[发明专利]一种基于多元卷积神经网络的分布式能源状态监测方法

权利要求书

1.一种基于多元卷积神经网络的分布式能源状态监测方法，其特征在于：包括以下步骤：

步骤1：获取微网历史运行数据并且对其进行数据叠积变换，得到检测协方差矩阵

步骤2：通过计算得到协方差矩阵的多元谱数据，包括特征值λ_i(i＝1,2,…,n*m)和最大特征向量P(P∈R^(n*m)×1)，其中R代表的是实数空间，n为协方差矩阵内包含n个维度的数据，m为协方差矩阵内微网节点的数量；然后将连续q个时刻的最大特征向量P按照时间顺序堆叠构成最大特征矩阵

步骤3：搭建深度卷积神经网络模型，为了能够更加准确地判断出微网分布式能源状态，使用由步骤2所述的特征值λ_i(i＝1,2,…,n*m)和最大特征矩阵分别进行数据差异化缩放处理后，分别输入到一维和二维深度卷积神经网络模型进行训练，得到对应的一维和二维微网分布式能源状态监测深度卷积神经网络模型；

步骤4：将微网实时运行数据按照步骤1和步骤2构建出对应的协方差矩阵的特征值和最大特征矩阵分别进行数据差异化缩放处理后，输入到步骤3已经训练好的一维和二维深度卷积神经网络模型当中进行微网分布式能源状态监测，得到对应的监测结果。

2.根据权利要求1所述的一种基于多元卷积神经网络的分布式能源状态监测方法，其特征在于：所述步骤1的过程如下：

步骤1.1：将不同的微网历史运行数据d_ij按照数据自身时间戳顺序排列构成不同运行数据序列其中i(i＝1,2,…,n)为从不同维度获取的微网历史运行数据，j(j＝1,2,…,m)为微网节点编号，q为运行数据的采样次数，ξ为数据偏移系数；

步骤1.2：对步骤1.1所获得的不同运行数据序列d_ij进行如下所示的加权点乘转换，其表达式为：

其中，Ψ为归一化函数，Θ为点乘运算符，γ_ij为实常数构成的行向量，κ₁和κ₂为加权系数，κ₃为数据缩放系数；

步骤1.3：依据微网节点编号顺序，将步骤1.2所得的不同运行数据序列转换结果依次堆叠组成运行数据矩阵n*m作为矩阵的行数，将运行数据的采样次数q作为矩阵的列数；

步骤1.4：对运行数据矩阵的每一行进行标准化变换，得到标准化检测数据矩阵其中，标准化变换表达式为：

其中，为标准化检测数据矩阵的第i*j行的行向量，为行向量的第θ个元素，μ为行向量均值，σ为行向量标准差；

步骤1.5：对步骤1.4所获的标准化检测数据矩阵进行处理得到协方差矩阵

3.根据权利要求1所述的一种基于多元卷积神经网络的分布式能源状态监测方法，其特征在于：所述步骤3的过程如下：

步骤3.1：将特征值λ_i(i＝1,2,…,n*m)和最大特征矩阵进行数据差异化缩放处理得到特征值和最大特征矩阵针对特征值λ_i和最大特征矩阵的数据差异化缩放处理分别为：χ_i(i＝1,2,...,q)为最大特征矩阵的缩放系数；

步骤3.2：根据步骤1获取的微网历史运行数据得到微网分布式能源节点状态S，并且将其作为一维和二维深度卷积神经网络的目标输出结果；

步骤3.3：将步骤3.1数据差异化缩放处理得到的特征值与步骤3.2获取的微网分布式能源节点状态S相对应作为样本集中的样本，采用Adam优化器和粒子群算法对一维深度卷积神经网络参数Λ进行更新，对一维深度卷积神经网络进行训练，得到最终的实时一维深度卷积神经网络；类似地，数据差异化缩放处理得到最大特征矩阵与步骤3.2获取的微网分布式能源节点状态S相对应作为样本集中的样本，采用Adam优化器和粒子群算法对二维深度卷积神经网络参数Λ_two进行更新，对二维深度卷积神经网络进行训练，得到最终的实时二维深度卷积神经网络。