则代表一个特定的数据属性。
数据的属性包括：
电池状态Bstate：电池的充电状态，如SOC(State of Charge)。
电池温度Btemp：电池的实时温度。
电池电压Bvoltage：电池的实时电压。
电池电流Bcurrent：电池的实时电流。
超级电容状态Cstate：超级电容的充电状态。
飞轮速度Fspeed：飞轮的转速。
热储能温度Tstorage：热储能的温度。
液态空气压力Lpressure：液态空气储能的压力。
系统负载Sload：系统的实时负载。
外部环境温度Etemp：外部环境的温度。
在一个实施例中，一条数据为：
其中，每一个属性值对应的是该时刻分布式储能系统的实际状态。
步骤二：数据预处理
对采集到的数据进行数据预处理操作，本发明的数据预处理操作结合不同原理，能够较好地实现数据的质量提升。
首先，进行数据标准化。为了使不同的属性具有相似的量纲和分布，本发明采用以下标准化公式，结合物理学中的熵理论：
其中，xi为原始数据点，x′i为标准化后的数据点，μi为属性i的均值，σi为属性i的标准偏差，H(xi)为属性i的熵值，衡量了数据的不确定性。
进一步地，处理缺失值，结合化学反应动力学的概念，处理缺失值的方式可以表示为：
xmissing＝xprev+k×Δt
其中，xmissing为缺失数据点，xprev为前一个已知数据点，k为反应速率常数，Δt为时间间隔，反应速率常数k可通过历史数据进行估计。
进一步地，进行异常值检测。结合物理学的动量守恒原理，定义一个动量指标，可以表示为：
M＝p×v
其中，M是动量，p为数据点的“质量”，与其权重或重要性成正比，v为数据点的变化速度，计算为两个相邻数据点的差值。异常值是那些具有异常高或低动量的数据点。
进一步地，进行属性转换与选择，本发明提出一种基于自然界季节性因素的属性转换方法：
x′i＝xi×sin(ωt+φ)
其中，x′i为转换后的数据点，xi为原始数据点，ω为频率，代表季节性周期，t为时间，φ为相位，代表季节性的偏移。
进一步地，构建属性的交互网络。利用生物学的网络拓扑理论，定义一个度量两个属性间交互强度的函数：
其中，I(xi,xj)为属性xi和xj之间的交互强度，cov(xi,xj)为它们的协方差，var(xi)和var(xj)分别为它们的方差。
进一步地，结合自然选择原理，为每个类别分配一个适应度值：
其中，F(c)为类别c的适应度值，nc为类别c的样本数量，N为总样本数量，S(c)为类别c的“生存率”，与该类别的重要性成正比，进一步地，根据适应度值进行过采样。
步骤三：数据扩充
可以理解的是，训练数据的采集、标注和预处理是费时费力的，而训练样本数量不足容易导致模型鲁棒性差，因此，本发明结合生成对抗网络的原理和切比雪夫多项式，提出一种基于改进生成对抗网络的数据扩充方法。首先，使用生成对抗网络来生成新的数据点，进一步地，使用切比雪夫多项式来调整这些生成的数据点，确保它们在多个维度上与原始数据分布一致。
具体的，生成对抗网络的训练过程为：
使用原始数据训练一个生成对抗网络模型，使用此模型生成新的数据点。对于一个生成对抗网络，包括一个生成器G和一个判别器D。训练的目标是最小化以下损失函数：
其中，x是来自原始数据的样本，z是一个随机噪声，pdata(x)是原始数据的分布，pz(z)是噪声的分布。
进一步地，进行切比雪夫调整。对于每一个生成的数据点，计算它在每个维度上与原始数据的距离。进一步地，使用切比雪夫多项式调整这些距离，使其更接近原始数据的分布。考虑一个生成的数据点x′和原始数据集中的一个点x，通过调整x′使其更接近x，可以通过切比雪夫多项式Tn来实现，n是多项式的项数：
Tn(cosθ)＝cos(nθ)
进一步地，定义数据点之间的角距离为：
进一步地，将生成的数据点x′通过切比雪夫多项式进行调整：
x″＝x′+αTn(cosθ)
其中，α是一个调整系数，它决定了调整的强度。
进一步地，将通过切比雪夫调整后的数据点与原始数据合并，形成一个扩充后的数据集。
进一步地，使用KL散度验证扩充后的数据集与原始数据集在分布上的相似性。为了验证生成的数据与原始数据的分布相似性，KL散度的计算方式可以表示为：
其中，pdata是原始数据的分布，pgen是生成数据的分布，通过最小化此散度以确保两个分布的相似性。
进一步地，进行数据平滑，为了消除生成对抗网络生成数据中可能存在的噪声，采用物理学中的热力学平滑原理，通过温度参数控制数据的平滑程度，可以表示为：
其中，T是一个温度参数，控制平滑的程度，β是一个调整系数。
进一步地，进行数据选择。为了基于适应度函数选择数据点，定义适应度函数为：
f(x)＝w×D(x)+(1-w)×G(x)
其中，w是一个权重参数，D(x)是判别器的输出，表示数据点的真实性，G(x)是生成器的输出，表示数据点的多样性。选择适应度值最高的数据点作为代表性数据点。
步骤四：特征提取
对扩充后的数据进行特征提取。本发明采用神经网络模型进行特征提取，传统的神经网络模型在训练过程中，采用基于梯度下降的方式进行参数更新，但容易产生梯度消失和梯度爆炸现象，同时，还容易在参数寻优的过程中陷入局部最优解。
本发明的特征提取神经网络包括输入层、第一隐藏层、第二隐藏层和第三隐藏层，结构如下：
1、输入层：包含Nin个神经元，其中Nin为输入到神经网络的数据的拉伸为一维向量后的维度。
第一隐藏层：有128个神经元。使用ReLU作为激活函数。
第二隐藏层：有256个神经元。使用ReLU作为激活函数。
第三隐藏层：有100个神经元。使用ReLU作为激活函数。
权重和偏置参数初始化的方式为使用Xavier初始化。
进一步地，在训练过程中，本发明提出一种基于量子态振荡优化，受量子物理启发，量子态表示了一个系统的状态，而振荡则描述了量子态在不同状态之间的转换。借鉴量子振荡的特性，将每一个神经网络参数都处于一个“量子态”，并通过模拟量子振荡来实现对这些参数的优化。
具体的，基于量子态振荡优化的神经网络参数优化方法的具体步骤如图2所示：
1、参数初始化
为每一个参数(包括神经网络的权重参数和偏置参数)初始化一个量子态，每个量子态代表一个参数值的可能性，人为预设一个初试的振荡频率。
2、多量子态探索
在每一轮迭代中，为每一个量子态引入一个新的随机偏移，模拟量子系统中的振荡。给定一个神经网络的参数p在其量子态q中，其偏移可以表示为：
Δq＝ω×∈
其中，ω是振荡频率；∈是从均匀随机分布中抽取的随机数。
进一步地，计算新的参数值，并计算对应的适应度值，更新参数的方式可以表示为：
pnew＝p+Δq
其中，pnew为多量子态探索后产生的新的参数值；p为多量子态探索前的参数值；Δq为参数的更新量。
进一步地，适应度值由适应度函数计算得到。传统的适应度函数通常采用损失函数的倒数，容易导致神经网络收敛慢。本发明提出一种量子凝聚适应度函数，借鉴量子凝聚的现象，增强算法中不同量子态的协同作用。
具体的，本发明中神经网络的参数优化为多参数的优化问题，每个参数有其对应的量子态，定义适应度函数如下：
L＝Fbase(pnew)+λ×Fcohesion(Q)
其中L(pnew,Q)为适应度函数；Fbase(pnew)是均方误差损失函数；Fcohesion(Q)是量子凝聚项，衡量不同量子态的协同效应；Q是一个集合，包含所有的量子态；λ是一个超参数，用于调整量子凝聚项的权重。
进一步地，定义量子凝聚项如下：
其中，NUM是量子态的数量；ψ(qi,qj)是量子凝聚函数，用于衡量两个量子态qi和qj之间的凝聚程度。
进一步地，定义ψ(qi,qj)为：
其中，d(qi,qj)是量子态qi和qj之间的欧几里得距离；∈s是一个非常小的常数，确保分母不为零。
该适应度函数试图在最小化基础损失的同时，增强不同量子态之间的凝聚程度。通过添加量子凝聚项，算法会偏向于选择那些量子态，这些量子态之间的距离较小，因此更有可能协同工作，从而产生更好的解，有助于算法在高维参数空间中更有效地探索，并可能避免陷入局部最小值，加快算法训练过程的收敛速度。
3、动态频率调整
根据适应度函数的变化情况，动态调整每个参数的振荡频率。根据适应度函数的变化，动态调整频率的方式可以表示为：
ωnew＝ωs×(1+αs×δ)
其中，ωs为动态频率调整前的频率；ωnew为动态频率调整后的频率；αs为人为预设的学习率；δ为适应度函数的变化率，计算方式如下：
其中，Lcurrent和Lprevious分别是当前和前一次迭代的损失。
如果适应度值降低，则增加频率，加快探索；如果适应度值增加，则减小频率，减缓探索。
4、量子撞击
为模拟量子撞击，选择两个或多个量子态进行撞击。模拟撞击的过程中，这些选中的量子态之间会进行信息交换。这种交换是非线性的，并且可能产生一个新的量子态。选择两个量子态q1和q2进行撞击，模拟撞击的方式可以表示为：
qnew＝β×q1+(1-β)×q2
其中，qnew2为量子撞击后的量子态，β是一个从均匀随机分布中抽取的系数。
进一步地，评估新生成的量子态，并计算其对应的适应度值。评估新生成的量子态的方式可以表示为：
pnew2＝pnew+qnew
其中，pnew2为量子撞击后产生的新的参数值。
进一步地，计算新的适应度值，若Lnew<Lprevious则pnew替代p。如果这个新态导致了更小的适应度值，则认为撞击成功，并将新的量子态用于接下来的迭代。
5、干涉效应模拟
对所有参数的量子态进行合并，模拟量子干涉。考虑两个量子态qa和qb，其的干涉结果可以表示为：
qinterference＝γ×qa+(1-γ)×qb
其中，γ为人为预设的干涉系数，决定了qa和qb在干涉中的权重；qinterference为干涉效应更新后的参数值。
进一步地，选择那些产生更低适应度值的量子态，淘汰其余的量子态。
进一步地，根据选择的最佳量子态，更新神经网络的参数。考虑所有的qinterference和qnew2，选择导致最小适应度值的量子态进行参数更新，可以表示为：
其中，poptimal为本次迭代确定的神经网络参数；ap和aq为本次迭代神经网络的参数及其量子态的集和。
6、终止条件
重复步骤2到步骤5，如果达到预设的迭代次数，或适应度函数达到预设的阈值，终止算法，即表示神经网络模型训练完成。
步骤五：训练分类器
将特征提取后的数据输入到分类器中，本发明提出一种结合稀疏编码和量子编码的极限学习机来提高鲁棒性评估的精度。极限学习机是一种单隐层前馈神经网络，其训练速度很快，主要原因是其权重随机初始化并保持不变，仅通过最小化输出权重的范数来优化网络。本发明提出一个新的稀疏编码策略，该策略在隐层节点中引入稀疏性，迫使极限学习机学习更有代表性和区分性的特征。
具体的，改进的极限学习机算法训练过程如下：
1、初始化：
随机选择输入权重和偏置，使用量子算法对权重进行优化初始化。在一个实施例中，设特征提取后的数据集为D，其中每个样本为xi和其对应的标签yi。首先随机初始化输入权重Win和偏置bin，，且隐藏层的节点数为h。进一步地，使用量子算法，可以得到一个优化后的权重初始值，简化表示为：
Wq＝Q(Win)
其中，Q代表量子编码函数。
2、进行隐藏层转换：
使用输入权重和偏置将输入数据转换到隐藏层空间，可以表示为：
H＝σ(Wqxi+bin)
其中，σ是激活函数，例如sigmoid函数。
3、稀疏编码：
在隐藏层中应用稀疏约束，使得某些节点的激活值为零，从而使网络关注关键特征。训练的过程期望隐藏层的表示是稀疏的，故，本发明引入一个稀疏约束，使得隐藏层的某些节点的激活值为零。稀疏编码后的隐藏层表示为：
Hs＝S(H,λ)
其中，S是稀疏函数，它将某些激活值设置为零，而λ是稀疏约束的参数。
4、输出层训练：
使用最小二乘法训练输出权重，目标是最小化稀疏编码后的隐藏层输出与真实标签之间的差异。输出权重Wout通过最小化稀疏编码后的隐藏层输出与真实标签之间的差异进行训练，公式为：
通过求解上述最小二乘问题，可以得到输出权重。
5、模型评估：
在验证集上评估模型的性能。模型的输出为：
模型在验证集上的性能可以通过比较和真实的标签yi来评估。
6、迭代优化：
根据模型在验证集上的性能，继续优化输入权重和偏置，直到满足停止条件。为了进一步优化模型，更新输入权重和偏置，可以表示为：
其中，L是均方误差损失函数，α是学习率。
7、模型部署：
一旦模型达到满意的性能，就可以在实际的分布式储能系统中进行鲁棒性评估。即，使用得到的Win_new、bin_new和Wout，对新的分布式储能系统数据进行鲁棒性评估。
步骤六：鲁棒性评估
利用训练样本训练模型，模型训练完成后，利用训练后的模型进行储能系统的鲁棒性评估。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于神经网络的分布式储能鲁棒性评估方法，所述方法包括：
对采集的分布式储能系统的实时监测数据和历史数据经预处理及属性转换后，输入预先建立和训练好的评估模型，得到输出权重，实现鲁棒性评估；其中，
所述评估模型的训练数据集基于生成对抗网络得到新的数据点，并结合切比雪夫多项式进行调整，实现数据集的扩充；
所述评估模型采用神经网络进行特征提取，再采用分类器输出鲁棒性评估结果；
所述评估模型的训练包括通过基于量子物理的优化策略对神经网络进行训练，以及结合稀疏编码和量子编码的极限学习机对分类器进行训练。
2.根据权利要求1所述的基于神经网络的分布式储能鲁棒性评估方法，其特征在于，所述分布式储能系统包括：蓄电池、超级电容、飞轮、热储能系统和液态空气储能系统。
3.根据权利要求1所述的基于神经网络的分布式储能鲁棒性评估方法，其特征在于，所述实时监测数据和历史数据包括不同采样时刻的数据属性，所述数据属性包括：电池状态、电池温度、电池电压、电池电流、超级电容状态、飞轮速度、热储能温度、液态空气压力、系统负载和外部环境温度。
4.根据权利要求1所述的基于神经网络的分布式储能鲁棒性评估方法，其特征在于，所述预处理包括：
结合熵理论对不同属性的数据进行标准化；
对缺失的数据基于前一时刻的已知数据和通过历史数据估算的反应速率常数进行补充；和
结合动量守恒原理，定义动量指标，对异常值进行检测。
5.根据权利要求1所述的基于神经网络的分布式储能鲁棒性评估方法，其特征在于，所述属性转换包括：
根据下式，采用基于自然界季节性因素的属性转换方法：
x′i＝xi×sin(ωt+φ)
其中，x′i为转换后的数据点，xi为原始数据点，ω为频率，代表季节性周期，t为时间，φ为相位，代表季节性的偏移；
构建属性的交互网络，利用生物学的网络拓扑理论，定义一个度量两个属性xi和xj间交互强度的函数I(xi,xj)：
其中，cov(xi,xj)为协方差，var(xi)和var(xj)分别为xi和xj的方差；
根据下式为每个类别分配一个适应度值：
其中，F(c)为类别c的适应度值，nc为类别c的样本数量，N为总样本数量，S(c)为类别c的生存率，根据适应度值进行过采样。
6.根据权利要求1所述的基于神经网络的分布式储能鲁棒性评估方法，其特征在于，所述生成对抗网络包括一个生成器G和一个判别器D，用于根据已有数据生成新的数据；
所述生成对抗网络的训练目标是最小化损失函数LGAN：
其中，x是原始数据的样本，z是一个随机噪声，pdata(x)是原始数据的分布，pz(z)是噪声的分布，D(x)是判别器的输出，G(z)是生成器的输出，是x服从于分布pdata(x)时的期望值，/>是z服从于分布pz(z)时的期望值。
7.根据权利要求6所述的基于神经网络的分布式储能鲁棒性评估方法，其特征在于，所述结合切比雪夫多项式进行调整，实现数据集的扩充，包括：
对于每一个生成的数据点x′，计算它与原始数据x的角距离：
根据下式对x′进行调整：
x″＝x′+αTn(cosθ)
其中，x″是切比雪夫多项式调整后的数据，θ是调整系数，Tn是切比雪夫多项式，满足下式：
Tn(cosθ)＝cos(nθ)
其中，n是多项式的项数；
将通过切比雪夫调整后的数据点与原始数据合并，形成扩充后的数据集。
8.根据权利要求1所述的基于神经网络的分布式储能鲁棒性评估方法，其特征在于，所述神经网络包括输入层、第一隐藏层、第二隐藏层和第三隐藏层，其中，
所述输入层包含Nin个神经元，其中Nin为输入到神经网络的数据的拉伸为一维向量后的维度；
所述第一隐藏层有128个神经元，所述第二隐藏层有256个神经元，所述第三隐藏层有100个神经元；
上述三个隐藏层均使用ReLU作为激活函数。
9.根据权利要求1或8所述的基于神经网络的分布式储能鲁棒性评估方法，其特征在于，所述基于量子物理的优化策略对神经网络进行训练，包括：
步骤1)使用Xavier初始化的方式为神经网络的权重参数和偏置参数分别初始化一个量子态；
步骤2)多量子态探测：在每一轮迭代中，为每一个量子态引入一个新的随机偏移模拟量子系统中的振荡，参数p在其量子态q中，其偏移Δq表示为：
Δq＝ω×∈
其中，ω是振荡频率，∈是从均匀随机分布中抽取的随机数；
根据下式，得到新的参数值pnew：
pnew＝p+Δq
其中，p为多量子态探索前的参数值；
根据下式计算适应度值L：
L＝Fbase(pnew)+λ×Fcohesion(Q)
其中，L(pnew,Q)为适应度函数，Fbase(pnew)是均方误差损失函数，Fcohesion(Q)是量子凝聚项，衡量不同量子态的协同效应；Q是一个集合，包含所有的量子态，λ是超参数，用于调整量子凝聚项的权重；
其中，NUM是量子态的数量，ψ(qi,qj)是量子凝聚函数，用于衡量两个量子态qi和qj之间的凝聚程度，i和j分别是相邻的两个量子态的序号；
其中，d(qi,qj)是量子态qi和qj之间的欧几里得距离；∈s是常数，确保分母不为零；
步骤3)根据下式动态频率调整:
ωnew＝ωs×(1+αs×δ)
其中，ωs为动态频率调整前的频率；ωnew为动态频率调整后的频率；αs为预设的学习率；δ为适应度函数的变化率，计算方式如下：
其中，Lcurrent和Lprevious分别是当前和前一次迭代的损失；
步骤4)选择两个量子态q1和q2进行撞击，模拟撞击的方式表示为：
qnew＝β×q1+(1-β)×q2
其中，qnew2为量子撞击后的量子态，β是一个从均匀随机分布中抽取的系数；
评估新生成的量子态：
pnew2＝pnew+qnew
其中，pnew2为量子撞击后产生的新的参数值；
计算新的适应度值，若Lnew<Lprevious则pnew替代p；如果这个新态导致了更小的适应度值，则认为撞击成功，并将新的量子态用于后续的迭代；
步骤5)对所有参数的量子态进行合并，模拟量子干涉：
qinterference＝γ×qa+(1-γ)×qb
其中，qinterference为干涉效应更新后的参数值，γ为预设的干涉系数，qa和qb为两个量子态；
选择产生更低适应度值的量子态，淘汰其余的量子态；
从所有的qinterference和qnew2中，选择导致最小适应度值的量子态进行参数更新：
其中，poptimal为本次迭代确定的神经网络参数；ap和aq为本次迭代神经网络的参数及其量子态的集和；
步骤6)如果达到预设的迭代次数，或适应度函数达到预设的阈值，则终止算法，得到训练好的神经网络；否则转至步骤2)。
10.根据权利要求1所述的基于神经网络的分布式储能鲁棒性评估方法，其特征在于，所述结合稀疏编码和量子编码的极限学习机对分类器进行训练；包括：
步骤1)随机设置权重和偏置，使用量子编码函数对随机设置的权重进行处理，得到优化后的权重初始值；
步骤2)使用权重和偏置将输入数据转换到隐藏层空间；
步骤3)在隐藏层中应用稀疏约束，使得某些节点的激活值为零，从而使网络关注关键特征；
步骤4)使用最小二乘法训练输出权重，目标是最小化稀疏编码后的隐藏层输出与真实标签之间的差异；
步骤5)转至步骤2)继续优化输入权重和偏置，直至满足训练条件，得到训练好的分类器。
CN202311710857.8A 2023-12-13 2023-12-13 基于神经网络的分布式储能鲁棒性评估方法 Pending CN118171099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311710857.8A CN118171099A (zh) 2023-12-13 2023-12-13 基于神经网络的分布式储能鲁棒性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311710857.8A CN118171099A (zh) 2023-12-13 2023-12-13 基于神经网络的分布式储能鲁棒性评估方法

Publications (1)

Publication Number Publication Date
CN118171099A true CN118171099A (zh) 2024-06-11

Family

ID=91354056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311710857.8A Pending CN118171099A (zh) 2023-12-13 2023-12-13 基于神经网络的分布式储能鲁棒性评估方法

Country Status (1)

Country Link
CN (1) CN118171099A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118520926A (zh) * 2024-07-25 2024-08-20 中国人民解放军国防科技大学 一种条件扩散模型鲁棒性优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118520926A (zh) * 2024-07-25 2024-08-20 中国人民解放军国防科技大学 一种条件扩散模型鲁棒性优化方法

Similar Documents

Publication Publication Date Title
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
US20210334658A1 (en) Method for performing clustering on power system operation modes based on sparse autoencoder
Lin et al. Machine learning templates for QCD factorization in the search for physics beyond the standard model
CN110866592A (zh) 模型训练方法、装置、能效预测方法、装置和存储介质
CN111523728B (zh) 一种四阶段混合短时风向预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
CN118171099A (zh) 基于神经网络的分布式储能鲁棒性评估方法
CN113612237A (zh) 一种在海上风电场中定位谐振诱发的次同步振荡源的方法
CN115995810A (zh) 一种考虑气象波动自适应匹配的风电功率预测方法及系统
CN113485261A (zh) 一种基于CAEs-ACNN的软测量建模方法
CN116359773A (zh) 一种锂离子电池剩余寿命预测方法及系统
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
Zhang et al. Research and application of a novel weight-based evolutionary ensemble model using principal component analysis for wind power prediction
Yin et al. Graph attention-based U-net conditional generative adversarial networks for the identification of synchronous generation unit parameters
CN111061151A (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
CN116542385A (zh) 一种针对风、光功率预测的集成学习方法及系统
CN113449466B (zh) 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统
CN113128130B (zh) 一种判断直流配电系统稳定性的实时监测方法及装置
Peck et al. Genetic algorithm based input selection for a neural network function approximator with applications to SSME health monitoring
Li et al. A new strategy: Remaining useful life prediction of wind power bearings based on deep learning under data missing conditions
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
Lan et al. Generation of large-scale convergent power flow samples through a data-driven approach
CN111179110B (zh) 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination