本發(fā)明涉及低電壓預(yù)測(cè)，具體而言，涉及結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)及方法。
背景技術(shù)：
1、隨著可再生能源，特別是分布式光伏發(fā)電系統(tǒng)在配電網(wǎng)中的滲透率日益提高，電網(wǎng)的運(yùn)行特性正經(jīng)歷著深刻而復(fù)雜的變化。新能源的接入具有顯著的間歇性和波動(dòng)性，給電網(wǎng)的電壓穩(wěn)定帶來(lái)了前所未有的挑戰(zhàn)。低電壓事件作為影響電能質(zhì)量和供電可靠性的關(guān)鍵因素，其發(fā)生頻率和不確定性也隨之增加。因此，為了保障現(xiàn)代電網(wǎng)的安全、穩(wěn)定運(yùn)行，開(kāi)發(fā)能夠精準(zhǔn)、實(shí)時(shí)預(yù)測(cè)低電壓事件的智能化技術(shù)已成為行業(yè)內(nèi)的迫切需求。就目前而言，現(xiàn)有模型更新技術(shù)在應(yīng)對(duì)動(dòng)態(tài)電網(wǎng)數(shù)據(jù)時(shí)存在明顯局限。一方面，當(dāng)電網(wǎng)產(chǎn)生新的運(yùn)行數(shù)據(jù)時(shí)，采用將歷史數(shù)據(jù)與新數(shù)據(jù)合并后對(duì)模型進(jìn)行完全重新訓(xùn)練的方式，雖然能夠保證模型性能，但其計(jì)算開(kāi)銷(xiāo)巨大、訓(xùn)練周期漫長(zhǎng)，消耗大量的硬件資源，難以滿足電網(wǎng)對(duì)模型快速迭代和準(zhǔn)實(shí)時(shí)響應(yīng)的要求。另一方面，若采用僅使用新數(shù)據(jù)對(duì)現(xiàn)有模型進(jìn)行微調(diào)的策略，雖然訓(xùn)練效率高，但模型在學(xué)習(xí)新知識(shí)的過(guò)程中會(huì)嚴(yán)重遺忘之前已經(jīng)掌握的歷史數(shù)據(jù)規(guī)律，即遭遇災(zāi)難性遺忘問(wèn)題。不僅導(dǎo)致模型在歷史場(chǎng)景下的預(yù)測(cè)能力急劇退化，而且也損害了模型的整體泛化能力和長(zhǎng)期可靠性，使其無(wú)法成為一個(gè)穩(wěn)定可信的預(yù)測(cè)工具。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的目的在于提供結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)及方法，其采用知識(shí)蒸餾增量學(xué)習(xí)，一方面高效利用新數(shù)據(jù)更新模型，降低了訓(xùn)練成本；另一方面有效解決了災(zāi)難性遺忘問(wèn)題，確保模型對(duì)歷史和新增電網(wǎng)狀態(tài)均具有高預(yù)測(cè)精度，實(shí)現(xiàn)了模型的持續(xù)、穩(wěn)定演進(jìn)。
2、本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：
3、結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，包括：
4、知識(shí)圖譜模塊，匯聚并整合來(lái)源于電網(wǎng)業(yè)務(wù)系統(tǒng)和客戶(hù)服務(wù)平臺(tái)的電網(wǎng)拓?fù)鋽?shù)據(jù)、設(shè)備參數(shù)、歷史運(yùn)行數(shù)據(jù)及低電壓應(yīng)對(duì)措施知識(shí)，構(gòu)建結(jié)構(gòu)化的低電壓知識(shí)圖譜；
5、預(yù)測(cè)模塊，基于從所述低電壓知識(shí)圖譜中提取的數(shù)據(jù)集，并通過(guò)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，生成低電壓預(yù)測(cè)模型；
6、迭代更新模塊，周期性地采用增量學(xué)習(xí)流程，根據(jù)新采集的電網(wǎng)變化數(shù)據(jù)對(duì)低電壓預(yù)測(cè)模型進(jìn)行迭代更新；
7、應(yīng)用模塊，基于迭代更新后的所述低電壓預(yù)測(cè)模型，對(duì)目標(biāo)臺(tái)區(qū)進(jìn)行預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果提供告警及應(yīng)對(duì)措施。
8、可選的，所述構(gòu)建結(jié)構(gòu)化的低電壓知識(shí)圖譜，進(jìn)一步包括：
9、從所述電網(wǎng)拓?fù)鋽?shù)據(jù)、設(shè)備參數(shù)、歷史運(yùn)行數(shù)據(jù)及低電壓應(yīng)對(duì)措施知識(shí)中，識(shí)別并抽取出實(shí)體、關(guān)系及屬性；
10、將所抽取的所述實(shí)體、關(guān)系及屬性，統(tǒng)一轉(zhuǎn)換為三元組的數(shù)據(jù)結(jié)構(gòu)，以構(gòu)建所述結(jié)構(gòu)化的低電壓知識(shí)圖譜。
11、可選的，所述構(gòu)建結(jié)構(gòu)化的低電壓知識(shí)圖譜進(jìn)一步包括：
12、將所述三元組存儲(chǔ)于圖數(shù)據(jù)庫(kù)中，并通過(guò)可視化技術(shù)將所述低電壓知識(shí)圖譜中的實(shí)體與關(guān)系進(jìn)行圖形化展示。
13、可選的，所述低電壓預(yù)測(cè)模型，其具體訓(xùn)練步驟為：
14、所述深度學(xué)習(xí)模型采用lstm模型，配置所述lstm模型以接收融合電網(wǎng)內(nèi)因與外部氣象外因的特征向量，所述電網(wǎng)內(nèi)因包括：線路長(zhǎng)度、線徑及變壓器容量，所述外部氣象外因包括：溫度及降雨量；
15、劃分從所述低電壓知識(shí)圖譜提取的數(shù)據(jù)集，以得到用于模型學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集；
16、對(duì)所述訓(xùn)練數(shù)據(jù)集進(jìn)行歸一化處理；
17、將訓(xùn)練數(shù)據(jù)集輸入至lstm模型進(jìn)行訓(xùn)練，并計(jì)算預(yù)測(cè)結(jié)果相對(duì)于測(cè)試數(shù)據(jù)集之間的損失值，基于損失值反向更新lstm模型的參數(shù)，直至達(dá)到最大迭代次數(shù)，輸出完成訓(xùn)練的低電壓預(yù)測(cè)模型。
18、可選的，所述訓(xùn)練步驟還包括：采用交叉熵作為所述損失值的計(jì)算函數(shù)，以評(píng)估所述低電壓預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與真實(shí)值之間的差異。
19、可選的，所述迭代更新模塊包括：由關(guān)鍵電網(wǎng)事件驅(qū)動(dòng)的增量學(xué)習(xí)觸發(fā)流程：
20、監(jiān)控并識(shí)別關(guān)鍵電網(wǎng)事件，所述關(guān)鍵電網(wǎng)事件包括：新發(fā)生的低電壓事件、新投運(yùn)站點(diǎn)的并網(wǎng)事件或配網(wǎng)改造完成事件；
21、當(dāng)識(shí)別到所述關(guān)鍵電網(wǎng)事件后，觸發(fā)增量學(xué)習(xí)流程，并定向抽取與該事件相關(guān)的最新數(shù)據(jù)作為所述新采集的電網(wǎng)變化數(shù)據(jù)。
22、可選的，所述增量學(xué)習(xí)流程采用lwf算法，其具體步驟為：
23、將舊的所述低電壓預(yù)測(cè)模型作為教師模型，對(duì)所述電網(wǎng)變化數(shù)據(jù)進(jìn)行預(yù)測(cè)，并應(yīng)用預(yù)設(shè)的溫度系數(shù)對(duì)教師模型的輸出概率進(jìn)行平滑處理，以生成軟標(biāo)簽；
24、通過(guò)比較當(dāng)前模型對(duì)所述電網(wǎng)變化數(shù)據(jù)輸出的預(yù)測(cè)概率與所述軟標(biāo)簽之間的差異，得到蒸餾損失；
25、通過(guò)比較當(dāng)前模型對(duì)所述電網(wǎng)變化數(shù)據(jù)輸出的預(yù)測(cè)概率與該數(shù)據(jù)所對(duì)應(yīng)的真實(shí)標(biāo)簽之間的差異，得到任務(wù)損失；
26、通過(guò)平衡超參數(shù)對(duì)所述蒸餾損失與所述任務(wù)損失進(jìn)行加權(quán)求和，形成組合損失，基于組合損失對(duì)所述低電壓預(yù)測(cè)模型的參數(shù)進(jìn)行優(yōu)化更新。
27、可選的，所述根據(jù)預(yù)測(cè)結(jié)果提供告警及應(yīng)對(duì)措施，其具體包括：
28、對(duì)目標(biāo)臺(tái)區(qū)進(jìn)行預(yù)測(cè)，當(dāng)預(yù)測(cè)的低電壓發(fā)生概率超過(guò)預(yù)設(shè)閾值時(shí)，生成包含風(fēng)險(xiǎn)等級(jí)和影響范圍的動(dòng)態(tài)告警；
29、基于所述動(dòng)態(tài)告警中的臺(tái)區(qū)信息，查詢(xún)所述低電壓知識(shí)圖譜，以檢索并匹配應(yīng)對(duì)措施；
30、將所述動(dòng)態(tài)告警與匹配的應(yīng)對(duì)措施整合為決策支持報(bào)告并輸出。
31、可選的，所述根據(jù)預(yù)測(cè)結(jié)果提供告警及應(yīng)對(duì)措施，其進(jìn)一步包括：
32、將已確認(rèn)發(fā)生低電壓的告警臺(tái)區(qū)信息，反向注入所述低電壓知識(shí)圖譜，并以高亮標(biāo)記在可視化界面上進(jìn)行更新。
33、結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜方法，該方法的步驟包括：
34、匯聚并整合來(lái)源于電網(wǎng)業(yè)務(wù)系統(tǒng)和客戶(hù)服務(wù)平臺(tái)的電網(wǎng)拓?fù)鋽?shù)據(jù)、設(shè)備參數(shù)、歷史運(yùn)行數(shù)據(jù)及低電壓應(yīng)對(duì)措施知識(shí)，構(gòu)建結(jié)構(gòu)化的低電壓知識(shí)圖譜；
35、基于從所述低電壓知識(shí)圖譜中提取的數(shù)據(jù)集，并通過(guò)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，生成低電壓預(yù)測(cè)模型；
36、周期性地采用增量學(xué)習(xí)流程，根據(jù)新采集的電網(wǎng)變化數(shù)據(jù)對(duì)低電壓預(yù)測(cè)模型進(jìn)行迭代更新；
37、基于迭代更新后的所述低電壓預(yù)測(cè)模型，對(duì)目標(biāo)臺(tái)區(qū)進(jìn)行預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果提供告警及應(yīng)對(duì)措施。
38、本發(fā)明的技術(shù)方案至少具有如下優(yōu)點(diǎn)和有益效果：
39、本發(fā)明通過(guò)僅利用新增數(shù)據(jù)對(duì)模型進(jìn)行迭代更新，極大地提升了訓(xùn)練效率，顯著降低了計(jì)算資源消耗和時(shí)間成本，使得模型的快速、敏捷部署成為可能，能夠及時(shí)響應(yīng)電網(wǎng)狀態(tài)的最新變化。并且本發(fā)明創(chuàng)造性地引入了基于知識(shí)蒸餾的學(xué)習(xí)不忘（lwf）機(jī)制，在訓(xùn)練過(guò)程中，新模型不僅要學(xué)習(xí)新數(shù)據(jù)的標(biāo)準(zhǔn)答案，還要模仿舊模型在處理這些數(shù)據(jù)時(shí)的決策思路。這種雙重目標(biāo)的優(yōu)化策略，不僅確保了模型能夠精準(zhǔn)掌握新出現(xiàn)的電網(wǎng)運(yùn)行模式，而且還有效地鞏固和保留了對(duì)歷史知識(shí)的記憶，完美克服了災(zāi)難性遺忘問(wèn)題，最終獲得一個(gè)在持續(xù)演進(jìn)中性能不斷增強(qiáng)的高精度低電壓預(yù)測(cè)模型。
1.結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，其特征在于，所述構(gòu)建結(jié)構(gòu)化的低電壓知識(shí)圖譜，進(jìn)一步包括：
3.根據(jù)權(quán)利要求2所述的結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，其特征在于，所述構(gòu)建結(jié)構(gòu)化的低電壓知識(shí)圖譜進(jìn)一步包括：
4.根據(jù)權(quán)利要求3所述的結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，其特征在于，所述低電壓預(yù)測(cè)模型，其具體訓(xùn)練步驟為：
5.根據(jù)權(quán)利要求4所述的結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，其特征在于，所述訓(xùn)練步驟還包括：采用交叉熵作為所述損失值的計(jì)算函數(shù)，以評(píng)估所述低電壓預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與真實(shí)值之間的差異。
6.根據(jù)權(quán)利要求5所述的結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，其特征在于，所述迭代更新模塊包括：由關(guān)鍵電網(wǎng)事件驅(qū)動(dòng)的增量學(xué)習(xí)觸發(fā)流程：
7.根據(jù)權(quán)利要求6所述的結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，其特征在于，所述增量學(xué)習(xí)流程采用lwf算法，其具體步驟為：
8.根據(jù)權(quán)利要求7所述的結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，其特征在于，所述根據(jù)預(yù)測(cè)結(jié)果提供告警及應(yīng)對(duì)措施，其具體包括：
9.根據(jù)權(quán)利要求8所述的結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜平臺(tái)，其特征在于，所述根據(jù)預(yù)測(cè)結(jié)果提供告警及應(yīng)對(duì)措施，其進(jìn)一步包括：
10.結(jié)合深度學(xué)習(xí)用于低電壓預(yù)測(cè)的知識(shí)圖譜方法，其特征在于，該方法的步驟包括：