[发明专利]一种基于深度学习的高压直流换流站能效预测方法及系统

权利要求书

1.一种基于深度学习的高压直流换流站能效预测方法，其特征在于，所述方法包括：

获取高压直流换流站的能效分布样本数据集，并对所述能效分布样本数据集进行预处理，以获取经过预处理的能效分布样本数据集；

分别构建换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型；

基于所述经过预处理的能效分布样本数据集分别对所述换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型进行训练和优化，以确定换流站总损耗神经网络最优模型和换流站损耗占比神经网络最优模型；

根据待测高压直流换流站的运行数据，利用所述换流站总损耗神经网络最优模型和/或换流站损耗占比神经网络最优模型对所述待测高压直流换流站的能效进行预测，以获取能效预测结果。

2.根据权利要求1所述的方法，其特征在于，所述能效分布样本数据集包括：神经网络模型的输入样本数据子集和输出样本数据子集；

所述输出样本数据子集中的变量包括：换流站总损耗以及换流器、换流变压器和平波电抗器的损耗占比；

当所述换流站的类型为整流站时，所述输入样本数据子集中的变量包括：交流端电压、交流端电流、交流端功率因数、直流端电压、直流端电流、直流输送功率、整流器的触发角和换相重叠角；

当所述换流站的类型为逆变站时，所述输入样本数据子集中的变量包括：交流端电压、交流端电流、交流端功率因数、直流端电压、直流端电流、直流输送功率、逆变器的超前角、熄弧角和换相重叠角。

3.根据权利要求1所述的方法，其特征在于，所述对所述能效分布样本数据集进行预处理，以获取经过预处理的能效分布样本数据集，包括：

根据所述能效分布样本数据集中的输入样本数据计算每个输入变量的平均值和标准差；

对于任一个输入样本数据，计算该输入样本数据中的每个输入变量与对应的平均值的差值，计算所述差值和对应的标准差的比值，并将所述比值作为与该输入样本数据对应的经过处理的输入样本数据；

根据每个输入样本处理数据和与其对应的输出样本数据确定所述经过预处理的能效分布样本数据集。

4.根据权利要求1所述的方法，其特征在于，所述换流站总损耗神经网络模型，为序列结构，包含5个隐含层，每层48个单元，层层之间设置有激活函数；输入层根据换流站的类型确定单元个数；输出层为1个单元，不使用激活函数，输出值为换流站的总损耗；

所述换流站损耗占比神经网络模型，为序列结构，包含7个隐含层，每层64个单元，层层之间设置有激活函数；输入层根据换流站的类型确定单元个数；输出层有3个单元，不使用激活函数，输出值分别为换流器、换流变压器和平波电抗器的损耗占比。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型的训练过程中，利用梯度下降算法对神经网络模型的内部单元的权值参数进行调整，以使得神经网络模型的输出结果趋近于目标值；

在所述换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型训练完成后，利用十折交叉验证法对神经网络模型预测的准确性进行验证。

6.一种基于深度学习的高压直流换流站能效预测系统，其特征在于，所述系统包括：

样本数据预处理单元，用于获取高压直流换流站的能效分布样本数据集，并对所述能效分布样本数据集进行预处理，以获取经过预处理的能效分布样本数据集；

神经网络模型构建单元，用于分别构建换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型；

神经网络模型训练单元，用于基于所述经过预处理的能效分布样本数据集分别对所述换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型进行训练和优化，以确定换流站总损耗神经网络最优模型和换流站损耗占比神经网络最优模型；

能效预测单元，用于根据待测高压直流换流站的运行数据，利用所述换流站总损耗神经网络最优模型和/或换流站损耗占比神经网络最优模型对所述待测高压直流换流站的能效进行预测，以获取能效预测结果。