CN114091236A - 配电柜健康状况的确定方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请实施例公开了一种配电柜健康状况的确定方法、装置、电子设备和存储介质，该方法包括：采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。本方案可以有效提高对配电柜健康状况的判断准确度，给配电柜日常维保提供相对精确的参考。

Description

配电柜健康状况的确定方法、装置、电子设备和存储介质

技术领域

本申请实施例涉及电力设施维护领域，尤其涉及一种配电柜健康状况的确定方法、装置、电子设备和存储介质。

背景技术

随着城市化进程的快速推进，电力运输称为实现城市正常运转的重要保障，电力从高压电网到居民日常使用，需要通过层层分配，为保证电网尽可能安全平稳运行，需要对配电网进行日常维护。

有关统计表明，一半以上的配电网维护费用是花在配电柜上，而其中30％又是用于配电柜的小修和例行检修上；另外据统计，15％的配电柜故障是由于不正确的检修所致，配电柜的大修完全解体，既费时，费用又很高，可达整个配电柜的1/3—1/2，而且解体和重新装配会引起很多缺陷。现有通过神经网络判断配电柜健康状态的方式比较单一，且配电柜关系重大，情况复杂，基于神经网络的判断方式可能会存在判断结果不准的情况。

发明内容

本申请提供了一种配电柜健康状况的确定方法、装置、电子设备和存储介质，以解决现有技术中对配电柜健康状态状态判断可能不准的问题。

本发明采用如下技术方案：

第一方面，本申请实施例提供了一种配电柜健康状况的确定方法，该方法包括：

采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；

将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；

基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。

第二方面，本申请实施例提供了一种配电柜健康状况的确定装置，该装置包括：

采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；

将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；

基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。

第三方面，本申请实施例提供了一种电子设备，包括存储器以及一个或多个处理器；

所述存储器，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配电柜健康状况的确定方法。

第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的配电柜健康状况的确定方法。

本发明通过采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。本方案可以有效提高对配电柜健康状况的判断准确度，给配电柜日常维保提供相对精确的参考。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例提供的一种配电柜健康状况的确定方法的流程图；

图2是本申请实施例提供的一种配电柜健康状况的确定装置的结构示意图；

图3是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

图1给出了本申请实施例提供的一种配电柜健康状况的确定方法的流程图，本实施例提供的配电柜健康状况的确定方法可以由配电柜健康状况的确定装置来执行，该配电柜健康状况的确定装置可通过硬件和/或软件的方式实现。参考图1，该方法具体可以包括：

步骤S110、采集配电柜的运行状态参数，并将所述运行状态参数按时序记录。

配电柜的运行状态参数可以包括工作电压、工作电流、温度、噪声等，这些参数实时采集，但是为减少近似数据的存储和处理，对实时采集的参数按相同的周期和相同的时刻进行保存，例如从t1时刻到t2时刻中间间隔周期T，t1和t2时刻之间也有参数的采集，但是在本方案中，只保存t1时刻和t2时刻采集到的参数。为了保证各种数据是对配电柜同一时刻的状态描述，各种运行状态参数从同一时刻开始保存，并且保存的周期相同，相当于运行状态参数每次保存都是同一时刻，运行状态参数也就能够对某一时刻配电柜的运行状态进行全面描述。一般而言，配电柜的运行状态比较稳定，所以采集周期可以设定稍长，例如一天或几天，当然，在具体处理过程中，还可以有进一步的判断和基于判断结果的调整，例如某项参数在实时采集过程发现波动很大，但是该当前并不是基于周期确认的保存节点所在，则可以发出指令将当前时段的参数做频率更高的保存。

步骤S120、将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到。

本方案中，不必将每时每刻采集的运行状态参数保存，对应的，也不需要每个周期的运行状态参数都输入到第一状态判断模型和第二状态判断模型进行判断，而是在间隔一定时间长度之后，再对配电柜的运行状态进行判断。例如10天、半个月或1个月，具体根据情况进行设置。

在具体实现过程中，所述第一状态判断模型基于递归神经网络训练得到；所述第二状态判断模型基于长短期记忆网络训练得到，通过两种不同的网络结构，基于相同的样本数据进行训练，可以从不同的维度提取样本数据的特征，对应分别得到判断结果。第一状态判断模型基于递归神经网络训练得到，最终输出的是健康状况的类型，例如良好、一般或不健康，第二状态判断模型是基于长短期记忆网络训练得到，最终输出的是预测的后续运行状态参数的变化，具体第二状态判断结果实际是基于预测的后续运行状态参数的状况判断。需要说明的是，这里的第一状态判断模型和第二状态判断模型只是用于区分描述的命名，并不必然表示基于神经网络训练得到的才是第一状态判断模型，或者基于长短期记忆网络训练得到的才是第二状态判断模型，只要第一状态判断模型和第二状态判断模型是来自两个不同的网络结构训练得到即可。

在前述限定的基础上，所述第一状态判断模型通过以下方式训练得到：

将样本集中的运行状态参数基于参数类型按时序进行提取，得到训练输入数据，所述训练输入数据中的数据元为预设时长内每个时刻采集的所有参数类型对应的参数；

将提取到的训练输入数据输入递归神经网络进行训练，得到用于预测健康状况类型的第一状态判断模型，所述递归神经网络包括一个输入层、一个非线性隐含层和一个线性输出层。

运行状态参数基于参数类型按时序进行提取，得到基于数据元结构的训练输入数据，每个数据元中为同一时刻的所有参数类型的数据。在本方案中，递归神经网络整体包括一个输入层作为缓冲层，另外包括一个非线性层作为隐含层，以及一个线性的输出层。更具体的网络结构设计可以采用现有的方式实现，在此不做扩展说明。

所述第二状态判断模型通过以下方式训练得到：

将样本集中的运行状态参数基于参数类型按时序进行提取，得到训练输入数据，所述训练输入数据中的数据元为预设时长内每个时刻采集的所有参数类型对应的参数；

将提取到的训练参数输入长短期记忆网络进行训练，得到用于预测后续参数的第二状态判断模型。

基于长短期记忆网络实现的第二状态判断模型中，通过对大量的样本数据的训练，能够学习到数据变化的规律所在，从而进一步预测各个参数类型对应的后续参数，从而可以根据后续参数作出结果预测。基于后续参数作出结果预测的过程可以是基于已有的阈值设置的判断，也可以是输入到类似第一状态判断模型中进行二次判断。

步骤S130、基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。

第一状态判断结果和第二状态判断结果可能均是第一状态判断模型和第二状态判断模型对应直接输出的健康状况的描述，也可能基于输出的预测参数的进一步判断，具体根据网络结构的选择确认。

在前文基于长短期记忆网络的基础上，具体实现综合健康状况的确认，通过步骤S131-步骤S134实现：

步骤S131：根据所述第二状态判断结果中的参数状态，确认对应的健康状况类型。

如果第一状态判断模型和第二状态判断模型中的一个是基于长短期记忆网络训练得到，或者基于其它网络结构训练得到，对应直接输出的预测的后续参数，那么均对应根据预测到的参数状态，确认对应的健康状况类型。如果第一状态判断模型和第二状态判断模型是基于两种不同的网络结果训练得到，对应输出预测的后续参数，则均根据预测到的参数状态，确认对应的健康状况类型。

步骤S132：确认所述第一状态判断结果对应的健康状况类型和第二状态判断结果对应的健康状况类型是否一致。

为便于健康状况类型的一致性的确认，以及方便用户对最终的综合健康状况的理解，健康状况类型直接通过健康等级进行描述，例如良好、一般或不健康。当然，第一状态判断模型和第二状态判断模型根据更细节的状态参数也可以有更多判断输出，例如可能的故障位置、可能的剩余使用寿命的，从而提供更全面的预判信息。

步骤S133：若健康状况类型一致，则确认该一致的健康状况类型为所述配电柜的综合健康状况。

如果健康状况类型为一直，例如均为良好或均为不健康，则对应直接作为配电柜的综合健康状况。

步骤S134：若所述第一状态判断结果和第二状态判断结果不一致，则从预设的历史数据中匹配与当前处理的运行状态参数相同的历史状态参数，输出综合健康状况判断异常提醒，以及匹配出的历史状态参数。

如果第一状态判断结果和第二状态判断结果不一致，则保留两种状态判断结果作为综合参考，并从历史数据中匹配与当前处理的运行状态参数相同的历史状态参数，从而供用户结合历史状态对当前状态进行综合评价，以实现对用户判断的多维度支持。

本发明采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。本方案可以有效提高对配电柜健康状况的判断准确度，给配电柜日常维保提供相对精确的参考。

图2为本申请实施例提供的一种配电柜健康状况的确定装置的结构示意图。参考图2，本实施例提供的一种配电柜健康状况的确定装置具体包括参数记录单元210、数据输入单元220和状况判断单元230。

其中，参数记录单元210，用于采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；数据输入单元220，用于将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；状况判断单元230，用于基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。

在上述实施例的基础上，所述第一状态判断模型基于递归神经网络训练得到；所述第二状态判断模型基于长短期记忆网络训练得到。

在上述实施例的基础上，所述第一状态判断模型通过以下方式训练得到：

将样本集中的运行状态参数基于参数类型按时序进行提取，得到训练输入数据，所述训练输入数据中的数据元为预设时长内每个时刻采集的所有参数类型对应的参数；

将提取到的训练输入数据输入递归神经网络进行训练，得到用于预测健康状况类型的第一状态判断模型，所述递归神经网络包括一个输入层、一个非线性隐含层和一个线性输出层。

在上述实施例的基础上，所述第二状态判断模型通过以下方式训练得到：

将样本集中的运行状态参数基于参数类型按时序进行提取，得到训练输入数据，所述训练输入数据中的数据元为预设时长内每个时刻采集的所有参数类型对应的参数；

将提取到的训练参数输入长短期记忆网络进行训练，得到用于预测后续参数的第二状态判断模型。

在上述实施例的基础上，所述状况判断单元，包括：

类型确认模块，用于根据所述第二状态判断结果中的参数状态，确认对应的健康状况类型；

类型比对模块，用于确认所述第一状态判断结果对应的健康状况类型和第二状态判断结果对应的健康状况类型是否一致；

第一判断模块，用于若健康状况类型一致，则确认该一致的健康状况类型为所述配电柜的综合健康状况；

第二判断模块，用于若所述第一状态判断结果和第二状态判断结果不一致，则从预设的历史数据中匹配与当前处理的运行状态参数相同的历史状态参数，输出综合健康状况判断异常提醒，以及匹配出的历史状态参数。

本申请实施例提供的配电柜健康状况的确定装置可以用于执行上述实施例提供的配电柜健康状况的确定方法，具备相应的功能和有益效果。

本申请实施例提供了一种电子设备。图3是本申请实施例提供的一种电子设备结构示意图。参考图3，该电子设备包括：该电子设备包括处理器310、存储器320、输入装置330、输出装置340以及通信装置350；电子设备中处理器310的数量可以是一个或多个，图3中以一个处理器310为例；电子设备中的处理器310、存储器320、输入装置330、输出装置340以及通信装置350可以通过总线或其他方式连接，图3中以通过总线连接为例。

存储器320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基于旋量的手势识别方法对应的程序指令/模块(例如，配电柜健康状况的确定装置具体包括数据获取记录单元210、模型数据预测单元220和电缆安全提醒单元230)。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的基于旋量的手势识别方法。

存储器320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电子设备的使用所创建的数据等。此外，存储器320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320可进一步包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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。

输入装置330可用于接收输入的数字或字符信息，以及产生与电子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340可包括显示屏等显示设备。

处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的配电柜健康状况的确定方法，该配电柜健康状况的确定方法至少包括如下步骤：采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。

上述提供的设备可用于执行上述实施例提供的配电柜健康状况的确定方法，具备相应的功能和有益效果。

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种配电柜健康状况的确定方法，该配电柜健康状况的确定方法包括：采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的配电柜健康状况的确定方法，还可以执行本申请任意实施例所提供的配电柜健康状况的确定方法中的相关操作。

上述实施例中提供的配电柜健康状况的确定装置、存储介质及电子设备可执行本申请任意实施例所提供的配电柜健康状况的确定方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的配电柜健康状况的确定方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。

因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请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申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的保护范围由所附的权利要求范围决定。

Claims (10)

1.配电柜健康状况的确定方法，其特征在于，包括：

采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；

将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；

基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。

2.根据权利要求1所述的方法，其特征在于，所述第一状态判断模型基于递归神经网络训练得到；所述第二状态判断模型基于长短期记忆网络训练得到。

3.根据权利要求2所述的方法，其特征在于，所述第一状态判断模型通过以下方式训练得到：

将样本集中的运行状态参数基于参数类型按时序进行提取，得到训练输入数据，所述训练输入数据中的数据元为预设时长内每个时刻采集的所有参数类型对应的参数；

将提取到的训练输入数据输入递归神经网络进行训练，得到用于预测健康状况类型的第一状态判断模型，所述递归神经网络包括一个输入层、一个非线性隐含层和一个线性输出层。

4.根据权利要求2所述的方法，其特征在于，所述第二状态判断模型通过以下方式训练得到：

将样本集中的运行状态参数基于参数类型按时序进行提取，得到训练输入数据，所述训练输入数据中的数据元为预设时长内每个时刻采集的所有参数类型对应的参数；

将提取到的训练参数输入长短期记忆网络进行训练，得到用于预测后续参数的第二状态判断模型。

5.根据权利要求4所述的方法，其特征在于，基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况，包括：

根据所述第二状态判断结果中的参数状态，确认对应的健康状况类型；

确认所述第一状态判断结果对应的健康状况类型和第二状态判断结果对应的健康状况类型是否一致；

若健康状况类型一致，则确认该一致的健康状况类型为所述配电柜的综合健康状况；

若所述第一状态判断结果和第二状态判断结果不一致，则从预设的历史数据中匹配与当前处理的运行状态参数相同的历史状态参数，输出综合健康状况判断异常提醒，以及匹配出的历史状态参数。

6.一种配电柜健康状况的确定装置，其特征在于，包括：

参数记录单元，用于采集配电柜的运行状态参数，并将所述运行状态参数按时序记录；

数据输入单元，用于将预设时长内的所述运行状态参数输入预设的第一状态判断模型和第二状态判断模型，对应得到第一状态判断结果和第二状态判断结果，所述第一状态判断模型和第二状态判断模型分别基于不同的网络结构训练得到；

状况判断单元，用于基于所述第一状态判断结果和第二状态判断结果，确认所述配电柜的综合健康状况。

7.根据权利要求6所述的装置，其特征在于，所述第一状态判断模型基于递归神经网络训练得到；所述第二状态判断模型基于长短期记忆网络训练得到。

8.根据权利要求7所述的装置，其特征在于，所述第一状态判断模型通过以下方式训练得到：

将样本集中的运行状态参数基于参数类型按时序进行提取，得到训练输入数据，所述训练输入数据中的数据元为预设时长内每个时刻采集的所有参数类型对应的参数；

将提取到的训练输入数据输入递归神经网络进行训练，得到用于预测健康状况类型的第一状态判断模型，所述递归神经网络包括一个输入层、一个非线性隐含层和一个线性输出层。

9.一种电子设备，其特征在于，包括：

存储器以及一个或多个处理器；

所述存储器，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1-5任一所述的配电柜健康状况的确定方法。

10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5任一所述的配电柜健康状况的确定方法。

Images