[发明专利]基于深度学习和用户行为的电力系统调整潮流方法及系统

权利要求书

1.一种基于深度学习和用户行为的电力系统调整潮流方法，其特征在于，包括：

获取电力系统的当前潮流断面数据；

将所述潮流断面数据输入预先基于深度学习和用户行为构建的潮流调整模型，得到用户调整潮流策略；

根据所述用户调整潮流策略对潮流进行自动调整。

2.如权利要求1所述的电力系统调整潮流方法，其特征在于，所述潮流调整模型的构建包括：

获取电力系统的历史潮流断面数据；

从所述历史潮流断面数据中提取用户行为日志信息；

把所述用户行为日志信息批处理为数据集；

根据所述数据集，基于深度学习算法构建潮流调整模型。

3.如权利要求2所述的电力系统调整潮流方法，其特征在于，所述把用户行为日志信息批处理为数据集，包括：

对用户行为日志信息中的每个电路元件进行编号，整理成(x,y)的数据形式，x表示各编号元件的参数，y表示是否收敛，y＝0不收敛，y＝1收敛；

把整理好的数据集随机打散后按80％、10％、10％的比例拆分成训练集、交叉验证集和测试集。

4.如权利要求3所述的电力系统调整潮流方法，其特征在于，根据所述数据集，基于深度学习算法构建潮流调整模型，包括：

基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数；

基于所述最优超参数构建神经网络模型，以所述神经网络模型作为潮流调整模型。

5.如权利要求4所述的电力系统调整潮流方法，其特征在于，基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，包括：

通过反向传播算法对训练集进行拟合，得到至少一组初始超参数；

当所述超参数组数大于1时，对交叉验证集进行拟合，根据所述拟合结果确定最优超参数；否则，所述超参数为最优超参数。

6.如权利要求4所述的电力系统调整潮流方法，其特征在于，基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，还包括：用分布式集群计算平台对所述数据集进行训练。

7.如权利要求4所述的电力系统调整潮流方法，其特征在于，基于所述最优超参数构建神经网络模型，包括：

用测试集对基于最优超参数构建的神经网络模型进行评价，若不符合预设的评价标准，则重新对数据集进行训练，得到新的最优超参数，直至基于最优超参数构建的神经网络模型符合预设的评价标准。

8.如权利要求4-7任一所述的电力系统调整潮流方法，其特征在于，所述超参数包括：神经网络模型类型、代价函数、正则化、优化方法。

9.如权利要求2所述的电力系统调整潮流方法，其特征在于，所述历史潮流断面数据包括：

电力系统的用户特征数据、后端日志以及业务数据。

10.如权利要求2所述的电力系统调整潮流方法，其特征在于，所述用户行为日志信息包括：用户人员信息、时间、电网调整参数和调整量。

11.一种基于深度学习和用户行为的电力系统调整潮流系统，其特征在于，包括：

采集模块，用于获取电力系统的当前潮流断面数据；

分析模块，用于将所述潮流断面数据输入预先基于深度学习算法和用户行为构建的潮流调整模型，得到用户调整潮流策略；

调整模块，用于根据所述用户调整潮流策略对潮流进行自动调整。