CN112149898B - 故障率预测模型的训练、故障率预测方法及相关装置 - Google Patents
故障率预测模型的训练、故障率预测方法及相关装置 Download PDFInfo
- Publication number
- CN112149898B CN112149898B CN202010996213.XA CN202010996213A CN112149898B CN 112149898 B CN112149898 B CN 112149898B CN 202010996213 A CN202010996213 A CN 202010996213A CN 112149898 B CN112149898 B CN 112149898B
- Authority
- CN
- China
- Prior art keywords
- rate prediction
- characteristic data
- prediction model
- failure rate
- transmission line
- 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
- 238000012549 training Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000005540 biological transmission Effects 0.000 claims abstract description 109
- 230000007613 environmental effect Effects 0.000 claims abstract description 55
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 27
- 239000002245 particle Substances 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013075 data extraction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
Abstract
本发明实施例提供了故障率预测模型的训练、故障率预测方法及相关装置,该方法包括:收集引发输电线路故障的环境因素,作为原始统计数据;按照过滤式筛选、迭代寻优的方式,从原始统计数据中提取有关输电线路故障的特征数据,作为原始特征数据;以部分原始特征数据作为训练的样本,训练故障率预测模型;以部分原始特征数据作为测试的样本,对故障率预测模型进行测试。对原始统计数据进行过滤和寻优,可获取与输电线路故障信息关联最为密切的原始特征数据,使用原始特征数据训练故障率预测模型,采用该模型对输电线路的实时故障概率进行计算,可以提高故障率预测的效率,缩减故障率预测的周期,降低故障率预测的成本。
Description
技术领域
本发明实施例涉及故障检测技术,尤其涉及故障率预测模型的训练、故障率预测方法及相关装置。
背景技术
输电线路的实时故障概率(故障率)的计算是进行电力系统在线风险评估以及实时可靠性计算的重要组成部分。
传统的电网可靠性评估采用固定不变的元件年均故障率模型来计算系统中长期的可靠性水平,然而恒定的平均故障率无法描述历史运行条件和未来运行条件对线路故障的影响,在预测精度上有很大的局限性,难以适应电力系统短期风险评估需求。
输电线路故障与灾害性天气具有较强的相关性,特别是外部气象环境因素。许多文献研究了气候对输电输变电设备的可靠性的影响,常采用两态或者多态模型来预测不同的天气状况下的设备故障率。在现有的输电线路故障率预测模型中,通常利用历史统计数据进行故障率的预测,这种预测方式存在数据统计周期性长、成本较高的问题。
发明内容
本发明提供一种故障率预测模型的训练、故障率预测方法及相关装置,以解决故障率预测周期性长、成本较高的问题。
第一方面,本发明实施例提供了一种故障率预测模型的训练方法,该训练方法包括:
收集引发输电线路故障的环境因素,作为原始统计数据;
按照过滤式筛选、迭代寻优的方式,从所述原始统计数据中提取有关所述输电线路故障的特征数据,作为原始特征数据;
以部分所述原始特征数据作为训练的样本,训练故障率预测模型;
以部分所述原始特征数据作为测试的样本,对所述故障率预测模型进行测试。
第二方面,本发明实施例提供了一种故障率预测方法,该故障率预测方法包括:
确定故障率预测模型;
收集引发输电线路故障的环境因素,作为目标统计数据;
按照过滤式筛选、迭代寻优的方式,从所述目标统计数据中提取有关所述输电线路故障的特征数据,作为目标特征数据;
将所述目标特征数据输入所述故障率预测模型中进行处理,以预测所述输电线路发生故障的概率。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的故障率预测模型的训练方法或者如第二方面所述的故障率预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的故障率预测模型的训练方法或者如第二方面所述的故障率预测方法。
本发明通过收集引发输电线路故障的环境因素,作为原始统计数据,按照过滤式筛选、迭代寻优的方式,从所述原始统计数据中提取有关所述输电线路故障的特征数据,作为原始特征数据;以部分所述原始特征数据作为训练的样本,训练故障率预测模型;以部分所述原始特征数据作为测试的样本,对所述故障率预测模型进行测试。对原始统计数据进行过滤式筛选和迭代寻优,可以将具有不同量纲的多种环境因素转换为量纲统一、且具有高区分度的特征量,并可以进一步从众多代表环境因素的特征量中筛选出最优化的、与输电线路故障信息关联最为密切的原始特征数据,综合分析多种环境因素对输电线路造成故障的影响,在一定程度上可以克服单一环境因素对输电线路故障率进行预测的局限性,将部分原始特征数据作为故障率预测模型的训练样本,对故障率预测模型进行反复训练以确定模型的最终参数,再以部分原始特征数据作为故障率预测模型的测试样本,评估故障率预测模型对故障率预测的准确率,采用准确率达标的故障率预测模型对输电线路发生故障的概率进行计算,可以提高输电线路的故障检测效率,缩减故障率预测的周期,降低故障率预测的成本。
附图说明
图1为本发明实施例一提供的一种故障率预测模型的训练方法的流程图;
图2为本发明实施例二提供的一种故障率预测方法的流程图;
图3为本发明实施例二提供的一种故障率预测模型的网络结构示意图;
图4为本发明实施例三提供的一种故障率预测模型的训练装置的结构示意图;
图5为本发明实施例四提供的一种故障率预测装置的结构示意图;
图6为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
结合输电线路中的历史故障统计数据,对故障跳闸情况进行统计分析,主要有雷电、污闪、风害、覆冰、火灾、舞动、异物、机械破坏、树线放电、鸟害等多种危害架空输电线路安全运行的环境因素,除此之外,温度(最高最低温度)、湿度、海拔高度等环境因素也与输电线路的故障有关联。
在输电线路故障率预测的相关技术中,多数预测模型仅考虑雷电、覆冰、污闪、大风等单个恶劣天气条件的外部环境因素,对输电线路的故障率在这些单个外部环境因素下的故障率进行预测,却忽略了雷电、覆冰、大风等外部环境因素对造成输电线路故障的相互作用,没有综合考虑所有外部环境因素对输电线路故障的影响,因而在预测的精度上面存在一定的局限性。
然而,本方案运用了多种环境因素进行故障率的预测,从宏观的层面分析多种环境因素对输电线路造成故障的因果联系,可以克服单一环境因素用于预测故障率的精度存在局限性的问题。再者,本方案考虑到实际数据的采集难度和表示环境因素的特征量的复杂性,采用粒子群算法和拉普拉斯筛选器对特征量进行降维处理,得到权重较大的关键特征量作为模型的输入量,建立故障率预测模型,训练完善的故障率预测模型可以用于实时检测输电线路中的故障,并可以及时分析多种环境因素对输电线路的影响,对输电线路中的故障率进行预测。
实施例一
图1为本发明实施例一提供的一种故障率预测模型的训练方法的流程图,本实施例可适用于收集外部环境因素的统计数据对输电线路的故障率进行预测的情况,该方法可以由故障率预测模型的训练装置来执行,该故障率预测模型的训练装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、工作站、个人电脑,等等,该方法具体包括如下步骤:
S101、收集引发输电线路故障的环境因素,作为原始统计数据。
在本实施例中,引发输电线路故障的环境因素包括雷电、污闪、风害、覆冰、火灾、舞动、异物、机械破坏、树线放电、鸟害、温度、湿度、海拔高度,等等外部环境条件。为了分析输电线路在这些外部环境条件作用下发生故障的概率,需要对外部环境条件做量化处理,以获取量化后的环境因素。
其中,量化后的环境因素可分为实时性数据和积累性数据。具体的,实时性数据的获取是指选择输电线路故障时刻的环境因素的量化数据,例如:火警等级1~5级、覆冰的厚度、风力等级0~17级、所在鸟害区的等级1~4级(或根据鸟害年发生次数)、湿度大小、最高温度和最低温度、输电线路海拔高度,等等,按月统计这些量化数据的算术平均值,即得到实时性数据;积累性数据的获取则是选择在输电线路故障发生前的积累天数除以故障次数或者故障发生的次数,针对不同的环境因素有不同的量化处理方式,例如:将每次故障前的积污天数除以故障次数取算术平均值、异物故障发生的次数、地闪密度对应的雷暴日、机械外破坏次数、线路故障前距离上一次砍树的时间的算术平均值,以上数据均以月为单位统计故障发生的次数。
在本实施例中,可以统计历年来发生输电线路故障时刻的环境因素,以月为单位,收集历年来每个月里引发输电线路故障的环境因素,对这些环境因素进行量化,将量化后的环境因素作为原始统计数据。
S102、按照过滤式筛选、迭代寻优的方式,从原始统计数据中提取有关输电线路故障的特征数据,作为原始特征数据。
在本实施例中,可以采用相关的特征过滤算法对原始统计数据进行数据特征的筛选,在特征筛选的过程中为了快速获取到最优化的特征数据,可以再结合相关的优化算法对原始统计数据进行特征的搜索和特征的优化迭代。例如,可以选择拉普拉斯筛选器作为特征过滤算法,选择粒子群算法作为优化搜索算法。
在一种具体实现方式中,S102包括如下具体步骤:
S1021、对原始统计数据进行归一化处理,得到第一特征数据。
S1022、采用拉普拉斯筛选器对第一特征数据进行过滤式筛选,得到第二特征数据。
拉普拉斯筛选器属于无监督过滤式特征选择方法,可以根据特征数据中的距离信息来衡量特征数据对预设规则的贡献程度,该方法能快速有效地筛选符合预设规则期望的特征数据。拉普拉斯筛选器通过图结构来计算拉普拉斯得分、以寻找最优的特征数据。
作为一个示例,Lr表示第r个特征数据的拉普拉斯得分,fri表示第i(i=1,…,n)个样本中的第r个特征数据,该算法过程描述如下:
首先,构建给定的样本Zi,i=1,…,n;结合本示例,每个样本包含所有的环境因素所表征的第一特征数据,将每个样本记为一个节点,第i个节点记为Zi,Zn表示第n个节点,根据n个节点建立一个最近邻图G。当节点Zj与Zi相邻时,即Zi是Zj的k近邻中的一点,或者,Zj是Zi的k近邻中的一点,则在节点i和j之间建立一条边,在最近邻图G中,用一条边连接两个节点,并在两个节点上标记相同的标签。
其次,构建最近邻图G的权重矩阵S,以图G的权重矩阵S建构数据空间的局部结构,如果节点i和j是相连的,记权重矩阵中的元素其中,t是一个常数,若节点i和j不连通,则记Sij=0。
再次,对于第r个特征数据,定义为:fr=[fr1,fr2,...,frm]T,定义权重矩阵S的对角化矩阵为:D=diag(S1),单位矩阵为:1=[1,...,1]T,定义矩阵L=D-S,矩阵L也称为拉普拉斯图,再次定义:
最后计算并得出第r个特征数据的拉普拉斯得分为:
同时,拉普拉斯目标函数可以写成:
其中,Var(fr)表示第r个特征数据的方差估计值。
选择拉普拉斯得分越小的特征数据作为筛选出的特征数据,即使得上述拉普拉斯目标函数取值最小化的特征数据。
在本实施例的一种示例中,可以计算第一特征数据的欧式距离,根据第一特征数据的距离信息,计算第一特征数据的拉普拉斯得分;按照拉普拉斯得分对第一特征数据进行升序排序;按照预设的规则选取第一特征数据,以第一特征数据构建特征矩阵,以特征矩阵作为第二特征数据。其中,预设的规则可以是从排序后的第一特征数据集合中挑选出拉普拉斯得分小于预设的阈值的数据;或者,还可以是从排序后的第一特征数据集合中挑选出拉普拉斯得分大于等于预设的阈值的数据。
对于一个连续性特征,该特征会在欧式距离较近的样本中的数值变化程度小,在欧式距离较远的样本间,其数值变化程度大,那么可以判定这样的一个特征是有一个优选特征,因此,利用拉普拉斯筛选器对第一特征数据进行筛选,通过计算每个特征数据的拉普拉斯得分来判断第一特征数据的数值波动情况,根据数值波动情况可以挑选出区分度最高的特征数据作为优选的特征数据。
S1023、基于粒子群算法对第二特征数据进行迭代寻优,以从第二特征数据中提取有关输电线路故障的特征数据,作为原始特征数据。
粒子群算法是一种迭代的群优化算法,具有简单易行,收敛速度快,设置参数少等优点。群体中每个粒子表示问题的一个潜在解,并有一个适应度值与之对应。粒子以一定的速度在搜索空间运动,并根据自身和其它粒子的状态对速度和位置进行动态的调整,寻找最优解。
在D维空间中,假设存在N个粒子,每个粒子可视为D维搜索空间中的一个搜索个体,粒子的当前位置即为对应优化问题的一个候选解,粒子的飞行过程即为该个体的搜索过程.粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整.粒子仅具有两个属性:速度和位置,速度代表移动的快慢,位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值,粒子群中最优的个体极值作为当前全局最优解。对粒子进行不断迭代,更新每个粒子的速度信息和位置信息,最终得到满足终止条件的最优解。
其中,粒子的更新公式如下:
粒子i的第d维速度更新公式:
粒子i的第d维位置更新公式:
其中,为第k次迭代粒子i的速度的第d维分量,/>为第k次迭代粒子i位置的第d维分量,/>是粒子i局部最优值的第d维分量,/>是全局最优值的第d维分量,w是惯性权重,c1和c2学习因子,r1和r2是(0,1)的随机数。
设优化目标为寻找最小值(即粒子群中最优的个体极值),则和/>的更新方式为:
其中,f(.)是目标函数,N为粒子群中的粒子的总数。
在本实施例的一种实现方式中,可以将第二特征数据作为搜索空间中的粒子,获取粒子的速度信息和位置信息,对粒子的速度信息和位置信息进行更新迭代,在更新迭代的过程中,将每次更新后的速度信息和位置信息代入粒子群算法的计算公式中,求取每个粒子的个体极值和粒子群中最优的个体极值,即找到局部最优解和全局最优解,判断全局最优解是否满足最小界限,或者,判断更新迭代的次数是否达到上限,以迭代次数和最小界限作为预设的收敛条件,若满足预设的收敛条件,则将当前粒子设置为有关输电线路故障的特征数据,作为原始特征数据。
S103、以部分原始特征数据作为训练的样本,训练故障率预测模型。
卷积神经网络(Convolutional Neural Network,CNN)是一类特殊的深层的前馈神经网络,是深度学习的代表算法之一。与传统的神经网络相比,卷积神经网络的结构更加复杂,主要包括输入层、卷积层、池化层、全连接层和输出层五个部分。通常卷积层和池化层根据需要把多个卷积层和池化层交替连接,通过卷积层和池化层的堆叠以增强网络的表达能力。
其中,卷积层主要用于特征提取,卷积层上多个特征图的每个神经元通过卷积核与上一层特征图的局部区域相连。卷积层的输入输出之间的对应关系如下:
其中,xi表示输入信号,n个输入信号同时输入神经元j,表示卷积操作,wij表示输入信号xi与神经元j连接的权重值,bj为偏置值,yj为神经元的输出。f(.)是激活函数,用于对卷积层的输出结果做非线性映射。常用的激活函数有Sigmoid,tanh,ReLU等。
池化层用于降采样,主要作用是降低参数的维度。所谓池化,是降采样操作,即在一个小区域内,采取一个特定的值作为输出值。其主要意义是:减少计算量,刻画平移不变性;降低下一层的输入维度,有效控制过拟合风险。一般情况下,卷积层和池化层交替出现,池化层的每一个特征图唯一对应前一层的一个特征图,因此池化层的特征图数量与前一层的特征图数量相同。
全连接层一般在网络的末端。在CNN中,多个卷积层和池化层后连接着一个或多个全连接层。全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。
神经网络可以看作是一种函数映射,而神经网络的训练过程是一个函数优化求解的过程。优化求解的目标就是不断更新该神经网络所包含的参数(一般为权值和偏置),将预先处理的包含目标特征的样本作为输入的数据,经过神经网络的计算,使得输出的预测值和预先设定的输出预期(与目标特征相关联)之间的损失值最小。
神经网络训练的过程就是参数更新的过程:计算目标函数在当前参数的梯度方向,然后根据损失值和学习速率,计算参数的更新幅度,在梯度相反方向更新参数。
为使本领域技术人员更好地理解本实施例,在本实施例中,将CNN作为故障率预测模型的一种示例进行说明。需要说明的是,本发明所提出的技术方案是一种故障率检测的技术框架,本发明实施例对故障率预测模型的选用不作任何限定。
在本示例中,为了验证设计的神经网络的运算和预测能力,将原始特征数据和与原始特征数据相对应的输电线路中的真实故障率作为输入和输出,分别划分为训练样本集和测试样本集。训练样本集用以训练网络权值,测试样本集用来验证模型的准确率。
在本示例中,以部分原始特征数据作为训练的样本,以CNN作为原型训练故障率预测模型,CNN的训练可分为前向传播和反向传播两个阶段。在CNN训练前,预先对网络进行初始化,给定计算精度和最大学习次数,并从训练样本集中随机选取输入样本以及对应的期望输出。
具体的,可以预先设置故障率预测模型的权值,例如,给网络层的权值分别赋(-1,1)内的随机数;预先获取输电线路中发生故障的真实概率(即与原始特征数据相关联的真实故障率),以真实概率作为故障率预测模型的预期输出概率;将部分原始特征数据作为训练的样本输入到该故障率预测模型中进行前向传播,获取故障率预测模型的实际输出概率;基于实际输出概率与预期输出概率的误差,对权值进行训练调整。
其中,在CNN网络的前向传播中,计算CNN各网络层中的神经元的实际输出概率与预期输出概率的误差,若基于误差对误差达到预设精度或者学习次数超过预设的最大次数,则结束网络模型的训练,否则,基于误差对该故障率预测模型进行反向传播,计算误差对权值和偏置的梯度,利用梯度对权值和偏置进行更新,得到更新后的权值和偏置,将更新后的权值和偏置应用于故障率预测模型中,重新对故障率预测模型进行前向传播,得到更新后的实际输出概率,直到实际输出概率与预期输出概率的误差达到预设的精度,或者,故障率预测模型的训练次数达到预设的最大值,确定故障率预测模型训练完成。
S104、以部分原始特征数据作为测试的样本,对故障率预测模型进行测试。
在本实施例中,在使用部分原始特征数据作为训练的样本、对故障率预测模型进行训练完成后,以部分原始特征数据作为测试的样本,对故障率预测模型的准确率进行测试。
具体的,将训练样本集中的原始特征数据输入到故障率预测模型中,输出输电线路发生故障的概率(即预测故障率),将该预测故障率与训练样本集中的真实故障率对照,计算模型的准确率。
可以采用召回率(Recall)、精确度(Precision)、AP(Average Precision,平均精确度)、MAP(Mean Average Precision,平均精确度值)、PR曲线、ROC曲线等模型评价指标的计算方法,评估故障率预测模型的准确率。
在本实施例中,还可以将故障率预测模型训练收敛时的数值作为预设的预测阈值,若准确率大于或等于预设的预测阈值,则执行确定故障率预测模型训练完成,若准确率小于预设的预测阈值,则继续训练该故障率预测模型。
本发明通过收集引发输电线路故障的环境因素,作为原始统计数据,按照过滤式筛选、迭代寻优的方式,从所述原始统计数据中提取有关所述输电线路故障的特征数据,作为原始特征数据;以部分所述原始特征数据作为训练的样本,训练故障率预测模型;以部分所述原始特征数据作为测试的样本,对所述故障率预测模型进行测试。对原始统计数据进行过滤式筛选和迭代寻优,可以将具有不同量纲的多种环境因素转换为量纲统一、且具有高区分度的特征量,并可以进一步从众多代表环境因素的特征量中筛选出最优化的、与输电线路故障信息关联最为密切的原始特征数据,综合分析多种环境因素对输电线路造成故障的影响,在一定程度上可以克服单一环境因素对输电线路故障率进行预测的局限性,将部分原始特征数据作为故障率预测模型的训练样本,对故障率预测模型进行反复训练以确定模型的最终参数,再以部分原始特征数据作为故障率预测模型的测试样本,评估故障率预测模型对故障率预测的准确率,采用准确率达标的故障率预测模型对输电线路发生故障的概率进行计算,可以提高输电线路的故障检测效率,缩减故障率预测的周期,降低故障率预测的成本。
实施例二
图2为本发明实施例二提供的一种故障率预测方法的流程图,本实施例可适用于在输电线路中对故障率进行预测的情况,该方法可以由故障率预测装置来执行,该故障率预测装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、工作站、个人电脑,等等,该方法具体包括如下步骤:
S201、确定故障率预测模型。
在本实施例中,可预先训练故障率预测模型,将训练完成后的故障率预测模型用于预测输电线路中的故障率。
训练故障率预测模型的具体方法包括:收集引发输电线路故障的环境因素,作为原始统计数据;按照过滤式筛选、迭代寻优的方式,从原始统计数据中提取有关输电线路故障的特征数据,作为原始特征数据;以部分原始特征数据作为训练的样本,训练故障率预测模型;以部分原始特征数据作为测试的样本,对故障率预测模型进行测试。
需要说明的是,该故障率预测模型的训练方法与上述任一实施例所述故障率预测模型的训练方法基本相同,本实施例在此不加以详述。
S202、收集引发输电线路故障的环境因素,作为目标统计数据。
在本实施例中,收集雷电、污闪、风害等容易引发输电线路故障的多种外部环境因素,作为目标统计数据;同时,收集与上述多种外部环境因素所对应的输电线路的故障率(即输电线路中发生故障的真实概率)。
其中,输电线路的故障率可以用数组Y表示,Y=[y1,y2,...,ym]T中每个元素表示不同月份下的输电线路的故障率,每个环境因素经过量化后均可以用数组Xmn=[x1n,x2n,...,xmn]T表示,n表示第n个环境因素,m表示月份,与ym相对应。
在训练模型的实际的数据获取当中,输电线路的故障率作为一个概率统计量,并非是实时的,而是需要在一定的时间范围内统计其故障发生的频率,以此作为故障率,月故障率的计算方式为ym=(故障次数)/(百公里·月)。基于此,目标统计数据作为模型的特征输入量也需要进行数据量化才能与输出的故障率相匹配。在收集数据时,由于预警系统和预测系统得到的是关于环境因素的日统计数据,因此需要将日统计数据按月取算术平均值,获得与输电线路有关的环境因素的每月的统计数据。
S203、按照过滤式筛选、迭代寻优的方式,从目标统计数据中提取有关输电线路故障的特征数据,作为目标特征数据。
在本实施例中,可以采用相关的特征过滤算法对目标统计数据进行数据特征的筛选,在特征筛选的过程中为了快速获取到最优化的特征数据,可以再结合相关的优化算法对目标统计数据进行特征的搜索和特征的优化迭代。例如,可以选择拉普拉斯筛选器作为特征过滤算法,选择粒子群算法作为优化搜索算法,本发明实施例对此不作限定。
具体的,预先对目标统计数据进行归一化处理,得到量纲同一的特征数据,采用拉普拉斯筛选器对该特征数据进行过滤式筛选,得到区别度较高的特征数据,基于粒子群算法对区别度较高的特征数据进行迭代寻优,以从这些特征数据中进一步提取有关输电线路故障的最优特征数据,作为目标特征数据。
S204、将目标特征数据输入故障率预测模型中进行处理,以预测输电线路发生故障的概率。
为了便于本领域技术人员的理解,以CNN作为一种故障率预测模型的示例进行说明。
在本实施例中,该故障率预测模型可以包括一一对应的卷积层和池化层,以及,一个全连接层。
如图3所示,可以将目标特征数据按照不同的月份所对应的环境因素,划分为不同的样本数据,将所有样本数据以矩阵的形式输入到故障率预测模型中进行处理,其中,输入矩阵中的每一个行向量代表一个样本数据,包含了所有外部环境因素所对应的目标特征数据,每一个列向量表示表示不同月份下的目标特征数据,即输入矩阵中第m个样本数据可以用行向量Xmn=[xm1,xm2,...,xmn]表示,n表示第n个环境因素,m表示月份,与输出所对应的输电线路的故障率Y=[y1,y2,...,ym]T中的ym相对应,该模型输出的故障率为预测输电线路发生故障的概率,数组Y=[y1,y2,...,ym]T中每个元素表示不同月份下的输电线路的故障率。
使用该故障率预测模型进行故障检测的具体步骤可以包括:将目标特征数据输入到卷积层中进行卷积计算,得到卷积特征向量;在池化层中,提取卷积特征向量中的局部特征向量;将局部特征向量输入到全连接层中进行映射操作,以预测输电线路发生故障的概率。
在本实施例中,确定故障率预测模型;收集引发输电线路故障的环境因素,作为目标统计数据;按照过滤式筛选、迭代寻优的方式,从目标统计数据中提取有关输电线路故障的特征数据,作为目标特征数据,将目标特征数据输入故障率预测模型中进行处理,以预测输电线路发生故障的概率。综合分析多种环境因素对输电线路造成故障的影响,可以在一定程度上克服单一环境因素对输电线路故障率进行预测的局限性,利用过滤式筛选、迭代寻优的方式从众多环境因素中挑选出最优化的用以表示故障特征的目标特征数据,将目标特征数据输入到故障率预测模型中以预测输电线路发生故障的概率,可以缩减故障率预测的周期,节省对输电线路进行故障率预测的成本。
实施例三
图4为本发明实施例三提供的一种故障率预测模型的训练装置的结构示意图,该训练装置具体可以包括如下模块:
原始统计数据获取模块401,用于收集引发输电线路故障的环境因素,作为原始统计数据;
原始特征数据提取模块402,用于按照过滤式筛选、迭代寻优的方式,从所述原始统计数据中提取有关所述输电线路故障的特征数据,作为原始特征数据;
故障率预测模型训练模块403,用于以部分所述原始特征数据作为训练的样本,训练故障率预测模型;
故障率预测模型测试模块404,用于以部分所述原始特征数据作为测试的样本,对所述故障率预测模型进行测试。
在本发明的一个实施例中,所述原始特征数据提取模块402包括:
第一特征数据获取子模块,用于对所述原始统计数据进行归一化处理,得到第一特征数据;
第二特征数据获取子模块,用于采用拉普拉斯筛选器对所述第一特征数据进行过滤式筛选,得到第二特征数据;
原始特征数据获取子模块,用于基于粒子群算法对所述第二特征数据进行迭代寻优,以从所述第二特征数据中提取有关所述输电线路故障的特征数据,作为原始特征数据。
在本发明的一个实施例中,所述第二特征数据获取子模块包括:
第一特征数据计算单元,用于根据所述第一特征数据的距离信息,计算所述第一特征数据的拉普拉斯得分;
排序单元,用于按照所述拉普拉斯得分对所述第一特征数据进行升序排序;
第二特征数据确定单元,用于按照预设的规则选取所述第一特征数据,构建特征矩阵,以所述特征矩阵作为第二特征数据。
在本发明的一个实施例中,所述原始特征数据获取子模块包括:
粒子信息获取单元,用于将所述第二特征数据作为搜索空间中的粒子,获取所述粒子的速度信息和位置信息;
更新迭代单元,用于对所述粒子的所述速度信息和所述位置信息进行更新迭代;
原始特征数据确定单元,用于在更新迭代的过程中,若满足预设的收敛条件,则将所述粒子设置为有关所述输电线路故障的特征数据,作为原始特征数据。
在本发明的一个实施例中,所述故障率预测模型训练模块403包括:
权值设置子模块,用于设置故障率预测模型的权值;
预期输出概率确定子模块,用于获取所述输电线路中发生故障的真实概率,以所述真实概率作为所述故障率预测模型的预期输出概率;
实际输出概率确定子模块,用于将部分所述原始特征数据作为训练的样本输入到所述故障率预测模型中进行前向传播,得到所述故障率预测模型的实际输出概率;
调整子模块,用于基于所述实际输出概率与所述预期输出概率的误差,对所述权值进行训练调整。
在本发明的一个实施例中,所述调整子模块包括:
误差计算单元,用于计算所述实际输出概率与所述预期输出概率的误差;
梯度计算单元,用于基于所述误差对所述故障率预测模型进行反向传播,计算所述误差对所述权值的梯度;
权值更新单元,用于利用所述梯度对所述权值进行更新,得到更新后的权值;
实际输出概率更新单元,用于将所述更新后的权值应用于所述故障率预测模型中,重新对所述故障率预测模型进行前向传播,得到更新后的实际输出概率;
训练完成确定单元,用于若所述实际输出概率与所述预期输出概率的误差达到预设的精度,或者,所述故障率预测模型的训练次数达到预设的最大值,则确定所述故障率预测模型训练完成。
本发明实施例所提供的故障率预测模型的训练装置可执行本发明任意实施例所提供的故障率预测模型的训练方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种故障率预测装置的结构示意图,该装置具体可以包括如下模块:
故障率预测模型确定模块501,用于确定故障率预测模型;
原始统计数据获取模块,用于收集引发输电线路故障的环境因素,作为原始统计数据;
原始特征数据提取模块,用于按照过滤式筛选、迭代寻优的方式,从所述原始统计数据中提取有关所述输电线路故障的特征数据,作为原始特征数据;
故障率预测模型训练模块,用于以部分所述原始特征数据作为训练的样本,训练故障率预测模型;
故障率预测模型测试模块,用于以部分所述原始特征数据作为测试的样本,对所述故障率预测模型进行测试。
目标统计数据获取模块502,用于收集引发输电线路故障的环境因素,作为目标统计数据;
目标特征数据提取模块503,用于按照过滤式筛选、迭代寻优的方式,从所述目标统计数据中提取有关所述输电线路故障的特征数据,作为目标特征数据;
故障率预测模块504,用于将所述目标特征数据输入所述故障率预测模型中进行处理,以预测所述输电线路发生故障的概率。
在本发明的一个实施例中,故障率预测模型包括一一对应的卷积层和池化层,以及,一个全连接层;所述故障率预测模块504包括:
特征计算子模块,用于将所述目标特征数据输入到所述卷积层中进行卷积计算,得到卷积特征向量;
特征提取子模块,用于在所述池化层中,提取所述卷积特征向量中的局部特征向量;
概率预测子模块,用于将所述局部特征向量输入到所述全连接层中进行映射操作,以预测所述输电线路发生故障的概率。
本发明实施例所提供的故障率预测装置可执行本发明任意实施例所提供的故障率预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例五提供的一种计算机设备的结构示意图,如图6所示,该计算机设备包括处理器600、存储器601、通信模块602、输入装置603和输出装置604;计算机设备中处理器600的数量可以是一个或多个,图6中以一个处理器600为例;计算机设备中的处理器600、存储器601、通信模块602、输入装置603和输出装置604可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器601作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的故障率预测模型的训练方法对应的模块(例如,如图4所示的故障率预测模型的训练装置中的原始统计数据获取模块401、原始特征数据提取模块402、故障率预测模型训练模块403和故障率预测模型测试模块404),或者,如本实施例中的故障率预测方法对应的模块(例如,如图5所示的故障率预测装置中的故障率预测模型确定模块501、目标统计数据获取模块502、目标特征数据提取模块503和故障率预测模块504)。处理器600通过运行存储在存储器601中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的故障率预测模型的训练方法或故障率预测方法。
存储器601可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器601可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器601可进一步包括相对于处理器600远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块602,用于与显示屏建立连接,并实现与显示屏的数据交互。
输入装置603可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
输出装置604可包括显示屏等显示设备。
需要说明的是,输入装置603和输出装置604的具体组成可以根据实际情况设定。
本实施例提供的计算机设备,可执行本发明任一实施例提供的故障率预测模型的训练方法或故障率预测方法,具备相应的功能和有益效果。
实施例六
本发明实施例六还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一实施例的故障率预测模型的训练方法或故障率预测方法。
该故障率预测模型的训练方法包括:
收集引发输电线路故障的环境因素,作为原始统计数据;
按照过滤式筛选、迭代寻优的方式,从所述原始统计数据中提取有关所述输电线路故障的特征数据,作为原始特征数据;
以部分所述原始特征数据作为训练的样本,训练故障率预测模型;
以部分所述原始特征数据作为测试的样本,对所述故障率预测模型进行测试。
该故障率预测方法包括:
确定故障率预测模型;
收集引发输电线路故障的环境因素,作为目标统计数据;
按照过滤式筛选、迭代寻优的方式,从所述目标统计数据中提取有关所述输电线路故障的特征数据,作为目标特征数据;
将所述目标特征数据输入所述故障率预测模型中进行处理,以预测所述输电线路发生故障的概率。
当然,本发明实施例所提供的计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的故障率预测模型的训练方法或故障率预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述故障率预测模型的训练装置和故障率预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种故障率预测模型的训练方法,其特征在于,包括:
收集引发输电线路故障的环境因素,作为原始统计数据;
按照过滤式筛选、迭代寻优的方式,从所述原始统计数据中提取有关所述输电线路故障的特征数据,作为原始特征数据;
以部分所述原始特征数据作为训练的样本,训练故障率预测模型;
以部分所述原始特征数据作为测试的样本,对所述故障率预测模型进行测试;
所述按照过滤式筛选、迭代寻优的方式,从所述原始统计数据中提取有关所述输电线路故障的特征数据,作为原始特征数据,包括:
对所述原始统计数据进行归一化处理,得到第一特征数据;
采用拉普拉斯筛选器对所述第一特征数据进行过滤式筛选,得到第二特征数据;
基于粒子群算法对所述第二特征数据进行迭代寻优,以从所述第二特征数据中提取有关所述输电线路故障的特征数据,作为原始特征数据;
所述以部分所述原始特征数据作为训练的样本,训练故障率预测模型,包括:
设置故障率预测模型的权值;
获取所述输电线路中发生故障的真实概率,以所述真实概率作为所述故障率预测模型的预期输出概率;
将部分所述原始特征数据作为训练的样本输入到所述故障率预测模型中进行前向传播,得到所述故障率预测模型的实际输出概率;
基于所述实际输出概率与所述预期输出概率的误差,对所述权值进行训练调整;
所述基于所述实际输出概率与所述预期输出概率的误差,对所述权值进行训练调整,包括:
计算所述实际输出概率与所述预期输出概率的误差;
基于所述误差对所述故障率预测模型进行反向传播,计算所述误差对所述权值的梯度;
利用所述梯度对所述权值进行更新,得到更新后的权值;
将所述更新后的权值应用于所述故障率预测模型中,重新对所述故障率预测模型进行前向传播,得到更新后的实际输出概率;
若所述实际输出概率与所述预期输出概率的误差达到预设的精度,或者,所述故障率预测模型的训练次数达到预设的最大值,则确定所述故障率预测模型训练完成。
2.根据权利要求1所述的方法,其特征在于,所述采用拉普拉斯筛选器对所述第一特征数据进行过滤式筛选,得到第二特征数据,包括:
根据所述第一特征数据的距离信息,计算所述第一特征数据的拉普拉斯得分;
按照所述拉普拉斯得分对所述第一特征数据进行升序排序;
按照预设的规则选取所述第一特征数据,构建特征矩阵,以所述特征矩阵作为第二特征数据。
3.根据权利要求1或2所述的方法,其特征在于,所述基于粒子群算法对所述第二特征数据进行迭代寻优,以从所述第二特征数据中提取有关所述输电线路故障的特征数据,作为原始特征数据,包括:
将所述第二特征数据作为搜索空间中的粒子,获取所述粒子的速度信息和位置信息;
对所述粒子的所述速度信息和所述位置信息进行更新迭代;
在更新迭代的过程中,若满足预设的收敛条件,则将所述粒子设置为有关所述输电线路故障的特征数据,作为原始特征数据。
4.一种故障率预测方法,其特征在于,包括:
确定故障率预测模型;
收集引发输电线路故障的环境因素,作为目标统计数据;
按照过滤式筛选、迭代寻优的方式,从所述目标统计数据中提取有关所述输电线路故障的特征数据,作为目标特征数据;
将所述目标特征数据输入所述故障率预测模型中进行处理,以预测所述输电线路发生故障的概率;
对所述目标统计数据进行归一化处理,得到第三特征数据;
采用拉普拉斯筛选器对所述第三特征数据进行过滤式筛选,得到第四特征数据;
基于粒子群算法对所述第四特征数据进行迭代寻优,以从第四特征数据中提取有关输电线路故障的特征数据,作为所述目标特征数据;
所述故障率预测模型的训练方式为:
设置故障率预测模型的权值;
获取所述输电线路中发生故障的真实概率,以所述真实概率作为所述故障率预测模型的预期输出概率;
将部分原始特征数据作为训练的样本输入到所述故障率预测模型中进行前向传播,得到所述故障率预测模型的实际输出概率;
基于所述实际输出概率与所述预期输出概率的误差,对所述权值进行训练调整;
所述基于所述实际输出概率与所述预期输出概率的误差,对所述权值进行训练调整,包括:
计算所述实际输出概率与所述预期输出概率的误差;
基于所述误差对所述故障率预测模型进行反向传播,计算所述误差对所述权值的梯度;
利用所述梯度对所述权值进行更新,得到更新后的权值;
将所述更新后的权值应用于所述故障率预测模型中,重新对所述故障率预测模型进行前向传播,得到更新后的实际输出概率;
若所述实际输出概率与所述预期输出概率的误差达到预设的精度,或者,所述故障率预测模型的训练次数达到预设的最大值,则确定所述故障率预测模型训练完成。
5.根据权利要求4所述的方法,其特征在于,所述故障率预测模型包括一一对应的卷积层和池化层,以及,一个全连接层;
所述将所述目标特征数据输入所述故障率预测模型中进行处理,以预测所述输电线路发生故障的概率,包括:
将所述目标特征数据输入到所述卷积层中进行卷积计算,得到卷积特征向量;
在所述池化层中,提取所述卷积特征向量中的局部特征向量;
将所述局部特征向量输入到所述全连接层中进行映射操作,以预测所述输电线路发生故障的概率。
6.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的故障率预测模型的训练方法或者如权利要求4-5中任一所述的故障率预测方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的故障率预测模型的训练方法或者如权利要求4-5中任一所述的故障率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996213.XA CN112149898B (zh) | 2020-09-21 | 2020-09-21 | 故障率预测模型的训练、故障率预测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996213.XA CN112149898B (zh) | 2020-09-21 | 2020-09-21 | 故障率预测模型的训练、故障率预测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149898A CN112149898A (zh) | 2020-12-29 |
CN112149898B true CN112149898B (zh) | 2023-10-31 |
Family
ID=73892402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010996213.XA Active CN112149898B (zh) | 2020-09-21 | 2020-09-21 | 故障率预测模型的训练、故障率预测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149898B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033989B (zh) * | 2021-03-19 | 2022-09-20 | 国网河北省电力有限公司邢台供电分公司 | 一种输电线路的故障风险评估方法、装置及终端设备 |
CN113111620B (zh) * | 2021-05-10 | 2022-10-14 | 上海交通大学 | 一种半导体电路良率预测方法及装置 |
CN113625103B (zh) * | 2021-07-12 | 2023-09-19 | 广西电网有限责任公司 | 小电流接地系统单相接地故障的选线方法 |
CN114092768A (zh) * | 2021-11-30 | 2022-02-25 | 苏州浪潮智能科技有限公司 | 一种训练模型组中训练模型的筛选方法、装置及电子设备 |
CN114757097B (zh) * | 2022-04-07 | 2023-09-26 | 国网河北省电力有限公司邯郸供电分公司 | 一种线路故障诊断方法及装置 |
CN117687818A (zh) * | 2022-09-05 | 2024-03-12 | 长鑫存储技术有限公司 | 内部存储器的故障修复方法及设备 |
CN117217546B (zh) * | 2023-11-08 | 2024-01-12 | 合肥工业大学 | 输电线路雷击跳闸预测模型、方法、系统和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
CN108520284A (zh) * | 2018-04-17 | 2018-09-11 | 桂林电子科技大学 | 一种改进的谱聚类及并行化方法 |
CN109614885A (zh) * | 2018-11-21 | 2019-04-12 | 齐鲁工业大学 | 一种基于lstm的脑电信号快速分类识别方法 |
CN110941902A (zh) * | 2019-11-26 | 2020-03-31 | 云南电网有限责任公司 | 一种输电线路雷击故障预警方法和系统 |
CN111652448A (zh) * | 2020-07-08 | 2020-09-11 | 广东电网有限责任公司清远供电局 | 一种输电线路缺陷率的预测方法、装置及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8064639B2 (en) * | 2007-07-19 | 2011-11-22 | Honeywell International Inc. | Multi-pose face tracking using multiple appearance models |
-
2020
- 2020-09-21 CN CN202010996213.XA patent/CN112149898B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
CN108520284A (zh) * | 2018-04-17 | 2018-09-11 | 桂林电子科技大学 | 一种改进的谱聚类及并行化方法 |
CN109614885A (zh) * | 2018-11-21 | 2019-04-12 | 齐鲁工业大学 | 一种基于lstm的脑电信号快速分类识别方法 |
CN110941902A (zh) * | 2019-11-26 | 2020-03-31 | 云南电网有限责任公司 | 一种输电线路雷击故障预警方法和系统 |
CN111652448A (zh) * | 2020-07-08 | 2020-09-11 | 广东电网有限责任公司清远供电局 | 一种输电线路缺陷率的预测方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
基于数据相关性的代价敏感特征选择_;余胜龙;《中国优秀硕士论文全文数据库》;20190115(第1期);第1-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149898A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149898B (zh) | 故障率预测模型的训练、故障率预测方法及相关装置 | |
CN115270965B (zh) | 一种配电网线路故障预测方法和装置 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
Sawale et al. | Use of artificial neural network in data mining for weather forecasting | |
CN108346293B (zh) | 一种实时交通流短时预测方法 | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN111784044A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN111126868A (zh) | 一种道路交通事故发生风险确定方法及系统 | |
CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
CN112561134A (zh) | 一种基于神经网络的水流量预测方法、装置和电子设备 | |
CN115564155A (zh) | 一种分散式风电机组功率预测方法及相关设备 | |
CN114169502A (zh) | 一种基于神经网络的降水预测方法、装置和计算机设备 | |
CN113537645A (zh) | 基于机器学习融合卫星与天气数据的大豆产量预测方法 | |
CN112561133A (zh) | 一种基于神经网络的水流量预测系统和方法 | |
CN116431346A (zh) | 一种用于电子设备主存储器容量的补偿方法 | |
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 | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
CN112200357A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Lestari et al. | Rainfall Prediction using Spatial Convolutional Neural Networks and Recurrent Neural Networks | |
CN117592865B (zh) | 一种装备零备件质量状态预测方法及装置 |
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 |