CN113780481B - 电力设备的监控方法、装置、计算机设备和存储介质 - Google Patents
电力设备的监控方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113780481B CN113780481B CN202111335135.XA CN202111335135A CN113780481B CN 113780481 B CN113780481 B CN 113780481B CN 202111335135 A CN202111335135 A CN 202111335135A CN 113780481 B CN113780481 B CN 113780481B
- Authority
- CN
- China
- Prior art keywords
- features
- feature
- abnormal state
- mutual information
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 216
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000012806 monitoring device Methods 0.000 claims abstract description 3
- 238000004590 computer program Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 31
- 239000012212 insulator Substances 0.000 description 13
- 238000007789 sealing Methods 0.000 description 13
- 239000002131 composite material Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电力设备的监控方法、装置、计算机设备和计算机可读存储介质,该方法包括:获取第一样本集;根据多个特征对应的特征数据以及异常状态对应的取值确定每一个特征对异常状态的单一贡献度;并基于单一贡献度对多个特征进行排序得到第二样本集;按照预设的选择策略从第二样本集中选取多个特征,计算多个特征对异常状态的联合贡献度,基于联合贡献度确定目标特征;根据目标特征对电力设备进行监控。本申请提供的方法能够从众多的电力设备特征中筛选出对电力设备全生命周期起决定性作用的至少一个特征,并根据筛选出的特征有效的对电力设备的状态进行监控,以更好的对电力设备的全生命周期进行管理。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种电力设备的监控方法、装置、计算机设备和计算机可读存储介质。
背景技术
随着电力物联网的建设,通过电力设备的特征实现对电力设备全生命周期的管理已成为电网行业的发展方向。经过多年数据的沉淀,电力设备的特征以及特征数据众多,但是对电力设备全生命周期起决定性作用的特征只占众多特征中很少的一部分,如何依靠特征数据从众多的特征中快速的选择出起决定性作用的特征是目前需要解决的问题,以便于根据选择出的起决定性作用的特征有效的对电力设备的状态进行监控,能够更好的对电力设备的全生命周期进行管理。
目前,从众多的特征中选取起决定性作用的特征采用的方法多是根据特征与特征之间的互信息值进行确定,这种确定方式相对孤立,无法分析离散型特征和连续型特征之间的相关性,所以通过这种确定方式选取的特征无法在电力设备的状态监控过程中起到好的监控效果。
发明内容
本申请提供一种电力设备的监控方法、装置、计算机设备和计算机可读存储介质,该方法能够从众多的电力设备特征中筛选出对电力设备全生命周期起决定性作用的至少一个特征,并根据筛选出的特征有效的对电力设备的状态进行监控,以更好的对电力设备的全生命周期进行管理。
一种电力设备的监控方法,方法包括:
获取第一样本集,第一样本集包括电力设备的多个特征、与多个特征对应的特征数据、异常状态以及与异常状态对应的取值;特征引起电力设备产生异常状态;
根据多个特征对应的特征数据以及异常状态对应的取值确定每一个特征对异常状态的单一贡献度;并基于单一贡献度对多个特征进行排序得到第二样本集,单一贡献度越大特征引起异常状态的概率越大;
按照预设的选择策略从第二样本集中选取多个特征,计算多个特征对异常状态的联合贡献度,基于联合贡献度确定目标特征,联合贡献度越大多个特征共同引起异常状态的概率越大;目标特征可以提升联合贡献度的值;
根据目标特征对电力设备进行监控。
一种电力设备的监控装置,装置包括:
获取模块,用于获取第一样本集,第一样本集包括电力设备的多个特征、与多个特征对应的特征数据、异常状态以及与异常状态对应的取值;特征引起电力设备产生异常状态;
确定模块,用于根据多个特征对应的特征数据以及异常状态对应的取值确定每一个特征对异常状态的单一贡献度;并基于单一贡献度对多个特征进行排序得到第二样本集,单一贡献度越大特征引起异常状态的概率越大;
计算模块,用于按照预设的选择策略从第二样本集中选取多个特征,计算多个特征对异常状态的联合贡献度,基于联合贡献度确定目标特征,联合贡献度越大多个特征共同引起异常状态的概率越大;目标特征可以提升联合贡献度的值;
监控模块,用于根据目标特征对电力设备进行监控。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任一项的方法的步骤:
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项的方法的步骤。
本申请提供了一种电力设备的监控方法、装置、计算机设备和计算机可读存储介质,该方法包括:获取第一样本集,第一样本集包括电力设备的多个特征、与多个特征对应的特征数据、异常状态以及与异常状态对应的取值;特征引起电力设备产生异常状态;根据多个特征对应的特征数据以及异常状态对应的取值确定每一个特征对异常状态的单一贡献度;并基于单一贡献度对多个特征进行排序得到第二样本集,单一贡献度越大特征引起异常状态的概率越大;按照预设的选择策略从第二样本集中选取多个特征,计算多个特征对异常状态的联合贡献度,基于联合贡献度确定目标特征,联合贡献度越大多个特征共同引起异常状态的概率越大;目标特征可以提升联合贡献度的值;根据目标特征对电力设备进行监控。本申请提供的方法充分考虑了电力设备各个特征之间的相关性,克服了传统方法中无法分析离散型特征和连续型特征之间相关性的弊端,还能有效控制噪声的引入,同时考虑了特征对异常状态的单一贡献度以及多个特征对异常状态的联合贡献度,能够从众多的电力设备特征中筛选出对电力设备全生命周期起决定性作用的至少一个特征,并根据筛选出的特征有效的对电力设备的状态进行监控,以更好的对电力设备的全生命周期进行管理。
附图说明
图1为一个实施例中电力设备的监控方法的应用环境图;
图2为一个实施例中电力设备的监控步骤的流程示意图;
图3为另一个实施例中电力设备的监控步骤的流程示意图;
图4为另一个实施例中电力设备的监控步骤的流程示意图;
图5为一个实施例中区域的划分方法示意图;
图6为另一个实施例中区域的划分方法示意图;
图7为另一个实施例中区域的划分方法示意图;
图8为另一个实施例中电力设备的监控步骤的流程示意图;
图9为另一个实施例中电力设备的监控步骤的流程示意图;
图10为另一个实施例中电力设备的监控步骤的流程示意图;
图11为一个实施例中电力设备的监控装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的电力设备的监控方法,可以应用于如图1所示的应用环境中。其中,电力设备102通过网络与服务器104进行通信。服务器104根据电力设备102的多个特征从所述电力设备102中获取特征数据,基于所述特征数据与需要监控的电力设备的异常状态的取值确定每一个特征对异常状态的单一贡献度以及多个特征共同对异常状态的联合贡献度,最终根据联合贡献度筛选出与异常状态相关性最大的至少一个特征,基于该特征对电力设备的异常状态进行监控,以提高该电力设备的全生命周期管理效率。其中,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电力设备的监控方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取第一样本集,第一样本集包括电力设备的多个特征、与多个特征对应的特征数据、异常状态以及与异常状态对应的取值;特征引起电力设备产生异常状态。
其中,该电力设备可以是相同的多个电力设备,那么特征数据也是从多个电力设备中获取的,电力设备的多个特征可以是与电力设备的异常状态具有相关性的多个特征,特征数据是服务器基于多个特征从多个电力设备中获取的数据,每一个特征可以获取多组数据,异常状态可以是电力设备的设备本体表现出的损坏状态,例如断裂、酥朽、变脆、脱落等。异常状态是由于电力设备出现了上述特征引起的,好比持续性的敲击一块石头,可以导致石头碎裂,那么敲击就是特征,碎裂就是石头的异常状态。多个特征与特征数据一一对应,多个特征与异常状态的取值一一对应,意思是说,若为其中的一个特征进行赋值,基于预设的赋值标准或者试验规定,依次从电力设备中获取其它特征以及异常状态的取值。
示例性的,电力设备例如为复合绝缘子,复合绝缘子的异常状态为酥朽,那么与复合绝缘子酥朽相关的特征可以为憎水性、水扩散性、密封性、粘接性、起痕深度,其中,憎水性、密封性以及粘接性等都属于离散型的数据,其取值依据相关标准规定,水扩散性、起痕深度等都属于连续型的数据,均为正实数,依据试验标准规定的取值。异常状态酥朽的取值可以为0或者1,0表示复合绝缘子为正常绝缘子,1表示符合绝缘子为酥朽绝缘子。本申请对此不加以限定。若第一样本集是含有100支复合绝缘子的样本集,那么第一样本集为7×100的矩阵。
步骤S204,根据多个特征对应的特征数据以及异常状态对应的取值确定每一个特征对异常状态的单一贡献度;并基于单一贡献度对多个特征进行排序得到第二样本集,单一贡献度越大特征引起异常状态的概率越大。
其中,单一贡献度是特征引起电力设备异常状态影响程度的一个量化值,单一贡献度越大则表示该特征引起电力设备异常状态的概率越大。单一贡献度的计算方式:可以是选择大量的特征数据以及异常状态的取值对神经网络进行训练得到能够输出概率值的目标模型,当需要计算某一特征与异常状态的单一贡献度时,将特征对应的特征数据以及异常状态取值输入至目标模型,即可输出该特征对异常状态的单一贡献度;还可以是将选取的一定数量的特征数据输入至预定的分类器,根据分类器的输出结果确定输出结果与实际的结果相同的特征数据的数量,基于输出结果与实际的结果相同的特征数据的数量、选取的特征数据的总数量、特征数据与异常状态的互信息值确定特征对异常状态的单一贡献度,单一贡献度可以是三个参数之间进行比值运算后再进行加和运算得到,也可以是三个参数之间的其中两个进行加减乘除运算后再与另外一个参数进行加减乘除运算后得到,本申请对此不加以限定。
基于单一贡献度对多个特征进行排序得到第二样本集,可以是按照单一贡献度从大到小的顺序对多个特征进行重新排序得到第二样本集,还可以是按照单一贡献度从小到大的顺序对多个特征进行重新排序得到第二样本集,本申请对此不加以限定。
示例性的,例如将憎水性相关的多个数据以及对应的多个酥朽取值输入至目标模型,得到憎水性对酥朽的单一贡献度为0.8;将水扩散性相关的多个数据以及对应的多个酥朽取值输入至目标模型得到水扩散性对酥朽的单一贡献度为0.6;将密封性相关的多个数据以及对应的多个酥朽取值输入至目标模型得到密封性对酥朽的单一贡献度为0.6;将粘接性相关的多个数据以及对应的多个酥朽取值输入至目标模型得到粘接性对酥朽的单一贡献度为0.5;将起痕深度相关的多个数据以及对应的多个酥朽取值输入至目标模型,得到起痕深度对酥朽的单一贡献度为0.4,那么对多个特征进行重新排序得到特征排列顺序为:憎水性、水扩散性、密封性、粘接性、起痕深度,其中需要说明的是水扩散性和密封性并列排序。
步骤S206,按照预设的选择策略从第二样本集中选取多个特征,计算多个特征对异常状态的联合贡献度,基于联合贡献度确定目标特征,联合贡献度越大多个特征共同引起异常状态的概率越大;目标特征可以提升联合贡献度的值。
其中,基于上述计算得到的每一个特征对异常状态的单一贡献度,得到了对多个特征重新排列后的第二样本集之后,需要计算多个特征对异常状态的联合贡献度,联合贡献度是多个特征引起电力设备异常状态影响程度的一个量化值,联合贡献度越大则表示多个特征引起电力设备异常状态的概率越大。预设的选取策略可以是选取按照排列顺序依次选取第二样本集中的特征及特征数据进行联合贡献度的计算,还可以是先选择第二样本集中第一位特征和第二位特征及各自对应的特征数据计算第一位特征和第二位特征对异常状态的联合贡献度,再选择第二样本集中第一位特征和第三位特征及各自对应的特征数据计算第一位特征和第三位特征对异常状态的联合贡献度,再选择第二样本集中第一位特征和第四位特征及各自对应的特征数据计算第一位特征和第四位特征对异常状态的联合贡献度,以此类推,最后,可以是将与其它任何一个或多个特征的联合贡献度均小于其它一个或者多个特征的联合贡献度的特征从第二样本集中淘汰,第二样本集中剩余的特征即为获得的目标特征,即与全生命周期最相关的特征;需要说明的是,上述列举的第一位特征对异常状态的单一贡献度大于第二位特征对异常状态的单一贡献度,第二位特征对异常状态的单一贡献度大于第三位特征对异常状态的单一贡献度,以此类推,在此不做赘述。联合贡献度的计算方式:可以是将多个特征的特征数据与异常特征的取值进行训练,得到对应的多个目标模型,将特征数据以及异常特征的取值输入至目标模型,就可以计算出多个特征对异常状态的联合贡献度;联合贡献度还可以有其它的计算方式,本申请对此不加以限定。
示例性的,将憎水性、水扩散性相关的多个数据以及对应的多个酥朽取值输入至目标模型,得到憎水性和水扩散性共同对酥朽的联合贡献度为0.73;将憎水性、水扩散性、密封性相关的多个数据以及对应的多个酥朽取值输入至目标模型,得到憎水性、水扩散性、密封性共同对酥朽的联合贡献度为0.84;将憎水性、水扩散性、密封性、粘接性相关的多个数据以及对应的多个酥朽取值输入至目标模型得到憎水性、水扩散性、密封性、粘接性共同对酥朽的贡献度为0.85;将憎水性、水扩散性、密封性、粘接性、起痕深度相关的多个数据以及对应的多个酥朽取值输入至目标模型得到憎水性、水扩散性、密封性、粘接性、起痕深度共同对酥朽的联合贡献度为0.84,可见,将起痕深度加入特征中共同计算联合贡献度时,与其它特征共同对异常状态的联合贡献度相比不增反降,说明起痕深度对复合绝缘子的全生命周期的相关性较弱,那么在对复合绝缘子进行全生命周期监控时,则无需考虑起痕深度这一特征,除起痕深度之外的四个特征则是筛选出来的目标特征。
步骤S208,根据目标特征对电力设备进行监控。
其中,基于上述计算得到的特征对异常状态的单一贡献度以及多个特征对异常状态的联合贡献度可以从最初的第一样本集中的多个特征中筛选出与电力设备全生命周期相关性较大的多个特征,并获得了多个特征相关性的排列顺序,那么在对电力设备进行全生命周期监控时,就可以根据实际需求从目标特征中选取特征对电力设备的全生命周期进行监控,能够提高对电力设备全生命周期监控的有效性。
本申请提供一种电力设备的监控方法,该方法包括:获取第一样本集,第一样本集包括电力设备的多个特征、与多个特征对应的特征数据、异常状态以及与异常状态对应的取值;特征引起电力设备产生异常状态;根据多个特征对应的特征数据以及异常状态对应的取值确定每一个特征对异常状态的单一贡献度;并基于单一贡献度对多个特征进行排序得到第二样本集,单一贡献度表征单个特征引起异常状态的概率;按照预设的选择策略从第二样本集中选取多个特征,计算多个特征对异常状态的联合贡献度,基于联合贡献度确定目标特征,联合贡献度表征多个特征共同引起异常状态的概率;目标特征能够提高联合贡献度;根据目标特征对电力设备进行监控。本申请提供的方法充分考虑了电力设备各个特征之间的相关性,克服了传统方法中无法分析离散型特征和连续型特征之间相关性的弊端,还能有效控制噪声的引入,同时考虑了特征对异常状态的单一贡献度以及多个特征对异常状态的联合贡献度,能够从众多的电力设备特征中筛选出对电力设备全生命周期起决定性作用的至少一个特征,并根据筛选出的特征有效的对电力设备的状态进行监控,以更好的对电力设备的全生命周期进行管理。
在一个实施例中,如图3所示,本申请实施例获得第一样本集的一种可选的方法实施例,该方法包括:
步骤S302,获取初始样本集,初始样本集包括电力设备的多个初始特征、与多个初始特征对应的特征数据、异常状态以及与异常状态对应的取值。
其中,初始样本集中包含的特征多于第一样本集中的特征,在获得初始样本集时,需要对初始样本集进行初步的筛选,以减少后续的计算过程,提高筛选的效率。初始样本集的获取方式与前述第一样本集的获取方式相同,在此不做赘述,需要说明的是,样本集只需要获取一次,通过上述方法获取了初始样本集后,无需再通过上述方法获得第一样本集,第一样本集是对初始样本集进行初步筛选后获得的。
示例性的,电力设备例如为复合绝缘子,那么初始样本集例如包括憎水性、机械破坏性、水扩散性、密封性、粘接性、起痕深度,六种特征,六种特征对应的多组特征数据、酥朽、酥朽的取值。
步骤S304,根据多个初始特征对应的特征数据通过最大互信息算法计算多个初始特征中每两个初始特征的互信息值,互信息值越大每两个初始特征越相关。
可选的,如图4所示,两个特征数据的互信息值通过以下步骤获得:
步骤S402,从初始样本集中获取第一特征的多组特征数据以及第二特征的多组特征数据形成多组坐标,每一个坐标包括第一特征的一个特征数据和第二特征的一个特征数据;第一特征的多组特征数据与第二特征的多组特征数据具有一一对应关系;
步骤S404,分别将多组坐标绘制在预定的二维坐标系上,预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
步骤S406,根据多组坐标在多个相同区间的分布情况确定多组坐标在预定的二维坐标系上的分布概率;
步骤S408,根据分布概率通过最大互信息算法计算得到第一特征与第二特征的多个互信息值;
步骤S410,将多个互信息值中数值最大的互信息值确定为第一特征与第二特征的互信息值。
下面,以憎水性和粘接性这两个特征,对计算特征之间的互信息值进行说明,例如憎水性的数据与粘接性的数据组成的多组坐标为:(1,1)、(1,2)、(1,3)、(2,1)、(3,4)、(8,6)、(2,4)、(4,6);初始样本集中的特征有6个,假设预定的二维坐标系是边长为10的正方形网格,将网格均匀分成4个小网格,如图5所示,将四个小网格标记为区域1、区域2、区域3和区域4,将上述8个坐标标记在该网格上,那么落在区域1中的点有6个,落入区域2中的点有0个,落入区域3中的点有1个,落入区域4中的点有一个,那么憎水性和粘接性在区域1中的概率为6/8,在区域2中的概率为0,在区域3中的概率的概率为1/8,在区域4中的概率为1/8,再根据下列公式计算憎水性和粘接性这两个特征的互信息值:
其中,H(rx,ry)表示憎水性和粘接性的互信息值,rx表示憎水性,ry表示粘接性,x表示憎水性的憎水性的数据,y表示粘接性的数据,p(x,y)表示憎水性和粘接性在区域1-区域4中每一个区域的概率,px表示以憎水性和粘接性在区域5以及区域6中的概率,py表示以憎水性和粘接性在区域7以及区域8中的概率,D(x,y)为将所有特征属性两两组合形成的特征属性对(rx,ry),绘制在二维坐标平面D上,以X轴为划分规则将二维坐标平面D对应划分为x个区间以及以Y轴为划分规则将二维坐标平面D对应划分为y个区间,形成的x列y行网格。如图6和图7所示,区域5和区域6是以X轴为划分规则将边长为10的正方形网格进行划分得到的两个区域。区域7和区域8是以Y轴为划分规则将边长为10的正方形网格进行划分得到的两个区域。
那么,分别将p(x,y)=6/8,px=7/8,py=6/8代入上式,计算得到一个值;再将p(x,y)=0,px=1/8,py=6/8代入上式,计算得到一个值;p(x,y)=1/8,px=1/8,py=2/8代入上式,计算得到一个值;p(x,y)=1/8,px=7/8,py=2/8代入上式,计算得到一个值;将四个值加和后取反则得到憎水性和粘接性的互信息值。
然后再将预定的二维坐标系是边长为10的正方形网格,将网格均匀分成6个小网格,根据上述方法计算得到憎水性和粘接性的互信息值;在将网格均匀分成8个小网格,根据上述方法计算得到憎水性和粘接性的互信息值;网格均匀分成9个小网格,根据上述方法计算得到憎水性和粘接性的互信息值等;不同的网格划分方式,可以计算得到一个互信息值,那么最终可以得到多个互信息值,选取所有计算得到的互信息值中最大的互信息值作为憎水性和粘接性的互信息值。其它特征之间互信息值的计算方法与上述方法相同,在此不做赘述。
步骤S306,根据每两个初始特征的互信息值确定目标初始特征并将目标初始特征以及与目标初始特征对应的特征数据从初始样本集中删除得到第一样本集,目标初始特征与多个初始特征中除目标初始特征外的所有特征的互信息值均小于预设阈值。
可选的,如图8所示,根据每两个初始特征的互信息值确定目标初始特征,包括:
步骤S802,将每两个初始特征的互信息值与预设的阈值进行比较;
步骤S804,将与多个特征中与任意一个特征的互信息值均小于预设阈值的特征确定为目标初始特征。
其中,基于上述方法计算得到了每两个初始特征的互信息值,那么就得到了多个特征中每两个特征的互信息值,例如,可以是下表1所示的:
其中,r1为增水性、r2为机械破坏性、r3为水扩散性、r4为密封性、r5为粘接性、r6为起痕深度。
预设的阈值例如为0.68,该预设的阈值可以是根据本领域的多个人员试验或者经验所得,本申请对此不加以限定。然后将表1中的互信息值与0.68进行比较后,确定r6与其余任意特征的互信息值均低于预设的阈值,表明r6与其它特征的相关性较低,那么将r6确定为目标初始特征,从初始样本集中删除该特征以及与特征对应的特征数据,即得到第一样本集。通过对初始样本集的预处理,可以对多个特征进行初步的筛选,能够减少后续的计算量,提高筛选的效率。
在一个实施例中,如图9所示,本实施例是计算单一贡献度的一种可选的方法实施例,该方法实施例包括如下步骤:
步骤S902,通过最大互信息算法计算特征与异常状态的互信息值。
可选的,如图10所示,为计算特征与异常状态的互信息值的一种可选的方法实施例:
步骤S1002,从第一样本集中获取特征对应的多组特征数据以及与多组特征数据对应的多组异常状态的取值形成多组坐标,每一个坐标包括一个特征数据和一个异常状态取值;
步骤S1004,分别将多组坐标绘制在预定的二维坐标系上,预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
步骤S1006,根据多组坐标在多个相同区间的分布情况确定多组坐标在预定的二维坐标系上的分布概率;
步骤S1008,根据分布概率通过最大互信息算法计算得到特征与异常状态的多个互信息值;
步骤S1010,将多个互信息值中数值最大的互信息值确定为特征与异常状态的互信息值。
其中,计算特征与异常状态之间的互信息值的方法与上述计算两两特征之间的互信息值的计算方法相同,对此不再赘述。
步骤S904,根据特征数据的第一样本数、特征数据的第二样本数和特征与异常状态的互信息值确定特征的单一贡献度,特征数据的第一样本数为特征数据的总样本数量,特征数据的第二样本数为将总样本数量的特征数据输入分类器,输出的异常状态结果与实际状态结果一致的样本的数量。
其中,第一样本数表示计算特征与异常状态之间的互信息值选取的数据的数量,例如为100个,也即第一样本集中特征的全部数据的数量。第二样本数为将第一样本集中的一个特征的特征数据输入分类器中,分类器输出的关于异常状态的取值与实际测量相同的特征数据的数量。然后,根据特征数据的第一样本数、特征数据的第二样本数和特征与异常状态的互信息值确定特征的单一贡献度,通过下述公式计算得到特征与异常状态的单一贡献度:
其中,θ(ri,ci)为特征与异常状态的单一贡献度,为第一样本数,为第二样
本数,H(ri,ci)表示特征ri与异常状态ci之间的互信息值(通过上一步求得)。例如,第一样
本为100,r1为增水性、r2为机械破坏性、r3为水扩散性、r4为密封性、r5为粘接性,那么,将对
应的数据代入上面的计算公式,得到如下表2的计算结果:
本申请提供的电力设备的监控方法,通过引入人机交互策略对机器分类结果进行判别,最终得到单一贡献度,能够克服传统机器模型中解释性低的难题,同时有利于分析结果符合实际工程认知,保证了方法的实用性。
在一个实施例中,该实施例是预设的选择策略为按照特征对异常状态的单一贡献度从大到小的顺序依次叠加选取多个特征时,计算多个特征对异常状态的联合贡献度的一种可选的方法实施例,该方法包括:
根据第四特征与异常状态的互信息值、第三特征与第四特征的互信息值以及从第二样本集中获取的特征数量确定多个特征的联合贡献度,第三特征为初始特征,第四特征为在第三特征的基础上从第二样本集中选取的一个叠加特征,第四特征对异常状态的单一贡献度仅小于第二样本集中第三特征对异常状态的单一贡献度。
下面,举例说明本申请实施例采用的预设的选择策略:基于上述计算得到的各个特征与异常状态的单一贡献度确定的第二样本集中的特征的排列顺序例如为,那么当第三特征为r1时,第四特征为r3或者r4;当第三特征为r1+r3或r1+r4时,第四特征为r5,当第三特征为r1+r3+r5或r1+r4+r5时,第四特征为r2。由于r3和r4为并位排序的特征,则需要分别计算r3和r4单独存在、同时存在、都不存在的三种情况下多个特征对异常状态的联合贡献度,若均能提升联合贡献度,则按照提升数值的大小进行排序。其中,联合贡献度的计算公式如下:
其中,可以为r1+r3对异常状态的联合贡献度,为从第二样本集中选取的特征的数量2,H(ri,ci)表示r3与异常状态ci之间的互信息值,H(ri,rj)表示r1与r3之间的互信息值,基于上述计算的参数,如上述,就可以计算得到多个特征对异常状态的联合贡献度,如下表3-表6所示:
上述四表中从左到右依次是特征按照单一贡献度从大到小进行排列并加入的联合贡献度结果,以表3为例,r1表示r1对异常状态的单一贡献度,r3表示r1+r3的联合贡献度,依次类推。从表中获得,单独加入r2和r3会降低对异常状态的联合贡献度,单独加入r4则会增加对异常状态的联合贡献度,而r3和r4同时存在时可以提升对异常状态的联合贡献度,且r4比r3更适合与其他特征属性进行联合,因此,在排序上r4比r3高,而需要剔除r2,综上,最终得到的目标特征为r1、r4、r3、r5,且四个特征的排序为:,表示r1与复合绝缘子的全生命周期最相关,r4次之,以此类推。最后,可以是从r1、r4、r3、r5中选取特征对复合绝缘子的全生命周期进行监控。
应该理解的是,虽然图2-图4,图8-图10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4,8-10中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,为本申请提供的一种电力设备的监控装置2000,该装置包括:获取模块2002、确定模块2004、计算模块2006以及监控模块2008。
获取模块2002,用于获取第一样本集,第一样本集包括电力设备的多个特征、与多个特征对应的特征数据、异常状态以及与异常状态对应的取值;特征引起电力设备产生异常状态;
确定模块2004,用于根据多个特征对应的特征数据以及异常状态对应的取值确定每一个特征对异常状态的单一贡献度;并基于单一贡献度对多个特征进行排序得到第二样本集,单一贡献度越大特征引起异常状态的概率越大;
计算模块2006,用于按照预设的选择策略从第二样本集中选取多个特征,计算多个特征对异常状态的联合贡献度,基于联合贡献度确定目标特征,联合贡献度越大多个特征共同引起异常状态的概率越大;目标特征可以提升联合贡献度的值;
监控模块2008,用于根据目标特征对电力设备进行监控。
在一个实施例中,获取模块2002,还用于获取初始样本集,初始样本集包括电力设备的多个初始特征、与多个初始特征对应的特征数据、异常状态以及与异常状态对应的取值;
计算模块2006,还用于根据多个初始特征对应的特征数据通过最大互信息算法计算多个初始特征中每两个初始特征的互信息值,互信息值越大每两个初始特征越相关;
确定模块2004,还用于根据每两个初始特征的互信息值确定目标初始特征并将目标初始特征以及与目标初始特征对应的特征数据从初始样本集中删除得到第一样本集,目标初始特征与多个初始特征中除目标初始特征外的所有特征的互信息值均小于预设阈值。
在一个实施例中,计算模块2006包括:获取单元、绘制单元、第一确定单元以及第一计算单元;
获取单元,用于从初始样本集中获取第一特征的多组特征数据以及第二特征的多组特征数据形成多组坐标,每一个坐标包括第一特征的一个特征数据和第二特征的一个特征数据;第一特征的多组特征数据与第二特征的多组特征数据具有一一对应关系;
绘制单元,用于分别将多组坐标绘制在预定的二维坐标系上,预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
第一确定单元,用于根据多组坐标在多个相同区间的分布情况确定多组坐标在预定的二维坐标系上的分布概率;
第一计算单元,用于根据分布概率通过最大互信息算法计算得到第一特征与第二特征的多个互信息值;
第一确定单元,还用于将多个互信息值中数值最大的互信息值确定为第一特征与第二特征的互信息值。
在一个实施例中,确定模块2004包括:比较单元和第二确定单元;
比较单元,用于将每两个初始特征的互信息值与预设的阈值进行比较;
第二确定单元,用于将与多个特征中与任意一个特征的互信息值均小于预设阈值的特征确定为目标初始特征。
在一个实施例中,确定模块2004还包括:第二计算单元和第三确定单元;
第二计算单元,用于通过最大互信息算法计算特征与异常状态的互信息值;
第三确定单元,用于根据特征数据的第一样本数、特征数据的第二样本数和特征与异常状态的互信息值确定特征的单一贡献度,特征数据的第一样本数为特征数据的总样本数量,特征数据的第二样本数为将总样本数量的特征数据输入分类器,输出的异常状态结果与实际状态结果一致的样本的数量。
在一个实施例中,第二计算单元,还用于从第一样本集中获取特征对应的多组特征数据以及与多组特征数据对应的多组异常状态的取值形成多组坐标,每一个坐标包括一个特征数据和一个异常状态取值;分别将多组坐标绘制在预定的二维坐标系上,预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;根据多组坐标在多个相同区间的分布情况确定多组坐标在预定的二维坐标系上的分布概率;根据分布概率通过最大互信息算法计算得到特征与异常状态的多个互信息值;将多个互信息值中数值最大的互信息值确定为特征与异常状态的互信息值。
在一个实施例中,预设的选择策略为按照特征对异常状态的单一贡献度从大到小的顺序依次叠加选取多个特征,
计算模块2006具体用于:根据第四特征与异常状态的互信息值、第三特征与第四特征的互信息值以及从第二样本集中获取的特征数量确定多个特征的联合贡献度,第三特征为初始特征,第四特征为在第三特征的基础上从第二样本集中选取的一个叠加特征,第四特征对异常状态的单一贡献度仅小于第二样本集中第三特征对异常状态的单一贡献度。
关于电力设备的监控装置的具体限定可以参见上文中对于电力设备的监控方法的限定,在此不再赘述。上述电力设备的监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储多个特征数据以及异常状态取值。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力设备的监控方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取第一样本集,第一样本集包括电力设备的多个特征、与多个特征对应的特征数据、异常状态以及与异常状态对应的取值;特征引起电力设备产生异常状态;
根据多个特征对应的特征数据以及异常状态对应的取值确定每一个特征对异常状态的单一贡献度;并基于单一贡献度对多个特征进行排序得到第二样本集,单一贡献度越大特征引起异常状态的概率越大;
按照预设的选择策略从第二样本集中选取多个特征,计算多个特征对异常状态的联合贡献度,基于联合贡献度确定目标特征,联合贡献度越大多个特征共同引起异常状态的概率越大;目标特征可以提升联合贡献度的值;
根据目标特征对电力设备进行监控。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取初始样本集,初始样本集包括电力设备的多个初始特征、与多个初始特征对应的特征数据、异常状态以及与异常状态对应的取值;
根据多个初始特征对应的特征数据通过最大互信息算法计算多个初始特征中每两个初始特征的互信息值,互信息值越大每两个初始特征越相关;
根据每两个初始特征的互信息值确定目标初始特征并将目标初始特征以及与目标初始特征对应的特征数据从初始样本集中删除得到第一样本集,目标初始特征与多个初始特征中除目标初始特征外的所有特征的互信息值均小于预设阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从初始样本集中获取第一特征的多组特征数据以及第二特征的多组特征数据形成多组坐标,每一个坐标包括第一特征的一个特征数据和第二特征的一个特征数据;第一特征的多组特征数据与第二特征的多组特征数据具有一一对应关系;
分别将多组坐标绘制在预定的二维坐标系上,预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
根据多组坐标在多个相同区间的分布情况确定多组坐标在预定的二维坐标系上的分布概率;
根据分布概率通过最大互信息算法计算得到第一特征与第二特征的多个互信息值;
将多个互信息值中数值最大的互信息值确定为第一特征与第二特征的互信息值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将每两个初始特征的互信息值与预设的阈值进行比较;
将与多个特征中与任意一个特征的互信息值均小于预设阈值的特征确定为目标初始特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过最大互信息算法计算特征与异常状态的互信息值;
根据特征数据的第一样本数、特征数据的第二样本数和特征与异常状态的互信息值确定特征的单一贡献度,特征数据的第一样本数为特征数据的总样本数量,特征数据的第二样本数为将总样本数量的特征数据输入分类器,输出的异常状态结果与实际状态结果一致的样本的数量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从第一样本集中获取特征对应的多组特征数据以及与多组特征数据对应的多组异常状态的取值形成多组坐标,每一个坐标包括一个特征数据和一个异常状态取值;
分别将多组坐标绘制在预定的二维坐标系上,预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
根据多组坐标在多个相同区间的分布情况确定多组坐标在预定的二维坐标系上的分布概率;
根据分布概率通过最大互信息算法计算得到特征与异常状态的多个互信息值;
将多个互信息值中数值最大的互信息值确定为特征与异常状态的互信息值。
在一个实施例中,预设的选择策略为按照特征对异常状态的单一贡献度从大到小的顺序依次叠加选取多个特征,处理器执行计算机程序时还实现以下步骤:
根据第四特征与异常状态的互信息值、第三特征与第四特征的互信息值以及从第二样本集中获取的特征数量确定多个特征的联合贡献度,第三特征为初始特征,第四特征为在第三特征的基础上从第二样本集中选取的一个叠加特征,第四特征对异常状态的单一贡献度仅小于第二样本集中第三特征对异常状态的单一贡献度。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取第一样本集,第一样本集包括电力设备的多个特征、与多个特征对应的特征数据、异常状态以及与异常状态对应的取值;特征引起电力设备产生异常状态;
根据多个特征对应的特征数据以及异常状态对应的取值确定每一个特征对异常状态的单一贡献度;并基于单一贡献度对多个特征进行排序得到第二样本集,单一贡献度越大特征引起异常状态的概率越大;
按照预设的选择策略从第二样本集中选取多个特征,计算多个特征对异常状态的联合贡献度,基于联合贡献度确定目标特征,联合贡献度越大多个特征共同引起异常状态的概率越大;目标特征可以提升联合贡献度的值;
根据目标特征对电力设备进行监控。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取初始样本集,初始样本集包括电力设备的多个初始特征、与多个初始特征对应的特征数据、异常状态以及与异常状态对应的取值;
根据多个初始特征对应的特征数据通过最大互信息算法计算多个初始特征中每两个初始特征的互信息值,互信息值越大每两个初始特征越相关;
根据每两个初始特征的互信息值确定目标初始特征并将目标初始特征以及与目标初始特征对应的特征数据从初始样本集中删除得到第一样本集,目标初始特征与多个初始特征中除目标初始特征外的所有特征的互信息值均小于预设阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从初始样本集中获取第一特征的多组特征数据以及第二特征的多组特征数据形成多组坐标,每一个坐标包括第一特征的一个特征数据和第二特征的一个特征数据;第一特征的多组特征数据与第二特征的多组特征数据具有一一对应关系;
分别将多组坐标绘制在预定的二维坐标系上,预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
根据多组坐标在多个相同区间的分布情况确定多组坐标在预定的二维坐标系上的分布概率;
根据分布概率通过最大互信息算法计算得到第一特征与第二特征的多个互信息值;
将多个互信息值中数值最大的互信息值确定为第一特征与第二特征的互信息值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将每两个初始特征的互信息值与预设的阈值进行比较;
将与多个特征中与任意一个特征的互信息值均小于预设阈值的特征确定为目标初始特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过最大互信息算法计算特征与异常状态的互信息值;
根据特征数据的第一样本数、特征数据的第二样本数和特征与异常状态的互信息值确定特征的单一贡献度,特征数据的第一样本数为特征数据的总样本数量,特征数据的第二样本数为将总样本数量的特征数据输入分类器,输出的异常状态结果与实际状态结果一致的样本的数量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从第一样本集中获取特征对应的多组特征数据以及与多组特征数据对应的多组异常状态的取值形成多组坐标,每一个坐标包括一个特征数据和一个异常状态取值;
分别将多组坐标绘制在预定的二维坐标系上,预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
根据多组坐标在多个相同区间的分布情况确定多组坐标在预定的二维坐标系上的分布概率;
根据分布概率通过最大互信息算法计算得到特征与异常状态的多个互信息值;
将多个互信息值中数值最大的互信息值确定为特征与异常状态的互信息值。
在一个实施例中,预设的选择策略为按照特征对异常状态的单一贡献度从大到小的顺序依次叠加选取多个特征,计算机程序被处理器执行时还实现以下步骤:
根据第四特征与异常状态的互信息值、第三特征与第四特征的互信息值以及从第二样本集中获取的特征数量确定多个特征的联合贡献度,第三特征为初始特征,第四特征为在第三特征的基础上从第二样本集中选取的一个叠加特征,第四特征对异常状态的单一贡献度仅小于第二样本集中第三特征对异常状态的单一贡献度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (10)
1.一种电力设备的监控方法,其特征在于,所述方法包括:
获取第一样本集,所述第一样本集包括所述电力设备的多个特征、与所述多个特征对应的特征数据、异常状态以及与所述异常状态对应的取值;所述特征引起所述电力设备产生所述异常状态;
根据所述多个特征对应的特征数据以及所述异常状态对应的取值确定每一个所述特征对所述异常状态的单一贡献度;并基于所述单一贡献度对所述多个特征进行排序得到第二样本集,所述单一贡献度越大所述特征引起所述异常状态的概率越大;
按照预设的选择策略从所述第二样本集中选取多个特征,计算所述多个特征对所述异常状态的联合贡献度,基于所述联合贡献度确定目标特征,所述联合贡献度越大所述多个特征共同引起所述异常状态的概率越大;所述目标特征可以提升所述联合贡献度的值;
根据所述目标特征对所述电力设备进行监控;
其中,所述方法还包括:
获取初始样本集,所述初始样本集包括所述电力设备的多个初始特征、与所述多个初始特征对应的特征数据、所述异常状态以及与所述异常状态对应的取值;
根据所述多个初始特征对应的特征数据通过最大互信息算法计算所述多个初始特征中每两个初始特征的互信息值,所述互信息值越大所述每两个初始特征越相关;
根据所述每两个初始特征的互信息值确定目标初始特征并将所述目标初始特征以及与所述目标初始特征对应的特征数据从所述初始样本集中删除得到所述第一样本集,所述目标初始特征与所述多个初始特征中除所述目标初始特征外的所有特征的互信息值均小于预设阈值。
2.根据权利要求1所述的方法,其特征在于,根据所述多个初始特征对应的特征数据通过最大互信息算法计算所述多个初始特征中每两个所述初始特征的互信息值,包括:
从所述初始样本集中获取第一特征的多组特征数据以及第二特征的多组特征数据形成多组坐标,每一个所述坐标包括所述第一特征的一个特征数据和所述第二特征的一个特征数据;所述第一特征的多组特征数据与所述第二特征的多组特征数据具有一一对应关系;
分别将所述多组坐标绘制在预定的二维坐标系上,所述预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
根据所述多组坐标在所述多个相同区间的分布情况确定所述多组坐标在所述预定的二维坐标系上的分布概率;
根据所述分布概率通过最大互信息算法计算得到所述第一特征与所述第二特征的多个互信息值;
将所述多个互信息值中数值最大的互信息值确定为第一特征与所述第二特征的互信息值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述每两个所述初始特征的互信息值确定目标初始特征,包括:
将所述每两个所述初始特征的互信息值与预设的阈值进行比较;
将与所述多个特征中与任意一个特征的互信息值均小于所述预设阈值的所述特征确定为所述目标初始特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多个特征对应的特征数据以及所述异常状态对应的取值确定每一个所述特征对所述异常状态的单一贡献度,包括:
通过最大互信息算法计算所述特征与所述异常状态的互信息值;
根据所述特征数据的第一样本数、所述特征数据的第二样本数和所述特征与所述异常状态的互信息值确定所述特征的单一贡献度,所述特征数据的第一样本数为所述特征数据的总样本数量,所述特征数据的第二样本数为将所述总样本数量的所述特征数据输入分类器,输出的异常状态结果与实际状态结果一致的样本的数量。
5.根据权利要求4所述的方法,其特征在于,所述通过最大互信息算法计算所述特征与所述异常状态的互信息值,包括:
从所述第一样本集中获取所述特征对应的多组特征数据以及与所述多组特征数据对应的多组所述异常状态的取值形成多组坐标,每一个所述坐标包括一个特征数据和一个异常状态取值;
分别将所述多组坐标绘制在预定的二维坐标系上,所述预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
根据所述多组坐标在所述多个相同区间的分布情况确定所述多组坐标在所述预定的二维坐标系上的分布概率;
根据所述分布概率通过最大互信息算法计算得到所述特征与所述异常状态的多个互信息值;
将所述多个互信息值中数值最大的互信息值确定为所述特征与所述异常状态的互信息值。
6.根据权利要求1所述的方法,其特征在于,所述预设的选择策略为按照所述特征对所述异常状态的单一贡献度从大到小的顺序依次叠加选取多个特征,所述计算所述多个特征对所述异常状态的联合贡献度,包括:
根据第四特征与所述异常状态的互信息值、第三特征与所述第四特征的互信息值以及从所述第二样本集中获取的特征数量确定所述多个特征的联合贡献度,所述第三特征为初始特征,所述第四特征为在所述第三特征的基础上从所述第二样本集中选取的一个叠加特征,所述第四特征对所述异常状态的单一贡献度仅小于所述第二样本集中所述第三特征对所述异常状态的单一贡献度。
7.一种电力设备的监控装置,其特征在于,所述装置包括:
获取模块,用于获取第一样本集,所述第一样本集包括所述电力设备的多个特征、与所述多个特征对应的特征数据、异常状态以及与所述异常状态对应的取值;所述特征引起所述电力设备产生所述异常状态;
确定模块,用于根据所述多个特征对应的特征数据以及所述异常状态对应的取值确定每一个所述特征对所述异常状态的单一贡献度;并基于所述单一贡献度对所述多个特征进行排序得到第二样本集,所述单一贡献度越大所述特征引起所述异常状态的概率越大;
计算模块,用于按照预设的选择策略从所述第二样本集中选取多个特征,计算所述多个特征对所述异常状态的联合贡献度,基于所述联合贡献度确定目标特征,所述联合贡献度越大所述多个特征共同引起所述异常状态的概率越大;所述目标特征可以提升所述联合贡献度的值;
监控模块,用于根据所述目标特征对所述电力设备进行监控;
其中,所述获取模块,还用于:
获取初始样本集,所述初始样本集包括所述电力设备的多个初始特征、与所述多个初始特征对应的特征数据、所述异常状态以及与所述异常状态对应的取值;
根据所述多个初始特征对应的特征数据通过最大互信息算法计算所述多个初始特征中每两个初始特征的互信息值,所述互信息值越大所述每两个初始特征越相关;
根据所述每两个初始特征的互信息值确定目标初始特征并将所述目标初始特征以及与所述目标初始特征对应的特征数据从所述初始样本集中删除得到所述第一样本集,所述目标初始特征与所述多个初始特征中除所述目标初始特征外的所有特征的互信息值均小于预设阈值。
8.根据权利要求7所述的监控装置,其特征在于,
所述获取模块,具体还用于:从所述初始样本集中获取第一特征的多组特征数据以及第二特征的多组特征数据形成多组坐标,每一个所述坐标包括所述第一特征的一个特征数据和所述第二特征的一个特征数据;所述第一特征的多组特征数据与所述第二特征的多组特征数据具有一一对应关系;
分别将所述多组坐标绘制在预定的二维坐标系上,所述预定的二维坐标系按照预定的区间划分策略划分为多个相同区间;
根据所述多组坐标在所述多个相同区间的分布情况确定所述多组坐标在所述预定的二维坐标系上的分布概率;
根据所述分布概率通过最大互信息算法计算得到所述第一特征与所述第二特征的多个互信息值;
将所述多个互信息值中数值最大的互信息值确定为第一特征与所述第二特征的互信息值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335135.XA CN113780481B (zh) | 2021-11-11 | 2021-11-11 | 电力设备的监控方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335135.XA CN113780481B (zh) | 2021-11-11 | 2021-11-11 | 电力设备的监控方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780481A CN113780481A (zh) | 2021-12-10 |
CN113780481B true CN113780481B (zh) | 2022-04-08 |
Family
ID=78956853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111335135.XA Active CN113780481B (zh) | 2021-11-11 | 2021-11-11 | 电力设备的监控方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780481B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726593B (zh) * | 2022-03-23 | 2024-07-19 | 阿里云计算有限公司 | 数据分析、异常信息识别方法、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334843A (zh) * | 2007-06-29 | 2008-12-31 | 中国科学院自动化研究所 | 模式识别中的特征提取方法及装置 |
CN110738527A (zh) * | 2019-10-17 | 2020-01-31 | 中国建设银行股份有限公司 | 一种特征重要性排序方法、装置、设备和存储介质 |
CN113297593A (zh) * | 2021-05-14 | 2021-08-24 | 同盾控股有限公司 | 基于隐私计算的贡献度计算方法及装置、设备、介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005107033A1 (ja) * | 2004-04-28 | 2005-11-10 | Sharp Kabushiki Kaisha | 発電設備管理システム |
US9120280B2 (en) * | 2009-04-30 | 2015-09-01 | Michelin Recherche Et Technique S.A. | Tire uniformity through identification of process signatures |
US9515851B1 (en) * | 2015-05-28 | 2016-12-06 | Collision Communications, Inc. | Reduced dimension time domain channel estimation in a wireless communication network |
TWI595760B (zh) * | 2015-12-01 | 2017-08-11 | 廣達電腦股份有限公司 | 伺服器資源之管理系統及其管理方法 |
JP6805059B2 (ja) * | 2017-04-12 | 2020-12-23 | 株式会社日立製作所 | 共同配送計画装置、及び共同配送計画方法 |
CN113487084A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 |
-
2021
- 2021-11-11 CN CN202111335135.XA patent/CN113780481B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334843A (zh) * | 2007-06-29 | 2008-12-31 | 中国科学院自动化研究所 | 模式识别中的特征提取方法及装置 |
CN110738527A (zh) * | 2019-10-17 | 2020-01-31 | 中国建设银行股份有限公司 | 一种特征重要性排序方法、装置、设备和存储介质 |
CN113297593A (zh) * | 2021-05-14 | 2021-08-24 | 同盾控股有限公司 | 基于隐私计算的贡献度计算方法及装置、设备、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113780481A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105577440B (zh) | 一种网络故障时间定位方法和分析设备 | |
CN108965001B (zh) | 一种车辆报文数据模型的评估方法及装置 | |
CN106156781A (zh) | 排序卷积神经网络构建方法及其图像处理方法与装置 | |
CN113780481B (zh) | 电力设备的监控方法、装置、计算机设备和存储介质 | |
Richter | Memory design for constrained dynamic optimization problems | |
CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN110706213B (zh) | 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法 | |
CN106452825A (zh) | 一种基于改进决策树的配用电通信网告警关联分析方法 | |
US20040210395A1 (en) | Method for multi-region data processing and visualization | |
CN112001983B (zh) | 生成遮挡图像的方法、装置、计算机设备和存储介质 | |
CN111027016A (zh) | 一种基于编网算法的岩体结构面优势产状聚类分析方法 | |
CN108683564A (zh) | 一种基于多维决策属性的网络仿真系统可信度评估方法 | |
Pinto | Reliability methods in earthquake engineering | |
CN117520954A (zh) | 一种基于孤立森林对抗网络的异常数据重构方法及系统 | |
WO2020191896A1 (zh) | 一种树木纵截面内部缺陷成像方法 | |
CN114169460A (zh) | 样本筛选方法、装置、计算机设备和存储介质 | |
Aljahdali et al. | The limitations of genetic algorithms in software testing | |
CN117056722A (zh) | 一种规划地块人口数量预测方法及系统 | |
CN115408927B (zh) | 用于预测岩体参数的数据处理方法和装置 | |
CN111614318B (zh) | 光伏系统直流侧电流故障检测方法和装置 | |
Fowler et al. | Growth model for filamentary streamers in an ambient field | |
CN115792534A (zh) | 用于评价高压交流电缆绝缘-屏蔽匹配性的方法和装置 | |
CN112630827B (zh) | 地表加速度峰值参数预测方法及系统 | |
Zhang et al. | CORE: Mitigating Catastrophic Forgetting in Continual Learning through Cognitive Replay | |
CN112488528A (zh) | 数据集的处理方法、装置、设备和存储介质 |
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 |