CN115545085A - 微弱故障电流的故障类型识别方法、装置、设备和介质 - Google Patents
微弱故障电流的故障类型识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115545085A CN115545085A CN202211376306.8A CN202211376306A CN115545085A CN 115545085 A CN115545085 A CN 115545085A CN 202211376306 A CN202211376306 A CN 202211376306A CN 115545085 A CN115545085 A CN 115545085A
- Authority
- CN
- China
- Prior art keywords
- fault type
- current signal
- signal
- fault
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003066 decision tree Methods 0.000 claims abstract description 62
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000007499 fusion processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本申请涉及电力技术领域,提供了一种微弱故障电流的故障类型识别方法、装置、计算机设备、存储介质和计算机程序产品。本申请能够实现提高确定电流信号的故障类型的准确性和效率。该方法包括:获取待识别电流信号的信号特征,将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出待识别电流信号的候选故障类型和待识别电流信号与候选故障类型之间的第一匹配度,对候选故障类型的第一匹配度进行融合处理,得到候选故障类型的第二匹配度,根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种微弱故障电流的故障类型识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电力技术的发展,电力电子设备在电力系统中的占比逐渐升高,其故障导致的电力系统中的微弱故障电流在种类上也越发复杂,例如电力电子设备在进行整流、逆变时都可能产生复杂的交直流故障电流,需要及时进行故障处理。准确确定电流信号的故障类型,能提高故障处理的成功率,因此,如何确定电流信号的故障类型成为了重要的研究方向。
传统技术通常是通过人工收集电流信号,从而专家根据经验确定电流信号的故障类型,但是该方式主要依据主观判断,导致确定电流信号的故障类型的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种微弱故障电流的故障类型识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种微弱故障电流的故障类型识别方法。方法包括:
获取待识别电流信号的信号特征;
将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出待识别电流信号的候选故障类型和待识别电流信号与候选故障类型之间的第一匹配度;
对候选故障类型的第一匹配度进行融合处理,得到候选故障类型的第二匹配度;
根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型。
在其中一个实施例中,预先训练的故障类型识别模型通过下述方式训练得到:
获取第一样本电流信号的信号特征和第一样本电流信号的第一真实故障类型;
利用第一样本电流信号的信号特征和第一真实故障类型对待训练的故障类型识别模型进行训练,得到预先训练的故障类型识别模型。
在其中一个实施例中,在获取第一样本电流信号的信号特征和第一样本电流信号的第一真实故障类型之前,还包括:
获取第二样本电流信号的信号特征集合和第二样本电流信号集合的第二真实故障类型;
获取第一样本电流信号的信号特征和第一样本电流信号的第一真实故障类型,包括:
从第二样本电流信号的信号特征集合中随机抽取部分第二样本电流信号的信号特征,将部分第二样本电流信号的信号特征作为第一样本电流信号的信号特征;
将部分第二样本电流信号的第二真实故障类型作为第一真实故障类型。
在其中一个实施例中,在获取第二样本电流信号的信号特征集合和第二样本电流信号集合的第二真实故障类型之前,还包括:
获取第三样本电流信号的信号特征集合和第三样本电流信号集合的第三真实故障类型;
获取第二样本电流信号的信号特征集合和第二样本电流信号集合的第二真实故障类型,包括:
根据第三真实故障类型,对第三样本电流信号的信号特征集合进行标准化处理,得到第二样本电流信号的信号特征集合;
将第三真实故障类型作为第二真实故障类型。
在其中一个实施例中,利用第一样本电流信号的信号特征和第一真实故障类型对待训练的故障类型识别模型进行训练,得到预先训练的故障类型识别模型,包括:
利用第一样本电流信号的信号特征和第一真实故障类型对待训练的故障类型识别模型进行训练,得到待验证的故障类型识别模型;待验证的故障类型识别模型中包含决策树模型;
在决策树模型满足预设决策树模型条件的情况下,将待验证的故障类型识别模型作为预先训练的故障类型识别模型。
在其中一个实施例中,根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型,包括:
从候选故障类型中,确定出第二匹配度最大的候选故障类型;
将第二匹配度最大的候选故障类型确认为待识别电流信号的目标故障类型。
第二方面,本申请还提供了一种微弱故障电流的故障类型识别装置。所述装置包括:
信号特征获取模块,用于获取待识别电流信号的信号特征;
第一匹配度确定模块,用于将所述待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过所述故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出所述待识别电流信号的候选故障类型和所述待识别电流信号与所述候选故障类型之间的第一匹配度;
第二匹配度得到模块,用于对所述候选故障类型的所述第一匹配度进行融合处理,得到所述候选故障类型的第二匹配度;
目标故障类型确定模块,用于根据所述第二匹配度,从所述候选故障类型中确定出所述待识别电流信号的目标故障类型。
第三方面,本申请还提供了一种计算机设备。所述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,所述处理器执行所述计算机程序时实现以下步骤:
获取待识别电流信号的信号特征;将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出待识别电流信号的候选故障类型和待识别电流信号与候选故障类型之间的第一匹配度;对候选故障类型的第一匹配度进行融合处理,得到候选故障类型的第二匹配度;根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待识别电流信号的信号特征;将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出待识别电流信号的候选故障类型和待识别电流信号与候选故障类型之间的第一匹配度;对候选故障类型的第一匹配度进行融合处理,得到候选故障类型的第二匹配度;根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待识别电流信号的信号特征;将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出待识别电流信号的候选故障类型和待识别电流信号与候选故障类型之间的第一匹配度;对候选故障类型的第一匹配度进行融合处理,得到候选故障类型的第二匹配度;根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型。
上述微弱故障电流的故障类型识别方法、装置、计算机设备、存储介质和计算机程序产品,获取待识别电流信号的信号特征,将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出待识别电流信号的候选故障类型和待识别电流信号与候选故障类型之间的第一匹配度,对候选故障类型的第一匹配度进行融合处理,得到候选故障类型的第二匹配度,根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型。该方案通过获取待识别电流信号的信号特征,提取出待识别电流信号的特征数据,将信号特征输入至已训练的故障类型识别模型,通过故障类型识别模型中包含的各个决策树模型自动对信号特征进行识别,从预先存储的故障类型中确定待识别电流信号的候选故障类型对应的第一匹配度,对各候选故障类型的第一匹配度进行融合处理,得到各候选故障类型的第二匹配度,根据各候选故障类型的第二匹配度,快速地从所述候选故障类型中确定出所述待识别电流信号的目标故障类型,从而提高确定电流信号的故障类型的准确性和效率。
附图说明
图1为一个实施例中微弱故障电流的故障类型识别方法的流程示意图;
图2为另一个实施例中微弱故障电流的故障类型识别方法的流程示意图;
图3为一个实施例中微弱故障电流的故障类型识别装置的结构框图;
图4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。
在一个实施例中,如图1所示,提供了一种微弱故障电流的故障类型识别方法,本实施例以该方法应用于终端进行举例说明,包括以下步骤:
步骤S101,获取待识别电流信号的信号特征。
本步骤中,待识别电流信号可以是正常电流,也可以是微弱故障电流,用于待识别是否属于何种故障类型的电流信号;信号特征可以是电流的有效电流信号,也可以是对待识别电流信号进行提取得到的信号特征,例如进行特定部分的关键特征识别/提取得到的信号特征。
具体的,终端获取待识别电流信号,对待识别电流信号进行识别处理,得到待识别电流信号的信号特征。
步骤S102,将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出待识别电流信号的候选故障类型和待识别电流信号与候选故障类型之间的第一匹配度。
本步骤中,预先训练的故障类型识别模型可以是已经过预先训练的用于对电流信号进行故障类型识别的模型,例如预先训练的随机森林模型;决策树模型可以是故障类型识别模型中包含的模型;预存的故障类型可以是预先存储或预先确定的故障类型,例如交流剩余电流类型、脉动直流剩余电流类型、脉动直流剩余电流(滞后角为90°)类型、脉动直流剩余电流(滞后角为135°)类型、平滑直流类型和复合波(10Hz、50Hz、1kHz混合)类型;第一匹配度可以是各个决策树模型得到的针对待识别电流信号的候选故障类型的概率值或相关值,例如第一决策树模型输出待识别电流信号的候选故障类型为A故障类型,第一匹配值为0.5(相当于第一决策树模型识别待识别电流信号为A故障类型的概率为50%),第二决策树模型输出待识别电流信号的候选故障类型为B故障类型,第一匹配值为0.4(相当于第二决策树模型识别待识别电流信号为B故障类型的概率为40%)。
具体的,终端将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,故障类型识别模型中的各个决策树模型会分别对待识别电流信号的信号特征进行识别处理,各个决策树模型分别从预存的故障类型中确定待识别电流信号的候选故障类型(可以为A故障类型、B故障类型或C故障类型等),各个决策树模型并同时分别得到待识别电流信号与候选故障类型之间的第一匹配度。
步骤S103,对候选故障类型的第一匹配度进行融合处理,得到候选故障类型的第二匹配度。
本步骤中,融合处理可以是求和处理,也可以是加权求和处理;第二匹配度可以是对各个决策树模型得到的各候选故障类型的第一匹配度进行融合处理后,得到的针对每一候选故障类型的第一匹配度总和。
具体的,终端对候选故障类型的第一匹配度进行求和处理(或加权求和处理),得到针对每一候选故障类型的第一匹配度总和,作为各候选故障类型的第二匹配度。
步骤S104,根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型。
具体的,终端根据各候选故障类型的第二匹配度的值,从候选故障类型中确定出待识别电流信号的目标故障类型。
上述微弱故障电流的故障类型识别方法中,获取待识别电流信号的信号特征,将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出待识别电流信号的候选故障类型和待识别电流信号与候选故障类型之间的第一匹配度,对候选故障类型的第一匹配度进行融合处理,得到候选故障类型的第二匹配度,根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型。该方案通过获取待识别电流信号的信号特征,提取出待识别电流信号的特征数据,将信号特征输入至已训练的故障类型识别模型,通过故障类型识别模型中包含的各个决策树模型自动对信号特征进行识别,从预先存储的故障类型中确定待识别电流信号的候选故障类型对应的第一匹配度,对各候选故障类型的第一匹配度进行融合处理,得到各候选故障类型的第二匹配度,根据各候选故障类型的第二匹配度,快速地从候选故障类型中确定出待识别电流信号的目标故障类型,从而提高确定电流信号的故障类型的准确性和效率。
在一个实施例中,上述方法还可以通过如下步骤训练得到预先训练的故障类型识别模型,具体包括:获取第一样本电流信号的信号特征和第一样本电流信号的第一真实故障类型;利用第一样本电流信号的信号特征和第一真实故障类型对待训练的故障类型识别模型进行训练,得到预先训练的故障类型识别模型。
本实施例中,第一样本电流信号可以是电流信号的第一样本数据;第一样本电流信号的第一真实故障类型可以是第一样本电流信号的对应的真实故障类型。
具体的,终端从训练集中获取第一样本电流信号的信号特征和第一样本电流信号的第一真实故障类型,将第一样本电流信号的信号特征输入至待训练的故障类型识别模型进行训练,并利用第一真实故障类型对待训练的故障类型识别模型的输出结果进行验证,在验证待训练的故障类型识别模型的准确性满足准确性条件时,将训练后的待训练的故障类型识别模型作为预先训练的故障类型识别模型。
本实施例的技术方案,通过对待训练的故障类型识别模型进行训练,得到预先训练的故障类型识别模型,有利于得到更准确的故障类型识别模型,从而有利于后续提高确定电流信号的故障类型的准确性。
在一个实施例中,上述方法还可以通过如下步骤得到第一样本电流信号的信号特征和第一真实故障类型,具体包括:获取第二样本电流信号的信号特征集合和第二样本电流信号集合的第二真实故障类型;从第二样本电流信号的信号特征集合中随机抽取部分第二样本电流信号的信号特征,将部分第二样本电流信号的信号特征作为第一样本电流信号的信号特征;将部分第二样本电流信号的第二真实故障类型作为第一真实故障类型。
本实施例中,第二样本电流信号的信号特征集合可以是已包含第一样本电流信号的信号特征,即第二样本电流信号已包含第一样本电流信号;第二真实故障类型可以是第二样本电流信号对应的真实的故障类型。
具体的,终端获取第二样本电流信号的信号特征集合和第二样本电流信号集合的第二真实故障类型,构成训练集,从第二样本电流信号的信号特征集合中随机抽取部分第二样本电流信号的信号特征,将部分第二样本电流信号的信号特征作为第一样本电流信号的信号特征,将部分第二样本电流信号的第二真实故障类型作为第一真实故障类型,将第一样本电流信号的信号特征和第一真实故障类型构成训练子集,举例来说,可从训练集(第二样本电流信号的信号特征集合和第二样本电流信号集合的第二真实故障类型)中多次随机抽取,得到多个训练子集(第一样本电流信号的信号特征和第一真实故障类型)。
本实施例的技术方案,通过从第二样本电流信号的信号特征集合中随机抽取部分第二样本电流信号的信号特征,作为第一样本电流信号的信号特征,有利于得到随机性更高的第二样本电流信号的信号特征集合和第二真实故障类型,从而有利于后续更准确地训练待训练的故障类型识别模型,从而得到更准确的故障类型识别模型。
在一个实施例中,上述方法还可以通过如下步骤得到第二样本电流信号的信号特征集合和第二真实故障类型,具体包括:获取第三样本电流信号的信号特征集合和第三样本电流信号集合的第三真实故障类型;根据第三真实故障类型,对第三样本电流信号的信号特征集合进行标准化处理,得到第二样本电流信号的信号特征集合;将第三真实故障类型作为第二真实故障类型。
本实施例中,第三样本电流信号的信号特征可以是电流信号的第三样本数据;第三样本电流信号集合的第三真实故障类型可以是第三样本电流信号对应的真实故障类型;标准化处理可以是X0=(X-Xmin)/(Xmax-Xmin),其中X0为处理后的数值,X为原数据集(可以是第三样本电流信号集合)中的特征数据(可以是第三样本电流信号的信号特征集合),Xmin为各因素(例如某类故障类型的特征数据)的最小值,Xmax为各因素的最大值。
具体的,终端获取第三样本电流信号的信号特征集合和第三样本电流信号集合的第三真实故障类型,根据第三真实故障类型,对第三样本电流信号的信号特征集合进行标准化处理,得到第二样本电流信号的信号特征集合,将第三真实故障类型作为第二真实故障类型。
本实施例的技术方案,通过根据第三真实故障类型,对第三样本电流信号的信号特征集合进行标准化处理,得到第二样本电流信号的信号特征集合,从而得到标准化处理后的第二样本电流信号的信号特征集合,使得第二样本电流信号的信号特征集合更有利于对待训练的故障类型识别模型进行训练,即形成更高效的样本训练数据,从而有利于后续更准确地训练待训练的故障类型识别模型,从而得到更准确的故障类型识别模型。
在一个实施例中,上述方法还可以通过如下步骤得到预先训练的故障类型识别模型,具体包括:利用第一样本电流信号的信号特征和第一真实故障类型对待训练的故障类型识别模型进行训练,得到待验证的故障类型识别模型;待验证的故障类型识别模型中包含决策树模型;在决策树模型满足预设决策树模型条件的情况下,将待验证的故障类型识别模型作为预先训练的故障类型识别模型。
本实施例中,待验证的故障类型识别模型中包含决策树模型;预设决策树模型条件可以是预先设置的决策树模型条件,例如决策树模型的数量达到预先设置的数量要求,也可以是待验证的故障类型识别模型中包含的决策树模型的所有节点(例如新增节点)均为叶子节点。
具体的,终端利用第一样本电流信号的信号特征和第一真实故障类型对待训练的故障类型识别模型进行多次训练,得到待验证的故障类型识别模型,在决策树模型满足预设决策树模型条件的情况下,将待验证的故障类型识别模型作为预先训练的故障类型识别模型,在决策树模型不满足预设决策树模型条件的情况下,继续重复利用第一样本电流信号的信号特征和第一真实故障类型对待训练的故障类型识别模型进行训练,直至训练后得到的故障类型识别模型满足预设决策树模型条件。
本实施例的技术方案,通过在决策树模型满足预设决策树模型条件的情况下,将待验证的故障类型识别模型作为预先训练的故障类型识别模型,有利于得到更准确的故障类型识别模型,从而有利于后续提高确定电流信号的故障类型的准确性。
在一个实施例中,上述步骤S104的根据第二匹配度,从候选故障类型中确定出待识别电流信号的目标故障类型具体包括:从候选故障类型中,确定出第二匹配度最大的候选故障类型;将第二匹配度最大的候选故障类型确认为待识别电流信号的目标故障类型。
本实施例中,第二匹配度最大可以是指第二匹配度的数值最大。
具体的,终端从候选故障类型中,确定出第二匹配度的数值最大的候选故障类型,将第二匹配度最大的候选故障类型确认为待识别电流信号的目标故障类型。
本实施例的技术方案,通过将第二匹配度最大的候选故障类型确认为待识别电流信号的目标故障类型,快速地和准确地确定出目标故障类型,从而有利于提高确定电流信号的故障类型的准确性和效率。
以下以一个实施例说明本申请提供的微弱故障电流的故障类型识别方法,本实施例以该方法应用于终端进行举例说明,主要步骤包括:
第一步,终端获取第三样本电流信号的信号特征集合和第三样本电流信号集合的第三真实故障类型。
第二步,终端根据第三真实故障类型,对第三样本电流信号的信号特征集合进行标准化处理,得到第二样本电流信号的信号特征集合。
第三步,终端将第三真实故障类型作为第二真实故障类型。
第四步,终端从第二样本电流信号的信号特征集合中随机抽取部分第二样本电流信号的信号特征,将部分第二样本电流信号的信号特征作为第一样本电流信号的信号特征。
第五步,终端将部分第二样本电流信号的第二真实故障类型作为第一真实故障类型。
第六步,终端利用第一样本电流信号的信号特征和第一真实故障类型对待训练的故障类型识别模型进行训练,得到待验证的故障类型识别模型;待验证的故障类型识别模型中包含决策树模型。
第七步,终端在决策树模型满足预设决策树模型条件的情况下,将待验证的故障类型识别模型作为预先训练的故障类型识别模型。
第八步,终端获取待识别电流信号的信号特征。
第九步,终端将待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出待识别电流信号的候选故障类型和待识别电流信号与候选故障类型之间的第一匹配度。
第十步,终端对候选故障类型的第一匹配度进行融合处理,得到候选故障类型的第二匹配度。
第十一步,终端从候选故障类型中,确定出第二匹配度最大的候选故障类型。
第十二步,终端将第二匹配度最大的候选故障类型确认为待识别电流信号的目标故障类型。
本实施例的技术方案,通过获取待识别电流信号的信号特征,提取出待识别电流信号的特征数据,将信号特征输入至已训练的故障类型识别模型,通过故障类型识别模型中包含的各个决策树模型自动对信号特征进行识别,从预先存储的故障类型中确定待识别电流信号的候选故障类型对应的第一匹配度,对各候选故障类型的第一匹配度进行融合处理,得到各候选故障类型的第二匹配度,根据各候选故障类型的第二匹配度,快速地从候选故障类型中确定出待识别电流信号的目标故障类型,从而提高确定电流信号的故障类型的准确性和效率。
以下以一个应用实例说明本申请提供的微弱故障电流的故障类型识别方法,本应用实例以该方法应用于终端进行举例说明,如图2所示,主要步骤包括:
第一步,终端进行数据集构建:终端通过对磁通门检测漏电信号进行采集,对常见的直流漏电、脉动直流漏电、交流漏电,生成相应的漏电信号,并进行采样,主要的信号类型及特征如表1所示:
表1
终端经过采集的信号需进行参考部分关键特征进行数据集构建,特征主要包括:信号平均值、信号峰峰值、信号归一化频谱,完成特征数据构建之后,还需要对数据进行标准化处理,标准化公式为:X0=(X-Xmin)/(Xmax-Xmin),其中X0为处理后的数值,X为原数据集(可以是第三样本电流信号集合)中的特征数据(可以是第三样本电流信号的信号特征集合),Xmin为各因素(例如某类故障类型的特征数据)的最小值,Xmax为各因素的最大值。
第二步,终端进行训练集构建:终端采用bagging算法(Bootstrap aggregating,引导聚集算法)的抽样方法构建训练集,bagging算法是以可重复的随机抽样为基础的,每个样本是初始数据集有放回抽样,设置每个训练子集的大小为原始训练集的2/3(即生成了训练集1、训练集2……训练集n)。
第三步,终端进行决策树生成:终端利用CART算法(classification andregression tree,分类回归树算法)将分裂属性的取值划分为两个子集,然后从这两个子集出发,计算由训练集决定的Gini(基尼系数)指标,然后采用二分递归的方式,将当前训练集分成两个子集,从而产生左右两个分枝的子树。当节点发生分裂时,该算法使用Gini指标来度量数据划分,其计算过程如下:计算样本的Gini系数:
其中Pi代表类别Cj在样本集S中出现的概率;计算每个划分的Gini系数:如果S被分隔成两个子集S1与S2,则此次划分的Gini系数为
在CART算法,叶子节点产生的规则如下:(1)当前数据集的样本个数小于某个给定的值,(2)当前数据集的样本都属于同一类,(3)当前数据集的属性变量为0,(4)决策树的深度大于用户设定的值。
第四步,终端随机森林(随机森林模型)生成:终端对于输入变量随机分组(每组变量的个数F是一个定值),然后对于每组变量,利用CART方法产生一棵树,并让其充分生长,不进行剪枝,在每个节点上,对输入该节点的变量,重复前面的随机分组,再重复CART方法,直到将所有节点均为叶子节点为止,例如,一般F有两种选择,首先是F=1,其次取F为小于log2 M+1的最大正整数,其中M是输入变量的个数,重复上述步骤建立大量的决策树(生成森林),就生成了随机森林(随机森林模型),相当于生成了决策树1、决策树2……决策树n。
第五步,终端进行分类输出(进行决策):终端根据随机构建的N棵决策子树将对故障电流样本进行分类,将每棵子树的结果汇总,所得票数最多的分类结果,将作为算法最终的输出结果(算法最终的输出结果采取大多数投票法实现),即输出待识别电流信号的目标故障类型。
其中,随机森林(RF)是一种组合分类器,它利用bootstrap重抽样方法从原始样本中抽取多个样本,对每个bootstrap样本进行决策树建模,然后将这些决策树组合在一起,通过投票得出最终分类或预测的结果,随机森林算法可应用在微弱故障电流识别分类上,主要包括数据集构建、训练集构建、决策树生成和随机特征变量。
本应用实例的技术方案,实现准确地和快速地针对电力系统中的微弱故障电流进行分类识别,根据分类结果可以判断出整流漏电、直流绝缘故障等故障的存在,进而实现对相关故障进行诊断和定位。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的微弱故障电流的故障类型识别方法的微弱故障电流的故障类型识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个微弱故障电流的故障类型识别装置实施例中的具体限定可以参见上文中对于微弱故障电流的故障类型识别方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种微弱故障电流的故障类型识别装置,该装置300可以包括:
信号特征获取模块301,用于获取待识别电流信号的信号特征;
第一匹配度确定模块302,用于将所述待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过所述故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出所述待识别电流信号的候选故障类型和所述待识别电流信号与所述候选故障类型之间的第一匹配度;
第二匹配度得到模块303,用于对所述候选故障类型的所述第一匹配度进行融合处理,得到所述候选故障类型的第二匹配度;
目标故障类型确定模块304,用于根据所述第二匹配度,从所述候选故障类型中确定出所述待识别电流信号的目标故障类型。
在一个实施例中,该装置300还包括:模型训练模块,用于获取第一样本电流信号的信号特征和所述第一样本电流信号的第一真实故障类型;利用所述第一样本电流信号的信号特征和所述第一真实故障类型对待训练的故障类型识别模型进行训练,得到所述预先训练的故障类型识别模型。
在一个实施例中,该装置300还包括:第二样本获取模块,用于获取第二样本电流信号的信号特征集合和所述第二样本电流信号集合的第二真实故障类型;模型训练模块,还用于从所述第二样本电流信号的信号特征集合中随机抽取部分第二样本电流信号的信号特征,将所述部分第二样本电流信号的信号特征作为所述第一样本电流信号的信号特征;将所述部分第二样本电流信号的第二真实故障类型作为所述第一真实故障类型。
在一个实施例中,该装置300还包括:第三样本获取模块,用于获取第三样本电流信号的信号特征集合和所述第三样本电流信号集合的第三真实故障类型;模型训练模块,还用于根据所述第三真实故障类型,对所述第三样本电流信号的信号特征集合进行标准化处理,得到所述第二样本电流信号的信号特征集合;将所述第三真实故障类型作为所述第二真实故障类型。
在一个实施例中,模型训练模块,还用于利用所述第一样本电流信号的信号特征和所述第一真实故障类型对所述待训练的故障类型识别模型进行训练,得到待验证的故障类型识别模型;所述待验证的故障类型识别模型中包含决策树模型;在所述决策树模型满足预设决策树模型条件的情况下,将所述待验证的故障类型识别模型作为所述预先训练的故障类型识别模型。
在一个实施例中,目标故障类型确定模块304,还用于从所述候选故障类型中,确定出第二匹配度最大的候选故障类型;将所述第二匹配度最大的候选故障类型确认为所述待识别电流信号的目标故障类型。
上述微弱故障电流的故障类型识别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终端,其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种微弱故障电流的故障类型识别方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4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,还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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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、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-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。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等。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 RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种微弱故障电流的故障类型识别方法,其特征在于,所述方法包括:
获取待识别电流信号的信号特征;
将所述待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过所述故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出所述待识别电流信号的候选故障类型和所述待识别电流信号与所述候选故障类型之间的第一匹配度;
对所述候选故障类型的所述第一匹配度进行融合处理,得到所述候选故障类型的第二匹配度;
根据所述第二匹配度,从所述候选故障类型中确定出所述待识别电流信号的目标故障类型。
2.根据权利要求1所述的方法,其特征在于,所述预先训练的故障类型识别模型通过下述方式训练得到:
获取第一样本电流信号的信号特征和所述第一样本电流信号的第一真实故障类型;
利用所述第一样本电流信号的信号特征和所述第一真实故障类型对待训练的故障类型识别模型进行训练,得到所述预先训练的故障类型识别模型。
3.根据权利要求2所述的方法,其特征在于,在获取第一样本电流信号的信号特征和所述第一样本电流信号的第一真实故障类型之前,还包括:
获取第二样本电流信号的信号特征集合和所述第二样本电流信号集合的第二真实故障类型;
所述获取第一样本电流信号的信号特征和所述第一样本电流信号的第一真实故障类型,包括:
从所述第二样本电流信号的信号特征集合中随机抽取部分第二样本电流信号的信号特征,将所述部分第二样本电流信号的信号特征作为所述第一样本电流信号的信号特征;
将所述部分第二样本电流信号的第二真实故障类型作为所述第一真实故障类型。
4.根据权利要求3所述的方法,其特征在于,在获取第二样本电流信号的信号特征集合和所述第二样本电流信号集合的第二真实故障类型之前,还包括:
获取第三样本电流信号的信号特征集合和所述第三样本电流信号集合的第三真实故障类型;
所述获取第二样本电流信号的信号特征集合和所述第二样本电流信号集合的第二真实故障类型,包括:
根据所述第三真实故障类型,对所述第三样本电流信号的信号特征集合进行标准化处理,得到所述第二样本电流信号的信号特征集合;
将所述第三真实故障类型作为所述第二真实故障类型。
5.根据权利要求2所述的方法,其特征在于,所述利用所述第一样本电流信号的信号特征和所述第一真实故障类型对待训练的故障类型识别模型进行训练,得到所述预先训练的故障类型识别模型,包括:
利用所述第一样本电流信号的信号特征和所述第一真实故障类型对所述待训练的故障类型识别模型进行训练,得到待验证的故障类型识别模型;所述待验证的故障类型识别模型中包含决策树模型;
在所述决策树模型满足预设决策树模型条件的情况下,将所述待验证的故障类型识别模型作为所述预先训练的故障类型识别模型。
6.根据权利要求1所述的方法,其特征在于,所述根据所述第二匹配度,从所述候选故障类型中确定出所述待识别电流信号的目标故障类型,包括:
从所述候选故障类型中,确定出第二匹配度最大的候选故障类型;
将所述第二匹配度最大的候选故障类型确认为所述待识别电流信号的目标故障类型。
7.一种微弱故障电流的故障类型识别装置,其特征在于,所述装置包括:
信号特征获取模块,用于获取待识别电流信号的信号特征;
第一匹配度确定模块,用于将所述待识别电流信号的信号特征输入至预先训练的故障类型识别模型,通过所述故障类型识别模型中的各个决策树模型,从预存的故障类型中确定出所述待识别电流信号的候选故障类型和所述待识别电流信号与所述候选故障类型之间的第一匹配度;
第二匹配度得到模块,用于对所述候选故障类型的所述第一匹配度进行融合处理,得到所述候选故障类型的第二匹配度;
目标故障类型确定模块,用于根据所述第二匹配度,从所述候选故障类型中确定出所述待识别电流信号的目标故障类型。
8.一种计算机设备,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。
9.一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。
10.一种计算机程序产品,包括计算机程序,其特征在于,该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 |
---|---|---|---|
CN202211376306.8A CN115545085A (zh) | 2022-11-04 | 2022-11-04 | 微弱故障电流的故障类型识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211376306.8A CN115545085A (zh) | 2022-11-04 | 2022-11-04 | 微弱故障电流的故障类型识别方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545085A true CN115545085A (zh) | 2022-12-30 |
Family
ID=84720284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211376306.8A Pending CN115545085A (zh) | 2022-11-04 | 2022-11-04 | 微弱故障电流的故障类型识别方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545085A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879684A (zh) * | 2023-09-06 | 2023-10-13 | 成都汉度科技有限公司 | 一种异常线路判断方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898446A (zh) * | 2020-09-04 | 2020-11-06 | 国电南瑞科技股份有限公司 | 基于多算法归一化分析的单相接地故障研判方法 |
CN112183994A (zh) * | 2020-09-23 | 2021-01-05 | 南方电网数字电网研究院有限公司 | 一种设备状态的评估方法、装置、计算机设备和存储介质 |
CN113792825A (zh) * | 2021-11-17 | 2021-12-14 | 国网江苏省电力有限公司营销服务中心 | 一种用电信息采集设备故障分类模型训练方法及装置 |
CN113835962A (zh) * | 2021-09-24 | 2021-12-24 | 超越科技股份有限公司 | 一种服务器故障检测方法、装置、计算机设备及存储介质 |
CN114154701A (zh) * | 2021-11-25 | 2022-03-08 | 南方电网数字电网研究院有限公司 | 基于加权极限学习机的电力故障预测方法和装置 |
CN114492588A (zh) * | 2021-12-29 | 2022-05-13 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 一种火电厂辅机设备故障识别方法、系统、设备和存储介质 |
WO2022121163A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 用户行为倾向识别方法、装置、设备及存储介质 |
-
2022
- 2022-11-04 CN CN202211376306.8A patent/CN115545085A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898446A (zh) * | 2020-09-04 | 2020-11-06 | 国电南瑞科技股份有限公司 | 基于多算法归一化分析的单相接地故障研判方法 |
CN112183994A (zh) * | 2020-09-23 | 2021-01-05 | 南方电网数字电网研究院有限公司 | 一种设备状态的评估方法、装置、计算机设备和存储介质 |
WO2022121163A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 用户行为倾向识别方法、装置、设备及存储介质 |
CN113835962A (zh) * | 2021-09-24 | 2021-12-24 | 超越科技股份有限公司 | 一种服务器故障检测方法、装置、计算机设备及存储介质 |
CN113792825A (zh) * | 2021-11-17 | 2021-12-14 | 国网江苏省电力有限公司营销服务中心 | 一种用电信息采集设备故障分类模型训练方法及装置 |
CN114154701A (zh) * | 2021-11-25 | 2022-03-08 | 南方电网数字电网研究院有限公司 | 基于加权极限学习机的电力故障预测方法和装置 |
CN114492588A (zh) * | 2021-12-29 | 2022-05-13 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 一种火电厂辅机设备故障识别方法、系统、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
(美)塞巴斯蒂安•拉施卡,瓦希德•米尔贾利利作;陈斌译: "智能科学与技术丛书 Python机器学习 原书第3版", 北京:机械工业出版社, pages: 56 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879684A (zh) * | 2023-09-06 | 2023-10-13 | 成都汉度科技有限公司 | 一种异常线路判断方法及系统 |
CN116879684B (zh) * | 2023-09-06 | 2023-11-17 | 成都汉度科技有限公司 | 一种异常线路判断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210103822A1 (en) | Generative structure-property inverse computational co-design of materials | |
WO2022105117A1 (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN112101437A (zh) | 基于图像检测的细粒度分类模型处理方法、及其相关设备 | |
CN112131261B (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN107679539B (zh) | 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法 | |
CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
CN109739995A (zh) | 一种信息处理方法及装置 | |
CN112529068A (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
CN114742210A (zh) | 混合神经网络训练方法、交通流预测方法、设备和介质 | |
CN115545085A (zh) | 微弱故障电流的故障类型识别方法、装置、设备和介质 | |
CN108805280B (zh) | 一种图像检索的方法和装置 | |
CN112199884A (zh) | 物品分子生成方法、装置、设备及存储介质 | |
CN114494809A (zh) | 特征提取模型优化方法、装置及电子设备 | |
CN112183303A (zh) | 变电设备图像分类方法、装置、计算机设备和介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115661472A (zh) | 图像查重方法、装置、计算机设备及存储介质 | |
CN115392361A (zh) | 一种智能排序方法、装置、计算机设备及存储介质 | |
CN114357219A (zh) | 一种面向移动端实例级图像检索方法及装置 | |
CN116484067A (zh) | 目标对象匹配方法、装置及计算机设备 | |
CN117273963B (zh) | 基于车险场景的风险识别方法和装置 | |
CN118155270B (zh) | 模型训练方法、人脸识别方法及相关设备 | |
CN117058493B (zh) | 一种图像识别的安全防御方法、装置和计算机设备 | |
CN112685574B (zh) | 领域术语层次关系的确定方法、装置 | |
CN109740671B (zh) | 一种图像识别方法及装置 | |
CN118690053A (zh) | 数据处理方法、装置、计算机设备、存储介质和计算机程序产品 |
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 |