CN111160419B - 一种基于深度学习的电子式互感器数据分类预测方法及装置 - Google Patents
一种基于深度学习的电子式互感器数据分类预测方法及装置 Download PDFInfo
- Publication number
- CN111160419B CN111160419B CN201911282867.XA CN201911282867A CN111160419B CN 111160419 B CN111160419 B CN 111160419B CN 201911282867 A CN201911282867 A CN 201911282867A CN 111160419 B CN111160419 B CN 111160419B
- Authority
- CN
- China
- Prior art keywords
- data
- classification
- prediction
- network
- set data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于深度学习的电子式互感器数据分类预测方法及装置,所述方法包括:获取所述电子式互感器的原始数据;根据预设规则,预处理所述原始数据,得到预处理数据;根据预处理数据以及分类模型,建立分类网络,判断电子式互感器输入数据的正常情况以及异常情况并分类;根据预处理数据以及预测模型,建立预测网络并预测电子式互感器下一帧数据情况;本发明公开的数据分类预测方法解决了现有技术中存在的网络模型关联规则不准确,过分强调设备之间的关联,拟合度过高以及没有充分利用大数据的问题;提出了一种准确高效的模型,实现了大数据的分类与预测,极大提高数据挖掘的精度,有效降低了运算复杂度。
Description
技术领域
本发明涉及数据分类和预测方法领域,更具体地,涉及一种基于深度学习的电子式互感器数据分类预测方法及装置。
背景技术
随着智能电网建设的快速发展,电网中传感器和智能设备的数量不断增加。同时,为了准确获取设备的运行状态,设备的数据采集点数和采样频率也在增加。因此,电子变压器运行期间获得的设备检查/监测数据量呈指数增长。
在多年的设备运行和客户服务中,电网公司积累了大量的历史数据,包括温度、天气、湿度、地理位置和风速等信息,这些数据由各种传感器以固定的频率采集,占用了大量的存储空间。据专家统计分析,当数据利用率提高10%时,网格利润可提高20%-49%,说明了数据处理的重要性。
现阶段,已经有许多使用神经网络进行数据挖掘的模型,但它们都存在一定的问题:模型中所使用的关联规则并不准确,过分强调了设备之间的关联,拟合度过高以及没有充分利用大数据。
如今,如何解决上述问题,简便高效地挖掘大数据已成为当务之急。
发明内容
为了解决背景技术存在的现有技术中网络模型存在关联规则并不准确,过分强调了设备之间的关联,拟合度过高以及没有充分利用大数据的问题,本发明提供了一种基于深度学习的电子式互感器数据分类预测方法,所述方法包括:
获取所述电子式互感器的原始数据;
根据预设规则,预处理所述原始数据,得到预处理数据;
根据预处理数据以及分类模型,建立分类网络,判断电子式互感器输入数据的正常情况以及异常情况并分类;
根据预处理数据以及预测模型,建立预测网络并预测电子式互感器下一帧数据情况。
进一步的,所述电子式互感器的原始数据包括负荷、温度、湿度、磁场以及震动中的一项或多项。
进一步的,所述根据预设规则,预处理所述原始数据,得到预处理数据包括:
根据异常工作状态下以及正常工作状态下,将所述原始数据进行分类并打上标签,获得异常数据以及正常数据;
将所述异常数据以及正常数据随机混合,按比例划分成分类训练集数据、分类测试集数据以及分类验证集数据;
将所述分类训练集数据、分类测试集数据以及分类验证集数据归一化处理,得到归一化分类训练集数据、归一化分类测试集数据以及归一化分类验证集数据;
将所述原始数据按比例划分为预测训练集数据以及预测验证集数据;
将所述预测训练集数据以及预测验证集数据归一化处理,得到归一化预测训练集数据以及归一化预测验证集数据。
进一步的,所述根据预处理数据以及分类模型,建立分类网络并判断电子式互感器输入数据的正常情况以及异常情况并分类包括:
根据所述归一化分类训练集数据以及反向传播的梯度下降算法进行训练得到初步分类网络;
根据所述归一化分类测试集数据、二进制交叉熵损失函数以及所述反向传播的梯度下降算法,优化所述初步分类网络,得到最终分类网络;
根据所述归一化分类验证集数据以及评估模型,验证所述最终分类网络;
根据所述最终分类网络判断电子式互感器输入数据的正常情况以及异常情况并分类。
进一步的,所述初步分类网络以及所述最终分类网络包括输入层、三个全连接层以及输出层;所述三个全连接层的计算公式为:
y=f(Wx+b)
其中,y为分类出的类别,f为激活函数,w为权重、b为偏置;
所述激活函数包括relu以及sigmoid。
进一步的,所述二进制交叉熵损失函数的公式为,
进一步的,所述根据预处理数据以及预测模型,建立预测网络并预测电子式互感器下一帧数据情况包括:
根据归一化预测训练集数据以及长短期记忆网络,进行训练得到初步预测网络;
根据内置优化器以及损失函数反向传播优化所述初步预测网络,得到最终预测网络;
根据所述归一化预测验证集数据以及评估模型,验证所述最终预测网络;
根据所述最终预测网络预测电子式互感器下一帧数据情况。
进一步的,所述长短期记忆网络包括:
决定丢弃信息、确定存放在细胞状态中的新信息、更新旧细胞状态以及确定输出值。
进一步的,所述评估模型包括使用平均均方误差评估,公式为,
所述一种基于深度学习的电子式互感器数据分类预测装置包括:
获取原始数据单元,所述获取原始数据单元一端与预处理单元相连接;所述获取原始数据单元用于获取所述电子式互感器的原始数据,并将所述原始数据发送至所述预处理单元;
预处理单元,所述预处理单元一端分别与建立分类模型单元以及建立预测模型单元相连接;所述与处理单元用于根据预设规则,预处理所述原始数据得到预处理数据,并将所述预处理数据发送至所述建立分类模型单元以及所述建立预测模型单元;
建立分类模型单元,所述建立分类模型单元用于根据预处理数据以及分类模型,建立分类网络,判断电子式互感器输入数据的正常情况以及异常情况并分类;
建立预测模型单元,所述建立预测模型单元用于根据预处理数据以及预测模型建立预测网络并预测电子式互感器下一帧数据情况。
进一步的,所述装置还包括评估模型单元,所述评估模型单元一端分别与所述建立分类模型单元以及所述建立预测模型单元相连接;
所述模型评估单元用于接收所述建立分类模型单元发送的所述分类网络以及所述建立预测模型单元发送的预测网络;述评估模型单元用于评估所述分类网络以及所述预测网络。
进一步的,所述预处理单元包括:
分类数据集模块,所述分类数据集模块一端与所述获取原始数据单元相连接,另一端与所述建立分类模型单元相连接;
所述分类数据集模块用于根据异常工作状态下以及正常工作状态下,将所述原始数据进行分类并打上标签,获得异常数据以及正常数据;将所述异常数据以及正常数据随机混合,按比例划分成分类训练集数据、分类测试集数据以及分类验证集数据并;归一化处理后得到归一化分类训练集数据、归一化分类测试集数据以及归一化分类验证集数据,并发送至所述所述建立分类模型单元;
预测数据集模块,所述预测数据集模块一端与所述获取原始数据单元相连接,另一端与所述建立预测模型单元相连接;
所述预测数据集模块用于将所述原始数据按比例划分为预测训练集数据以及预测验证集数据;归一化处理后得到归一化预测训练集数据以及归一化预测验证集数据,并发送至所述建立预测模型单元。
进一步的,所述建立分类模型单元包括:
分类训练模块,所述分类训练模块一端与所述预处理单元相连接,另一端与分类测试模块相连接;所述分类训练模块用于根据所述归一化分类训练集数据以及反向传播的梯度下降算法进行训练得到初步分类网络,并将所述初步分类网络发送至所述分类测试模块;
分类测试模块,所述分类测试模块一端与分类验证模块相连接;所述分类测试模块用于根据所述归一化分类测试集数据、二进制交叉熵损失函数以及所述反向传播的梯度下降算法,优化所述初步分类网络,得到最终分类网络,并将所述最终分类网络发送至所述分类验证模块;
分类验证模块,所述分类验证模块用于根据所述归一化分类验证集数据验证所述最终分类网络;根据所述最终分类网络判断电子式互感器输入数据的正常情况以及异常情况并分类。
进一步的,所述建立预测模型单元包括:
预测训练模块,所述预测训练模块一端与所述预处理单元相连接,另一端与预测验证模块相连接;所述预测训练模块用于根据归一化预测训练集数据以及长短期记忆网络,进行训练得到初步预测网络;根据内置优化器以及损失函数反向传播优化所述初步预测网络,得到最终预测网络;并将所述最终预测网络发送至所述预测验证模块;
预测验证模块,所述预测验证模块用于根据所述归一化预测验证集数据,验证所述最终预测网络;根据所述最终预测网络预测电子式互感器下一帧数据情况。
本发明的有益效果为:本发明的技术方案,给出了一种基于深度学习的电子式互感器数据分类预测方法及装置,所述方法包括:获取所述电子式互感器的原始数据;根据预设规则,预处理所述原始数据,得到预处理数据;根据预处理数据以及分类模型,建立分类网络,判断电子式互感器输入数据的正常情况以及异常情况并分类;根据预处理数据以及预测模型,建立预测网络并预测电子式互感器下一帧数据情况;本发明公开的数据分类预测方法解决了现有技术中存在的网络模型关联规则不准确,过分强调设备之间的关联,拟合度过高以及没有充分利用大数据的问题;提出了一种准确高效的模型,实现了大数据的分类与预测,极大提高数据挖掘的精度,有效降低了运算复杂度。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为本发明具体实施方式的一种基于深度学习的电子式互感器数据分类预测方法流程图;
图2为所述分类网络结构图;
图3为所述初步分类网络优化流程图;
图4为分类结果与实际结果的误差结果图;
图5为分类的精度结果图;
图6为最终预测网络的预测结果;
图7为本发明具体实施方式的一种基于深度学习的电子式互感器数据分类预测装置结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为本发明具体实施方式的一种基于深度学习的电子式互感器数据分类预测方法流程图。如图1所示,所述方法包括:
步骤110,获取电子式互感器的原始数据;具体的,本实例中所述电子式互感器的原始数据包括负荷、温度、湿度、磁场以及震动中的一项或多项。
步骤120,根据预设规则,预处理所述原始数据;所述根据预设规则,预处理所述原始数据,得到预处理数据包括:
根据异常工作状态下以及正常工作状态下,将所述原始数据进行分类并打上标签,获得异常数据以及正常数据;
具体的,本实例中根据观察与分析,将所述原始数据分为两类,分别打上标签0和1,0标签为异常工作状态下获取的数据,记为异常数据,1标签为正常工作状态下获取的数据,记为正常数据,将两类数据随机混合,存入数组中;
按比例划分成分类训练集数据、分类测试集数据以及分类验证集数据;
具体的,本实例中以6:2:2的比例划分成分类训练集数据、分类测试集数据以及分类验证集数据;
将所述分类训练集数据、分类测试集数据以及分类验证集数据归一化处理,得到归一化分类训练集数据、归一化分类测试集数据以及归一化分类验证集数据;
将所述原始数据按比例划分为预测训练集数据以及预测验证集数据;
具体的,本实例中将所述原始数据按照比例6.3:3.7划分为预测训练集数据以及预测验证集数据;
将所述预测训练集数据以及预测验证集数据归一化处理,得到归一化预测训练集数据以及归一化预测验证集数据。
步骤130,根据预处理数据以及分类模型,建立分类网络,对所述电子式互感器输入数据分类;
根据所述归一化分类训练集数据以及反向传播的梯度下降算法进行训练得到初步分类网络;
具体的,本实例中将所述归一化分类训练集数据输入误差反向传播算法网络中,得到多组参数;输入的数据为若干条包含温度、湿度、磁场、震动、负荷等信息的21维向量X,它们随机排列;
图2为分类网络的结构图,如图2所示,所述分类网络的结构包括输入层、三个全连接层和输出层;输入数据x1乘以权重系数w1并加上偏差b,然后用激活函数处理输出;中间层的激活函数选用relu和sigmoid;激活函数给神经元引入了非线性因素,当加入多层神经网络时,就可以让神经网络拟合任何线性函数及非线性函数,从而使得神经网络适用于更多的非线性问题,而不仅仅是线性问题;
其中,表示L层中的第j个点到L+1层中的第i个点之间的权重,表示L层中所有点与L+1层中的第i个点之间的偏差,表示L层中的第i个点的输出;w和b分别是层的可训练的权重和偏置,最终输出的y表示分类出的类别;
权重和偏置由网络从观察到的训练数据中学习得到;每个神经层使用y=f(Wx+b)来计算数据,具体计算公式如下:
根据所述归一化分类测试集数据、二进制交叉熵损失函数以及所述反向传播的梯度下降算法,优化所述初步分类网络,得到最终分类网络;
具体的,本实例中将归一化分类测试集数据输入所述初步分类网络,经过完整的前向传输过程后,网络将获得输出结果;通过将网络的输出与实际结果进行比较来计算误差,并且将误差反馈到中间层,具体优化流程如图3所示,随着通过优化器的训练次数的增加,误差变得越来越小;
本发明使用二进制交叉熵损失函数解决二进制分类问题,公式如下:
将特定损失函数Ed代入偏导数以获得误差项的特定表达式;然后,可以通过代入以上两个公式来计算输出层中的权重和偏差项的梯度更新;当L为中间层时,根据复合函数的链式再次求解;网络每一层的权重和偏差通过反向传播不断更新;该网络通过正向传输进行训练,并通过连续反向传输进行优化,得到最终分类网络;
根据所述归一化分类验证集数据以及评估模型,验证所述最终分类网络;
具体的,本实例中将归一化分类验证集数据去除标签后,输入最终分类网络中,输出分类结果:0/1;0表示判定为异常数据,1表示判定为正常数据;将所得的结果通过评估模型,可得图4和图5两个结果图;图4是分类结果与实际结果的误差结果图,横坐标表示迭代次数,纵坐标表示分类误差;图5是分类的精度结果图,横坐标表示迭代次数,纵坐标表示分类精度;通过以上两幅分类结果图可以看到在第十次迭代之后,分类网络的损失值已达到很小的水平,并且分类的精度接近100%,在二十次迭代后损失值接近零,表明最终分类网络可对电子式互感器输入数据进行高效、准确地分类;
根据所述最终分类网络判断电子式互感器输入数据的正常情况以及异常情况并分类。
步骤140,根据预处理数据及预测模型,建立预测网络并预测电子式互感器下一帧数据情况;
根据归一化预测训练集数据以及长短期记忆网络,进行训练得到初步预测网络;
根据内置优化器以及损失函数反向传播优化所述初步预测网络,得到最终预测网络;
具体的,本实例中将归一化预测训练集数据打乱顺序后输入预测模型,用于训练网络,利用内置优化器和损失函数反向传播不断更新优化网络参数,根据损失值不断调整网络的超参数,得到最终预测网络;
若使用递归神经网络,输入的时间序列过长,则在反向传播时,会出现“梯度消失”问题;解决“消失梯度问题”,我们可以更换激活函数,比如采用relu激活函数,但是更好的办法是使用添加记忆单元的长短期记忆网络或者门控循环单元架构的网络;
长短期记忆网络是递归神经网络的一个变体,长短期记忆网络在具有神经网络重复模块链形式的递归神经网络的基础上改进,输入门层决定将要更新的值,通过增加的遗忘门控制上一时刻单元状态的存储,从输出门得到对本时刻的预测;增加的遗忘门使原来的单元具有记忆功能,可以移除或添加信息到结点来改变信息流状态,并且可以有效地避免RNN网络的梯度消失问题;
进一步的,所述长短期记忆网络包括,
决定丢弃信息;这个决定通过一个称为遗忘门层完成;该门会读取上一个细胞的输出h(t-1)和当前细胞的输入x(t),输出一个在0到1之间的数值给每个在细胞状态c(t-1)中的数字;1表示“完全保留”,0表示“完全舍弃”;ft=σ(Wf·[ht-1,xt]+bf)表示遗忘上一层隐藏细胞状态的概率;其中,σ(·)表示sigmod函数,W表示权重,b表示偏差;
确定存放在细胞状态中的新信息;这里包含两个部分,第一,sigmoid层,也称“输入门层”通过it=σ(Wi·[ht-1,xt]+bi)决定将要更新什么值,it即为保留隐藏细胞状态的概率;第二,用一个tanh层创建一个新的候选值向量Ct'=tanh(WC·[ht-1,xt]+bC),然后两者相乘去更新细胞状态;其中,σ(·)表示sigmod函数,tanh(·)表示tanh函数;
更新旧细胞状态,将细胞状态ct-1更新为ct;前面的步骤已经决定了将要做什么,这一步是实际去完成;将旧状态与遗忘上一层隐藏细胞状态的概率ft相乘,丢弃需要丢弃的信息。接着加上it*c't;这就是新的候选值Ct=ft*Ct-1+it*C't,根据我们决定更新每个状态的程度进行变化;
确定输出值;这个输出将会基于细胞状态,但是也是一个过滤后的版本;首先,运行一个sigmoid层根据ot=σ(Wo·[ht-1,xt]+bo)来确定细胞状态的哪个部分将输出出去,ot即为输出隐藏细胞状态的概率;接着,把细胞状态通过tanh进行处理(得到一个在-1到1之间的值)并将它和sigmoid门的输出相乘,最终仅仅会输出确定输出的那部分ht=ot*tanh(Ct);
根据所述归一化预测验证集数据以及评估模型,验证所述最终预测网络;
将归一化预测验证集数据导入最终预测网络,验证所述最终预测网络的泛化能力,评估最终最终网络;图6是最终预测网络的预测结果,横坐标表示迭代次数,纵坐标表示预测误差;通过预测结果图可以看到在第二十次迭代后,预测网络的损失值已达到很小的水平;与其他机器学习方法相比,本发明的模型效果有了很大的改进;
根据所述最终预测网络预测电子式互感器下一帧数据情况。
进一步的,所述评估模型包括使用平均均方误差评估,公式为,
图7为本发明具体实施方式的一种基于深度学习的电子式互感器数据分类预测装置结构图。如图7所示,所述装置包括:
获取原始数据单元1,所述获取原始数据单元1一端与预处理单元2相连接;所述获取原始数据单元1用于获取所述电子式互感器的原始数据,并将所述原始数据发送至所述预处理单元2;
预处理单元2,所述预处理单元2一端分别与建立分类模型单元3以及建立预测模型单元4相连接;所述与处理单元2用于根据预设规则,预处理所述原始数据得到预处理数据,并将所述预处理数据发送至所述建立分类模型单元3以及所述建立预测模型单元4;
建立分类模型单元3,所述建立分类模型单元3用于根据预处理数据以及分类模型,建立分类网络,判断电子式互感器输入数据的正常情况以及异常情况并分类;
建立预测模型单元4,所述建立预测模型单元4用于根据预处理数据以及预测模型建立预测网络并预测电子式互感器下一帧数据情况。
进一步的,所述装置还包括评估模型单元5,所述评估模型单元一端分别与所述建立分类模型单元3以及所述建立预测模型单元4相连接;
所述模型评估单元用5于接收所述建立分类模型单元3发送的所述分类网络以及所述建立预测模型单元4发送的预测网络;所述评估模型单元5用于评估所述分类网络以及所述预测网络。
进一步的,所述预处理单元2包括:
分类数据集模块21,所述分类数据集模块21一端与所述获取原始数据单元1相连接,另一端与所述建立分类模型单元3相连接;
所述分类数据集模块21用于根据异常工作状态下以及正常工作状态下,将所述原始数据进行分类并打上标签,获得异常数据以及正常数据;将所述异常数据以及正常数据随机混合,按比例划分成分类训练集数据、分类测试集数据以及分类验证集数据并;归一化处理后得到归一化分类训练集数据、归一化分类测试集数据以及归一化分类验证集数据,并发送至所述所述建立分类模型单元3;
预测数据集模块22,所述预测数据集模块22一端与所述获取原始数据单元1相连接,另一端与所述建立预测模型单元4相连接;
所述预测数据集模块22用于将所述原始数据按比例划分为预测训练集数据以及预测验证集数据;归一化处理后得到归一化预测训练集数据以及归一化预测验证集数据,并发送至所述建立预测模型单元4。
进一步的,所述建立分类模型单元3包括:
分类训练模块31,所述分类训练模块一端31与所述预处理单元2相连接,另一端与分类测试模块32相连接;所述分类训练模块31用于根据所述归一化分类训练集数据以及反向传播的梯度下降算法进行训练得到初步分类网络,并将所述初步分类网络发送至所述分类测试模块32;
分类测试模块32,所述分类测试模块32一端与分类验证模块33相连接;所述分类测试模块32用于根据所述归一化分类测试集数据、二进制交叉熵损失函数以及所述反向传播的梯度下降算法,优化所述初步分类网络,得到最终分类网络,并将所述最终分类网络发送至所述分类验证模块33;
分类验证模块33,所述分类验证模块33用于根据所述归一化分类验证集数据验证所述最终分类网络;根据所述最终分类网络判断电子式互感器输入数据的正常情况以及异常情况并分类。
进一步的,所述建立预测模型单元4包括:
预测训练模块41,所述预测训练模块41一端与所述预处理单元2相连接,另一端与预测验证模块42相连接;所述预测训练模块41用于根据归一化预测训练集数据以及长短期记忆网络,进行训练得到初步预测网络;根据内置优化器以及损失函数反向传播优化所述初步预测网络,得到最终预测网络;并将所述最终预测网络发送至所述预测验证模块42;
预测验证模块42,所述预测验证模块42用于根据所述归一化预测验证集数据,验证所述最终预测网络;根据所述最终预测网络预测电子式互感器下一帧数据情况。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。本说明书中涉及到的步骤编号仅用于区别各步骤,而并不用于限制各步骤之间的时间或逻辑的关系,除非文中有明确的限定,否则各个步骤之间的关系包括各种可能的情况。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如,在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。
以上所述仅是本公开的具体实施方式,应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开精神的前提下,可以作出若干改进、修改、和变形,这些改进、修改、和变形都应视为落在本申请的保护范围内。
Claims (6)
1.一种基于深度学习的电子式互感器数据分类预测方法,其特征在于,所述方法包括:
获取所述电子式互感器的原始数据;
根据预设规则,预处理所述原始数据,得到预处理数据,包括:
根据异常工作状态下以及正常工作状态下,将所述原始数据进行分类并打上标签,获得异常数据以及正常数据;
将所述异常数据以及正常数据随机混合,按比例划分成分类训练集数据、分类测试集数据以及分类验证集数据;
将所述分类训练集数据、分类测试集数据以及分类验证集数据归一化处理,得到归一化分类训练集数据、归一化分类测试集数据以及归一化分类验证集数据;
将所述原始数据按比例划分为预测训练集数据以及预测验证集数据;
将所述预测训练集数据以及预测验证集数据归一化处理,得到归一化预测训练集数据以及归一化预测验证集数据;
根据预处理数据以及分类模型,建立分类网络,判断电子式互感器输入数据的正常情况以及异常情况并分类,包括:
根据所述归一化分类训练集数据以及反向传播的梯度下降算法进行训练得到初步分类网络;
根据所述归一化分类测试集数据、二进制交叉熵损失函数以及所述反向传播的梯度下降算法,优化所述初步分类网络,得到最终分类网络;
根据所述归一化分类验证集数据以及评估模型,验证所述最终分类网络;
根据所述最终分类网络判断电子式互感器输入数据的正常情况以及异常情况并分类;
根据预处理数据以及预测模型,建立预测网络并预测电子式互感器下一帧数据情况,包括:
根据归一化预测训练集数据以及长短期记忆网络,进行训练得到初步预测网络;
根据内置优化器以及损失函数反向传播优化所述初步预测网络,得到最终预测网络;
根据所述归一化预测验证集数据以及评估模型,验证所述最终预测网络;
根据所述最终预测网络预测电子式互感器下一帧数据情况,其中,所述评估模型包括使用平均均方误差评估,公式为,
2.根据权利要求1所述的方法,其特征在于,所述电子式互感器的原始数据包括负荷、温度、湿度、磁场以及震动中的一项或多项。
3.根据权利要求1所述的方法,其特征在于,所述初步分类网络以及所述最终分类网络包括输入层、三个全连接层以及输出层;所述三个全连接层的计算公式为:
y=f(Wx+b)
其中,y为分类出的类别,f为激活函数,w为权重、b为偏置;
所述激活函数包括relu以及sigmoid。
5.根据权利要求1所述的方法,其特征在于,所述长短期记忆网络包括:
决定丢弃信息、确定存放在细胞状态中的新信息、更新旧细胞状态以及确定输出值。
6.一种基于深度学习的电子式互感器数据分类预测装置,其特征在于,所述装置包括:
获取原始数据单元,所述获取原始数据单元一端与预处理单元相连接;所述获取原始数据单元用于获取所述电子式互感器的原始数据,并将所述原始数据发送至所述预处理单元;
预处理单元,所述预处理单元一端分别与建立分类模型单元以及建立预测模型单元相连接;所述预处理单元用于根据预设规则,预处理所述原始数据,得到预处理数据,并将所述预处理数据发送至所述建立分类模型单元以及所述建立预测模型单元,包括:
分类数据集模块,所述分类数据集模块一端与所述获取原始数据单元相连接,另一端与所述建立分类模型单元相连接;
所述分类数据集模块用于根据异常工作状态下以及正常工作状态下,将所述原始数据进行分类并打上标签,获得异常数据以及正常数据;将所述异常数据以及正常数据随机混合,按比例划分成分类训练集数据、分类测试集数据以及分类验证集数据;将所述分类训练集数据、分类测试集数据以及分类验证集数据归一化处理后得到归一化分类训练集数据、归一化分类测试集数据以及归一化分类验证集数据,并发送至所述建立分类模型单元;
预测数据集模块,所述预测数据集模块一端与所述获取原始数据单元相连接,另一端与所述建立预测模型单元相连接;
所述预测数据集模块用于将所述原始数据按比例划分为预测训练集数据以及预测验证集数据;将所述预测训练集数据以及预测验证集数据归一化处理后得到归一化预测训练集数据以及归一化预测验证集数据,并发送至所述建立预测模型单元;
建立分类模型单元,所述建立分类模型单元用于根据预处理数据以及分类模型,建立分类网络,判断电子式互感器输入数据的正常情况以及异常情况并分类,包括:
分类训练模块,所述分类训练模块一端与所述预处理单元相连接,另一端与分类测试模块相连接;所述分类训练模块用于根据所述归一化分类训练集数据以及反向传播的梯度下降算法进行训练得到初步分类网络,并将所述初步分类网络发送至所述分类测试模块;
分类测试模块,所述分类测试模块一端与分类验证模块相连接;所述分类测试模块用于根据所述归一化分类测试集数据、二进制交叉熵损失函数以及所述反向传播的梯度下降算法,优化所述初步分类网络,得到最终分类网络,并将所述最终分类网络发送至所述分类验证模块;
分类验证模块,所述分类验证模块用于根据所述归一化分类验证集数据验证所述最终分类网络;根据所述最终分类网络判断电子式互感器输入数据的正常情况以及异常情况并分类;
建立预测模型单元,所述建立预测模型单元用于根据预处理数据以及预测模型建立预测网络并预测电子式互感器下一帧数据情况,包括:
预测训练模块,所述预测训练模块一端与所述预处理单元相连接,另一端与预测验证模块相连接;所述预测训练模块用于根据归一化预测训练集数据以及长短期记忆网络,进行训练得到初步预测网络;根据内置优化器以及损失函数反向传播优化所述初步预测网络,得到最终预测网络;并将所述最终预测网络发送至所述预测验证模块;
预测验证模块,所述预测验证模块用于根据所述归一化预测验证集数据以及评估模型单元的评估模型,验证所述最终预测网络;根据所述最终预测网络预测电子式互感器下一帧数据情况;评估模型单元,所述评估模型单元一端分别与所述建立分类模型单元以及所述建立预测模型单元相连接;
所述评估模型单元用于接收所述建立分类模型单元发送的所述分类网络以及所述建立预测模型单元发送的预测网络;所述评估模型单元用于评估所述分类网络以及所述预测网络,其中,所述评估模型包括使用平均均方误差评估,公式为,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911282867.XA CN111160419B (zh) | 2019-12-13 | 2019-12-13 | 一种基于深度学习的电子式互感器数据分类预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911282867.XA CN111160419B (zh) | 2019-12-13 | 2019-12-13 | 一种基于深度学习的电子式互感器数据分类预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160419A CN111160419A (zh) | 2020-05-15 |
CN111160419B true CN111160419B (zh) | 2023-04-18 |
Family
ID=70557056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911282867.XA Active CN111160419B (zh) | 2019-12-13 | 2019-12-13 | 一种基于深度学习的电子式互感器数据分类预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160419B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112763963A (zh) * | 2020-11-26 | 2021-05-07 | 中国电力科学研究院有限公司 | 一种基于深度网络对互感器进行在线监控的系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN107846012A (zh) * | 2017-09-27 | 2018-03-27 | 国网湖北省电力公司 | 一种基于深度学习技术的电力系统暂态稳定评估方法 |
CN108710099A (zh) * | 2018-05-24 | 2018-10-26 | 广州供电局有限公司 | 电容式电压互感器监测告警方法和系统 |
CN109800858A (zh) * | 2018-12-21 | 2019-05-24 | 东软集团股份有限公司 | 数据异常检测方法、装置、可读存储介质及电子设备 |
CN109922038A (zh) * | 2018-12-29 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种用于电力终端的异常数据的检测方法及装置 |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
CN110363395A (zh) * | 2019-06-21 | 2019-10-22 | 昆明理工大学 | 一种山地变电站电气设备的风险预警方法 |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
-
2019
- 2019-12-13 CN CN201911282867.XA patent/CN111160419B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107846012A (zh) * | 2017-09-27 | 2018-03-27 | 国网湖北省电力公司 | 一种基于深度学习技术的电力系统暂态稳定评估方法 |
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN108710099A (zh) * | 2018-05-24 | 2018-10-26 | 广州供电局有限公司 | 电容式电压互感器监测告警方法和系统 |
CN109800858A (zh) * | 2018-12-21 | 2019-05-24 | 东软集团股份有限公司 | 数据异常检测方法、装置、可读存储介质及电子设备 |
CN109922038A (zh) * | 2018-12-29 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种用于电力终端的异常数据的检测方法及装置 |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
CN110363395A (zh) * | 2019-06-21 | 2019-10-22 | 昆明理工大学 | 一种山地变电站电气设备的风险预警方法 |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111160419A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062561B (zh) | 一种基于长短时记忆网络模型的短时数据流预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
CN109117883B (zh) | 基于长短时记忆网络的sar影像海冰分类方法及系统 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111626821B (zh) | 基于集成特征选择实现客户分类的产品推荐方法及系统 | |
CN106709588B (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
CN112015863A (zh) | 一种基于图神经网络的多元特征融合中文文本分类方法 | |
CN111144552A (zh) | 一种粮食品质多指标预测方法及装置 | |
CN111597340A (zh) | 一种文本分类方法及装置、可读存储介质 | |
CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
Mylonas et al. | Conditional variational autoencoders for probabilistic wind turbine blade fatigue estimation using Supervisory, Control, and Data Acquisition data | |
CN115277354A (zh) | 一种面向指挥控制网络管理系统的故障检测方法 | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及系统 | |
Zhang et al. | Evaluation of judicial imprisonment term prediction model based on text mutation | |
US20220269991A1 (en) | Evaluating reliability of artificial intelligence | |
CN112616160B (zh) | 一种智能短波频率跨频段实时预测方法及系统 | |
Petrlik et al. | Multiobjective selection of input sensors for svr applied to road traffic prediction | |
CN113538029A (zh) | 用户行为数据预测方法、装置、设备及介质 | |
Pandey et al. | Framework for Stock Market Prediction using Deep Learning Technique | |
CN114330924B (zh) | 基于生成式对抗网络的复杂产品变更强度预测方法 | |
CN113379125B (zh) | 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |