CN112686529A - 一种高维量子行走深度森林的变压器寿命评估方法 - Google Patents
一种高维量子行走深度森林的变压器寿命评估方法 Download PDFInfo
- Publication number
- CN112686529A CN112686529A CN202011583289.6A CN202011583289A CN112686529A CN 112686529 A CN112686529 A CN 112686529A CN 202011583289 A CN202011583289 A CN 202011583289A CN 112686529 A CN112686529 A CN 112686529A
- Authority
- CN
- China
- Prior art keywords
- dimensional quantum
- quantum walking
- forest
- transformer
- power transformer
- 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
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种高维量子行走深度森林的变压器寿命评估方法,该方法将高维量子行走和深度森林方法进行结合,用于电力变压器的寿命评估。首先,所提方法将高维量子行走和多粒度扫描方法进行结合,应用在基于电力变压器运行工况状态、电力变压器绝缘状态和电气变压器历史运行数据的原始特征数据提取,增强原始特征。其次,所提方法中深度森林方法利用高维量子行走和多粒度扫描方法提取的特征实现电力变压器的寿命评估。最后将电力变压器的寿命评估为设备初期、稳定期、衰减期和老化期四类。
Description
技术领域
本发明属于电力系统设备检测领域,涉及一种结合高维量子行走和深度森林的变压器寿命评估方法,适用于电力系统变压器寿命评估。
背景技术
在未来电力系统发展趋势下,高水平的智能电网进入新的阶段,柔性负载和分布式能源的大量接入,对智能电网的安全造成严重的安全威胁。在着手解决智能电网的风险问题过程中,传统检测电气设备的安全手段也应跟随时代而变化。电力变压器是智能电网中的核心设备之一,在建设智能安全电网时,对电力变压器的安全可靠提出了更高的要求。通过构建较为合理的变压器寿命评估模型,可以提高智能电网的稳定性,减小设备故障引起的风险概率,从根源上防范电气设备故障对电力系统的影响。
随着社会进入智能时代,工业4.0不断发展,机器学习方法有更广阔的发展前景和应用平台。数据爆发为机器学习提供坚实的基础,数据分析和数据挖掘等手段推动着机器学习的研究。目前具有代表性的机器学习方法包括卷积神经网络、深度神经网络、深度森林、支持向量机和决策树,其中决策树是用于分类问题的树形结构,具有易实现且逻辑表达清晰等特点,从而被广泛应用于分类问题。深度森林方法是以决策树作为基础的模型,通过集成学习的方法将多个随机决策树组合而成,深度森林方法已经广泛应用于计算机视觉、模式识别等领域,表现出优秀的性能,超参数设置鲁棒性高,训练效率高,可以移植性强,具有避免过拟合特性。深度森林方法在处理高维属性特征数据同样具有高效简洁的特性。
量子计算属于量子力学和计算机科学的交叉科学方法,其中归属于量子计算的量子行走是经典随机行走在量子领域中的延伸。相较于经典随机行走,量子行走具有快速扩散的特性,对于优化空间的探索具有多项式加速的效果,具有较高的研究价值。对于应用经典随机行走的计算中,进行量子行走的优化也同样具有研究意义。
发明内容
本发明提出一种高维量子行走深度森林的变压器寿命评估方法。该方法将深度森林方法和高维量子行走结合应用到变压器寿命评估中,实现变压器寿命评估,以提升电力系统的安全性。本发明以电力变压器运行工况状态、电力变压器绝缘状态和电气变压器历史运行数据为输入,通过高维量子行走深度森林评估电力变压器处于电力设备四个阶段的哪个阶段,即设备初期、稳定期、衰减期和老化期。
量子行走的概念最早是在研究量子动力学演化时提出的,本发明提出的高维量子行走是一种分立时间的高维量子行走,分立时间的量子行走主要包括四个要素:行走者,行走者硬币,硬币抛掷和行走规则。在一维位置空间的量子行走中,行走者只能携带一枚硬币,硬币的维度是2×2,因此行走者只能在线上沿着左右两个方向行走。量子行走体系的希尔伯特可以由行走者的位置空间和硬币态空间的直积表示其中行走者的位置空间是由位置矢量构成,硬币空间是由硬币态的两个基失|c>(c=0,1)的线性组合构成。每一步行走过程中,行走者按抛掷硬币所获得硬币态的结果行走,硬币的抛掷算法为:
若硬币的维度为4,可认为该量子硬币具有4个面。即分立时间高维量子行走可以表述为:某一时刻,行走者用2d维度的硬币抛掷算符抛掷该硬币,然后根据硬币态在d维空间中行走,并重复上述过程。高维量子行走的希尔伯特空间维度增大,只选取一种情形,即只存在一个行走者和一个硬币,行走者和硬币可以类似线上行走的方式进行编码。一般而言,独立的高维抛掷算符被定义为d个独立二位抛掷算符直积构成:
随机森林是由多个随机决策树集成的综合分类器系统,其输出类别随决策树输出类别标签众数变化而变化,基于决策树的深度森林方法是融合深度学习思想的集成方法。
一个由N棵决策树组成的随机森林模型{h(X,Θk)},Θk为第k棵决策树独立同分布的随机向量。假定待分类样本为X,经过各决策树依据各属性特征独立判别该样本所属分类,然后由随机森林模型汇总所有决策树的投票结果,并选择投票数量最高的类别作为该样本的最终投票结果。其随机森林的分类决策过程可描述为:
式中,Y为目标变量,hi(x)为第i个决策树分类模型,I(hi(x)=Y)为度量函数。
如下所示,属性的度量标准以基尼为指标,
式中,p(i|t)为测试变量t属于类别i样本概率,nc为样本数量。
深度森林方法包括两个过程即多粒度扫描过程和随机森林的级联过程。随机森林的级联过程中,深度森林将决策树每级级联,级联的决策树的输入信息由上一次决策树扫描而来。在训练过程中,每颗决策树在内部节点随机选择特性,直到叶子节点均含同一个类型时结束该测试样本的训练。随机决策树随机选择个信息作为候选,每次选择最高基尼因子进行分割。为能获取最终类型向量,每个样本训练均经过k折交叉验证,即每个样本被训练k-1次,产生k-1个类别向量后,取平均值作为下一级的增强特征向量,本发明的深度森林默认采用3折交叉验证。而训练的深度N由有效训练的层数决定。总体而言,本发明所提方法的主要步骤为:
步骤(1):将本发明提出的高维量子行走结合多粒度扫描用于提取数据特征;
步骤(2):高维量子行走结合多粒度扫描用于原始特征提取,可产生多维度训练样本,提高深度森林模型的表征学习能力;将高维量子行走深度森林模型用于电力变压器寿命评估;
步骤(3):将寿命周期分为设备初期、稳定期、衰减期和老化期四类,评估出电力变压器的寿命周期。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明在建立高维量子行走模型,相对于经典随机行走,量子行走中的位置几率分布扩散的更快,能以更高的几率行走到较初始位置更远的地方,搜索的范围更广。
(2)本发明建立深度森林采用多粒度扫描和高维量子行走结合的模式,对样本集进行特征提取,获得表征鲜明的数据集,此过程可以提高深度森林模型的诊断率,减少训练时间,且级联层动态变化可以使模型泛化性能较优。
(3)本发明建立以电力变压器运行工况状态、电力变压器绝缘状态和电气变压器历史运行数据为深度森林训练集输入,通过高维量子行走深度森林评估电力变压器处于电力设备四个阶段的哪一个阶段,即设备初期、稳定期、衰减期和老化期。通过深度森林模型对电力变压器设备的寿命诊断精确度高。
附图说明
图1是本发明方法的深度森林特征提取示意图。
图2是本发明方法的基于高维量子行走深度森林的变压器寿命诊断流程图。
具体实施方式
本发明提出一种高维量子行走深度森林的变压器寿命评估方法,结合附图详细说明如下:
图1是本发明方法的深度森林特征提取示意图。本发明提出多粒度扫描和高维量子行走结合的方法对原始输入特征进行提取,从而提高模型的表征学习能力。多粒度扫描包括特征扫描和特征转换,假设输入一个m维原始特征,滑动窗口和步长分别为q和k。滑动窗口扫描原始输入特征提取特征信息,生成N个实例:
N=(m-q)/k+1 (5)
经深度森林训练后,每个森林输出s维类概率向量,所有类概率向量转换为特征向量L,
L=2×[(m-q)/k+1]×s (6)
高维量子行走对原始输入特征抽取的概率为:
图2是本发明方法的基于高维量子行走深度森林的变压器寿命诊断流程图。首先,对电力变压器运行工况状态、电力变压器绝缘状态和电气变压器历史运行数据进行预处理,对原始数据集多粒度扫描和量子行走提取数据,建立最终特征向量,将数据归一化后进行深度森林模型的输入。然后通过训练子集决策树建立最优决策,即叶节点纯度达到最优。最后按照所有子树预测的平均值作为最终预测结果,将电力变压器的寿命周期分类为设备初期、稳定期、衰减期和老化期。
Claims (3)
1.一种高维量子行走深度森林的变压器寿命评估方法,其特征在于,该方法将高维量子行走和深度森林方法结合,用于电力变压器寿命评估,所提方法的主要步骤为:
步骤(1):将本发明提出的高维量子行走结合多粒度扫描用于提取数据特征;
步骤(2):将本发明提出的基于高维量子行走深度森林模型用于电力变压器寿命评估;
步骤(3):将寿命周期分为设备初期、稳定期、衰减期和老化期四类,评估出电力变压器的寿命周期。
2.如权利要求1所述的一种高维量子行走深度森林的变压器寿命评估方法,其特征在于,所述步骤(1)中高维量子行走结合多粒度扫描用于原始特征提取,可以产生多维度训练样本,提高深度森林模型的表征学习能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583289.6A CN112686529B (zh) | 2020-12-28 | 2020-12-28 | 一种高维量子行走深度森林的变压器寿命评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583289.6A CN112686529B (zh) | 2020-12-28 | 2020-12-28 | 一种高维量子行走深度森林的变压器寿命评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686529A true CN112686529A (zh) | 2021-04-20 |
CN112686529B CN112686529B (zh) | 2023-03-24 |
Family
ID=75454085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011583289.6A Active CN112686529B (zh) | 2020-12-28 | 2020-12-28 | 一种高维量子行走深度森林的变压器寿命评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686529B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN112116058A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
-
2020
- 2020-12-28 CN CN202011583289.6A patent/CN112686529B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN112116058A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
JIE GAO 等: "Improving deep forest by ensemble pruning based on feature vectorization and quantum walks", 《SOFT COMPUTING》, no. 25, 29 August 2020 (2020-08-29), pages 2057 - 2068 * |
陈吕鹏 等: "基于深度森林算法的电力系统短期负荷预测", 《电力建设》, vol. 39, no. 11, 30 November 2008 (2008-11-30), pages 42 - 50 * |
Also Published As
Publication number | Publication date |
---|---|
CN112686529B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413924B (zh) | 一种半监督多视图学习的网页分类方法 | |
Lu et al. | A hybrid ensemble algorithm combining AdaBoost and genetic algorithm for cancer classification with gene expression data | |
CN112784881A (zh) | 网络异常流量检测方法、模型及系统 | |
Khan et al. | A new channel boosted convolutional neural network using transfer learning | |
CN111914728B (zh) | 高光谱遥感影像半监督分类方法、装置及存储介质 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
Zhou et al. | Improved softmax loss for deep learning‐based face and expression recognition | |
Čehovin et al. | Empirical evaluation of feature selection methods in classification | |
Zhou et al. | Fast minutiae extractor using neural network | |
Cai et al. | ARIS: a noise insensitive data pre-processing scheme for data reduction using influence space | |
Deshpande et al. | Pareto front approximation using a hybrid approach | |
Weiguo et al. | Variable precision rough set based decision tree classifier | |
JunLin et al. | WiFi fingerprint positioning method based on fusion of autoencoder and stacking mode | |
Gao et al. | Icfs: An improved fast search and find of density peaks clustering algorithm | |
Zhang et al. | Multi-path siamese convolution network for offline handwritten signature verification | |
Song et al. | Latent semantic analysis for vector space expansion and fuzzy logic-based genetic clustering | |
Esmaeili et al. | Feature selection as an improving step for decision tree construction | |
CN112686529B (zh) | 一种高维量子行走深度森林的变压器寿命评估方法 | |
Kaur et al. | Credit Card Fraud Detection Using Machine Learning, Deep Learning, and Ensemble of the both | |
Mahmood et al. | Performance evaluation of chi-square and relief-F feature selection for facial expression recognition | |
CN114185956A (zh) | 基于canopy、k-means算法的数据挖掘方法 | |
Shuai et al. | Hybrid reliability parameter selection method based on text mining, frequent pattern growth algorithm and fuzzy bayesian network | |
Wang et al. | Network intrusion detection algorithm combined with group convolution network and snapshot ensemble. Symmetry 2021, 13 (1814) | |
Guo et al. | Ifrat: An iot field recognition algorithm based on time-series data | |
Wei et al. | Classification Method of Customer Based on Load Curve Image Information |
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 |