买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥工业大学

摘要：本发明涉及深度学习技术领域，具体是一种基于多模态图网络的输电系统宽频振荡参数辨识方法。本发明运用多组文本数据和图像数据，以精确辨识海上风电输电系统产生宽频振荡时的控制器参数；同时采用异质图神经网络融合的方式应对数据实际采集过程中存在的数据缺失问题，从而实现输电线路控制器参数调配和控制策略的合理设计，进而减少海上风电输电系统振荡异常的产生次数，使海上风电输电系统更加稳定，进而能够有效的提高控制器参数辨识的准确性。

主权项：1.一种基于多模态图网络的输电系统宽频振荡参数辨识方法，其特征在于，包括以下辨识步骤：A1、获取海上风电输电系统的历史运行数据，历史运行数据包括海上风电输电系统中的各个数据采样节点，在各个数据采样节点采集的由文本表示的时序数据，由时序数据通过图像转化后形成的图像数据，以及对应的控制器参数；A2、将时序数据输入到ConvTrans网络中进行文本数据特征挖掘，输出向量表示的时序向量特征；将图像数据输入到ResNet-50网络中进行图像数据特征挖掘，输出向量表示的图像向量特征；A3、基于获得的时序向量特征和图像向量特征，分别构建彼此相互对应的时序三元组样本、图像三元组样本，以及组合四元组样本；时序三元组样本表示为{数据采样节点，时序向量特征，控制器参数}；图像三元组样本表示为{数据采样节点，图像向量特征，控制器参数}；组合四元组样本表示为{数据采样节点，时序向量特征，图像向量特征，控制器参数}；A4、分别对各个时序三元组样本和各个图像三元组样本进行聚类处理，以获得相应数量的时序簇和图像簇；获取组合四元组样本中当前时序向量特征所在的时序簇的时序簇心，并用该时序簇心对应的时序向量特征替换该当前时序向量特征；同时获取该组合四元组样本中当前图像向量特征所在的图像簇的图像簇心，并用该图像簇心对应的图像向量特征替换该当前图像向量特征；时序向量特征和图像向量特征均被替换后的组合四元组样本称为初始样本；A5、使用各个初始样本对异质图融合预测网络模型进行训练；通过训练完成的异质图融合预测网络模型预测海上风电输电系统运行过程中的控制器参数；异质图融合预测网络模型包括依次递进的编码模块、特征融合模块和预测模块；异质图融合预测网络模型的处理过程具体如下：步骤一、将各个初始样本输入到编码模块中；在编码模块中，对于单个初始样本进行保留处理，即随机的保留该初始样本中的任意一种数据类型；保留处理具体如下：只保留控制器参数与数据采样节点，或只保留控制器参数与时序向量特征，或只保留控制器参数与图像向量特征；并将经过保留处理后的初始样本记为训练样本；步骤二、以各个训练样本为点，以各个训练样本之间的联系为边，构建初始输入图；步骤三、接着将初始输入图输入到由异质图神经网络构成的特征融合模块中进行特征融合，并且在异质图神经网络内的各层网络中均设定三种独立的权重参数，分别为数据采样节点权重参数、时序权重参数和图像权重参数；当当前层网络的输入数据为数据采样节点、时序向量特征或图像向量特征时，采用对应种类的权重参数对异质图神经网络进行训练；步骤四、在异质图神经网络训练的过程中，基于注意力机制，对于同种类型的数据，采用第一得分公式计算初始输入图中两个点之间的注意力得分；对于不同类型的数据，采用第二得分公式计算初始输入图中两个点之间的注意力得分；步骤五、将特征融合模块中的特征融合结果输入到包含设定数量的全连接层的预测模块中，预测出各个训练样本的控制器参数，然后使用权值损失函数对预测模块中全连接层内的各个权重参数进行训练，并在预测误差小于设定阈值时停止训练，此时得到训练完成的异质图融合预测网络模型。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种基于多模态图网络的输电系统宽频振荡参数辨识方法