CN115758140A - 一种刀闸分合状态判别方法、装置、系统、设备及介质 - Google Patents
一种刀闸分合状态判别方法、装置、系统、设备及介质 Download PDFInfo
- Publication number
- CN115758140A CN115758140A CN202211399610.4A CN202211399610A CN115758140A CN 115758140 A CN115758140 A CN 115758140A CN 202211399610 A CN202211399610 A CN 202211399610A CN 115758140 A CN115758140 A CN 115758140A
- Authority
- CN
- China
- Prior art keywords
- distinguished
- samples
- state
- disconnecting link
- distance
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开及一种刀闸分合状态判别方法、装置、系统、设备及介质,涉及开关设备技术领域。包括:对刀闸开关的开合过程进行监测得到待判别感知信号曲线;对待判别感知信号曲线进行特征提取得到待判别感知信号特征;计算待判别感知信号特征与预设的多个训练样本特征中每个训练样本特征间距离,得到多个待判别样本间距离;根据预设的每个训练样本特征的样本间距离的设置权重值和设置偏置值,对多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离;以及,根据多个调整后待判别样本间距离得到待判别感知信号曲线的状态类别。本发明实施例能够在保证实时性的前提下提高对刀闸分合状态判别分类的准确率。
Description
技术领域
本发明涉及,尤其涉及一种刀闸分合状态判别方法、装置、系统、设备及介质。
背景技术
刀闸开关,例如气体绝缘金属全封闭开关设备(GIS),如果接触状态改变,若不能有可能会引发故障。现有技术用模式分类方法对开关状态进行了判别。
一般的,模式分类方法可以归总为两种,即简单分类器和复杂分类器。简单分类器,如k近邻、贝叶斯、Fisher、极限学习机等适用于快速分类要求;而复杂分类器,如支持向量机、神经网络及深度学习等分类器实时性比较差。k近邻分类器的思路是寻找与测试样本相近数目最多的训练样本,并以此训练的类别作为该测试样本的分类类别,此法有两点不足:一是只考虑了部分与测试样本临近的训练样本的作用,而忽视了其他训练样本的价值;二是不同的k值对分类准确率影响比较大,需要通过不断的训练才能确定较为理想的k值。极限学习机分类思路是,以最少的网络层数建立样本与类别的数学关系,
发明内容
本发明实施例提供一种刀闸分合状态判别方法、装置、系统、设备及介质,能够在保证实时性的前提下提高对刀闸分合状态判别分类的准确率。
第一方面,本发明实施例提供一种刀闸分合状态判别方法,包括:利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线;对待判别感知信号曲线进行特征提取得到待判别感知信号特征,并将待判别感知信号特征作为刀闸分合状态判别模型的输入层的输入值;刀闸分合状态判别模型包括输入层,第一隐藏层,第二隐藏层以及输出层;在第一隐藏层对待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离进行计算,得到待判别感知信号特征的多个待判别样本间距离;在第二隐藏层,根据预设的每个训练样本特征的样本间距离的设置权重值和设置偏置值,对多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离;以及,在输出层,根据多个调整后待判别样本间距离得到待判别感知信号曲线的状态类别。
第二方面,本发明实施例提供一种刀闸分合状态判别装置,包括:采集模块,用于利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线;特征提取及输入模块,用于对待判别感知信号曲线进行特征提取得到待判别感知信号特征,并将待判别感知信号特征作为刀闸分合状态判别模型的输入层的输入值;刀闸分合状态判别模型包括输入层,第一隐藏层,第二隐藏层以及输出层;样本距离计算模块,用于在第一隐藏层对待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离进行计算,得到待判别感知信号特征的多个待判别样本间距离;调整模块,用于在第二隐藏层,用于根据预设的每个训练样本特征的样本间距离的设置权重值和设置偏置值,对多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离;以及,输出模块,用于在输出层,根据多个调整后待判别样本间距离得到待判别感知信号曲线的状态类别。
第三方面,本发明实施例还提供一种刀闸分合状态判别系统,包括感知装置,电源装置,数据采集卡以及本发明实施例中任一所述的刀闸分合状态判别装置。
第四方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的刀闸分合状态判别方法。
第五方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的刀闸分合状态判别方法。
本发明实施例中,通过提取待判别信号特征与全部训练样本之间的样本间距离,并通过此样本间距离利用神经网络模型得到待判别信号特征对应待判别感知信号曲线所代表的刀闸状态类别,能够在保证实时性的前提下提高对刀闸分合状态判别分类的准确率。
附图说明
图1是本发明实施例提供的刀闸分合状态判别方法的一个流程示意图;
图2是本发明另一实施例提供的刀闸分合状态判别方法的一个流程示意图;
图3是本发明可选实例提供的刀闸分合状态判别方法一个流程示意图;
图4是本发明实施例提供的刀闸分合状态判别装置的一个结构示意图;
图5是本发明实施例提供的刀闸分合状态判别系统的一个结构示意图;
图6是本发明实施例提供的电子设备的一个结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
刀闸开关,例如气体绝缘金属全封闭开关设备(GIS),如果接触状态改变,若不能有可能会引发故障。气体绝缘金属全封闭开关设备(GIS)是由断路器、隔离开关、电压互感器、避雷器、母线、电缆终端盒或(和)出线套管等高压电器元件按主接线要求组合而成的。自上世纪60年代问世以来,GIS已经经历了五十多年的发展。由于GIS具有占地面积小、运行可靠、检修周期长及易于维护等诸多优点,得到了广大用户的亲来,在水电站、城网变电站和核电站中的应用越来越多,在现代电力行业中的作用越来越明显,发展尤为迅速。然而,其制造安装、运行维护和在线诊断等方面存在技术欠缺,如果不能及时采取有效的处理措施,将可能引发故障,造成人员伤亡、财产损失等。
目前,模式分类广泛应用于医学,智能交通,天气预报,人脸识别等各行各业。为此,呈现了许多模式分类方法。现有技术用模式分类方法对开关状态进行了判别。
一般的,模式分类方法可以归总为两种,即简单分类器和复杂分类器。简单分类器,如k近邻、贝叶斯、Fisher、极限学习机等适用于快速分类要求;而复杂分类器,如支持向量机、神经网络及深度学习等分类器。k近邻分类器的思路是寻找与测试样本相近数目最多的训练样本,并以此训练的类别作为该测试样本的分类类别,此法有两点不足:一是只考虑了部分与测试样本临近的训练样本的作用,而忽视了其他训练样本的价值;二是不同的k值对分类准确率影响比较大,需要通过不断的训练才能确定较为理想的k值。极限学习机包括支持向量机、神经网络及深度学习的分类思路是,以最少的网络层数建立样本与类别的数学关系。
本发明的实施例,针对k近邻分类器的不足,提出求取待求样本与全部训练样本的欧氏距离,不需要通过反复训练确定参数k,通过提取待判别信号特征与全部训练样本之间的样本间距离,并根据此样本间距离通过函数映射得到待判别信号特征对应待判别感知信号曲线所代表的刀闸状态类别,能够在保证实时性的前提下提高对刀闸分合状态判别分类的准确率。
图1为本发明实施例提供的一种刀闸分合状态判别方法的一个流程示意图,该方法可以由本发明实施例提供的刀闸分合状态判别方法装置来执行,该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中,该装置可以集成在电子设备中,电子设备比如可以是计算机、服务器等。以下实施例将以该装置集成在电子设备中为例进行说明。参考图1,该方法具体可以包括如下步骤:
步骤101,利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线;步骤102,对待判别感知信号曲线进行特征提取得到待判别感知信号特征,并将待判别感知信号特征作为刀闸分合状态判别模型的输入层的输入值,刀闸分合状态判别模型包括输入层,第一隐藏层,第二隐藏层以及输出层;步骤103,在第一隐藏层对待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离进行计算,得到待判别感知信号特征的多个待判别样本间距离;步骤104,在第二隐藏层,根据预设的每个训练样本特征的样本间距离的设置权重值和设置偏置值,对多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离;以及,步骤105,在输出层,根据多个调整后待判别样本间距离得到待判别感知信号曲线的状态类别。
本发明实施例能够避免k近邻分类器的不足,提出求取待求样本与全部训练样本的欧氏距离,不需要通过反复训练确定参数k,通过提取待判别信号特征与全部训练样本之间的样本间距离,并根据此样本间距离得到待判别信号特征对应待判别感知信号曲线所代表的刀闸状态类别,能够在保证实时性的前提下提高对刀闸分合状态判别分类的准确率。
步骤101,利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线,能够利于后续对待判别感知信号曲线进行特征提取,并进一步计算待判别样本间距离以及对刀闸的开合状态进行判别。
具体的,上述刀闸开关可以是气体绝缘金属全封闭开关设备(GIS)。
示例地,上述待判别感知信号曲线可以是上述刀闸开关在开合过程中外壳振动时的监测采集的振动信号曲线,也可以是刀闸开关在开合过程中的采集到的声音信号曲线。可以分别利用加速度传感器以及声压传感器对上述振动信号曲线以及声音信号曲线进行采集。
实际应用中,上述利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线的过程,可以为利用多个所述感知装置对所述日常刀闸开关的每次开合过程进行监测采集,得到依次开合过程中的多个待判别感知信号曲线。如此能够避免可能存在的信号遗漏,从而避免对刀闸开关状态的判别错误。
步骤102,对待判别感知信号曲线进行特征提取得到待判别感知信号特征,并将待判别感知信号特征作为刀闸分合状态判别模型的输入层的输入值,刀闸分合状态判别模型包括输入层,第一隐藏层,第二隐藏层以及输出层;能够利于后续在第一隐藏层计算待判别样本间距离以及进一步对刀闸的开合状态进行判别。
具体的,上述刀闸分合状态判别模型可以是现有技术中的刀闸分合状态判别模型。
可选地,对待判别感知信号曲线进行特征提取得到待判别感知信号特征的过程可以包括,对待判别感知信号曲线采用主成分分析加线性判别的方法进行待判别感知信号特征的提取。
示例地,可以将上述待判别感知信号曲线的时序信号转换为频谱信号,并将频谱信号平均划分为预定数量个分段,并计算每个分段的幅值之和得到上述待判别感知信号特征。
在本发明的可选具体实例中,上述刀闸分合状态判别模型可以通过以下方式获取:利用感知装置对所述刀闸开关的多次开合过程进行感知得到多个训练感知信号曲线;对每个训练感知信号曲线进行特征提取,得到与每个训练感知信号曲线一一对应的多个训练样本特征,并将多个训练样本特征作为神经网络模型的输入层的输入值;在神经网络模型的第一隐藏层对每个训练样本特征与其他每个训练样本特征之间的距离进行计算,得到每个训练样本特征的多个样本间距离;在神经网络模型的第二隐藏层对每个训练样本特征的每个样本间距离的权重以及偏置进行调整,得到调整后样本间距离,以及每个训练样本特征的样本间距离的设置权重值和设置偏置值,使得神经网络模型的输出层根据调整后样本距离所得到的每个训练样本特征的输出值,是对应每个训练感知信号曲线的正确开合状态类别;以及,根据神经网络模型的输入层,神经网络模型的第一隐藏层,包括每个训练样本特征的样本间距离的设置权重值和设置偏置值的神经网络模型的第二隐藏层以及神经网络模型的输出层确定刀闸分合状态判别模型。
利用训练好的刀闸分合状态判别模型根据待判别感知信号特征进行对应待判别感知信号曲线的状态类别进行判别,能够获得更准确的刀闸开关状态信息。
步骤103,在第一隐藏层对待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离进行计算,得到待判别感知信号特征的多个待判别样本间距离,能够省略k近邻方法k值确定环节,利用待判别感知信号于所有训练样本特征之间的距离,计算得到对应感知信号曲线代表的刀闸开关状态类别,提高最终判别的准确率。
示例地,上述待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离,可以是每个训练样本特征与每个训练样本特征之间欧氏距离,也可以是其他计算方式的距离。
步骤104,在第二隐藏层,根据预设的每个训练样本特征的样本间距离的设置权重值和设置偏置值,对多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离,能够根据每个训练样本特征对应的样本间距离的得到多个调整后待判别样本间距离,利于后续在输出层根据调整后待判别样本距离得到待判别感知信号曲线的状态类别。
步骤105,在输出层,根据多个调整后待判别样本间距离得到待判别感知信号曲线的状态类别,能够根据调整后待判别样本距离,在在保证实时性的前提下提高对刀闸分合状态判别分类的准确率。
下面进一步说明本发明实施例提供的刀闸分合状态判别方法,如图2及图3所示,包括如下步骤:
步骤201,利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线;步骤202,对待判别感知信号曲线进行特征提取得到待判别感知信号特征;步骤203,利用k近邻的方法对待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离进行计算,得到待判别感知信号特征的多个待判别样本间距离;步骤204,将上述多个待判别样本间距离作为极限学习机的隐藏层的输入值,根据预设的每个训练样本特征的样本间距离的设置权重值和设置偏置值,对多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离;以及,步骤205,在极限学习机的输出层,根据多个调整后待判别样本间距离得到待判别感知信号曲线的状态类别。
具体的,上述根据多个调整后待判别样本间距离得到待判别感知信号曲线的状态类别的过程包括,根据预定规则对所述多个待判别样本距离进行函数映射得到所述待判别感知信号曲线的状态类别。
本申请实施例将得到的待判别样本间距离,直接利用极限学习机通过函数映射为刀闸状态类别的分类结果,是一种新的分类的思路,分类准确率高。
在本发明的可选具体实例中,如图3所示,针对每个感知信号曲线,均采用主成分分析加线性判别方法提取样本特征,将提取得到特征向量组x作为距离映射分类器的输入层的输入值,输入层包含d个神经元节点,每个节点代表一个感知信号曲线的特征向量。
其中,如果在训练过程中,d=N,N为训练样本总数;在刀闸状态类型判别过程中。d为每次开合过程的待判别感知信号特征的特征维数。
在第一隐藏层计算样本间距离,可以通过如下方式进行:
其中,xk为第k个输入的特征向量,yj为第j个训练样本特征向量,Hkj为第k个输入的特征向量与第j个训练样本特征向量的欧式距离。
第二隐藏层包含L个神经元,其与隐层1的连接关系如下:
W和b分别是隐层1和隐层2的连接权重及偏置。
输出层包含m个神经元节点,m为样本类别总数。第二隐藏层与输出层的连接关系如下所示:
Gβ=T
其中,
上式中,β为第二隐藏层与分类结果的转换矩阵,T为目标分类结果过渡矩阵。
如果在训练过程中,T为已知矩阵,可由训练样本类别矩阵得到:
tjl为矩阵T中第j个训练样本第l个位置的类别标签。
当此模型用于刀闸状态类别判别时,T为待求矩阵。矩阵T与分类结果矩阵O的关系如下所示:
图4是本发明实施例提供的一种刀闸分合状态判别装置的一个结构图,该装置适用于执行本发明实施例提供的刀闸分合状态判别方法。如图4所示,该装置具体可以包括:
采集模块401,用于利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线;特征提取及输入模块402,用于对待判别感知信号曲线进行特征提取得到待判别感知信号特征,并将待判别感知信号特征作为刀闸分合状态判别模型的输入层的输入值;刀闸分合状态判别模型包括输入层,第一隐藏层,第二隐藏层以及输出层;样本距离计算模块403,用于在第一隐藏层对待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离进行计算,得到待判别感知信号特征的多个待判别样本间距离;调整模块404,用于在第二隐藏层,用于根据预设的每个训练样本特征的样本间距离的设置权重值和设置偏置值,对多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离;以及,输出模块405,用于在输出层,根据多个调整后待判别样本间距离得到待判别感知信号曲线的状态类别。
本发明实施例能够避免k近邻分类器的不足,提出求取待求样本与全部训练样本的欧氏距离,不需要通过反复训练确定参数k,通过提取待判别信号特征与全部训练样本之间的样本间距离,并根据此样本间距离得到待判别信号特征对应待判别感知信号曲线所代表的刀闸状态类别,能够在保证实时性的前提下提高对刀闸分合状态判别分类的准确率。
用于利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线的采集模块401,能够利于后续对待判别感知信号曲线进行特征提取,并进一步计算待判别样本间距离以及对刀闸的开合状态进行判别。
用于对待判别感知信号曲线进行特征提取得到待判别感知信号特征,并将待判别感知信号特征作为刀闸分合状态判别模型的输入层的输入值特征提取及输入模块402,能够利于后续在第一隐藏层计算待判别样本间距离以及进一步对刀闸的开合状态进行判别。
用于在第一隐藏层对待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离进行计算,得到待判别感知信号特征的多个待判别样本间距离的样本距离计算模块403,能够省略k近邻方法k值确定环节,利用待判别感知信号于所有训练样本特征之间的距离,计算得到对应感知信号曲线代表的刀闸开关状态类别,提高最终判别的准确率。
用于在第二隐藏层,用于根据预设的每个训练样本特征的样本间距离的设置权重值和设置偏置值,对多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离的调整模块404,能够根据每个训练样本特征对应的样本间距离的得到多个调整后待判别样本间距离,利于后续在输出层根据调整后待判别样本距离得到待判别感知信号曲线的状态类别。
用于在输出层,根据多个调整后待判别样本间距离得到待判别感知信号曲线的状态类别的输出模块405,能够根据调整后待判别样本距离,在在保证实时性的前提下提高对刀闸分合状态判别分类的准确率。
本领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能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模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述功能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。
图5是本发明实施例提供的一种刀闸分合状态判别系统的一个结构图,包括电源装置503,感知装置502,数据采集卡503,以及上述的刀闸分合状态判别装置504。
在本发明的可选具体实施例中,上述电源装置501包括恒流源,用于为感知装置提供电源。
在本发明的可选具体实施例中,上述感知装置502包括用于测量振动信号的加速度传感器,以及用于测量声音信号的声压传感器。
在本发明的可选具体实施例中,上述数据采集卡503包括NI数据采集卡,用于自动采集被测的振动信号以及声音信号,并输送到刀闸分合状态判别装置进行分析处理。
具体的,本发明将具有可编程输入电压范围的多功能NI数据采集卡应用于数据采样,其电压分辨率为12位,最大采样率可达600KHz。
具体的,将本实施例中的刀闸分合状态判别系统安装在气体绝缘金属全封闭开关设备外壳上,可以检测实时环境下的GIS外壳的振动和声音双模态信号,并构建数据集,并嵌入识别算法实现闸刀状态检测。
本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施例提供的刀闸分合状态判别方法。
本发明实施例还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例提供的刀闸分合状态判别方法。
下面参考图6,其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中,例如,可以描述为:一种处理器包括采集模块、特征提取及输入模块、样本距离计算模块、调整模块以及输出模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种刀闸分合状态判别方法,其特征在于,包括:
利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线;
对所述待判别感知信号曲线进行特征提取得到待判别感知信号特征,并将所述待判别感知信号特征作为刀闸分合状态判别模型的输入层的输入值;所述刀闸分合状态判别模型包括所述输入层,第一隐藏层,第二隐藏层以及输出层;
在所述第一隐藏层对所述待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离进行计算,得到所述待判别感知信号特征的多个待判别样本间距离;
在所述第二隐藏层,根据预设的所述每个训练样本特征的样本间距离的设置权重值和设置偏置值,对所述多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离;以及,
在所述输出层,根据所述多个调整后待判别样本间距离得到所述待判别感知信号曲线的状态类别。
2.根据权利要求1所述的刀闸分合状态判别方法,其特征在于,所述刀闸分合状态判别模型通过以下方式得到:
利用感知装置对所述刀闸开关的多次开合过程进行感知得到多个训练感知信号曲线;
对每个训练感知信号曲线进行特征提取,得到与所述每个训练感知信号曲线一一对应的多个训练样本特征,并将所述多个训练样本特征作为神经网络模型的输入层的输入值;
在所述神经网络模型的第一隐藏层对每个训练样本特征与其他每个训练样本特征之间的距离进行计算,得到所述每个训练样本特征的多个样本间距离;
在所述神经网络模型的第二隐藏层对所述每个训练样本特征的每个样本间距离的权重以及偏置进行调整,得到调整后样本间距离,以及所述每个训练样本特征的样本间距离的设置权重值和设置偏置值,使得所述神经网络模型的输出层根据所述调整后样本距离所得到的所述每个训练样本特征的输出值,是对应所述每个训练感知信号曲线的正确开合状态类别;以及
根据所述神经网络模型的输入层,所述神经网络模型的第一隐藏层,包括所述每个训练样本特征的样本间距离的设置权重值和设置偏置值的所述神经网络模型的第二隐藏层以及所述神经网络模型的输出层确定所述刀闸分合状态判别模型。
3.根据权利要求1所述的刀闸分合状态判别方法,其特征在于,所述对所述待判别感知信号曲线进行特征提取得到待判别感知信号特征的过程包括:
对所述待判别感知信号曲线采用主成分分析加线性判别的方法进行所述待判别感知信号特征的提取。
4.根据权利要求1所述的刀闸分合状态判别方法,其特征在于,所述根据所述多个调整后待判别样本间距离得到所述待判别感知信号曲线的状态类别的过程包括,
根据预定规则对所述多个待判别样本间距离进行函数映射得到所述待判别感知信号曲线的状态类别。
5.根据权利要求1的所述刀闸分合状态判别方法,其特征在于,
所述待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离,包括所述每个训练样本特征与所述每个训练样本特征之间欧氏距离。
6.根据权利要求1所述的刀闸分合状态判别方法,其特征在于,所述利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线的过程包括:
利用多个所述感知装置对所述日常刀闸开关的开合过程进行监测采集。
7.一种刀闸分合状态判别装置,其特征在于,包括:
采集模块,用于利用感知装置对日常刀闸开关的开合过程进行监测采集得到待判别感知信号曲线;
特征提取及输入模块,用于对所述待判别感知信号曲线进行特征提取得到待判别感知信号特征,并将所述待判别感知信号特征作为刀闸分合状态判别模型的输入层的输入值;所述刀闸分合状态判别模型包括所述输入层,第一隐藏层,第二隐藏层以及输出层;
样本距离计算模块,用于在所述第一隐藏层对所述待判别感知信号特征与预设的多个训练样本特征中的每个训练样本特征之间的距离进行计算,得到所述待判别感知信号特征的多个待判别样本间距离;
调整模块,用于在所述第二隐藏层,用于根据预设的所述每个训练样本特征的样本间距离的设置权重值和设置偏置值,对所述多个待判别样本间距离的权重以及偏置进行调整,得到多个调整后待判别样本间距离;以及,
输出模块,用于在所述输出层,根据所述多个调整后待判别样本间距离得到所述待判别感知信号曲线的状态类别。
8.一种刀闸分合状态判别系统,其特征在于,包括:
感知装置,电源装置,数据采集卡以及如权利要求7所述的刀闸分合状态判别装置。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6中任一所述的刀闸分合状态判别方法。
10.一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,该计算机程序被处理器执行时实现如权利要求1至6中任一所述的刀闸分合状态判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211399610.4A CN115758140A (zh) | 2022-11-09 | 2022-11-09 | 一种刀闸分合状态判别方法、装置、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211399610.4A CN115758140A (zh) | 2022-11-09 | 2022-11-09 | 一种刀闸分合状态判别方法、装置、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758140A true CN115758140A (zh) | 2023-03-07 |
Family
ID=85368691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211399610.4A Pending CN115758140A (zh) | 2022-11-09 | 2022-11-09 | 一种刀闸分合状态判别方法、装置、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758140A (zh) |
-
2022
- 2022-11-09 CN CN202211399610.4A patent/CN115758140A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111537830A (zh) | 一种基于云边架构和小波神经网络的配电网故障诊断方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN112327100B (zh) | 基于物联网的电力故障检测方法及其系统 | |
KR101965159B1 (ko) | 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템 | |
CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
CN111650451A (zh) | 一种换流变故障原因辨识方法及系统 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
CN115080290B (zh) | 一种基于智能算法的异常数据检测方法及系统 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN114417677B (zh) | 一种开关类设备操作强电磁骚扰特性分析方法 | |
CN115993511A (zh) | 一种局部放电类型高精度检测识别装置、方法和设备 | |
CN114838923B (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN115758140A (zh) | 一种刀闸分合状态判别方法、装置、系统、设备及介质 | |
AU2021106280A4 (en) | A Method of Water Environment Risk Assessment Based on Fuzzy Integral Model | |
CN113536607B (zh) | 一种变电站信号传输系统评估方法及系统 | |
CN112198472B (zh) | 一种局部放电智能传感器在线远程校验方法及系统 | |
CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
CN114325107A (zh) | 一种谐波阻抗计算结果准确性判断方法 |
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 |