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：天生桥二级水力发电有限公司

摘要：本发明提出基于NLP的全站保护定值管理方法及系统，包括：采集保护定值数据，并对数据进行预处理；构建特征提取模型，构建基线模型，使用提取的保护定值特征与基线模型进行对比，检测异常变化并及时进行预警；构建混合深度预测模型，使用时间序列预测模型对历史数据进行保护定值变化趋势的分析，预测提前调整保护定值参数，优化设备运行状态；使用生成对抗网络对保护定值数据进行数据增强，生成高质量的模拟保护定值数据，以增强训练数据集；使用第二变分自编码器对数据增强后的保护定值数据进行降维和特征提取，提取出关键特征；采用强化学习算法训练智能代理，根据环境反馈自动调节保护定值参数。本发明提升保护定值管理的智能化和自动化水平。

主权项：1.基于NLP的全站保护定值管理方法，其特征在于，所述方法包括：S1、使用传感器和监控设备实时采集保护定值数据，并对数据进行预处理，得到预处理后的无标签数据；S2、利用自监督学习算法构建特征提取模型，使用特征提取模型从无标签数据中自动学习保护定值特征，再构建基线模型，使用提取的保护定值特征与基线模型进行对比，检测异常变化并及时进行预警；S3、根据保护定值特征构建混合深度预测模型，使用时间序列预测模型对历史数据进行保护定值变化趋势的分析，根据分析的结果进行预测提前调整保护定值参数，优化设备运行状态；S4、使用生成对抗网络对保护定值数据进行数据增强，生成高质量的模拟保护定值数据，以增强训练数据集；S5、使用第二变分自编码器对数据增强后的保护定值数据进行降维和特征提取，提取出关键特征；S6、采用强化学习算法训练智能代理，根据环境反馈自动调节保护定值参数；所述强化学习算法，设计如下：状态表示为经过第二变分自编码器降维处理后的低维特征表示zt；动作空间为调整保护定值参数的集合奖励函数公式： 其中，表示时间的奖励值，表示性能奖励，表示安全奖励，表示效率奖励，μ,ν,ω表示权重系数；采用深度确定性策略梯度算法，结合注意力机制，使策略网络能够自适应地关注关键特征，动态调整保护定值参数；采用Actor-Critic方法，结合深度确定性策略梯度算法进行训练，更新策略网络和价值网络的参数；根据策略网络输出的动作，动态调整保护定值参数，优化设备运行状态；其中，所述特征提取模型采用一维卷积神经网络进行特征提取；其中，所述一维卷积神经网络的卷积层的输出表示如下： 其中，表示第k个卷积核在位置i的输出，xi+j-1表示输入数据在位置i+j-1的值，表示第k个卷积核的权重，bk表示偏置，M表示卷积核大小；使用自编码器对提取的特征进行编码，生成低维特征表示；引入对比学习设计基于自监督学习的损失函数，通过构建正样本对和负样本对，提高特征提取模型对特征的辨识能力；其中，所述基于自监督学习的损失函数L1由重构误差、对比损失、时间一致性损失和稀疏性损失组成；所述损失函数L1表示如下：L1＝αLrecon+βLcontrastive+γLtime+δLsparse；其中，α、β、γ和δ为损失项的权重系数，分别调节重构误差、对比损失、时间一致性损失和稀疏性损失的影响；Lrecon表示重构误差，Lcontrastive表示对比损失，Ltime表示时间一致性损失，Lsparse表示稀疏性损失；所述重构误差Lrecon表示如下： 其中，fi表示第i个输入特征，表示第i个重建特征，n表示特征数；所述对比损失Lcontrastive表示如下： 其中，hi表示第i个时间步的低维特征表示，k′表示随机选取的负样本对的偏移，δ表示间隔阈值，hi+1表示第i+1个时间步的低维特征表示；所述时间一致性损失Ltime表示如下： 所述稀疏性损失Lsparse表示如下：

全文数据：

权利要求：

百度查询： 天生桥二级水力发电有限公司 基于NLP的全站保护定值管理方法及系统