CN114358599A - 一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法 - Google Patents

一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法 Download PDF

Info

Publication number
CN114358599A
CN114358599A CN202210006558.5A CN202210006558A CN114358599A CN 114358599 A CN114358599 A CN 114358599A CN 202210006558 A CN202210006558 A CN 202210006558A CN 114358599 A CN114358599 A CN 114358599A
Authority
CN
China
Prior art keywords
test
deep learning
detection
task
distribution
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
Application number
CN202210006558.5A
Other languages
English (en)
Inventor
倪玉玲
顾颖歆
鲜开强
章劲秋
张昕
邹云峰
黄茜
周达
张聪
董梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co ltd Marketing Service Center filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202210006558.5A priority Critical patent/CN114358599A/zh
Publication of CN114358599A publication Critical patent/CN114358599A/zh
Pending legal-status Critical Current

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，该方法包括：①通过手持终端录入检测设备及检测项目需求，并将其上传至中控平台；②根据历史数据使用混合密度深度学习，给出试验任务时序分配最优初始解；③采用遗传算法求解最优时序分配，由中控模块自动排列各试验模块工作顺序，切换其工作状态完成检测试验。本发明提出了一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，为居配电设备现场检测和检测效率提升提供理论依据。

Description

一种基于混合密度深度学习的居配现场检测系统的任务时序 分配方法
技术领域
本发明涉及居配电设备现场检测领域，具体指一种基于混合密度深度学 习的居配现场检测系统的任务时序分配方法。
背景技术
经济发展，电力先行，一个地区的经济发展离不开电力能源的供应。随 着城市规模扩大与越来越多的人口流向城市，居配电工程规模呈爆发式增长， 对居配电现场检测实验的效率也提出了更高的要求。居配工程现场目前主要 针对配电变压器(干式)、高压(开关/环网)柜、低压开关柜等8类设备、 材料进行检测。现场试验通常涉及多个设备，并且同一设备也包含多个试验 项目，考虑到经济性与便携性，各试验模块数量有限。目前，各试验模块均 根据试验人员经验进行规划使用，试验模块利用效率较低，且经常出现闲置 情况。因此，亟需一种能够实现居配现场检测试验任务时序分配方法，以提 高居配电现场检测实验效率。
发明内容
针对现有居配电设备现场检测试验效率较低的问题，本发明提供一种基 于混合密度深度学习的居配现场检测系统的任务时序分配方法，以提高居配 电现场检测实验效率。
为了实现上述目的，本发明的一种基于混合密度深度学习的居配现场检 测系统的任务时序分配方法，包括以下步骤：
S1：通过手持终端录入检测设备及检测项目需求，并将所录入检测设备 及检测项目需求上传至中控平台；
S2：所述中控平台根据历史检测数据使用混合密度深度学习，给出试验 任务时序分配最优初始解；
S3：采用遗传算法求解最优时序分配，由中控模块自动排列各检测设备 的工作顺序，切换其工作状态完成检测试验。
在本发明的一个优选实施例中，所述通过手持终端录入检测设备及检测项目需求，并 将所录入检测设备及检测项目需求上传至中控平台，具体是：
试验人员根据试验需求，在手持终端上选择将要检测设备的型号及试验项目，并录入 工作地点及时间，通过无线局域网上传至中控平台。
在本发明的一个优选实施例中，所述中控平台运行于一台现场移动的服务器上，通过 配置在所述服务器中的居配现场检测系统软件实现整个作业现场检测任务时序分配与试 验模块工作状态自动切换。
在本发明的一个优选实施例中，所述中控平台根据历史数据使用混合密度深度学习， 给出试验任务时序分配最优初始解，具体是：
中控平台从服务器的数据库中提取同一型号检测设备或者在数据较少时可同时提取 相近型号的检测设备的历史检测数据并将这些历史检测数据作为混合密度深度学习训练 数据集，这些历史检测数据包括检测设备的型号、试验项目、试验任务时序分配；
所述试验任务时序分配为时间序列预测问题，检测设备在工作开始后某一时间点执行 某项试验任务的概率密度表示为如下式(1)，
Figure BDA0003457029890000021
式(1)中：p(y|x)为概率密度分布表达式，πn(x,t)为第n个高斯核函数的权重，
Figure BDA0003457029890000022
为第n个高斯核函数，μn(x,t)为第n个高斯核函数的均值，
Figure BDA0003457029890000023
为第n个高斯核函数的方差；
使用最大似然法，通过对数似然函数的最大化来计算式(1)中均值和方差，并将其作为损失函数，
Figure BDA0003457029890000031
由于最大似然法会导致过度拟合，为了解决这一问题，在本发明的一个优选实施例中， 在所述损失函数中引入一个基于对抗性训练的正则化项。
在本发明的一个优选实施例中，所述对抗性训练是将干扰添加到神经网络的主要训练 输出中，作为对抗性训练的例子，具体是采用快速梯度符号法快速生成对抗性训练的例子， 增加的扰动与从输出层反向传播到输入层的梯度符号成比例；同时，为了保持混合网络训 练的一致性，将L-2正则化加入到损失函数中，式(2)中的损失函数改写为，
Figure BDA0003457029890000032
式中：λ为对抗性例子的权重，表示对抗训练对损失函数的影响；ε为限制扰动最大范数的常值；γ为正则化超参数；K为学习权重总数；θk为第k个学习权重。
由于训练过程的主要目标是最小化损失函数，为了防止损失函数优化过程中，对数和 分母项的低值和指数项的高值导致出现非数，在本发明的一个优选实施例中，采用梯度剪 切通过切断梯度来防止过大梯度点的出现。
在本发明的一个优选实施例中，所述混合密度深度学习分为如下三个步骤模块：
步骤一模块：将训练数据集预处理后输入卷积神经网络模块；
步骤二模块：卷积神经网络模块的输出经Flatten层压平为一维数据特征输入门控循 环单元模块；门控循环单元模块学习数据短期和长期依赖性并捕获其中的时间特征；
步骤三模块：全连接神经网络模块。
在本发明的一个优选实施例中，所述卷积神经网络模块选择线性修正单元(ReLU)作 为激活函数，在卷积层将前一层的特征映射与滤波器集进行卷积来输出特征映射，池化层 取输入值的最大值来创建自己的特征映射并将其应用于每个特征映射，进而构成时序分配 特征向量。
为防止训练过程中出现过拟合，在本发明的一个优选实施例中，所述卷积神经网络模 块输出数据时随机丢弃20％的数据。
在本发明的一个优选实施例中，所述门控循环单元模块选择线性修正单元作为激活函 数，包括两个门控循环单元层，确定混合密度深度学习在每个时间间隔内使用的信息量； 每个门控循环单元层由更新门u(t)和复位门r(t)组成，其函数表示分别为式(4)、式(5)、 式(6)和式(7)：
u(t)＝f[ωux(t)+Ruh(t-1)+bu] (4)
r(t)＝f[ωrx(t)+Rrh(t-1)+br] (5)
h(t)＝(1-u(t))e h(t-1)+u(t)eh％(t) (6)
h％(t)＝f[ωux(t)+Ru(r(t)e h(t-1))] (7)
式(4)、式(5)、式(6)和式(7)中：x(t)为当前时刻输入向量，ωu、 ωr分别为更新门、复位门学习权重，Ru、Rr分别为更新门、复位门的循环参 数，bu、br分别为更新门、复位门偏差，h(t)、h(t-1)分别为当前时刻及上一 时刻的状态变量，h％(t)为当前时刻的候选状态变量。
在本发明的一个优选实施例中，更新门控制多少隐藏状态变量必须更新，复位门控制 上一时刻被写入到当前候选状态的信息量。
为防止训练过程中出现过拟合，同时减少混合密度深度学习所需的信息，在本发明的 一个优选实施例中，两个门控循环单元层输出数据时随机丢弃50％的数据。
在本发明的一个优选实施例中，全连接神经网络模块包括四个全连接神经网络层以及 一个输出层；四个全连接神经网络层均选择线性修正单元作为激活函数，并对其进行端到 端训练，以提高性能；输出层包括三个并行全连接神经网络，选择线性指数单元(ELU)为激活函数拟合输出概率密度函数权重πn(x,t)与均值μn(x,t)，采用softmax激活函数拟合输出方差
Figure BDA0003457029890000041
将拟合结果代入(1)进而得到试验模块在工作开始后某一时间点执行 某项试验任务的概率密度。
同时为了防止过拟合，在本发明的一个优选实施例中，前两个全连接神经网络层输出 数据时随机丢弃25％的数据。输出层包括三个并行全连接神经网络，选择线性指数单元 (ELU)为激活函数拟合输出概率密度函数权重πn(x,t)与均值μn(x,t)，采用softmax激活函数拟合输出方差
Figure BDA0003457029890000042
将拟合结果代入(1)进而得到试验模块在工作开始后某一时 间点执行某项试验任务的概率密度。
在本发明的一个优选实施例中，所述给出试验任务时序分配最优初始解具体是：根据 各试验任务所需工作时长，将概率密度函数在该时间区域内积分，即为试验模块在该时间 区域内执行试验任务的概率；在时间轴上，从试验任务起点开始，各试验模块均选择同一 时间区域内概率最高的试验任务，进而得到的试验任务时序分配最优初始解。
在本发明的一个优选实施例中，所述采用遗传算法求解最优时序分配，由中控模块自 动排列各检测设备的工作顺序，切换其工作状态完成检测试验，具体是
以试验任务开始至最后一项试验完成的总工作时长最小为目标函数，以检测设备只能 同时执行一项试验任务为约束条件，采用遗传算法以得到的最优初始解为寻优起点，求解 各检测设备的试验任务最优时序分配；中控模块根据最优时序分配结果，生成试验接线方 案传输回手持终端；试验人员完成接线后，中控模块通过切换各检测设备工作状态，自动 完成检测试验。
由于采用了如上的技术方案，本发明能够实现居配现场检测试验任务时序分配方法， 以提高居配电现场检测实验效率。
附图说明
图1为本发明的流程示意图。
图2为本发明的混合深度学习步骤图。
图3为本发明的试验系统连接图
具体实施方式
下面结合具体实施方式对本发明作进一步的详细说明。
参见图1，本发明的一种基于混合密度深度学习的居配现场检测系统的任 务时序分配方法，包括以下步骤：
S1：通过手持终端录入检测设备及检测项目需求，并将所录入检测设备 及检测项目需求上传至中控平台；
S2：所述中控平台根据历史检测数据使用混合密度深度学习，给出试验 任务时序分配最优初始解；
S3：采用遗传算法求解最优时序分配，由中控模块自动排列各检测设备 的工作顺序，切换其工作状态完成检测试验。
所述通过手持终端录入检测设备及检测项目需求，并将所录入检测设备及检测项目需 求上传至中控平台，具体是：
试验人员根据试验需求，在移动手持终端上选择将要检测设备型号及试验项目，并录 入工作地点及时间，通过无线WIFI局域网上传至中控平台。中控平台运行于一台现场移 动服务器电脑上，通过该系统软件可以实现整个作业现场检测任务时序分配与试验模块工 作状态自动切换。
所述中控平台根据历史数据使用混合密度深度学习，给出试验任务时序分配最优初始 解，具体是：
中控平台从数据库中提取同一型号设备(数据较少时可同时提取相近型号设备)历史 检测数据，包括设备型号、试验项目、试验任务时序分配等，将其作为混合密度深度学习 训练数据集。
试验任务时序分配为时间序列预测问题，试验模块在工作开始后某一时间点执行某项 试验任务的概率密度可以表示为，
Figure BDA0003457029890000061
式中：p(y|x)为概率密度分布表达式，πn(x,t)为第n个高斯核函数的权重，
Figure BDA0003457029890000062
为第n个高斯核函数，μn(x,t)为第n个高斯核函数的均值，
Figure BDA0003457029890000063
为第n个高斯核函数的方差。
使用最大似然法，通过对数似然函数的最大化来计算式(1)中均值和方差，并将其作为损失函数，
Figure BDA0003457029890000064
而最大似然法会导致过度拟合，为了解决这一问题，在损失函数中引入一个基于对抗 性训练的正则化项。对抗性训练将干扰添加到神经网络的主要训练输出中，作为对抗性的 例子。采用快速梯度符号法快速生成对抗性训练例子，增加的扰动与从输出层反向传播到 输入层的梯度符号成比例。同时，为了保持混合网络训练的一致性，将L-2正则化加入到 损失函数中，式(2)中的损失函数改写为，
Figure BDA0003457029890000065
式中：λ为对抗性例子的权重，表示对抗训练对损失函数的影响；ε为限制扰动最大范数的常值；γ为正则化超参数；K为学习权重总数；θk为第k个学习权重。
训练过程的主要目标是最小化损失函数，为了防止损失函数优化过程中，对数和分母 项的低值和指数项的高值导致出现非数，采用梯度剪切通过切断梯度来防止过大梯度点的 出现。
混合密度深度学习的步骤如图2所示。
混合密度深度学习分为三个步骤模块，首先将训练数据集预处理后输入卷积神经网络 模块。卷积神经网络模块选择线性修正单元(ReLU)作为激活函数，在卷积层将前一层的 特征映射与滤波器集进行卷积来输出特征映射，池化层取输入值的最大值来创建自己的特 征映射并将其应用于每个特征映射，进而构成时序分配特征向量。为防止训练过程中出现 过拟合，该模块输出数据时随机丢弃20％的数据。
卷积神经网络模块的输出经Flatten层压平为一维数据特征，输入门控循环单元模 块。控循环单元模块学习数据短期和长期依赖性并捕获其中的时间特征。门控循环单元模 块选择线性修正单元作为激活函数，包括两个门控循环单元层，确定混合密度深度学习在 每个时间间隔内使用的信息量。每个门控循环单元层由更新门u(t)和复位门r(t)组成，其函数表示分别为，
u(t)＝f[ωux(t)+Ruh(t-1)+bu] (4)
r(t)＝f[ωrx(t)+Rrh(t-1)+br] (5)
h(t)＝(1-u(t))eh(t-1)+u(t)eh％(t) (6)
h％(t)＝f[ωux(t)+Ru(r(t)e h(t-1))] (7)
式中：x(t)为当前时刻输入向量，ωu、ωr分别为更新门、复位门学习权重， Ru、Rr分别为更新门、复位门的循环参数，bu、br分别为更新门、复位门偏差， h(t)、h(t-1)分别为当前时刻及上一时刻的状态变量，h％(t)为当前时刻的候 选状态变量。更新门控制多少隐藏状态变量必须更新，复位门控制上一时刻 被写入到当前候选状态的信息量。为防止训练过程中出现过拟合，同时减少 混合密度深度学习所需的信息，两个门控循环单元层输出数据时随机丢弃50％ 的数据。
全连接神经网络模块包括4个全连接神经网络层，以及一个输出层。前4个全连接神 经网络层均选择线性修正单元作为激活函数，并对其进行端到端训练，以提高性能，同时 为了防止过拟合，前两个全连接神经网络层输出数据时随机丢弃25％的数据。输出层包括 三个并行全连接神经网络，选择线性指数单元(ELU)为激活函数拟合输出概率密度函数权重πn(x,t)与均值μn(x,t)，采用softmax激活函数拟合输出方差
Figure BDA0003457029890000071
将拟合结果代入(1)进而得到试验模块在工作开始后某一时间点执行某项试验任务的概率密度。
根据各试验任务所需工作时长，将概率密度函数在该时间区域内积分，即为试验模块 在该时间区域内执行试验任务的概率。在时间轴上，从试验任务起点开始，各试验模块均 选择同一时间区域内概率最高的试验任务，进而得到的试验任务时序分配最优初始解。
采用遗传算法求解最优时序分配，由中控模块自动排列各试验模块工作 顺序，切换其工作状态完成检测试验：
以试验任务开始至最后一项试验完成的总工作时长最小为目标函数，以试验模块只能 同时执行一项试验任务为约束条件，采用遗传算法以步骤2中得到的最优初始解为寻优起 点，求解各试验模块的试验任务最优时序分配。中控模块根据最优时序分配结果，生成试 验接线方案传输回手持终端。试验人员完成接线后，中控模块通过切换各试验模块工作状 态，自动完成检测试验。中控平台与手持终端、试验模块间的连接如图3中所示。

Claims (17)

1.一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：包括以下步骤：
S1：通过手持终端录入检测设备及检测项目需求，并将所录入检测设备及检测项目需求上传至中控平台；
S2：所述中控平台根据历史检测数据使用混合密度深度学习，给出试验任务时序分配最优初始解；
S3：采用遗传算法求解最优时序分配，由中控模块自动排列各检测设备的工作顺序，切换其工作状态完成检测试验。
2.如权利要求1所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述通过手持终端录入检测设备及检测项目需求，并将所录入检测设备及检测项目需求上传至中控平台，具体是：
试验人员根据试验需求，在手持终端上选择将要检测设备的型号及试验项目，并录入工作地点及时间，通过无线局域网上传至中控平台。
3.如权利要求2所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述中控平台运行于一台现场移动的服务器上，通过配置在所述服务器中的居配现场检测系统软件实现整个作业现场检测任务时序分配与试验模块工作状态自动切换。
4.如权利要求1所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述中控平台根据历史数据使用混合密度深度学习，给出试验任务时序分配最优初始解，具体是：
中控平台从服务器的数据库中提取同一型号检测设备或者在数据较少时可同时提取相近型号的检测设备的历史检测数据并将这些历史检测数据作为混合密度深度学习训练数据集，这些历史检测数据包括检测设备的型号、试验项目、试验任务时序分配；
所述试验任务时序分配为时间序列预测问题，检测设备在工作开始后某一时间点执行某项试验任务的概率密度表示为如下式(1)，
Figure RE-FDA0003504037290000011
式(1)中：p(y|x)为概率密度分布表达式，πn(x,t)为第n个高斯核函数的权重，
Figure RE-FDA0003504037290000021
为第n个高斯核函数，μn(x,t)为第n个高斯核函数的均值，
Figure RE-FDA0003504037290000022
为第n个高斯核函数的方差；
使用最大似然法，通过对数似然函数的最大化来计算式(1)中均值和方差，并将其作为损失函数，
Figure RE-FDA0003504037290000023
5.如权利要求4所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：在所述损失函数中引入一个基于对抗性训练的正则化项。
6.如权利要求5所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述对抗性训练是将干扰添加到神经网络的主要训练输出中，作为对抗性训练的例子，具体是采用快速梯度符号法快速生成对抗性训练的例子，增加的扰动与从输出层反向传播到输入层的梯度符号成比例；同时，为了保持混合网络训练的一致性，将L-2正则化加入到损失函数中，式(2)中的损失函数改写为，
Figure RE-FDA0003504037290000024
式中：λ为对抗性例子的权重，表示对抗训练对损失函数的影响；ε为限制扰动最大范数的常值；γ为正则化超参数；K为学习权重总数；θk为第k个学习权重。
7.如权利要求6所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：在本发明的一个优选实施例中，采用梯度剪切通过切断梯度来防止过大梯度点的出现。
8.如权利要求7所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述混合密度深度学习分为如下三个步骤模块：
步骤一模块：将训练数据集预处理后输入卷积神经网络模块；
步骤二模块：卷积神经网络模块的输出经Flatten层压平为一维数据特征输入门控循环单元模块；门控循环单元模块学习数据短期和长期依赖性并捕获其中的时间特征；
步骤三模块：全连接神经网络模块。
9.如权利要求8所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述卷积神经网络模块选择线性修正单元(ReLU)作为激活函数，在卷积层将前一层的特征映射与滤波器集进行卷积来输出特征映射，池化层取输入值的最大值来创建自己的特征映射并将其应用于每个特征映射，进而构成时序分配特征向量。
10.如权利要求9所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述卷积神经网络模块输出数据时随机丢弃20％的数据。
11.如权利要求8所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述门控循环单元模块选择线性修正单元作为激活函数，包括两个门控循环单元层，确定混合密度深度学习在每个时间间隔内使用的信息量；每个门控循环单元层由更新门u(t)和复位门r(t)组成，其函数表示分别为式(4)、式(5)、式(6)和式(7)：
u(t)＝f[ωux(t)+Ruh(t-1)+bu] (4)
r(t)＝f[ωrx(t)+Rrh(t-1)+br] (5)
h(t)＝(1-u(t))eh(t-1)+u(t)eh％(t) (6)
h％(t)＝f[ωux(t)+Ru(r(t)eh(t-1))] (7)
式(4)、式(5)、式(6)和式(7)中：x(t)为当前时刻输入向量，ωu、ωr分别为更新门、复位门学习权重，Ru、Rr分别为更新门、复位门的循环参数，bu、br分别为更新门、复位门偏差，h(t)、h(t-1)分别为当前时刻及上一时刻的状态变量，h％(t)为当前时刻的候选状态变量。
12.如权利要求11所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：更新门控制多少隐藏状态变量必须更新，复位门控制上一时刻被写入到当前候选状态的信息量。
13.如权利要求12所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：两个门控循环单元层输出数据时随机丢弃50％的数据。
14.如权利要求8所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：全连接神经网络模块包括四个全连接神经网络层以及一个输出层；四个全连接神经网络层均选择线性修正单元作为激活函数，并对其进行端到端训练，以提高性能；输出层包括三个并行全连接神经网络，选择线性指数单元(ELU)为激活函数拟合输出概率密度函数权重πn(x,t)与均值μn(x,t)，采用softmax激活函数拟合输出方差
Figure RE-FDA0003504037290000041
将拟合结果代入(1)进而得到试验模块在工作开始后某一时间点执行某项试验任务的概率密度。
15.如权利要求14所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：前两个全连接神经网络层输出数据时随机丢弃25％的数据；输出层包括三个并行全连接神经网络，选择线性指数单元(ELU)为激活函数拟合输出概率密度函数权重πn(x,t)与均值μn(x,t)，采用softmax激活函数拟合输出方差
Figure RE-FDA0003504037290000042
将拟合结果代入(1)进而得到试验模块在工作开始后某一时间点执行某项试验任务的概率密度。
16.如权利要求8所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述给出试验任务时序分配最优初始解具体是：根据各试验任务所需工作时长，将概率密度函数在该时间区域内积分，即为试验模块在该时间区域内执行试验任务的概率；在时间轴上，从试验任务起点开始，各试验模块均选择同一时间区域内概率最高的试验任务，进而得到的试验任务时序分配最优初始解。
17.如权利要求8所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述采用遗传算法求解最优时序分配，由中控模块自动排列各检测设备的工作顺序，切换其工作状态完成检测试验，具体是：
以试验任务开始至最后一项试验完成的总工作时长最小为目标函数，以检测设备只能同时执行一项试验任务为约束条件，采用遗传算法以得到的最优初始解为寻优起点，求解各检测设备的试验任务最优时序分配；中控模块根据最优时序分配结果，生成试验接线方案传输回手持终端；试验人员完成接线后，中控模块通过切换各检测设备工作状态，自动完成检测试验。
CN202210006558.5A 2022-01-05 2022-01-05 一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法 Pending CN114358599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210006558.5A CN114358599A (zh) 2022-01-05 2022-01-05 一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210006558.5A CN114358599A (zh) 2022-01-05 2022-01-05 一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法

Publications (1)

Publication Number Publication Date
CN114358599A true CN114358599A (zh) 2022-04-15

Family

ID=81107186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210006558.5A Pending CN114358599A (zh) 2022-01-05 2022-01-05 一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法

Country Status (1)

Country Link
CN (1) CN114358599A (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0611422A (ja) * 1992-06-29 1994-01-21 Toyo Umpanki Co Ltd 故障診断装置の開発支援システム
CN101384916A (zh) * 2005-04-25 2009-03-11 爱德万测试株式会社 测试装置、程序、及存储介质
CN101466115A (zh) * 2008-12-30 2009-06-24 宇龙计算机通信科技(深圳)有限公司 一种故障检测方法、系统及移动终端
CN101833760A (zh) * 2010-03-29 2010-09-15 中山大学 一种基于图像块的背景建模方法及背景建模装置
JP2012247984A (ja) * 2011-05-27 2012-12-13 Mitsubishi Electric Corp 受配電監視制御システム
CN104780348A (zh) * 2015-04-16 2015-07-15 江苏科技大学 一种室外电力设备实时监测系统和方法
CN106597158A (zh) * 2016-12-12 2017-04-26 上海欧秒电力监测设备有限公司 配电变压器综合检测装置
CN108898022A (zh) * 2018-06-22 2018-11-27 珠海市君天电子科技有限公司 一种性能检测方法、装置及电子设备
CN109508276A (zh) * 2018-11-09 2019-03-22 四川长虹电器股份有限公司 提高Android平台上设备工厂检测效率的方法
CN209247923U (zh) * 2018-12-13 2019-08-13 智检科技(广州)有限公司 一种便携式配电变压器现场检测系统
CN111105129A (zh) * 2019-11-07 2020-05-05 国网河北省电力有限公司电力科学研究院 一种基于检测机构评价的检测任务智能分配方法
CN210640591U (zh) * 2019-10-29 2020-05-29 上海尚能电力工程设计有限公司 具有智能监测单元的电力配电柜
CN111915231A (zh) * 2020-08-22 2020-11-10 武汉空心科技有限公司 一种基于深度学习的工作平台任务分配方法
CN112055069A (zh) * 2020-08-31 2020-12-08 深圳供电局有限公司 一种电力自动化设备测试方法及系统
CN112232577A (zh) * 2020-10-23 2021-01-15 浙江八达电子仪表有限公司 用于多芯智能表的电力负荷概率预测系统与方法
CN112485514A (zh) * 2020-11-14 2021-03-12 国网江苏省电力有限公司营销服务中心 一种电平衡用电量不确定度评价方法
CN112526398A (zh) * 2020-11-05 2021-03-19 南京理学工程数据技术有限公司 一种面向传统中央电气分配盒性能的检测系统与方法
CN212845642U (zh) * 2020-06-22 2021-03-30 国网福建省电力有限公司 一种馈线自动化功能验证测试系统
CN112834839A (zh) * 2020-12-28 2021-05-25 深圳供电局有限公司 一种变压器现场综合试验的便携式装置和系统
CN113065601A (zh) * 2021-04-12 2021-07-02 陕西理工大学 基于遗传算法优化的深度学习林火异常检测方法
CN113702075A (zh) * 2020-05-22 2021-11-26 株洲中车时代电气股份有限公司 一种基于网络控制系统的动车组车上试验的控制方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0611422A (ja) * 1992-06-29 1994-01-21 Toyo Umpanki Co Ltd 故障診断装置の開発支援システム
CN101384916A (zh) * 2005-04-25 2009-03-11 爱德万测试株式会社 测试装置、程序、及存储介质
CN101466115A (zh) * 2008-12-30 2009-06-24 宇龙计算机通信科技(深圳)有限公司 一种故障检测方法、系统及移动终端
CN101833760A (zh) * 2010-03-29 2010-09-15 中山大学 一种基于图像块的背景建模方法及背景建模装置
JP2012247984A (ja) * 2011-05-27 2012-12-13 Mitsubishi Electric Corp 受配電監視制御システム
CN104780348A (zh) * 2015-04-16 2015-07-15 江苏科技大学 一种室外电力设备实时监测系统和方法
CN106597158A (zh) * 2016-12-12 2017-04-26 上海欧秒电力监测设备有限公司 配电变压器综合检测装置
CN108898022A (zh) * 2018-06-22 2018-11-27 珠海市君天电子科技有限公司 一种性能检测方法、装置及电子设备
CN109508276A (zh) * 2018-11-09 2019-03-22 四川长虹电器股份有限公司 提高Android平台上设备工厂检测效率的方法
CN209247923U (zh) * 2018-12-13 2019-08-13 智检科技(广州)有限公司 一种便携式配电变压器现场检测系统
CN210640591U (zh) * 2019-10-29 2020-05-29 上海尚能电力工程设计有限公司 具有智能监测单元的电力配电柜
CN111105129A (zh) * 2019-11-07 2020-05-05 国网河北省电力有限公司电力科学研究院 一种基于检测机构评价的检测任务智能分配方法
CN113702075A (zh) * 2020-05-22 2021-11-26 株洲中车时代电气股份有限公司 一种基于网络控制系统的动车组车上试验的控制方法
CN212845642U (zh) * 2020-06-22 2021-03-30 国网福建省电力有限公司 一种馈线自动化功能验证测试系统
CN111915231A (zh) * 2020-08-22 2020-11-10 武汉空心科技有限公司 一种基于深度学习的工作平台任务分配方法
CN112055069A (zh) * 2020-08-31 2020-12-08 深圳供电局有限公司 一种电力自动化设备测试方法及系统
CN112232577A (zh) * 2020-10-23 2021-01-15 浙江八达电子仪表有限公司 用于多芯智能表的电力负荷概率预测系统与方法
CN112526398A (zh) * 2020-11-05 2021-03-19 南京理学工程数据技术有限公司 一种面向传统中央电气分配盒性能的检测系统与方法
CN112485514A (zh) * 2020-11-14 2021-03-12 国网江苏省电力有限公司营销服务中心 一种电平衡用电量不确定度评价方法
CN112834839A (zh) * 2020-12-28 2021-05-25 深圳供电局有限公司 一种变压器现场综合试验的便携式装置和系统
CN113065601A (zh) * 2021-04-12 2021-07-02 陕西理工大学 基于遗传算法优化的深度学习林火异常检测方法

Similar Documents

Publication Publication Date Title
Attaviriyanupap et al. A hybrid EP and SQP for dynamic economic dispatch with nonsmooth fuel cost function
Sun et al. An online generator start-up algorithm for transmission system self-healing based on MCTS and sparse autoencoder
CN107665230A (zh) 用于智能家居控制的用户行为预测模型的训练方法及装置
CN109887284B (zh) 一种智慧城市交通信号控制推荐方法、系统及装置
CN104217258A (zh) 一种电力负荷条件密度预测方法
CN103020459A (zh) 一种多维度用电行为的感知方法及系统
CN113361680A (zh) 一种神经网络架构搜索方法、装置、设备及介质
CN113591368A (zh) 一种综合能源系统多能负荷预测方法及系统
CN116245019A (zh) 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质
CN110929835A (zh) 一种新型碳化硅基航空功率变换器故障诊断方法及系统
CN114358599A (zh) 一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法
CN113128689A (zh) 一种调控知识图谱的实体关系路径推理方法及系统
CN110674791B (zh) 一种基于多阶段迁移学习的强迫振荡分层定位方法
CN117421571A (zh) 一种基于配电网的拓扑实时辨识方法及系统
CN116070159A (zh) 一种样本不平衡下实现飞机主电源系统故障诊断的方法及装置
CN115577748A (zh) 一种集成挤压激励注意力机制的双通道风电预测方法
CN113378069B (zh) 基于智能推荐算法的主配网自动绘图方法
CN116341634A (zh) 神经结构搜索模型的训练方法、装置及电子设备
CN104537437A (zh) 基于遗传算法的电力设备状态维修预测方法
Wang et al. Real-time excitation control-based voltage regulation using ddpg considering system dynamic performance
Guddanti et al. Graph neural networks for voltage stability margins with topology flexibilities
CN114547286A (zh) 一种信息搜索方法、装置及电子设备
CN113961765A (zh) 基于神经网络模型的搜索方法、装置、设备和介质
Angel et al. Hardware in the loop experimental validation of PID controllers tuned by genetic algorithms
Salaan et al. An artificial neural network based real-time reactive power controller

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