(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111524401.3 (22)申请日 2021.12.14 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 杨燕　段青言　于洪　王国胤　 余娟　杨知方　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 代理人 王海军 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06F 113/04(2020.01) G06F 119/02(2020.01) (54)发明名称 一种面向大电网可靠性评估的深度神经网 络结果可信性保障方法 (57)摘要 本发明属于电力系统领域， 具体涉及一种面 向大电网可靠性评估的深度神经网络结果可信 性保障方法， 包括根据数据分布情况确定原始场 景与新场景下神经网络模型是否需要更新参数； 若需要更新参数， 则获取新场景的历史数据基于 迁移学习技术对深度神经网络进行快速更新； 针 对完成更新的神经网络模型， 当输入待分析样本 时， 将待检测样本与历史数据进行比较， 若该样 本与历史数据存在相似性， 则将神经网络的预测 结果作为该样本潮流分析结果， 否则通过纯模型 驱动的数值方法对该样本进行潮流分析； 本发明 实现深度神经网络的快速更新， 节省训练样本和 训练时间， 且可有效判断单个样本分类的可信 度， 增加单个样本回归计算的鲁棒 性。 权利要求书2页 说明书10页 附图2页 CN 114297914 A 2022.04.08 CN 114297914 A 1.一种面向大电网可靠性评估的深度神经网络结果可信性保障方法， 其特征在于， 包 括以下步骤： 根据数据分布情况确定原 始场景与新场景 下神经网络模型 是否需要更新 参数； 若需要更新参数， 则获取新场景的历史数据基于迁移学习技术对深度神经网络进行快 速更新； 针对完成更新的神经网络模型， 当输入待分析样本时， 将待检测样本与历史数据进行 比较， 若该样本与历史数据存在相似性， 则将神经网络的预测结果作为该样本潮流分析结 果， 否则通过 纯模型驱动的数值方法对该样本进行潮流分析。 2.根据权利要求1所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障 方法， 其特征在于， 根据原始场景与新场景下 的数据分布差异来确定深度神经网络是否需 要更新， 若两个场景的Jensen ‑Shannon的值为0则不需要更新， 否则需要更新。 3.根据权利要求2所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障 方法， 其特 征在于， 两个场景的Jensen ‑Shannon的值表示 为： 其中， DJS(Do||De)表示原始场景数据分布Do与新场景数据分布De之间Jensen ‑Shannon 的值； DKL(Do||De)为原始场景数据分布Do与新场景数据分布De之间的散度， 表示为 Ω为可靠性评估 模型所有输入输出的变量 集合。 4.根据权利要求1所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障 方法， 其特 征在于， 对深度神经网络进行 快速更新包括以下步骤： 对原始数据进行 预处理； 利用训练好的深度神经网络参数初始化演变场景 下新的深度神经网络； 基于输入的原 始数据， 利用Rm sprop算法对新深度神经网络的所有参数进行微调训练； 根据epoch的迭代次数达到设定值或者训练过程中满足早停法条件确认是否结束微调 训练， 若结束训练则完成神经网络的更新。 5.根据权利要求4所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障 方法， 其特 征在于， 对原 始数据进行 预处理的过程包括： 其中， vmean和vstd分别是原 始数据向量V的平均值和标准偏差 。 6.根据权利要求1所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障 方法， 其特 征在于， 判断样本是否采用神经网络的预测结果作为 其潮流分析的过程包括： 将历史数据基于K ‑均值聚类方法分为k组， 计算待分析的样本与各个聚类中心的欧式 距离； 将与待分析的样本欧式距离最小的类， 并在中找到与待分析的样本欧式距离最小的两 个样本作为相似样本；权　利　要　求　书 1/2 页 2 CN 114297914 A 2如果两个最相似的训练样本的训练误差超过设定 阈值， 则不使用深度神经网络来分析 该测试样本而采用纯模型驱动的方法； 否则， 将使用深度神经网络来分析 该样本。 7.根据权利要求1～6所述的一种面向大电网可靠性评估的深度神经网络结果可信性 保障方法， 其特征在于， 深度神经网络处理最优潮流计算过程中， 样本通过神经网络模型输 出的分类预测结果为一个概率， 通过该概率的值判断神经网络模型输出 的结果是否可信， 并对不可信的样本通过纯模型驱动的数值方法进 行潮流分析， 则判断样本是否可信的过程 为： 其中， 为深度神经网络最优潮流模块的输出。 8.根据权利要求1～6所述的任一一种面向大电网可靠性评估的深度神经网络结果可 信性保障方法， 其特征在于， 深度神经网络处理潮流计算过程中， 在神经网络中引入松弛因 子ξ 以确保对占比为1 ‑λ 的样本不会因为较小的误差e误判存在问题的样本， 则松弛因子ξ与 误差e和 λ 的关系表示 为： 其中， M为系统潮流 参数； M与 分别对应系统潮流 参数的上 下限。权　利　要　求　书 2/2 页 3 CN 114297914 A 3