CN116011345A - 绝缘子信息预测模型生成方法、装置、设备及介质 - Google Patents
绝缘子信息预测模型生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116011345A CN116011345A CN202310095447.0A CN202310095447A CN116011345A CN 116011345 A CN116011345 A CN 116011345A CN 202310095447 A CN202310095447 A CN 202310095447A CN 116011345 A CN116011345 A CN 116011345A
- Authority
- CN
- China
- Prior art keywords
- insulator
- training
- prediction model
- information prediction
- sample
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 111
- 230000006870 function Effects 0.000 claims abstract description 83
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 150000003839 salts Chemical class 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种绝缘子信息预测模型生成方法、装置、设备及介质。该方法包括：获取用户输入的多组实验数据，生成实验样本数据库；在多个待选样本扩充模型中选取目标样本扩充模型，并利用所述目标样本扩充模型扩充实验样本数据库，生成训练样本数据库；根据所述训练样本数据库，训练生成绝缘子信息预测模型；其中，所述绝缘子信息预测模型中包括多个核函数。通过采用上述技术方案，能够有效提高绝缘子信息预测模型的预测精度，实现在样本数据匮乏的情况下对绝缘子信息进行精准预测。
Description
技术领域
本发明涉及电力检测技术领域，尤其涉及一种绝缘子信息预测模型生成方法、装置、设备及介质。
背景技术
绝缘子作为输电线路的重要组成部分，能够直接影响到整个电力系统的安全和稳定运行。由于绝缘子工作环境复杂，外部环境因素及自身参数均会影响绝缘子的工作性能，而随着绝缘子表面污垢的积累，可能会导致闪络事故，从而危及电力系统的安全运行。由于许多输电线路架设在较为偏远的地段，若采用人工方式实地测量输电线路绝缘子的积污情况，会耗费大量的人力物力，因此，对绝缘子的积污情况进行远程预测显得尤为重要。
目前，现有的对于绝缘子污秽状态预测方法主要包括基于模糊逻辑的方法、基于神经网络的方法、基于回归分析的方法、基于最小二乘支持向量机的方法，这些方法存在模型参数难以选择、适应度低、预测精度不高的问题。
考虑到绝缘子的实际工作数据获取周期长、人力物力成本高，本发明提出了一种利用少样本生成绝缘子信息预测模型的方法，通过绝缘子信息预测模型所预测的绝缘子泄漏电流，进而可预测绝缘子的污秽状态。
发明内容
本发明提供了一种绝缘子信息预测模型生成方法、装置、设备及介质，能够有效提高绝缘子信息预测模型的预测精度，实现在样本数据匮乏的情况下对绝缘子信息进行精准预测。
根据本发明的一方面，提供了一种绝缘子信息预测模型生成方法，包括：
获取用户输入的多组实验数据，生成实验样本数据库；
在多个待选样本扩充模型中选取目标样本扩充模型，并利用所述目标样本扩充模型扩充实验样本数据库，生成训练样本数据库；
根据所述训练样本数据库，训练生成绝缘子信息预测模型；
其中，所述绝缘子信息预测模型中包括多个核函数。
根据本发明的另一方面，提供了一种绝缘子信息预测模型生成装置，包括：
实验样本数据库生成模块，用于获取用户输入的多组实验数据，生成实验样本数据库；
训练样本数据库生成模块，用于在多个待选样本扩充模型中选取目标样本扩充模型，并利用所述目标样本扩充模型扩充实验样本数据库，生成训练样本数据库；
绝缘子信息预测模型训练模块，用于根据所述训练样本数据库，训练生成绝缘子信息预测模型；
其中，所述绝缘子信息预测模型中包括多个核函数。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的绝缘子信息预测模型生成方法。
根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的绝缘子信息预测模型生成方法。
本发明实施例的技术方案，通过根据实验数据生成实验样本数据库，选取目标样本扩充模型扩充生成训练样本数据库，并根据训练样本数据库训练生成包括多个核函数的绝缘子信息预测模型的方式，能够在仅具有少量真实样本的情况下，获取包含大量样本数据的训练样本数据库，保证训练样本数据库贴近于真实数据，最终生成的具有多个核函数的绝缘子信息预测模型预测精度较高。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种绝缘子信息预测模型生成方法的流程图；
图2是根据本发明实施例二提供的另一种绝缘子信息预测模型生成方法的流程图；
图3是根据本发明实施例三提供的一种绝缘子信息预测模型生成装置的结构示意图；
图4是实现本发明实施例的绝缘子信息预测模型生成方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种绝缘子信息预测模型生成方法的流程图，本实施例可适用于根据实验数据生成实验样本数据库，选取目标样本扩充模型扩充生成训练样本数据库，并根据训练样本数据库训练生成绝缘子信息预测模型的情况，该方法可以由绝缘子信息预测模型生成装置来执行，该绝缘子信息预测模型生成装置可以采用硬件和/或软件的形式实现，该绝缘子信息预测模型生成装置一般可配置于具备数据处理功能的计算机中。如图1所示，该方法包括：
S110、获取用户输入的多组实验数据，生成实验样本数据库。
可选的，可以通过人工污秽实验获取用于生成实验样本数据库的实验数据，在人工污秽实验过程中，可以通过设置环境相对湿度范围、环境温度范围、工作电压范围，配置污秽液中的等值盐密度以及等值灰密度的方式，获取各项实验参数。
其中，每组实验数据中可以包括实验绝缘子的泄漏电流值、绝缘子两端的电压值、环境温度值、相对湿度值、绝缘子表面的等值盐密度以及绝缘子表面的等值灰密度。
其中，绝缘子的泄漏电流是指运行电压下绝缘子的受污表面受潮后流过绝缘子表面的电流；绝缘子表面的等值盐密度以及绝缘子表面的等值灰密度为影响绝缘子污秽程度的相关参数。
在获取实验数据之后，可以对实验数据进行预处理，包括但不限于对异常的实验数据进行筛除处理，目的是为了保证实验数据的准确性，从而进一步保证最后训练生成的绝缘子信息预测模型的预测准确性。可选的，实验数据的预处理还可以包括对实验数据进行归一化处理，即将实验各参数均处理为0-1之间的值。
具体的，实验样本数据库中可以包括用户输入的多组实验数据。
S120、在多个待选样本扩充模型中选取目标样本扩充模型，并利用所述目标样本扩充模型扩充实验样本数据库，生成训练样本数据库。
考虑到输电线路绝缘子实际的应用场景十分复杂，气候条件变化多样，而实验获取数据有限，若仅依靠实验获取数据训练分类模型，生成的分类模型可靠性较低，因此，可以通过扩充实验样本数据库，将人工污秽实验所测得数据集进行扩容，生成扩充实验样本数据库，扩充实验样本数据库的数据更加完备，且扩充实验样本数据库的数据准确度更高，进而能够实现对分类模型的高精度训练。
其中，样本扩充模型可以用于对实验样本数据库进行扩充，能够使得少样本的实验样本数据库扩充为具有大量样本的训练样本数据库，训练样本数据库的数据更加完备，且训练样本数据库的数据准确度更高，进而能够实现对绝缘子信息预测模型的高精度训练。
考虑到不同的样本扩充模型扩充的结果可能不同，若要保证扩充生成的训练样本数据库的数据更接近真实数据，则需要在多种样本扩充模型中选取一个较优样本扩充模型，以保证最终选取的样本扩充模型扩充得到的训练样本数据库更贴近真实数据。
在本发明实施例中，可以选取生成对抗网络(GAN)、梯度惩罚生成对抗网络(WGAN-GP)等多个样本扩充模型作为待选样本扩充模型。
具体的，可以利用各待选样本扩充模型对实验样本数据进行扩充，获取多个待选的扩充实验样本数据库，根据预先设置的评估指标以及待选的扩充实验样本数据库对各待选样本扩充模型进行评价，从而获取较优的目标样本扩充模型。
可选的，评估指标可以包括累计分布函数(CDF)、最大平均差异(MMD)以及功率谱密度(PSD)，通过综合分析各待选的扩充实验样本数据库的累计分布函数、最大平均差异以及功率谱密度，选取目标样本扩充模型。
其中，累计分布函数可以用来描述离散随机变量的统计规律性，累计分布函数可以应用于评估数据的模式多样性；最大平均差异可以用于测量两个不同但相关的随机变量的分布距离，最大平均差异可以应用于计算真实数据和生成样本之间的相似性；功率谱密度可以确保生成的数据能够与真实数据在频率和分辨率上进行比较，因此，它被用来评估生成的样本的统计相似性。
这样设置的好处在于：通过利用三个评估指标的结果综合评判待选样本扩充模型的扩充结果，可避免实验的偶然性，提高验证的说服力，从而选取较优的目标样本扩充模型，进一步保证了训练样本数据库的精确性。
S130、根据所述训练样本数据库，训练生成绝缘子信息预测模型。
其中，绝缘子信息预测模型中包括多个核函数。
由于核函数的选择对绝缘子信息预测模型的预测精度影响较大，单一核函数可能无法对不同特征的参数进行精准预测，因此，发明人创造性的提出了在绝缘子信息预测模型中设置多个不同的核函数，使得具有不同特征的输入参数可以通过不同的核函数获取预测结果。
可选的，绝缘子信息预测模型所选取的核函数可以分别为高斯核函数、多项式核函数、sigmoid核函数，此处仅进行示例性说明，并不对具体的核函数类型进行限制。
可选的，高斯核函数κRBF可表示为：
其中，σ为高斯核的宽带，xi与xj为两个不同特征。
可选的，多项式核函数κpoly可表示为：
其中，xi与xj为两个不同特征，λ与η为可调参数，d为可调节的多项式次数。
可选的，sigmoid核函数κsigmoid可表示为：
其中，xi与xj为两个不同特征，tanh为双曲正切函数，β与θ为可调参数，且β与θ的取值范围为β>0,θ<0。
在一个具体的例子中，可以将训练样本数据库分为多组训练数据，利用多组训练数据逐次训练绝缘子信息预测模型。例如，将第一组训练数据输入至绝缘子信息预测模型中之后，可以获取各核函数所产生的子代，通过对各核函数所产生的子代进行评价，选取当次各核函数所产生的子代最优的核函数，保留该核函数此次的训练结果，其他核函数则继续保留上次训练结果，然后继续进行下一组训练数据的训练，直至最终训练完成，保存各核函数的最终训练结果，以构成绝缘子信息预测模型。也可以理解为，在每次训练结束之后，训练结果最优的核函数对于该组训练数据的数据特征具有较好的表现力，因此，在每次训练结束后，除了需要记录当次最优核函数的参数值，还应该记录与该核函数匹配的数据特征。
可选的，核函数每产生一代子代，都需要对每个子代进行质量评估，在预测评估领域，通常考虑预测精度与泛化能力两个评估指标，其中，预测精是最重要的指标，它可以反应模型在指定问题上的表现好坏，而泛化能力则可以检验在进化过程中产生后代的普适性。预测精度ξp可表示为ξp＝μMSE，泛化能力ξg可表示为
其中，μMSE为均方误差，均方误差能够很好的反应预测值和真实值之间的距离，λj是第j个SVR模型的超参数，d是模型超参数的数量。
进一步的，质量评估的总体评估指标可表示为：
ξ＝ξp+γξg
其中，γ>0,γ为平衡系数，用于综合平衡两个评估指标，各个子代均获得一个综合评估指标，数值较小的后代被保留下来，在下一代进化过程中加速收敛，提高模型的预测精度。
本发明实施例的技术方案，通过根据实验数据生成实验样本数据库，选取目标样本扩充模型扩充生成训练样本数据库，并根据训练样本数据库训练生成包括多个核函数的绝缘子信息预测模型的方式，能够在仅具有少量真实样本的情况下，获取包含大量样本数据的训练样本数据库，保证训练样本数据库贴近于真实数据，最终生成的具有多个核函数的绝缘子信息预测模型预测精度较高。
实施例二
图2为本发明实施例二提供的一种绝缘子信息预测模型生成方法的流程图，本实施例在上述实施例的基础上，具体说明了绝缘子信息预测模型的生成方法。如图2所示，该方法包括：
S210、获取用户输入的多组实验数据，生成实验样本数据库。
S220、获取多个待选样本扩充模型。
S230、利用各待选样本扩充模型扩充实验样本数据库，并根据扩充结果生成与各待选样本扩充模型匹配的扩充样本数据库。
S240、根据预先选取的多个评估指标以及各扩充样本数据库，获取各待选样本扩充模型的评估结果，并根据评估结果，在各待选样本扩充模型中选取目标样本扩充模型。
其中，评估指标可以包括累计分布函数、最大平均差异以及功率谱密度。
S250、将训练样本数据库划分为多个训练样本集。
S260、利用训练样本集对各核函数进行多次迭代训练，并获取各核函数的最终训练结果。
其中，核函数的最终训练结果中包括核函数的参数值，以及与核函数匹配的数据特征。
其中，利用所述训练样本集对各核函数进行多次迭代训练，并获取各核函数的最终训练结果，可以具体包括：
在每次迭代训练之后，根据预先设定的评估指标对各核函数的预测结果进行评估；
根据各核函数的评估结果，选取当次迭代训练后的最优核函数，并保留所述最优核函数的当次迭代训练结果；
当完成对各核函数的迭代训练之后，获取各核函数的最终迭代训练结果。
S270、利用各核函数的最终训练结果，组合构成绝缘子信息预测模型。
S280、在绝缘子信息预测模型的输出为泄漏电流值的情况下，获取输电线路绝缘子的多个测量数据。
可选的，在真实应用场景中，输电线路绝缘子的测量数据可由专门的传感器采集获取，一般的，传感器采集获取的为模拟信号，传感器在获取模拟信号后可以将模拟信号发送到数据采集卡中，数据采集卡将模拟信号转换为数字信号后可传输至计算机或处理器中，从而利用绝缘子信息预测模型预测获取绝缘子的泄漏电流值。
S290、分析各测量数据的数据特征，并根据数据特征在绝缘子信息预测模型中确定目标核函数。
S2100、根据测量数据以及目标核函数，获取绝缘子的泄漏电流预测值。
S2110、将泄漏电流预测值、环境温度值以及相对湿度值输入至预先生成的分类模型中，并获取分类模型输出的分类值。
S2120、根据分类值预测输电线路绝缘子的污秽等级。
可选的，输电线路绝缘子的污秽等级可以分为5个等级：I＝[污秽轻度]、II＝[污秽程度中度]、III＝[污秽程度重度]、IV＝[污秽程度严重]、V＝[污秽程度非常严重]，可以对输电线路绝缘子的污秽程度赋予一个量化的值，例如0.00、0.25、0.50、0.75、1.00，且0.00、0.25、0.50、0.75、1.00均表示的是模糊量，0.00、0.25、0.50、0.75、1.00分别与污秽等级I级、II级、III级、IV级、V级相对应。具体的，若分类模型最终输出的分类值为0.25，则代表该绝缘子的污秽等级为II级。本发明实施例所提到的输电线路绝缘子污秽程度以及污秽程度的量化值仅作示例性说明，不进行具体限定。
本发明实施例的技术方案，通过利用绝缘子信息预测模型预测绝缘子泄漏电流，将泄漏电流预测值、环境温度值以及相对湿度值输入至预先生成的分类模型中获取分类值，并根据分类值预测输电线路绝缘子的污秽等级的方式，能够对输电线路绝缘子的污秽等级进行远程预测，能够有效提高污秽等级预测的准确性以及实时性，实现对输电线路绝缘子的实时监测，从而保证了输电线路的使用安全。
实施例三
图3为本发明实施例三提供的一种绝缘子信息预测模型生成装置的结构示意图。如图3所示，该装置包括：实验样本数据库生成模块310、训练样本数据库生成模块320以及绝缘子信息预测模型训练模块330。
实验样本数据库生成模块310，用于获取用户输入的多组实验数据，生成实验样本数据库。
训练样本数据库生成模块320，用于在多个待选样本扩充模型中选取目标样本扩充模型，并利用所述目标样本扩充模型扩充实验样本数据库，生成训练样本数据库。
绝缘子信息预测模型训练模块330，用于根据所述训练样本数据库，训练生成绝缘子信息预测模型；
其中，所述绝缘子信息预测模型中包括多个核函数。
本发明实施例的技术方案，通过根据实验数据生成实验样本数据库，选取目标样本扩充模型扩充生成训练样本数据库，并根据训练样本数据库训练生成包括多个核函数的绝缘子信息预测模型的方式，能够在仅具有少量真实样本的情况下，获取包含大量样本数据的训练样本数据库，保证训练样本数据库贴近于真实数据，最终生成的具有多个核函数的绝缘子信息预测模型预测精度较高。
在上述各实施例的基础上，训练样本数据库生成模块320，可以包括目标样本扩充模型选取单元以及绝缘子信息预测模型训练单元。
在上述各实施例的基础上，目标样本扩充模型选取单元，可以具体用于：
获取多个待选样本扩充模型；
利用各所述待选样本扩充模型扩充实验样本数据库，并根据扩充结果生成与各待选样本扩充模型匹配的扩充样本数据库；
根据预先选取的多个评估指标以及各扩充样本数据库，获取各待选样本扩充模型的评估结果，并根据所述评估结果，在各待选样本扩充模型中选取目标样本扩充模型；
其中，评估指标包括累计分布函数、最大平均差异以及功率谱密度。
在上述各实施例的基础上，绝缘子信息预测模型训练单元，可以包括：
预测结果评估子单元，用于在每次迭代训练之后，根据预先设定的评估指标对各核函数的预测结果进行评估；
核函数选取子单元，用于根据各核函数的评估结果，选取当次迭代训练后的最优核函数，并保留所述最优核函数的当次迭代训练结果；
迭代训练结果获取子单元，用于当完成对各核函数的迭代训练之后，获取各核函数的最终迭代训练结果。
在上述各实施例的基础上，每组实验数据中包括实验绝缘子的泄漏电流值、绝缘子两端的电压值、环境温度值、相对湿度值、绝缘子表面的等值盐密度以及绝缘子表面的等值灰密度。
在上述各实施例的基础上，还可以包括泄漏电流预测值获取模块，具体用于：
在绝缘子信息预测模型的输出为泄漏电流值的情况下，获取输电线路绝缘子的多个测量数据；
分析各测量数据的数据特征，并根据所述数据特征在绝缘子信息预测模型中确定目标核函数；
根据所述测量数据以及目标核函数，获取绝缘子的泄漏电流预测值。
在上述各实施例的基础上，还可以包括污秽等级预测模块，具体用于：
将所述泄漏电流预测值、环境温度值以及相对湿度值输入至预先生成的分类模型中，并获取分类模型输出的分类值；
根据所述分类值预测输电线路绝缘子的污秽等级。
本发明实施例所提供的绝缘子信息预测模型生成装置可执行本发明任意实施例所提供的绝缘子信息预测模型生成方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如如本发明实施例所述的绝缘子信息预测模型生成方法。也即：
获取用户输入的多组实验数据，生成实验样本数据库；
在多个待选样本扩充模型中选取目标样本扩充模型，并利用所述目标样本扩充模型扩充实验样本数据库，生成训练样本数据库；
根据所述训练样本数据库，训练生成绝缘子信息预测模型；
其中，所述绝缘子信息预测模型中包括多个核函数。
在一些实施例中，绝缘子信息预测模型生成方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的绝缘子信息预测模型生成方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行绝缘子信息预测模型生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
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，根据设计要求和其他因素，可以进行各种修改、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)
1.一种绝缘子信息预测模型生成方法，其特征在于，包括：
获取用户输入的多组实验数据，生成实验样本数据库；
在多个待选样本扩充模型中选取目标样本扩充模型，并利用所述目标样本扩充模型扩充实验样本数据库，生成训练样本数据库；
根据所述训练样本数据库，训练生成绝缘子信息预测模型；
其中，所述绝缘子信息预测模型中包括多个核函数。
2.根据权利要求1所述的方法，其特征在于，在多个待选样本扩充模型中选取目标样本扩充模型，包括：
获取多个待选样本扩充模型；
利用各所述待选样本扩充模型扩充实验样本数据库，并根据扩充结果生成与各待选样本扩充模型匹配的扩充样本数据库；
根据预先选取的多个评估指标以及各扩充样本数据库，获取各待选样本扩充模型的评估结果，并根据所述评估结果，在各待选样本扩充模型中选取目标样本扩充模型；
其中，评估指标包括累计分布函数、最大平均差异以及功率谱密度。
3.根据权利要求1所述的方法，其特征在于，根据所述训练样本数据库，训练生成绝缘子信息预测模型，包括：
将所述训练样本数据库划分为多个训练样本集；
利用所述训练样本集对各核函数进行多次迭代训练，并获取各核函数的最终训练结果；
其中，核函数的最终训练结果中包括核函数的参数值，以及与核函数匹配的数据特征；
利用各核函数的最终训练结果，组合构成绝缘子信息预测模型。
4.根据权利要求3所述的方法，其特征在于，利用所述训练样本集对各核函数进行多次迭代训练，并获取各核函数的最终训练结果，包括：
在每次迭代训练之后，根据预先设定的评估指标对各核函数的预测结果进行评估；
根据各核函数的评估结果，选取当次迭代训练后的最优核函数，并保留所述最优核函数的当次迭代训练结果；
当完成对各核函数的迭代训练之后，获取各核函数的最终迭代训练结果。
5.根据权利要求4所述的方法，其特征在于，每组实验数据中包括实验绝缘子的泄漏电流值、绝缘子两端的电压值、环境温度值、相对湿度值、绝缘子表面的等值盐密度以及绝缘子表面的等值灰密度。
6.根据权利要求5所述的方法，其特征在于，在利用各核函数的最终训练结果，组合构成绝缘子信息预测模型之后，还包括：
在绝缘子信息预测模型的输出为泄漏电流值的情况下，获取输电线路绝缘子的多个测量数据；
分析各测量数据的数据特征，并根据所述数据特征在绝缘子信息预测模型中确定目标核函数；
根据所述测量数据以及目标核函数，获取绝缘子的泄漏电流预测值。
7.根据权利要求6所述的方法，其特征在于，在获取绝缘子的泄漏电流预测值之后，还包括：
将所述泄漏电流预测值、环境温度值以及相对湿度值输入至预先生成的分类模型中，并获取分类模型输出的分类值；
根据所述分类值预测输电线路绝缘子的污秽等级。
8.一种绝缘子信息预测模型生成装置，其特征在于，包括：
实验样本数据库生成模块，用于获取用户输入的多组实验数据，生成实验样本数据库；
训练样本数据库生成模块，用于在多个待选样本扩充模型中选取目标样本扩充模型，并利用所述目标样本扩充模型扩充实验样本数据库，生成训练样本数据库；
绝缘子信息预测模型训练模块，用于根据所述训练样本数据库，训练生成绝缘子信息预测模型；
其中，所述绝缘子信息预测模型中包括多个核函数。
9.一种电子设备，其征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的绝缘子信息预测模型生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的绝缘子信息预测模型生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095447.0A CN116011345A (zh) | 2023-02-07 | 2023-02-07 | 绝缘子信息预测模型生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095447.0A CN116011345A (zh) | 2023-02-07 | 2023-02-07 | 绝缘子信息预测模型生成方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011345A true CN116011345A (zh) | 2023-04-25 |
Family
ID=86030297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310095447.0A Pending CN116011345A (zh) | 2023-02-07 | 2023-02-07 | 绝缘子信息预测模型生成方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011345A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116401961A (zh) * | 2023-06-06 | 2023-07-07 | 广东电网有限责任公司梅州供电局 | 绝缘子污秽等级的确定方法、装置、设备及存储介质 |
| CN116520103A (zh) * | 2023-04-28 | 2023-08-01 | 广东电网有限责任公司 | 绝缘子污秽等级的确定方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307950A (zh) * | 2020-10-29 | 2021-02-02 | 重庆大学 | Gis振动缺陷辨识的细节特征量提取及智能分析方法 |
| CN113920107A (zh) * | 2021-10-29 | 2022-01-11 | 西安工程大学 | 一种基于改进yolov5算法的绝缘子破损检测方法 |
-
2023
- 2023-02-07 CN CN202310095447.0A patent/CN116011345A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307950A (zh) * | 2020-10-29 | 2021-02-02 | 重庆大学 | Gis振动缺陷辨识的细节特征量提取及智能分析方法 |
| CN113920107A (zh) * | 2021-10-29 | 2022-01-11 | 西安工程大学 | 一种基于改进yolov5算法的绝缘子破损检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘亚南;范立新;徐钢;都晨;刘全;唐一铭;: "基于改进相关向量机绝缘子污闪电压预测研究", 江苏电机工程, no. 01, 28 January 2016 (2016-01-28), pages 3 * |
| 张翼;耿远程;: "基于优化核算子的塔机远程智能监控技术研究", 机电技术, no. 02, 30 April 2015 (2015-04-30) * |
| 杨洋，张淑国，尉冰娟，董守龙，米彦，芮少琴， 姚陈果: "基于泄漏电流的绝缘子污秽状态预警方法的研究", 高压电器, 16 November 2016 (2016-11-16), pages 2 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520103A (zh) * | 2023-04-28 | 2023-08-01 | 广东电网有限责任公司 | 绝缘子污秽等级的确定方法、装置、设备及存储介质 |
| CN116401961A (zh) * | 2023-06-06 | 2023-07-07 | 广东电网有限责任公司梅州供电局 | 绝缘子污秽等级的确定方法、装置、设备及存储介质 |
| CN116401961B (zh) * | 2023-06-06 | 2023-09-08 | 广东电网有限责任公司梅州供电局 | 绝缘子污秽等级的确定方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116011345A (zh) | 绝缘子信息预测模型生成方法、装置、设备及介质 | |
| CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
| JP5005814B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| Rezaeian Koochi et al. | New phasor‐based approach for online and fast prediction of generators grouping using decision tree | |
| CN114910756A (zh) | 一种低压母线槽的绝缘性能评估方法及系统 | |
| CN116070902A (zh) | 输电线路状态评估方法、装置、计算机设备、介质和产品 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| CN118014018A (zh) | 一种楼宇能源消耗预测方法、装置、设备及存储介质 | |
| CN112613191A (zh) | 电缆健康状态评估方法、装置、计算机设备和存储介质 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
| CN117554714A (zh) | 用电异常检测方法、用电异常检测装置和电子装置 | |
| CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
| CN113344435B (zh) | 台区供电状态评估、装置、电子设备和存储介质 | |
| CN115034449A (zh) | 架空线停电预测神经网络结构搜索方法及装置 | |
| CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
| CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
| CN113987776A (zh) | 干式电抗器耐老化能力测试模型构建方法与测试方法 | |
| Yan et al. | AQI prediction based on CEEMD-WOA-Elman neural network | |
| CN110389947A (zh) | 一种黑名单生成方法、装置、设备及介质 | |
| CN111914941B (zh) | 一种中压真空断路器状态的评估方法 | |
| Si et al. | Piecewise Clustering Prediction Model of Distributed Photovoltaic Power Based on Principal Component Analysis |
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 |