CN112686506A - 基于多试验方法异步检测数据的配网设备综合评估方法 - Google Patents
基于多试验方法异步检测数据的配网设备综合评估方法 Download PDFInfo
- Publication number
- CN112686506A CN112686506A CN202011499194.6A CN202011499194A CN112686506A CN 112686506 A CN112686506 A CN 112686506A CN 202011499194 A CN202011499194 A CN 202011499194A CN 112686506 A CN112686506 A CN 112686506A
- Authority
- CN
- China
- Prior art keywords
- test
- data
- matrix
- distribution network
- network equipment
- 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.)
- Granted
Links
Images
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明提供了一种基于多试验方法异步检测数据的配网设备综合评估方法，通过采用多种试验方法获取配网设备的多样试验数据，组成试验数据矩阵，并利用屏蔽矩阵对试验数据矩阵中的数据进行随机屏蔽，模拟实际测试中所采用的多种试验方法的各种组合情况，从而通过屏蔽矩阵使得一定数量的试验数据矩阵扩增获得更多人造的扩展数据矩阵，对原先获得试验数据规模进行扩大，便于提高所构建的神经网络模型的准确性和全面性，进而可利用神经网络模型对配网设备的健康状态进行简捷、高效、精准评估；通过本发明，实现对多种试验方法获取的多样数据进行综合利用，提高了数据利用率和评估结果的准确性，从而提升配网设备检测质量，增强供电的可靠性和经济性。
Description
技术领域
本发明涉及配网设备技术领域，更具体地，涉及一种基于多试验方法异步检测数据的配网设备综合评估方法。
背景技术
随着城市配电网规模的扩大，用户对于供电可靠性的要求日渐严格，配网设备检修工作尤其是对于配网设备状态的评估显得愈发重要。在传统的配电设备状态检测中，试验方法与试验装置众多，当只采用单一试验方法或单一试验装置对电网设备进行检测时，检测结果的准确性较差，往往因检测结果判断错误而导致供电的可靠性降低，影响配网系统运行效益，但如果进行多次试验，难以保证每次的试验方法与试验装置相同，这也就造成了获取到的试验数据多样且异步的特点，难以综合使用采集到的数据对配网设备进行快速有效地评估，存在试验数据不能被充分利用的问题。因此，急需一种可依托多样异步试验数据对配网设备进行快速精准、有效评估的方法。
发明内容
本发明要解决的技术问题是提供一种基于多试验方法异步检测数据的配网设备综合评估方法，通过随机屏蔽某些方法获取的检测数据，产生训练数据集并训练神经网络模型，所建立的神经网络模型能自动根据过去和当前的多试验方法异步检测数据对配网设备状态快速进行综合评估，能有效地提高评估结果的准确性。
为解决上述技术问题，本发明采用的技术方案是：一种基于多试验方法异步检测数据的配网设备综合评估方法，所述方法包括以下步骤：
步骤S1：选定配网设备的M个健康状态、试验关联时间长度L、试验时间间隔T以及N种可用的试验方法；
步骤S2：获取P个配网设备，在试验关联时间长度L内，每隔试验时间间隔T，对于每个配网设备采用所有的N种试验方法进行试验，共得到P个N×(L/T)的试验数据矩阵，并评估每个试验数据矩阵所对应的配网设备健康状态；
步骤S3：对于每个试验数据矩阵，随机产生Q个屏蔽矩阵，将所有实验数据矩阵中的数据按对应的屏蔽矩阵进行屏蔽，共得到P×Q个扩展数据矩阵；
步骤S4：以扩展数据矩阵及其对应的屏蔽矩阵作为输入，以对应的配网设备健康状态作为输出对神经网络模型进行训练，构建神经网络模型；
步骤S5：在实际测试中，依据神经网络模型对配网设备具体的健康状态做出评估；
优选的，步骤S1中，所述配网设备的M个健康状态具体包括正常、破损、老化和故障。
优选的，步骤S1中，所述N种可用的试验方法具体包括局部放电检测法、红外带电检测法、高低压无线钳形电流检测法、高频电流法以及油色谱分析检测法。
优选的，步骤S2中，评估每个试验数据矩阵所对应的配网设备健康状态的具体方法为：
步骤S21：确定所述试验数据矩阵中每个数据元素所对应的配网设备健康状态；
步骤S22：统计所述试验数据矩阵中每个健康状态的总数量，将总数量最大的健康状态判定为所述试验数据矩阵对应的健康状态；
优选的，步骤S3中，所述屏蔽矩阵为与试验数据矩阵行数和列数相等的N×(L/T)矩阵，所述屏蔽矩阵中的每个元素随机取值为0或1。
优选的，步骤S3中，利用所述屏蔽矩阵对试验数据矩阵中的数据进行屏蔽的具体方法为：将所述试验数据矩阵中的每个数据元素与屏蔽矩阵中对应位置上的元素相乘，若所对应屏蔽矩阵中的元素为1，则保留试验数据矩阵中的该数据元素；若所对应屏蔽矩阵中的元素为0，则屏蔽试验数据矩阵中的该数据元素，记该数据元素为0；
优选的，步骤S4中，若实际存在已知的试验数据和明确对应的配网设备健康状态，可据所述已知的试验数据生成N×(L/T)的拓展数据矩阵，并构建出唯一对应的屏蔽矩阵，将相应的所述拓展数据矩阵、屏蔽矩阵、健康状态作为一条训练数据增加入到神经网络模型训练中。
优选的，步骤S5中，对配网设备具体的健康状态做出评估的具体步骤包括：
步骤S51：在N种可用的试验方法中选取R种试验方法；
步骤S52：在试验关联时间长度L内，每隔试验时间间隔T，对待测配网设备采用所有的R种试验方法进行试验，获得R×(L/T)个试验数据；
步骤S53：依据R×(L/T)个试验数据构建N×(L/T)的拓展数据矩阵，并构建出于所述拓展数据矩阵唯一对应的屏蔽矩阵；
步骤S54：将所述拓展数据矩阵、屏蔽矩阵输入神经网络模型，评估出待测配网设备的具体健康状态；
与现有技术相比，本发明达到的有益效果是：
本发明提供一种基于多试验方法异步检测数据的配网设备综合评估方法，通过采用多种试验方法获取配网设备的多样试验数据，组成试验数据矩阵，并利用屏蔽矩阵对试验数据矩阵中的数据进行随机屏蔽，模拟实际测试中所采用的多种试验方法的各种组合情况，从而通过屏蔽矩阵使得一定数量的试验数据矩阵扩增获得更多人造的扩展数据矩阵，对原先获得试验数据规模进行扩大，便于提高所构建的神经网络模型的准确性和全面性，进而可利用神经网络模型对配网设备的健康状态进行简捷、高效、精准的评估；通过本发明，实现了对多种试验方法获取的多样数据进行综合利用，提高了数据利用率和评估结果的准确性，从而提升配网设备检测质量，增强供电的可靠性和经济性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的配网设备综合评估方法流程图；
图2是本发明的获取一个试验数据矩阵过程示意图；
图3是本发明的获取一个拓展数据矩阵过程示意图；
具体实施方式
为了更好理解本发明技术内容，下面提供具体实施例，并结合附图对本发明做进一步的说明:
参见图1，本发明提供一种基于多试验方法异步检测数据的配网设备综合评估方法，在本实施例中，选用电缆作为所述配网设备进行说明，所述方法包括以下步骤：
步骤S1：选定电缆的M个健康状态、试验关联时间长度L、试验时间间隔T以及N种可用的试验方法；
步骤S2：获取P个电缆，在试验关联时间长度L内，每隔试验时间间隔T，对于每个电缆采用所有的N种试验方法进行试验，共得到P个N×(L/T)的试验数据矩阵，并评估每个试验数据矩阵所对应的电缆健康状态；其中，获得一个试验数据矩阵的过程如图2所示(其中，L/T取值为4)，其中试验数据矩阵的每行数据元素对应一种试验方法，试验数据矩阵的每一列数据元素分别对应于试验关联时间长度L中每隔试验时间间隔T进行的N种试验。
步骤S3：对于每个试验数据矩阵，随机产生Q个屏蔽矩阵，将所有实验数据矩阵中的数据按对应的屏蔽矩阵进行屏蔽，共得到P×Q个扩展数据矩阵；
步骤S4：以P×Q个扩展数据矩阵及其对应的屏蔽矩阵作为输入，以对应的电缆健康状态作为输出对神经网络模型进行训练，构建神经网络模型；
步骤S5：在实际测试中，依据神经网络模型对配网设备具体的健康状态做出评估；
具体的，步骤S1中，所述电缆的M个健康状态具体包括正常、破损、老化和故障。所述正常、破损、老化和故障囊括了电缆各种常见的健康状态，可以全面反映电缆可能处于的阶段，为后期评估结果的准确奠定基础。
具体的，步骤S1中，所述N种可用的试验方法具体包括局部放电检测法、红外带电检测法、高低压无线钳形电流检测法、高频电流法以及油色谱分析检测法。所述若干可用试验方法为目前比较成熟和常用的试验方法，可以保证单个试验方法的评估结果有较强的准确性，进而可增强最终多个试验方法综合评估结果的准确性。在本实施例中，针对配网设备为电缆的情况，优先可选用局部放电检测法、红外带电检测法、高低压无线钳形电流检测法和高频电流法进行试验检测。
具体的，在训练神经网络模型时，需要明确每个试验数据矩阵所对应的将康状态，以作为神经网络模型输出进行训练，因此，步骤S2中，评估每个试验数据矩阵所对应的电缆健康状态的具体方法为：
步骤S21：确定所述试验数据矩阵中每个数据元素所对应的电缆健康状态；
步骤S22：统计所述试验数据矩阵中每个健康状态的总数量，将总数量最大的健康状态判定为所述试验数据矩阵对应的健康状态；
具体的，步骤S3中，所述屏蔽矩阵为与试验数据矩阵行数和列数相等的N×(L/T)矩阵，因此，一个试验数据矩阵中的每个数据元素均能在屏蔽矩阵中对应的位置找到与其对应的元素；所述屏蔽矩阵中的每个元素随机取值为0或1，因此，一个试验数据矩阵所对应的屏蔽矩阵共有
种可能，从中随机选取Q个屏蔽矩阵用于对试验数据矩阵中的数据进行随机屏蔽。
具体的，步骤S3中，利用所述屏蔽矩阵对试验数据矩阵中的数据进行随机屏蔽，从而模拟实际测试中所采用的各种试验方法之间的组合情况，具体方法为：将所述试验数据矩阵中的每个数据元素与屏蔽矩阵中对应位置上的元素相乘，若所对应屏蔽矩阵中的元素为1，则保留试验数据矩阵中的该数据元素，即保留获得该数据元素的相应试验方法和结果；若所对应屏蔽矩阵中的元素为0，则屏蔽试验数据矩阵中的该数据元素，记该数据元素为0，即去除获得该数据元素的相应试验方法和结果；具体获得一个扩增数据矩阵的过程如图3所示(其中，N取值为3，L/T取值为4)。
采用随机产生的Q个屏蔽矩阵对其相应的每个试验数据矩阵进行屏蔽的方式，通过P个试验数据矩阵扩增至P×Q个扩展数据矩阵，从而对原先获得的试验数据规模进行扩大，获得更多的人造数据作为训练神经网络模型的输入，便于提高所构建的神经网络模型的准确性和全面性；
具体的，步骤S4中，若实际存在已知的试验数据和明确对应的电缆健康状态，可据所述已知的试验数据生成N×(L/T)的拓展数据矩阵，并构建出唯一对应的屏蔽矩阵，将相应的所述拓展数据矩阵、屏蔽矩阵、健康状态作为一条训练数据增加入到神经网络模型训练中。通过额外增加相关技术人员公认的准确度非常高的数据对神经网络模型进行训练，可进一步增强神经网络模型的评估精度。
具体的，步骤S5中，对是电缆具体的健康状态做出评估的具体步骤包括：
步骤S51：在N种可用的试验方法中选取R种试验方法；
步骤S52：在试验关联时间长度L内，每隔试验时间间隔T，对待测电缆采用所有的R种试验方法进行试验，获得R×(L/T)个试验数据；
步骤S53：依据R×(L/T)个试验数据构建N×(L/T)的拓展数据矩阵，并构建出于所述拓展数据矩阵唯一对应的屏蔽矩阵；
步骤S54：将所述拓展数据矩阵、屏蔽矩阵输入神经网络模型，评估出待测电缆的具体健康状态；
因构建神经网络模型时，已利用屏蔽矩阵模拟实际测试中所采用的各种试验方法之间的组合情况，因此，在实际测试时，只需从N种可用的试验方法中选用一种或多种试验方法对电缆进行试验所获得的数据，通过构建对应的N×(L/T)的拓展数据矩阵和屏蔽矩阵，即可作为神经网络模型的输入，从而获得对电缆健康状态的评估结果；既提高了数据利用率和健康状态评估的简捷、高效、精准性，也克服了传统方式中过度依赖某一特定试验方法进行检测的问题。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于多试验方法异步检测数据的配网设备综合评估方法，其特征在于，所述方法包括以下步骤：
步骤S1：选定配网设备的M个健康状态、试验关联时间长度L、试验时间间隔T以及N种可用的试验方法；
步骤S2：获取P个配网设备，在试验关联时间长度L内，每隔试验时间间隔T，对于每个配网设备采用所有的N种试验方法进行试验，共得到P个N×(L/T)的试验数据矩阵，并评估每个试验数据矩阵所对应的配网设备健康状态；
步骤S3：对于每个试验数据矩阵，随机产生Q个屏蔽矩阵，将所有实验数据矩阵中的数据按对应的屏蔽矩阵进行屏蔽，共得到P×Q个扩展数据矩阵；
步骤S4：以扩展数据矩阵及其对应的屏蔽矩阵作为输入，以对应的配网设备健康状态作为输出对神经网络模型进行训练，构建神经网络模型；
步骤S5：在实际测试中，依据神经网络模型对配网设备具体的健康状态做出评估。
2.根据权利要求1所述的基于多试验方法异步检测数据的配网设备综合评估方法，其特征在于，步骤S1中，所述配网设备的M个健康状态具体包括正常、破损、老化和故障。
3.根据权利要求1所述的基于多试验方法异步检测数据的配网设备综合评估方法，其特征在于，步骤S1中，所述N种可用的试验方法具体包括局部放电检测法、红外带电检测法、高低压无线钳形电流检测法、高频电流法以及油色谱分析检测法。
4.根据权利要求1所述的基于多试验方法异步检测数据的配网设备综合评估方法，其特征在于，步骤S2中，评估每个试验数据矩阵所对应的配网设备健康状态的具体方法为：
步骤S21：确定所述试验数据矩阵中每个数据元素所对应的配网设备健康状态；
步骤S22：统计所述试验数据矩阵中每个健康状态的总数量，将总数量最大的健康状态判定为所述试验数据矩阵对应的健康状态。
5.根据权利要求1所述的基于多试验方法异步检测数据的配网设备综合评估方法，其特征在于，步骤S3中，所述屏蔽矩阵为与试验数据矩阵行数和列数相等的N×(L/T)矩阵，所述屏蔽矩阵中的每个元素随机取值为0或1。
6.根据权利要求5所述的基于多试验方法异步检测数据的配网设备综合评估方法，其特征在于，步骤S3中，利用所述屏蔽矩阵对试验数据矩阵中的数据进行屏蔽的具体方法为：将所述试验数据矩阵中的每个数据元素与屏蔽矩阵中对应位置上的元素相乘，若所对应屏蔽矩阵中的元素为1，则保留试验数据矩阵中的该数据元素；若所对应屏蔽矩阵中的元素为0，则屏蔽试验数据矩阵中的该数据元素，记该数据元素为0。
7.根据权利要求1所述的基于多试验方法异步检测数据的配网设备综合评估方法，其特征在于，步骤S4中，若实际存在已知的试验数据和明确对应的配网设备健康状态，可据所述已知的试验数据生成N×(L/T)的拓展数据矩阵，并构建出唯一对应的屏蔽矩阵，将相应的所述拓展数据矩阵、屏蔽矩阵、健康状态作为一条训练数据增加入到神经网络模型训练中。
8.根据权利要求1所述的基于多试验方法异步检测数据的配网设备综合评估方法，其特征在于，步骤S5中，对配网设备具体的健康状态做出评估的具体步骤包括：
步骤S51：在N种可用的试验方法中选取R种试验方法；
步骤S52：在试验关联时间长度L内，每隔试验时间间隔T，对待测配网设备采用所有的R种试验方法进行试验，获得R×(L/T)个试验数据；
步骤S53：依据R×(L/T)个试验数据构建N×(L/T)的拓展数据矩阵，并构建出于所述拓展数据矩阵唯一对应的屏蔽矩阵；
步骤S54：将所述拓展数据矩阵、屏蔽矩阵输入神经网络模型，评估出待测配网设备的具体健康状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011499194.6A CN112686506B (zh) | 2020-12-18 | 2020-12-18 | 基于多试验方法异步检测数据的配网设备综合评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011499194.6A CN112686506B (zh) | 2020-12-18 | 2020-12-18 | 基于多试验方法异步检测数据的配网设备综合评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686506A true CN112686506A (zh) | 2021-04-20 |
| CN112686506B CN112686506B (zh) | 2022-06-17 |
Family
ID=75448969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011499194.6A Active CN112686506B (zh) | 2020-12-18 | 2020-12-18 | 基于多试验方法异步检测数据的配网设备综合评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686506B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729999A (zh) * | 2016-08-12 | 2018-02-23 | 北京深鉴科技有限公司 | 考虑矩阵相关性的深度神经网络压缩方法 |
| US20190050734A1 (en) * | 2017-08-08 | 2019-02-14 | Beijing Deephi Intelligence Technology Co., Ltd. | Compression method of deep neural networks |
| CN109829538A (zh) * | 2019-02-28 | 2019-05-31 | 苏州热工研究院有限公司 | 一种基于深度神经网络的设备健康状况评估方法和装置 |
| CN110309872A (zh) * | 2019-06-27 | 2019-10-08 | 国网湖南省电力有限公司 | 基于多参数的配电电缆健康状态评估方法、系统及介质 |
| CN110705996A (zh) * | 2019-10-17 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 基于特征掩码的用户行为识别方法、系统、及装置 |
| CN111340907A (zh) * | 2020-03-03 | 2020-06-26 | 曲阜师范大学 | 一种自适应属性和实例掩码嵌入图的文本到图像生成方法 |
-
2020
- 2020-12-18 CN CN202011499194.6A patent/CN112686506B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729999A (zh) * | 2016-08-12 | 2018-02-23 | 北京深鉴科技有限公司 | 考虑矩阵相关性的深度神经网络压缩方法 |
| US20190050734A1 (en) * | 2017-08-08 | 2019-02-14 | Beijing Deephi Intelligence Technology Co., Ltd. | Compression method of deep neural networks |
| CN109829538A (zh) * | 2019-02-28 | 2019-05-31 | 苏州热工研究院有限公司 | 一种基于深度神经网络的设备健康状况评估方法和装置 |
| CN110309872A (zh) * | 2019-06-27 | 2019-10-08 | 国网湖南省电力有限公司 | 基于多参数的配电电缆健康状态评估方法、系统及介质 |
| CN110705996A (zh) * | 2019-10-17 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 基于特征掩码的用户行为识别方法、系统、及装置 |
| CN111340907A (zh) * | 2020-03-03 | 2020-06-26 | 曲阜师范大学 | 一种自适应属性和实例掩码嵌入图的文本到图像生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686506B (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7139676B2 (en) | Revising a test suite using diagnostic efficacy evaluation | |
| CN109193650B (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
| CN108510147B (zh) | 一种基于残差波动模型的电能质量综合评价方法 | |
| CN113675878B (zh) | 海上风电场并网性能测试方法、系统、计算机设备和介质 | |
| JP2005172549A5 (zh) | ||
| US8010468B2 (en) | Method for wafer analysis with artificial neural network and system thereof | |
| CN112491634A (zh) | 一种微服务场景下全链路智能故障模拟及评估防御方法 | |
| CN112686506B (zh) | 基于多试验方法异步检测数据的配网设备综合评估方法 | |
| CN109886428B (zh) | 一种电力设备安全配置检验方法 | |
| CN107918704A (zh) | 电荷放大器贮存寿命预测方法、装置、存储介质和计算机设备 | |
| US7047469B2 (en) | Method for automatically searching for and sorting failure signatures of wafers | |
| US20050193295A1 (en) | Tester channel count reduction using observe logic and pattern generator | |
| CN111695501B (zh) | 一种基于操作系统内核调用数据的设备软故障检测方法 | |
| CN112684311B (zh) | 用于变压器油纸绝缘局部放电类型识别的特征量提取方法 | |
| CN111090037A (zh) | 一种仪控卡件的可靠性检测方法 | |
| Gomes et al. | Minimal length diagnostic tests for analog circuits using test history | |
| CN111044808A (zh) | 一种用电信息采集系统运维质量可靠性评估系统及方法 | |
| CN111858213B (zh) | 一种服务器合格率测试方法及相关装置 | |
| US8001438B1 (en) | Measuring bridge-fault coverage for test patterns within integrated circuits | |
| Reinhold et al. | Ain’t got time for this? Reducing manual evaluation effort with Machine Learning based Grouping of Analog Waveform Test Data | |
| CN113341251B (zh) | 一种输变电现场施工监测系统 | |
| CN114720748B (zh) | 一种浪涌电流防护测试方法、电子设备、存储介质和系统 | |
| CN111695322B (zh) | 防静电电子产品电性能分析系统及方法 | |
| CN117688459A (zh) | 基于sa-svm的局部放电模式识别方法和主机 | |
| Papakostas et al. | Analog fault detectability based on statistical circuit analysis |
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 |