CN113780725A - 一次设备的缺陷预测方法和装置、存储介质 - Google Patents
一次设备的缺陷预测方法和装置、存储介质 Download PDFInfo
- Publication number
- CN113780725A CN113780725A CN202110881670.9A CN202110881670A CN113780725A CN 113780725 A CN113780725 A CN 113780725A CN 202110881670 A CN202110881670 A CN 202110881670A CN 113780725 A CN113780725 A CN 113780725A
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- defect data
- historical
- prediction
- 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.)
- Pending
Links
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本公开实施例所提供的一次设备的缺陷预测方法和装置、存储介质,属于电网技术领域。该一次设备的缺陷预测方法,包括:获取一次设备的历史缺陷数据,对所述历史缺陷数据进行预处理,得到初步缺陷数据,对所述初步缺陷数据进行编码处理,得到目标缺陷数据,将所述目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。通过本公开实施例提供的技术方案,可以提高一次设备的缺陷的预测的准确性和效率。
Description
技术领域
本公开涉及电网技术领域,尤其涉及一次设备的缺陷预测方法和装置、存储介质。
背景技术
当前,针对电网设备缺陷预测的研究是需要攻克的难点,国内外学者以电力数据为基础,结合数据挖掘算法开展了设备缺陷预测,但预测的准确性受诸多因素影响,因此,如何提高设备缺陷预测的准确性和效率成为现有研究的共性问题。
发明内容
本公开的主要目的在于提出一种一次设备的缺陷预测方法和装置、存储介质,可以提高一次设备的缺陷预测的准确性。
实现上述目的,本公开的第一方面提出了一种一次设备的缺陷预测方法,包括:
获取一次设备的历史缺陷数据;
对所述历史缺陷数据进行预处理,得到初步缺陷数据;
对所述初步缺陷数据进行编码处理,得到目标缺陷数据;
将所述目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。
在一些实施例,所述历史缺陷数据包括图像数据,所述方法还包括:对所述图像数据进行特征提取,具体包括:
对所述历史缺陷数据的图像数据进行特征提取,得到特征图;
对所述特征图进行压缩处理得到特征向量;
对所述特征向量进行卷积核分解得到枚举向量。
在一些实施例,所述对所述历史缺陷数据进行预处理,得到初步缺陷数据,包括:
对所述历史缺陷数据进行格式统一处理,得到标准格式数据;
对所述标准格式数据进行编码处理,得到所述初步缺陷数据。
在一些实施例,所述对所述历史缺陷数据进行预处理,得到初步缺陷数据,还包括:
对所述历史缺陷数据进行缺失值的填充处理;
对填充处理后的历史缺陷数据进行降噪滤波处理。
在一些实施例,所述对所述历史缺陷数据进行预处理,得到初步缺陷数据,还包括:
对所述目标缺陷数据进行归一化处理;
对归一化处理后的目标缺陷数据进行样本扩充。
在一些实施例,所述方法还包括:
获取缺陷样本集;
将所述缺陷样本集输入至初始预测模型进行训练直至初始预测模型收敛,并进行优化拟合,得到所述缺陷预测模型。
在一些实施例,所述方法还包括:
获取所述历史缺陷数据的重复值的类型;
根据所述重复值的类型进行相应的择一、保留或者删除处理。
为实现上述目的,本公开的第二方面提出了一种一次设备的缺陷预测装置,包括:
历史缺陷数据获取模块,用于获取一次设备的历史缺陷数据;
缺陷数据预处理模块,用于对所述历史缺陷数据进行预处理,得到初步缺陷数据;
缺陷数据编码模块,用于对所述初步缺陷数据进行编码处理,得到目标缺陷数据;
缺陷预测模块,用于将所述目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。
为实现上述目的,本公开的第三方面提出了另一种一次设备的缺陷预测装置,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在存储器中,处理器执行所述至少一个程序以实现本公开如上述第一方面所述的方法。
为实现上述目的,本公开的第四方面提出了一种存储介质,该存储介质是计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行:
如上述第一方面所述的方法。
本公开提出的一次设备的缺陷预测方法和装置、存储介质,通过获取一次设备的历史缺陷数据,对历史缺陷数据进行预处理得到初步缺陷数据,对初步缺陷数据进行编码处理,得到目标缺陷数据,将目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。通过本公开实施例提供的技术方案,可以提高一次设备的缺陷的预测的准确性和效率。
附图说明
图1是本公开实施例提供的一次设备的缺陷预测方法的流程图。
图2是本公开另一实施例提供的一次设备的缺陷预测方法的部分流程图。
图3是一实施例的图1的步骤102的流程图。
图4是另一实施例的图1的步骤102的流程图。
图5是本公开又一实施例提供的一次设备的缺陷预测方法的部分流程图。
图6是本公开又一实施例提供的一次设备的缺陷预测方法的部分流程图。
图7是本公开实施例提供的一次设备的缺陷预测装置的硬件结构示意图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本公开,并不用于限定本公开。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的,不是旨在限制本公开。
首先,对本公开中涉及的若干名词进行解析:
一次设备:是指直接参与生产、输送和分配电能的电气设备,也是发电厂电力功率、高压电流传输和流动、变换、分配的电气设备,例如发电机、变压器、电动机等能量转换设备,断路器、隔离开关、负荷开关、高压熔断器等开关设备,母线、绝缘子和电缆等载流设备,电压互感器、电流互感器等互感器,电力电抗器,避雷器等等。一次设备主要用于高电压、强电流回路。
Smote算法:数据集中经常存在不平衡问题,即存在某一类样本,其数量远多于或远少于其他类样,从而导致一些机器学习模型失效,例如逻辑回归即不适合处理类别不平衡问题。类别不平衡问题存在于很多场景中,例如欺诈检测、风控识别、医学影像(癌细胞识别中健康细胞和癌细胞的比例20:1)、车险(车险报销数据集中报销和未报销比例26:1)、CTR(未点击和点击记录比例57:1),在这些样本中,黑样本(一般为存在问题的样本)的数量一般远少于白样本(正常样本)。逻辑回归在欺诈检测问题中,因为绝大多数样本都为正常样本,欺诈样本很少,逻辑回归算法会倾向于把大多数样本判定为正常样本,这样能达到很高的准确率,但是达不到很高的召回率。上采样(过采样)和下采样(负采样)策略是解决类别不平衡问题的基本方法之一。上采样即增加少数类样本的数量,下采样即减少多数类样本以获取相对平衡的数据集。最简单的上采样方法可以直接将少数类样本复制几份后添加到样本集中,最简单的下采样则可以直接只取一定百分比的多数类样本作为训练集。SMOTE算法是用的比较多的一种上采样算法,且SMOTE算法的原理并不太复杂。
当前,针对电网设备缺陷预测的研究是电网企业需要攻克的难点,国内外学者以电力数据为基础,结合数据挖掘算法开展了设备缺陷预测,但预测的准确性受诸多因素影响,因此,如何提高设备缺陷预测精度成为现有研究的共性问题。
现阶段的设备缺陷预测研究是从缺陷时间序列中发现电力系统设备缺陷的规律,通过对设备当前和历史缺陷数据进行分析,预测设备未来发生缺陷的可能性,为管理者提供决策,帮助检修人员提前做好缺陷处理准备。
但现有缺陷预测的准确性和效率有待提高。
基于此,本公开实施例提供一种一次设备的缺陷预测的技术方案,可以提高预测一次设备的缺陷的准确性和效率。
本公开实施例提供一次设备的缺陷预测方法和装置、读存储介质,具体通过如下实施例进行说明,首先描述本公开实施例中的一次设备的缺陷预测方法。
本公开实施例提供的一次设备的缺陷预测方法,可应用于终端中,也可应用于服务器端中,还可以是运行于容器机制内。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;但并不局限于以上形式。
图1是本公开实施例提供的一次设备的缺陷预测方法的一个可选的流程图,图1中的方法包括步骤101至步骤104。
步骤101、获取一次设备的历史缺陷数据;
步骤102、对历史缺陷数据进行预处理,得到初步缺陷数据;
步骤103、对初步缺陷数据进行编码处理,得到目标缺陷数据;
步骤104、将目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。
在一些实施例的步骤101中,历史缺陷数据至少包括缺陷设备信息、检测数据、人员数据等;其中,缺陷设备信息至少包括缺陷类型;检测数据可以包括但不限于包括文字、音频、图像及视频等形式的数据类型。以一次设备为GIS设备为例进行说明,一次设备的缺陷类型可以包括,但不限于包括:金属颗粒绝缘缺陷、绝缘空穴、尖对板绝缘缺陷、绝缘沿面异物。
在一些实施例,历史缺陷数据可以包括图像数据也可以是文字数据,请参阅图2,若历史缺陷数据包括图像数据,则一次设备的缺陷预测方法还包括:
对图像数据进行特征提取,具体包括:
步骤201、对历史缺陷数据的图像数据进行特征提取,得到特征图;
步骤202、对特征图进行压缩处理得到特征向量;
步骤203、对特征向量进行卷积核分解得到枚举向量。
在一应用场景,通过特征提取网络对图像数据进行特征提取,具体地,特征提取网络可以包括三层网络结构,分别是特征提取层、特征向量层和卷积分解层,其中,特征提取层用于对图像数据进行特征提取,从而得到特征图;特征向量层用于对特征图进行压缩处理得到特征向量;卷积分解层用于对特征向量进行卷积核分解得到枚举向量。
更进一步地,该特征提取网络的特征提取层可以包括多个依次连接的卷积层;特征向量层可以包括多个交替设置的卷积层与池化层;卷积分解层可以包括多个一维卷积层;其中,卷积层用于在于对图像特征的深度提取,包括颜色、纹理、空间信息等;池化层作用用于对输入的特征图进行压缩,一方面可以用于降低特征图维度,简化网络计算复杂度,另一方面可以用于进行特征压缩,提取图像数据中的主要特征。
在一些实施例,请参阅图3,步骤102中的对历史缺陷数据进行预处理,得到初步缺陷数据,包括:
步骤301、对历史缺陷数据进行格式统一处理,得到标准格式数据;
步骤302、对标准格式数据进行编码处理,得到初步缺陷数据。
在步骤301中,由于历史缺陷数据中包括了多种数据类型,例如前述提到的图像数据,此外,还可以包括时间型数据、整数型数据和浮点型变量等,因此,将数据类型为时间型数据、整数型数据和浮点型变量等的历史缺陷数据进行格式统一处理,得到标准格式数据。
此外,由于历史缺陷数据还可以包括文本数据,因此需要将文本数据进行编码处理。例如,历史缺陷数据可以包括缺陷原因和缺陷缺陷因子,将缺陷原因中的“老化”进行码编码为0010000000000000000000000000000。
在一些实施例,请参阅图4,步骤102中的对历史缺陷数据进行预处理,得到初步缺陷数据,还包括:
步骤401、对历史缺陷数据进行缺失值的填充处理;
步骤402、对填充处理后的数据进行去噪滤波处理。
具体地,步骤401中对于缺失值的填充方法,可以采用忽略元组法、使用全局常量填充法,还可以使用最邻近方法进行填充,或者还可以使用属性均值或同类样本的属性均值来填充缺失值等等。在一具体应用场景,缺失值的重要性和缺失程度大致划分为四种:第一种是特征重要性高、缺失率低高;第二种是特征重要性高、缺失率低;第三种是特征重要性低、缺失率低;第四种是特征重要性低、缺失率高。针对第一种情况,可以进行删除处理;针对第四种情况,可以使用特殊值进行补全,例如可以通过设定“无”或者“NULL”来进行全局填充;针对第一种情况和第二种情况,即针对特征重要性高,不论缺失率是高还是低,尽量保留特征,例如可以采用补全法,采用在正常数据集中(无任何缺失数据)匹配出一个和缺失值样本重合度较高的样本,然后用正常数据集中的值补充缺失样本中的对应缺失值。
更进一步地,以管道为例进行说明,管道缺陷的宽度缺陷值大多是由于管道表面大面积剥落而产生,其深度小、范围大,因此只需计算出管道缺陷中未缺失的宽度平均值,即可对管道缺陷的宽度缺失值进行填充。例如,经计算得出管道缺陷中的属性均值为130,因此,可以将130作为缺陷宽度缺失值的填充值来进行数据填充。由于每一桩号所对应的管道埋深值基本不相同,并且没有同类样本的属性规律,因此可以使用属性均值进行填充,经计算得出每一桩号对应管道的平均埋深值为1.64,故将1.64作为管道埋深缺失值的填充值来进行数据填充。针对土壤类型的缺失值,可以采用最邻近方法进行数据填充,据统计含有缺失值的管道穿越地区的土壤类型均为黄土,故将“黄土”作为土壤类型缺失值的填充值进行数据填充。
在一些实施例,步骤102中的历史缺陷数据还包括重复值,因此,步骤102还包括:
获取历史缺陷数据的重复值的类型;
根据重复值的类型进行相应的择一、保留或者删除处理。具体为:重复值的类型通常包括列重复和行重复,其中列重复即为特征重复,行重复即为数据相同,例如针对列重复,可以是设备经度纬度和变电站经度纬度,这两种变量录入信息类似,甚至这两种变量的一些样本数据完全相同,针对这种情况,只需选择其中一个变量即可;而针对行重复,需要考虑数值的唯一性(即给定属性的每个值都必须不同于该属性的其他值),对于绝大多数的重复值,若是缺失值造成的重复值,可以进行保留,但针对是录入了完全重复的数据则需要进行删除。
在一些实施例,请参阅图5,一次设备的缺陷预测方法,还包括:
步骤501、对目标缺陷数据进行归一化处理;
步骤502、对归一化处理后的目标缺陷数据进行样本扩充。
具体地,在步骤501中,可以通过公式(1)进行归一化处理:
其中,x是对应的目标缺陷数据的数据特征信息,X’是对目标缺陷数据的数据特征信息x进行归一化处理后所得结果,xmax其中一数据特征信息列中的最大,xmin是其中一数据特征信息列中的最小值。
在实际应用中,由于历史缺陷数据中存在不平衡场景,例如,以一次设备为变压器进行说明,变压器的绝缘纸抗张强度下降与否的比例为59:1;又如,油浸式变压器为例,缺陷位置在阀门出现的缺陷频率与在油路管道出现的缺陷频率之间的比例为29:1;又如,因高温高压等环境因素影响的缺陷与因过负荷影响的缺陷的比例为76:1。当面对不平衡的数据集时,机器学习算法倾向于产生不太令人满意的分类器。因此,需要对目标缺陷数据进行扩充,可以根据SMOTE算法进行扩充,更具体地,可以参照公式(2)进行扩充,具体如下:
其中,xi与yi分别为缺陷数据样本x和其他样本y中的第i个数据特征,根据不平衡比率设置采样比例,确定采样倍率N,然后对每个缺陷数据样本随机选择若干K近邻样本xk,根据每个选择出的K邻近样本xk,参照公式(3)计算获得新样本:
X’=x+rand(0,1)×(x-xk) 公式(3)
通过步骤502对归一化处理后的目标缺陷数据进行样本扩充后得到缺陷样本集。
进一步地,一次设备的缺陷预测方法还包括:对对历史缺陷数据的图像数据进行标注,得到具有图像标签的缺陷数据集,并将该缺陷数据集按照步骤501和步骤502进行处理,从而得到缺陷样本集;此外,经过步骤501和步骤502处理后的缺陷数据集还可以被划分为缺陷样本集和缺陷测试集,其中缺陷样本集可以用于训练缺陷预测模型。
请参阅图6,一次设备的缺陷预测方法还包括:训练缺陷预测模型,具体包括:
步骤601、获取缺陷样本集;
步骤602、将缺陷样本集输入至初始预测模型进行训练直至初始预测模型收敛,并进行优化拟合,得到缺陷预测模型。
具体地,本公开实施例采用RMSProp优化器,binary_cross_entroy作为损失函数。RMSProp优化器能够加速梯度下降,加快学习效率。
在一些实施例,可以采用评估器tf.keras.metrics来评估模型在预测缺陷上的性能,评估器tf.keras.metrics能够对缺陷评估模型的预测结果与真实结果进行比较,并输出预测正确的样本数占总样本数的比例。
本公开实施例提供的技术方案,通过获取一次设备的历史缺陷数据,对历史缺陷数据进行预处理得到初步缺陷数据,对初步缺陷数据进行编码处理,得到目标缺陷数据,将目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。通过本公开实施例提供的技术方案,可以提高一次设备的缺陷的预测的准确性和效率。
在一些目标缺陷数据进行阈值预测,得到缺陷等级。
具体地,阈值的选取符合国家或行业标准要求。在一实施例中,以油中溶解气体诊断为例,若其中一种气体含气量或绝对产气速率超过阈值,则显示1、否则为0,其中1表示超标(缺陷等级为1级)、0表示未超标(缺陷等级为0级)。气体含量值和产气速率值的阈值按照IEC和我国电力行业标准执行。其它参数同样按照相关标准确定阈值。
本公开实施例还提供一种一次设备的缺陷预测装置,可以实现上述一次设备的缺陷预测方法,该装置包括:
历史缺陷数据获取模块,用于获取一次设备的历史缺陷数据;
缺陷数据预处理模块,用于对历史缺陷数据进行预处理,得到初步缺陷数据;
缺陷数据编码模块,用于对初步缺陷数据进行编码处理,得到目标缺陷数据;
缺陷预测模块,用于将目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。
本公开实施例还提供了一种一次设备的缺陷预测装置,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在存储器中,处理器执行所述至少一个程序以实现本公开实施例上述一次设备的缺陷预测方法。该电子设备可以为包括手机、平板电脑、个人数字助理(Personal Digital Assistant,简称PDA)、销售终端(Point of Sales,简称POS)、车载电脑等任意智能终端。
请参阅图7,图7示意了另一实施例的一次设备的缺陷预测装置的硬件结构,一次设备的缺陷预测装置包括:
处理器701,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本公开实施例所提供的技术方案;
存储器702,可以采用ROM(ReadOnlyMemory,只读存储器)、静态存储设备、动态存储设备或者RAM(RandomAccessMemory,随机存取存储器)等形式实现。存储器702可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器702中,并由处理器701来调用执行本公开实施例的一次设备的缺陷预测方法;
输入/输出接口703,用于实现信息输入及输出;
通信接口704,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;和
总线705,在设备的各个组件(例如处理器701、存储器702、输入/输出接口703和通信接口704)之间传输信息;
其中处理器701、存储器702、输入/输出接口703和通信接口704通过总线705实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行上述一次设备的缺陷预测方法。
本公开实施例提出的一次设备的缺陷预测方法、一次设备的缺陷预测装置、存储介质,通过获取一次设备的历史缺陷数据,对历史缺陷数据进行预处理得到初步缺陷数据,对初步缺陷数据进行编码处理,得到目标缺陷数据,将目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。通过本公开实施例提供的技术方案,可以提高一次设备的缺陷的预测的准确性和效率。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。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。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本公开的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本公开中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本公开所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本公开实施例的优选实施例,并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本公开实施例的权利范围之内。
Claims (10)
1.一种一次设备的缺陷预测方法,其特征在于,包括:
获取一次设备的历史缺陷数据;
对所述历史缺陷数据进行预处理,得到初步缺陷数据;
对所述初步缺陷数据进行编码处理,得到目标缺陷数据;
将所述目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。
2.根据权利要求1所述的方法,其特征在于,所述历史缺陷数据包括图像数据,所述方法还包括:对所述图像数据进行特征提取,具体包括:
对所述历史缺陷数据的图像数据进行特征提取,得到特征图;
对所述特征图进行压缩处理得到特征向量;
对所述特征向量进行卷积核分解得到枚举向量。
3.根据权利要求1所述的方法,其特征在于,所述对所述历史缺陷数据进行预处理,得到初步缺陷数据,包括:
对所述历史缺陷数据进行格式统一处理,得到标准格式数据;
对所述标准格式数据进行编码处理,得到所述初步缺陷数据。
4.根据权利要求3所述的方法,其特征在于,所述对所述历史缺陷数据进行预处理,得到初步缺陷数据,还包括:
对所述历史缺陷数据进行缺失值的填充处理;
对填充处理后的历史缺陷数据进行降噪滤波处理。
5.根据权利要求3所述的方法,其特征在于,所述对所述历史缺陷数据进行预处理,得到初步缺陷数据,还包括:
对所述目标缺陷数据进行归一化处理;
对归一化处理后的目标缺陷数据进行样本扩充。
6.根据权利要求1至5任意一项所述的方法所述的方法,其特征在于,所述方法还包括:
获取缺陷样本集;
将所述缺陷样本集输入至初始预测模型进行训练直至初始预测模型收敛,并进行优化拟合,得到所述缺陷预测模型。
7.根据权利要求1至5任意一项所述的方法,其特征在于,所述方法还包括:
获取所述历史缺陷数据的重复值的类型;
根据所述重复值的类型进行相应的择一、保留或者删除处理。
8.一种一次设备的缺陷预测装置,其特征在于,包括:
历史缺陷数据获取模块,用于获取一次设备的历史缺陷数据;
缺陷数据预处理模块,用于对所述历史缺陷数据进行预处理,得到初步缺陷数据;
缺陷数据编码模块,用于对所述初步缺陷数据进行编码处理,得到目标缺陷数据;
缺陷预测模块,用于将所述目标缺陷数据输入缺陷预测模型进行预测,得到缺陷预测数据。
9.一种一次设备的缺陷预测装置,其特征在于,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在所述存储器中,所述处理器执行所述至少一个程序以实现如权利要求1至7任一项所述的方法。
10.一种存储介质,所述存储介质为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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行:
如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881670.9A CN113780725A (zh) | 2021-08-02 | 2021-08-02 | 一次设备的缺陷预测方法和装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881670.9A CN113780725A (zh) | 2021-08-02 | 2021-08-02 | 一次设备的缺陷预测方法和装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780725A true CN113780725A (zh) | 2021-12-10 |
Family
ID=78836505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881670.9A Pending CN113780725A (zh) | 2021-08-02 | 2021-08-02 | 一次设备的缺陷预测方法和装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780725A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515931A (zh) * | 2019-07-02 | 2019-11-29 | 电子科技大学 | 一种基于随机森林算法的电容型设备缺陷预测方法 |
CN111462120A (zh) * | 2020-06-17 | 2020-07-28 | 熵智科技(深圳)有限公司 | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 |
CN112631898A (zh) * | 2020-12-09 | 2021-04-09 | 南京理工大学 | 基于cnn-svm的软件缺陷预测方法 |
-
2021
- 2021-08-02 CN CN202110881670.9A patent/CN113780725A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515931A (zh) * | 2019-07-02 | 2019-11-29 | 电子科技大学 | 一种基于随机森林算法的电容型设备缺陷预测方法 |
CN111462120A (zh) * | 2020-06-17 | 2020-07-28 | 熵智科技(深圳)有限公司 | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 |
CN112631898A (zh) * | 2020-12-09 | 2021-04-09 | 南京理工大学 | 基于cnn-svm的软件缺陷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111627015B (zh) | 小样本缺陷识别方法、装置、设备及存储介质 | |
Moayyed et al. | A Cyber-Secure generalized supermodel for wind power forecasting based on deep federated learning and image processing | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
Zhu et al. | Wordbook‐based light‐duty time series learning machine for short‐term voltage stability assessment | |
CN115392301A (zh) | 换流变压器状态识别方法、装置、设备、介质和程序产品 | |
CN111898247A (zh) | 滑坡位移预测方法、设备及存储介质 | |
Zou et al. | Double convolutional neural network for fault identification of power distribution network | |
CN113012107A (zh) | 电网缺陷检测方法及系统 | |
Srikanth et al. | A novel three-dimensional deep learning algorithm for classification of power system faults | |
CN116955068A (zh) | 序列相似度计算及告警处理方法、装置以及存储介质 | |
CN113780725A (zh) | 一次设备的缺陷预测方法和装置、存储介质 | |
CN114325072B (zh) | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 | |
CN112287751B (zh) | 励磁涌流识别方法、装置、计算机设备和存储介质 | |
CN114781499A (zh) | 一种构建基于ViT模型的密集预测任务适配器的方法 | |
Acharya et al. | Low‐loss image‐based compression for synchrophasor measurements | |
Sima et al. | A framework for automatically cleansing overvoltage data measured from transmission and distribution systems | |
CN117171617A (zh) | 基于动力柜的变压器故障检测方法、装置、设备及介质 | |
CN116415510B (zh) | 基于相空间重构和神经网络的断路器温升预测方法及系统 | |
US20230237644A1 (en) | Meta-learning for detecting object anomaly from images | |
CN117972579A (zh) | 窃电行为检测方法、装置、设备及存储介质 | |
CN117291894A (zh) | 一种基于大数据的安全预警方法和系统 | |
CN117057241A (zh) | 频率响应特性建模方法、频率响应特性分析方法和装置 | |
CN116245805A (zh) | 变电站设备缺陷检测方法、装置、计算机设备和存储介质 | |
CN115131651A (zh) | 图像处理方法、图像处理装置、计算机设备及存储介质 | |
CN116613754A (zh) | 配电系统可靠性评估方法、模型训练方法、装置及设备 |
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 |