CN115511262A - 变压器质量检测方法及装置 - Google Patents
变压器质量检测方法及装置 Download PDFInfo
- Publication number
- CN115511262A CN115511262A CN202211046772.XA CN202211046772A CN115511262A CN 115511262 A CN115511262 A CN 115511262A CN 202211046772 A CN202211046772 A CN 202211046772A CN 115511262 A CN115511262 A CN 115511262A
- Authority
- CN
- China
- Prior art keywords
- quality detection
- training
- training sample
- transformer
- dga data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 claims abstract description 183
- 238000012549 training Methods 0.000 claims abstract description 181
- 230000008569 process Effects 0.000 claims abstract description 105
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000011161 development Methods 0.000 claims abstract description 29
- 239000007789 gas Substances 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 20
- 230000000875 corresponding effect Effects 0.000 claims description 20
- 239000003921 oil Substances 0.000 claims description 18
- 238000013021 overheating Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012804 iterative process Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 125000001153 fluoro group Chemical group F* 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 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
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供一种变压器质量检测方法及装置。该方法包括：获取变压器的DGA数据构成的训练样本和待检测的DGA数据；基于训练样本，进行迭代训练，得到变压器质量检测模型，在每次迭代训练过程中，基于算术优化算法对模型训练时迭代寻解过程进行优化；算术优化算法包括全局探索阶段和局部开发阶段，在全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本；将待检测的DGA数据，输入到变压器质量检测模型，输出质量检测结果。本发明能够提高变压器质量检测模型训练过程中确定全局最优解的准确度，进而提高对变压器质量检测的准确度。
Description
技术领域
本发明涉及电力电网技术领域，尤其涉及一种变压器质量检测方法及装置。
背景技术
变压器是电网中能量转换和传输的核心，是电网中重要和关键的变电设备。油中溶解气体分析(dissolved das analysis，DGA)是变压器质量检测的重要技术。该技术根据油中溶解气体类型与内部质量问题的对应关系，对变压器进行质量检测，并根据溶解气体的成分和组成判断质量检测结果和发展趋势。
DGA检测多通过模型训练的方式得到质量检测模型，并基于质量检测模型对变压器的质量进行检测。但是，目前的质量检测模型存在检测准确率低的问题。例如，在对训练样本进行模型训练的过程中，存在误将局部最优解确定为全局最优解的问题，导致质量检测模型以局部最优解确定模型参数，从而使得质量检测模型检测不准确，导致质量检测模型的检测准确率较低。
发明内容
本发明提供了一种变压器质量检测方法及装置，能够提高变压器质量检测模型训练过程中确定全局最优解的准确度，进而提高对变压器质量检测的准确度。
第一方面，本发明提供了一种变压器质量检测方法，包括：获取变压器的DGA数据构成的训练样本和待检测的DGA数据；基于训练样本，进行迭代训练，得到变压器质量检测模型，在每次迭代训练过程中，基于算术优化算法对模型训练时迭代寻解过程进行优化；算术优化算法包括全局探索阶段和局部开发阶段，在全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本；将待检测的DGA数据，输入到变压器质量检测模型，输出质量检测结果，质量检测结果包括以下至少一项：正常、中低温过热、高温过热、低能放电、高能放电和局部放电。
本发明提供一种变压器质量检测方法，在变压器质量检测模型的迭代训练过程中，基于算术优化算法对模型训练时迭代寻解过程进行优化，在算术优化算法的全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本，提高相邻两次迭代过程中训练样本的分散度，提高确定全局最优解所在区域的概率，也即提高迭代训练过程中找到全局最优解的概率；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本；降低相邻两次迭代过程中训练样本的分散度，从而在全局探索阶段后，在全局最优解所在区域准确确定全局最优解，进一步提高了全局最优解的准确度。本发明通过算术优化算法中的乘除搜索法与加减搜索法相结合，提高了检测模型训练过程中确定全局最优解的准确度，使得最终确定的质量检测模型可以更准确的表征DGA数据与质量检测结果之间的对应关系，提高了变压器质量检测时的准确度。
在一种可能的实现方式中，基于训练样本，进行迭代训练，得到变压器质量检测模型，包括：步骤一：初始化变压器质量检测模型的模型参数，建立待训练的变压器质量检测模型，步骤二：判断当前迭代次数是否不小于设定次数；若是，则终止训练过程，并输出全局最优训练样本；若否，则执行步骤三；步骤三：数学优化加速阶段，生成第一随机数，并判断第一随机数是否小于MOA；若是，则执行步骤四，进入全局探索阶段；若否，则执行步骤五，进入局部开发阶段；其中，MOA为数学优化加速函数的函数值，MOA的函数值与迭代次数正相关；第一随机数大于等于MOA的最小值，小于等于MOA的最大值；步骤四：全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本，执行步骤六；步骤五：局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本，执行步骤六；步骤六：判断当前迭代过程中全局最优训练样本与标准DGA数据之间的相似度达到设定相似度；若是，则终止训练过程，并输出全局最优训练样本；若否，则当前迭代次数加一，返回步骤二。
在一种可能的实现方式中，基于乘除搜索法确定下一次迭代过程的训练样本，包括：基于如下公式，确定下一次迭代过程的训练样本；
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，η为极小的正整数，r2为0和1之间的随机数。
在一种可能的实现方式中，基于加减搜索法确定下一次迭代过程的训练样本，包括：基于如下公式，确定下一次迭代过程的训练样本；
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，r3为0和1之间的随机数。
在一种可能的实现方式中，MOP的计算公式如下：
其中，MOP(CIter)表示第CIter次迭代过程的MOP，MIter表示最大迭代次数，α为敏感参数。
在一种可能的实现方式中，获取变压器的DGA数据构成的训练样本之前，还包括：获取已知质量问题的DGA数据和对应的质量问题；对已知质量问题的DGA数据进行归一化处理，得到归一化后的DGA数据；基于归一化后的DGA数据和对应的质量问题，生成训练样本。
在一种可能的实现方式中，DGA数据包括：油中溶解气体的气体浓度和溶解气体比率，油中溶解气体包括以下至少一项：H2、C2H4、C2H6、C2H4、C2H4、CO和CO2；溶解气体比率为任意两个油中溶解气体之间的气体浓度比值。
第二方面，本发明实施例提供了一种变压器质量检测装置，包括：通信模块和处理模块；通信模块，用于获取变压器的DGA数据构成的训练样本和待检测的DGA数据；处理模块，用于基于训练样本，进行迭代训练，得到变压器质量检测模型，在每次迭代训练过程中，基于算术优化算法对模型训练时迭代寻解过程进行优化；算术优化算法包括全局探索阶段和局部开发阶段，在全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本；将待检测的DGA数据，输入到变压器质量检测模型，输出质量检测结果，质量检测结果包括以下至少一项：正常、中低温过热、高温过热、低能放电、高能放电和局部放电。
在一种可能的实现方式中，处理模块，具体用于执行如下步骤：步骤一：初始化变压器质量检测模型的模型参数，建立待训练的变压器质量检测模型；步骤二：判断当前迭代次数是否不小于设定次数；若是，则终止训练过程，并输出全局最优训练样本；若否，则执行步骤三；步骤三：数学优化加速阶段，生成第一随机数，并判断第一随机数是否小于MOA；若是，则执行步骤四，进入全局探索阶段；若否，则执行步骤五，进入局部开发阶段；其中，MOA为数学优化加速函数的函数值，MOA的函数值与迭代次数正相关；第一随机数大于等于MOA的最小值，小于等于MOA的最大值；步骤四：全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本，执行步骤六；步骤五：局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本，执行步骤六；步骤六：判断当前迭代过程中全局最优训练样本与标准DGA数据之间的相似度达到设定相似度；若是，则终止训练过程，并输出全局最优训练样本；若否，则当前迭代次数加一，返回步骤二。
在一种可能的实现方式中，处理模块，具体用于基于如下公式，确定下一次迭代过程的训练样本；
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，η为极小的正整数，r2为0和1之间的随机数。
在一种可能的实现方式中，处理模块，具体用于基于如下公式，确定下一次迭代过程的训练样本；
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，r3为0和1之间的随机数。
在一种可能的实现方式中，MOP的计算公式如下：
其中，MOP(CIter)表示第CIter次迭代过程的MOP，MIter表示最大迭代次数，α为敏感参数。
在一种可能的实现方式中，通信模块，还用于获取已知质量问题的DGA数据和对应的质量问题；处理模块，还用于对已知质量问题的DGA数据进行归一化处理，得到归一化后的DGA数据；基于归一化后的DGA数据和对应的质量问题，生成训练样本。
在一种可能的实现方式中，DGA数据包括：油中溶解气体的气体浓度和溶解气体比率，油中溶解气体包括以下至少一项：H2、C2H4、C2H6、C2H4、C2H4、CO和CO2；溶解气体比率为任意两个油中溶解气体之间的气体浓度比值。
第三方面，本发明实施例提供了一种电子设备，其特征在于，所述电子设备包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种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程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
上述第二方面至第四方面中任一种实现方式所带来的技术效果可以参见第一方面对应实现方式所带来的技术效果，此处不再赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种变压器质量检测方法的流程示意图；
图2是本发明实施例提供的另一种变压器质量检测方法的流程示意图；
图3是本发明实施例提供的一种变压器质量检测装置的结构示意图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
在本发明的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选的还包括其他没有列出的步骤或模块，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图通过具体实施例来进行说明。
如背景技术所述，目前通过DGA数据进行变压器质量检测，存在检测准确率较低的问题。
为解决上述技术问题，如图1所示，本发明实施例提供了一种变压器质量检测方法。执行主体为变压器质量检测装置。该变压器质量检测方法包括步骤S101-S103。
S101、获取变压器的DGA数据构成的训练样本和待检测的DGA数据。
在一些实施例中，DGA数据包括：油中溶解气体的气体浓度和溶解气体比率，油中溶解气体包括以下至少一项：H2、C2H4、C2H6、C2H4、C2H4、CO和CO2；溶解气体比率为任意两个油中溶解气体之间的气体浓度比值。
可选的，在步骤S101之前，变压器质量检测装置还可以获取已知质量问题的DGA数据和对应的质量问题；对已知质量问题的DGA数据进行归一化处理，得到归一化后的DGA数据；基于归一化后的DGA数据和对应的质量问题，生成训练样本。
在一些实施例中，质量问题包括正常、中低温过热、高温过热、低能放电、高能放电和局部放电。
示例性的，变压器质量检测装置可以基于如下公式进行归一化处理，得到归一化后的DGA数据。
其中：
表示归一化后的DGA数据；xi表示归一化前的DGA数据；xmax表示DGA数据中的最大值，xmin表示DGA数据中的最小值。
可选的，在步骤S101之前，变压器质量检测装置还可以基于步骤A1-A4，确定训练样本。
A1、获取变压器存在质量问题时，各特征气体的气体浓度数据，
在一些实施例中，特征气体包括H2、C2H4、C2H6、C2H4、C2H4、CO和CO2。
A2、根据各特征气体的气体浓度数据，确定气体特征集；
在一些实施例中，气体特征集为溶解气体浓度和溶解气体比率构成的混合特征集。
其中，溶解气体比率为其中一种气体的溶解气体浓度与另一种气体的溶解气体浓度之间的比值。
A3、利用主成分分析法，对混合特征集进行处理，计算混合特征集中各特征的累计贡献度。
在一些实施例中，特征的累计贡献度为混合特征集中该特征对相应质量问题的累计贡献度。
A4、选择累计贡献度大于设定贡献度的主成分特征，构成训练样本。
在一些实施例中，设定贡献度可以为90％。
在一些实施例中，训练样本包括DGA数据和对应的质量问题。
示例性的，DGA数据可以表示为如下矩阵。
其中，m、k、n均表示气体的种类；xm,k为变压器中第m种气体与第k种气体的比值；xm,n为变压器中第m种气体与第n种气体的比值。
S102、基于训练样本，进行迭代训练，得到变压器质量检测模型。
本申请实施例中，在每次迭代训练过程中，基于算术优化算法对模型训练时迭代寻解过程进行优化；算术优化算法包括全局探索阶段和局部开发阶段，在全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本。
S103、将待检测的DGA数据，输入到变压器质量检测模型，输出质量检测结果。
本申请实施例中，质量检测结果包括以下至少一项：正常、中低温过热、高温过热、低能放电、高能放电和局部放电。
本发明提供一种变压器质量检测方法，在变压器质量检测模型的迭代训练过程中，基于算术优化算法对模型训练时迭代寻解过程进行优化，在算术优化算法的全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本，提高相邻两次迭代过程中训练样本的分散度，提高确定全局最优解所在区域的概率，也即提高迭代训练过程中找到全局最优解的概率；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本；降低相邻两次迭代过程中训练样本的分散度，从而在全局探索阶段后，在全局最优解所在区域准确确定全局最优解，进一步提高了全局最优解的准确度。本发明通过算术优化算法中的乘除搜索法与加减搜索法相结合，提高了检测模型训练过程中确定全局最优解的准确度，使得最终确定的质量检测模型可以更准确的表征DGA数据与质量检测结果之间的对应关系，提高了变压器质量检测时的准确度。
可选的，如图2所示，本申请实施例提供的变压器质量检测方法模型训练过程可以通过步骤一至步骤六实现。
步骤一：初始化变压器质量检测模型的模型参数，建立待训练的变压器质量检测模型；
步骤二：判断当前迭代次数是否小于设定次数；若否，则终止训练过程，并输出全局最优训练样本；若是，则执行步骤三。
其中，设定次数为预先设定的最大迭代次数。
作为一种可能的实现方式，若当前迭代次数小于设定次数，则变压器质量检测装置可以确定当前的全局最优解，并更新MOA和MOP。
示例性的，变压器质量检测装置可以基于当前迭代次数，更新MOA和MOP。
在一些实施例中，MOA为数学优化加速函数的函数值，MOA的函数值与迭代次数正相关；第一随机数大于等于MOA的最小值，小于等于MOA的最大值。
示例性的，变压器质量检测装置可以基于如下公式，确定MOA。
其中，MOA(CIter)表示第CIter次迭代过程的MOA，min表示数学优化加速函数的最小值，max表示数学优化加速函数的最大值，CIter为当前迭代次数，MIter为最大迭代次数。
在一些实施例中，MOP为数学优化器概率系数。MOP的计算公式如下：
其中，MOP(CIter)表示第CIter次迭代过程的MOP，MIter表示最大迭代次数，α为敏感参数。
步骤三：数学优化加速阶段，生成第一随机数，并判断第一随机数是否小于MOA；若是，则执行步骤四，进入全局探索阶段；若否，则执行步骤五，进入局部开发阶段。
其中，MOA为数学优化加速函数的函数值，MOA的函数值与迭代次数正相关；第一随机数大于等于MOA的最小值，小于等于MOA的最大值。
步骤四：全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本，执行步骤六。
作为一种可能的实现方式，变压器质量检测装置可以基于如下公式，确定下一次迭代过程的训练样本。
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，η为极小的正整数，r2为0和1之间的随机数。
步骤五：局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本，执行步骤六。
作为一种可能的实现方式，变压器质量检测装置可以基于如下公式，确定下一次迭代过程的训练样本。
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，r3为0和1之间的随机数。
步骤六：判断当前迭代过程中全局最优训练样本与标准DGA数据之间的相似度达到设定相似度；若是，则终止训练过程，并输出全局最优训练样本；若否，则当前迭代次数加一，返回步骤二。
需要说明的是，当前迭代过程中全局最优训练样本与标准DGA数据之间的相似度达到设定相似度，表示寻优精度达到设定精度，也即寻找到全局最优解，可以退出寻解过程。
作为一种可能的实现方式，变压器质量检测装置可以基于相似度算法，确定当前迭代过程中全局最优训练样本与标准DGA数据之间的相似度。
其中，相似度算法包括余弦相似度算法、调整余弦相似度算法、欧氏距离算法和Jacard相似度算法。
示例性的，变压器质量检测装置可以基于如下公式，确定余弦相似度。
其中，cosθ为余弦相似度，Ai为表征全局最优训练样本的第i个元素，Bi为表征标准DGA数据的第i个元素。
示例性的，变压器质量检测装置可以基于如下公式，确定调整余弦相似度。
其中，
为调整余弦相似度，Ai为表征全局最优训练样本的第i个元素，Bi为表征标准DGA数据的第i个元素，
为全局最优训练样本中各元素的平均值，
为标准DGA数据中各元素的平均值。
示例性的，变压器质量检测装置可以基于如下公式，确定欧氏距离。
其中，R为欧氏距离，Ai为表征全局最优训练样本的第i个元素，Bi为表征标准DGA数据中的第i个元素。
需要说明的是，算术优化算法(AOA)的启发式算法，实现简单，并且在解决具有挑战性的优化问题上具有良好的效果，但存在易陷入局部最优值的问题，本申请中，对传统的算术优化算法进行改进，通过设置约束条件，可防止算法陷入局部最优，提高获取局部最优的能力，从而提高寻优能力。
可选的，对于步骤四和步骤五，本发明实施例还设置了寻解过程约束条件，对步骤四和步骤五中的位置更新进行约束。
所述的约束条件为：
ψ＝rand()
r1＝2.3×ψ2×sin(πψ)
gl(X)≤0, l＝1,2,......,m；
hp(X)＝0, p＝1,2,......,q；
LBk≤xl,k≤UBk, k＝1,2,.......,n；
其中，X表示训练样本中的DGA数据，gl(X)表示边界约束条件，hp(X)表示平衡约束条件；m为各种约束的数量；l为平衡约束的数量；P为当前变压器中气体的个数，ek为当前迭代过程对应的常数随机值，且取值范围为[0,1]，ep为当前气体对应的常数随机值，且取值范围为[0,1]。
需要说明的是，电力变压器运行过程中的内部发热或放电故障导致变压器油分解并产生气体，主要包括：H2、C2H4、C2H6、C2H4、C2H4、CO和CO2；当各种类型和程度的缺陷发展时，七种气体的浓度会发生剧烈波动，因此，可以根据这七种气体的组成来选择气体特征集。
需要说明的是：支持向量机(Support Vector Machine,SVM)是基于统计学习理论提出的一种小样本学习方法，遵循结构风险最小化原理，利用支持向量机很好的学习能力，可应用在检测、诊断和预测模型中；传统的基于SVM的诊断方法，虽然精度以及效率较高，但是由于数据量大、维数多，导致核矩阵的计算量大，导致分类的时间长。
本申请中，通过KPCA方法对混合特征集进行故障特征提取，选择累积贡献率大于90％的主成分作为故障特征，特征提取速度较快，特征信息保留充分，能够有效提高计算精度。
需要说明的是：KPCA方法是一种面向全局的特征提取方法，通过非线性映射使低维空间中线性不可分的原始数据在高维空间变得线性可分，这一过程能够在最大化高维数据全局特征方差的目标下，提取出原始数据的全局非线性特征。
需要说明的是：本发明实施例基于算术优化算法对模型训练时迭代寻解过程进行优化；所述算术优化算法包括全局探索阶段和局部开发阶段，在全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本，可以提高寻解过程的收敛速度，提高变压器质量检测模型的训练速度，减小内存消耗。
示例性的，本申请通过实验仿真与传统的诊断方法进行比较，实验过程中的算数优化算法。假设算数优化算法的初始参数可设置为：种群规模为50，最大迭代次数为200，变量维数为2。实验过程中，选用的传统的诊断方法包括：IEC三比法、罗杰斯比法、杜瓦尔三角法和多恩伯格比法。使用相同样本的不同方法的缺陷诊断准确度如表1所示。
表1
由表1可知，传统的诊断方法中，罗杰斯比法的准确度最低，为63.84％，明显低于IEC三比法和杜瓦尔三角法；与传统的诊断方法相比，LSSVM方法具有相当高的诊断准确率为88.75％。本申请提供的变压器质量检测方法，通过算数优化算法改进LSSVM参数后，故障诊断准确率显着提高，为96.73％。
又一示例性的，本申请实施例还提供了基于不同特征集，与其他算法的诊断准确率度，如表2所示。溶解气体浓度特征集与本申请混合特征集的准确率对比。由表2可知，与传统的溶解气体浓度特征集相比，本申请能够有效提高故障诊断的准确率。
表2
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的一种变压器质量检测装置的结构示意图，该变压器质量检测装置300包括通信模块301和处理模块302。
通信模块301，用于获取变压器的DGA数据构成的训练样本和待检测的DGA数据。
处理模块302，用于基于训练样本，进行迭代训练，得到变压器质量检测模型，在每次迭代训练过程中，基于算术优化算法对模型训练时迭代寻解过程进行优化；算术优化算法包括全局探索阶段和局部开发阶段，在全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本；将待检测的DGA数据，输入到变压器质量检测模型，输出质量检测结果，质量检测结果包括以下至少一项：正常、中低温过热、高温过热、低能放电、高能放电和局部放电。
在一种可能的实现方式中，处理模块302，具体用于执行如下步骤：步骤一：初始化变压器质量检测模型的模型参数，建立待训练的变压器质量检测模型；步骤二：判断当前迭代次数是否不小于设定次数；若是，则终止训练过程，并输出全局最优训练样本；若否，则执行步骤三；步骤三：数学优化加速阶段，生成第一随机数，并判断第一随机数是否小于MOA；若是，则执行步骤四，进入全局探索阶段；若否，则执行步骤五，进入局部开发阶段；其中，MOA为数学优化加速函数的函数值，MOA的函数值与迭代次数正相关；第一随机数大于等于MOA的最小值，小于等于MOA的最大值；步骤四：全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本，执行步骤六；步骤五：局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本，执行步骤六；步骤六：判断当前迭代过程中全局最优训练样本与标准DGA数据之间的相似度达到设定相似度；若是，则终止训练过程，并输出全局最优训练样本；若否，则当前迭代次数加一，返回步骤二。
在一种可能的实现方式中，处理模块302，具体用于基于如下公式，确定下一次迭代过程的训练样本；
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，η为极小的正整数，r2为0和1之间的随机数。
在一种可能的实现方式中，处理模块302，具体用于基于如下公式，确定下一次迭代过程的训练样本；
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，r3为0和1之间的随机数。
在一种可能的实现方式中，MOP的计算公式如下：
其中，MOP(CIter)表示第CIter次迭代过程的MOP，MIter表示最大迭代次数，α为敏感参数。
在一种可能的实现方式中，通信模块301，还用于获取已知质量问题的DGA数据和对应的质量问题；处理模块，还用于对已知质量问题的DGA数据进行归一化处理，得到归一化后的DGA数据；基于归一化后的DGA数据和对应的质量问题，生成训练样本。
在一种可能的实现方式中，DGA数据包括：油中溶解气体的气体浓度和溶解气体比率，油中溶解气体包括以下至少一项：H2、C2H4、C2H6、C2H4、C2H4、CO和CO2；溶解气体比率为任意两个油中溶解气体之间的气体浓度比值。
图4是本发明实施例提供的一种电子设备的结构示意图。如图4所示，该实施例的电子设备400包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述各方法实施例中的步骤，例如图1所示的步骤101至步骤103。或者，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块/单元的功能，例如，图3所示通信模块301和处理模块302的功能。
示例性的，所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述电子设备400中的执行过程。例如，所述计算机程序403可以被分割成图3所示通信模块301和处理模块302。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述电子设备400的内部存储单元，例如电子设备400的硬盘或内存。所述存储器402也可以是所述电子设备400的外部存储设备，例如所述电子设备400上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述电子设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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，在本发明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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种变压器质量检测方法，其特征在于，包括：
获取变压器的DGA数据构成的训练样本和待检测的DGA数据；
基于训练样本，进行迭代训练，得到变压器质量检测模型，在每次迭代训练过程中，基于算术优化算法对模型训练时迭代寻解过程进行优化；所述算术优化算法包括全局探索阶段和局部开发阶段，在全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本；
将待检测的DGA数据，输入到所述变压器质量检测模型，输出质量检测结果，所述质量检测结果包括以下至少一项：正常、中低温过热、高温过热、低能放电、高能放电和局部放电。
2.根据权利要求1所述的变压器质量检测方法，其特征在于，所述基于训练样本，进行迭代训练，得到变压器质量检测模型，包括：
步骤一：初始化变压器质量检测模型的模型参数，建立待训练的变压器质量检测模型；
步骤二：判断当前迭代次数是否不小于设定次数；若是，则终止训练过程，并输出全局最优训练样本；若否，则执行步骤三；
步骤三：数学优化加速阶段，生成第一随机数，并判断第一随机数是否小于MOA；若是，则执行步骤四，进入全局探索阶段；若否，则执行步骤五，进入局部开发阶段；其中，所述MOA为数学优化加速函数的函数值，所述MOA的函数值与迭代次数正相关；所述第一随机数大于等于所述MOA的最小值，小于等于所述MOA的最大值；
步骤四：全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本，执行步骤六；
步骤五：局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本，执行步骤六；
步骤六：判断当前迭代过程中全局最优训练样本与标准DGA数据之间的相似度达到设定相似度；若是，则终止训练过程，并输出全局最优训练样本；若否，则当前迭代次数加一，返回步骤二。
3.根据权利要求2所述的变压器质量检测方法，其特征在于，所述基于乘除搜索法确定下一次迭代过程的训练样本，包括：
基于如下公式，确定下一次迭代过程的训练样本；
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，η为极小的正整数，r2为0和1之间的随机数。
4.根据权利要求2所述的变压器质量检测方法，其特征在于，所述基于加减搜索法确定下一次迭代过程的训练样本，包括：
基于如下公式，确定下一次迭代过程的训练样本；
其中，xl,k(CIter+1)为第CIter+1次迭代过程中的训练样本的位置，best(xk)为全局最优训练样本的位置，UBk为训练样本的位置的上限值，LBk为训练样本的位置的下限值，v为控制参数，MOP为与迭代次数负相关的概率系数，r3为0和1之间的随机数。
5.根据权利要求3或4所述的变压器质量检测方法，其特征在于，所述MOP的计算公式如下：
其中，MOP(CIter)表示第CIter次迭代过程的MOP，MIter表示最大迭代次数，α为敏感参数。
6.根据权利要求1所述的变压器质量检测方法，其特征在于，所述获取变压器的DGA数据构成的训练样本之前，还包括：
获取已知质量问题的DGA数据和对应的质量问题；
对所述已知质量问题的DGA数据进行归一化处理，得到归一化后的DGA数据；
基于所述归一化后的DGA数据和对应的质量问题，生成训练样本。
7.根据权利要求2所述的变压器质量检测方法，其特征在于，所述DGA数据包括：油中溶解气体的气体浓度和溶解气体比率，所述油中溶解气体包括以下至少一项：H2、C2H4、C2H6、C2H4、C2H4、CO和CO2；所述溶解气体比率为任意两个油中溶解气体之间的气体浓度比值。
8.一种变压器质量检测装置，其特征在于，包括：通信模块和处理模块；
所述通信模块，用于获取变压器的DGA数据构成的训练样本和待检测的DGA数据；
所述处理模块，用于基于训练样本，进行迭代训练，得到变压器质量检测模型，在每次迭代训练过程中，基于算术优化算法对模型训练时迭代寻解过程进行优化；所述算术优化算法包括全局探索阶段和局部开发阶段，在全局探索阶段，基于乘除搜索法确定下一次迭代过程的训练样本；在局部开发阶段，基于加减搜索法确定下一次迭代过程的训练样本；将待检测的DGA数据，输入到所述变压器质量检测模型，输出质量检测结果，所述质量检测结果包括以下至少一项：正常、中低温过热、高温过热、低能放电、高能放电和局部放电。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至7中任一项所述的方法。
10.一种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程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211046772.XA CN115511262A (zh) | 2022-08-30 | 2022-08-30 | 变压器质量检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211046772.XA CN115511262A (zh) | 2022-08-30 | 2022-08-30 | 变压器质量检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115511262A true CN115511262A (zh) | 2022-12-23 |
Family
ID=84502313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211046772.XA Pending CN115511262A (zh) | 2022-08-30 | 2022-08-30 | 变压器质量检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511262A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689417A (zh) * | 2023-12-20 | 2024-03-12 | 国网湖北省电力有限公司物资公司 | 应用于物流配送中心选址的优化方法和系统 |
-
2022
- 2022-08-30 CN CN202211046772.XA patent/CN115511262A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689417A (zh) * | 2023-12-20 | 2024-03-12 | 国网湖北省电力有限公司物资公司 | 应用于物流配送中心选址的优化方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2006511000A (ja) | 有効な多クラスサポートベクトルマシン分類 | |
| Culp et al. | An iterative algorithm for extending learners to a semi-supervised setting | |
| CN110084002A (zh) | 深度神经网络攻击方法、装置、介质和计算设备 | |
| CN108959474B (zh) | 实体关系提取方法 | |
| CN109409504A (zh) | 一种数据处理方法、装置、计算机及存储介质 | |
| US20230185998A1 (en) | System and method for ai-assisted system design | |
| CN116011470A (zh) | 翻译、对抗样本生成、模型鲁棒性增强方法及相关装置 | |
| CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
| CN115511262A (zh) | 变压器质量检测方法及装置 | |
| CN114399025A (zh) | 一种图神经网络解释方法、系统、终端以及存储介质 | |
| Dong et al. | Pruner-Zero: Evolving Symbolic Pruning Metric from scratch for Large Language Models | |
| Ao et al. | Entropy estimation via normalizing flow | |
| CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
| CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
| CN106485286B (zh) | 一种基于局部敏感判别的矩阵分类模型 | |
| US20230041338A1 (en) | Graph data processing method, device, and computer program product | |
| Wang et al. | A cross-entropy scheme for mixtures | |
| CN114491699A (zh) | 基于拓展区间数的三维cad软件易用性量化方法及装置 | |
| Marconato et al. | Identification of Wiener-Hammerstein benchmark data by means of support vector machines | |
| CN112329715A (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
| CN109741264A (zh) | 图像过度表示方法、装置、电子设备及可读存储介质 | |
| CN113505838B (zh) | 一种图像聚类方法、装置、电子设备及存储介质 | |
| CN116738907B (zh) | 时序信息的处理方法及装置、计算装置和存储介质 | |
| CN107301154A (zh) | 基于差分进化算法的分数阶希尔伯特变换阶次优化方法 | |
| CN117874179B (zh) | 一种ccer智慧问答方法、装置及电子设备、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 |