CN116070138A - 一种抽水蓄能机组的状态监测方法、装置、设备及介质 - Google Patents
一种抽水蓄能机组的状态监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116070138A CN116070138A CN202310201501.5A CN202310201501A CN116070138A CN 116070138 A CN116070138 A CN 116070138A CN 202310201501 A CN202310201501 A CN 202310201501A CN 116070138 A CN116070138 A CN 116070138A
- Authority
- CN
- China
- Prior art keywords
- last
- model
- storage unit
- shallow
- pumped storage
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000004821 distillation Methods 0.000 claims description 53
- 238000010586 diagram Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000013140 knowledge distillation Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
- F03B11/008—Measuring or testing arrangements
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/16—Mechanical energy storage, e.g. flywheels or pressurised fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种抽水蓄能机组的状态监测方法、装置、设备及介质。通过周期性地获取抽水蓄能机组的工况信号数据；将工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；将抽水蓄能机组状况等级反馈至用户，以对抽水蓄能机组的工作状态进行监测。解决了虽然抽水蓄能机组分类网络模型对应的深层教师模型具有良好机组工况判定能力，但是深层教师模型存在模型比较大、占用内存多、推理速度慢和部署困难等问题，通过知识蒸馏的方式，将深层教师模型的性能蒸馏到浅层学生模型中，使浅层学生网络能够学习到更加鲁棒的特征，在拥有较少参数量的同时，提高了浅层学生网络的分类精确度。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种抽水蓄能机组的状态监测方法、装置、设备及介质。
背景技术
水轮发电机组是抽水蓄能电厂在水力发电过程中的核心装置，机组运行的稳定性不仅影响着电站的经济效益，还影响着电站和工作人员的安全问题。抽水蓄能机组是水力发电中一种特殊的机组，同时具备发电和抽水等多种工况。由于蓄能机组工况复杂多变，导致设备运行过程中会出现多种情况，如果不能准确的判断机组当前的工况，不能很好的掌握机组当前的运行规律，不能同步启动相应的安全防范措施，会导致潜在的安全隐患。对机组工况进行准确的判断变得尤为重要。
在实现本发明的过程中，发现现有技术存在如下缺陷：目前，通过搭建模型进行工况的判定，在训练模型的过程中需要通过蒸馏技术方法，但是目前的蒸馏方法往往在网络的最后一层进行特征监督，或者在中间某一层特征进行监督，或者对浅层网络模型的每一层进行监督。这样通常只考虑了网络特征图整体空域信息分布特征，监督信息比较单一，未能挖掘特征图更多更重要监督信息，也未能让浅层网络模型更专注学习更有利于分类任务的特征。浅层网络模型未能更好的学习到深层网络模型的知识，不能准确地对机组工况进行判定。
发明内容
本发明提供了一种抽水蓄能机组的状态监测方法、装置、设备及介质，以提高浅层学生网络的学习能力，提高了网络的分类精确度。
根据本发明的一方面，提供了一种抽水蓄能机组的状态监测方法，其中，包括：
周期性地获取抽水蓄能机组的工况信号数据；
将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；
其中，所述抽水蓄能机组分类网络模型为使用深层教师模型中的多个末位卷积层对浅层学生模型中匹配的多个末位卷积层进行蒸馏监督训练得到的；所述抽水蓄能机组状况等级包括：抽水蓄能机组状况良好等级和抽水蓄能机组状况故障等级；
将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。
根据本发明的另一方面，提供了一种抽水蓄能机组的状态监测装置，其中，包括：
工况信号数据获取模块，用于周期性地获取抽水蓄能机组的工况信号数据；
抽水蓄能机组状况等级确定模块，用于将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；
其中，所述抽水蓄能机组分类网络模型为使用深层教师模型中的多个末位卷积层对浅层学生模型中匹配的多个末位卷积层进行蒸馏监督训练得到的；所述抽水蓄能机组状况等级包括：抽水蓄能机组状况良好等级和抽水蓄能机组状况故障等级；
抽水蓄能机组状况等级反馈模块，用于将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。
根据本发明的另一方面，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，其特征在于，所述处理器执行所述计算机程序时实现本发明任一实施例所述的抽水蓄能机组的状态监测方法。
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抽水蓄能机组的状态监测方法。
本发明实施例的技术方案，通过周期性地获取抽水蓄能机组的工况信号数据；将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。解决了由于蓄能机组工况复杂多变，导致设备运行过程中会出现多种情况，但是抽水蓄能机组分类网络模型监督比价单一，以至于不能准确地判断机组当前工况的问题，提高了浅层学生网络的学习能力，得到更加准确地抽水蓄能机组分类网络模型，提高了网络的分类精确度。
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抽水蓄能机组的状态监测方法的流程图；
图2是根据本发明实施例一提供的方法中的通过局部二值化模式处理得到归一化权重图的结构示意图；
图3是根据本发明实施例一提供的方法中的抽水蓄能机组分类网络模型训练的结构示意图；
图4是根据本发明实施例二提供的一种抽水蓄能机组的状态监测装置的结构示意图；
图5是根据本发明实施例三提供的一种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“目标”、“当前”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了一种抽水蓄能机组的状态监测方法的流程图，本实施例可适用于对抽水蓄能机组的工作状态进行监测和工况判断的情况，该方法可以由抽水蓄能机组的状态监测装置来执行，该抽水蓄能机组的状态监测装置可以采用硬件和/或软件的形式实现。
相应的，如图1所示，该方法包括：
S110、周期性地获取抽水蓄能机组的工况信号数据。
其中，工况信号数据可以是描述抽水蓄能机组的工作状态的相关数据，其中，工况信号数据可以包括不同时刻对应的机组的冷却水温度、机器温度和振幅等抽水蓄能机组的监控数据，并且这些监控数据可以构建成一个长度为N的一维特征向量，以时间T为周期窗口（在一个T周期内包含多个时刻，步长为1），构建每个周期时间内的抽水蓄能机组工况信号数据矩阵T*N,并标注好对应的工况类别。
另外的，抽水蓄能机组的工况判断问题，可以看做一个分类问题。抽水蓄能机组运行过程中会实时监测冷却水温读，测点机器温度，机器振动幅度数据，这些数据通过归一化操作后，可以看作该时刻的一维特征向量，向量长度设为N，根据在时间周期T内产生的数据判断是属于哪种工况。
进一步的，时间周期T内产生的数据聚合在一起可以组成一个T*N向量矩阵，该向量矩阵可以近似看作一张图，工况分类问题，可以看作为图像分类问题，以T为一个时间周期，将该周期内的监控数据特征，按照时间序列依次从上到下构建一个T*N的矩阵，搭建一个分类模型，进行工况状态分类。
S120、将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级。
其中，所述抽水蓄能机组分类网络模型为使用深层教师模型中的多个末位卷积层对浅层学生模型中匹配的多个末位卷积层进行蒸馏监督训练得到的；所述抽水蓄能机组状况等级包括：抽水蓄能机组状况良好等级和抽水蓄能机组状况故障等级。
其中，抽水蓄能机组分类网络模型可以是通过对深层教师网络和浅层教师网络的蒸馏监督训练，从而得到的模型，该抽水蓄能机组分类网络模型能够准确地对抽水蓄能机组的工况信号数据进行判断。
另外的，抽水蓄能机组状况等级可以是反映抽水蓄能机组的状况的等级，等级可以包括抽水蓄能机组状况良好等级和抽水蓄能机组状况故障等级。深层教师模型可以是基于深度学习的知识蒸馏分类方法，训练出来的深度网络模型，该深层教师模型比较庞大。浅层学生模型可以是一个小型的浅层网络模型，该浅层学生模型运用有效的监督方式，让深层教师模型输出的各种特征信息去监督浅层学生模型，以达到训练浅层学生模型的目的，从而让浅层学生模型能够学习到深层教师模型的优秀性能。
在本实施例中，通过将工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级，该抽水蓄能机组状况等级能够准确地反馈出抽水蓄能机组的良好与故障的情况。
S130、将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。
在本实施例中，当确定出抽水蓄能机组状况等级之后，将抽水蓄能机组状况等级反馈给用户，用户能够收到通知信息，能够及时准确地确定出抽水蓄能机组的状况，从而实现了对抽水蓄能机组的工作状态进行监测的目的。
具体的，机组的工况判断问题，可以看作一个分类问题。机组运行过程中会实时监测冷却水温读、测点机器温度、和机器振动幅度数据等数据，这些数据通过归一化操作后，可以看作该时刻的一维特征向量，向量长度设为N，根据在时间周期T内产生的数据判断是属于哪种工况。
进一步的，时间周期T内产生的数据聚合在一起可以组成一个T*N向量矩阵，该向量矩阵可以近似看作一张图，工况分类问题，可以看作为图像分类问题，以T为一个时间周期，将该周期内的监控数据特征，按照时间序列依次从上到下构建一个T*N的矩阵，搭建一个分类模型，进行工况状态分类。
另外的，训练好一个分类模型后，需要解决的是模型部署问题。实际工程应用过程中，模型需要在有限的计算资源上部署，并且需要保证较高的准确率和较快的推理速度，这就导致了部署模型趋向于小模型。当前基于图像分类的工作，模型逐渐从浅层网络到深层网络转换，算法精度也逐步提升，但是模型参数量也越来越大，占用的资源也越来越多，推理速度也相应的变小。研究一种有效的知识蒸馏方法，让小模型也能够充分学习到深层网络模型的识别性能，又能节省计算资源，提升推理速度，具有重要的工程应用价值。
相应的，当前基于深度学习的知识蒸馏分类方法，常用的方法是训练一个优秀的深层网络模型，即深层教师网络，然后设计一个小型的浅层网络模型，即浅层学生网络，运用有效的监督方式，让教师网络输出的各种特征信息去监督学生网络，以达到训练学生网络的目的，从而让学生网络能够学习到教师网络的优秀性能。然而，当前运用的蒸馏技术方法，往往在网络的最后一层进行特征监督，或者在中间某一层特征进行监督，或者对浅层学生网络的每一层进行监督，深度互学习损失等，这些方法通常只考虑了网络特征图整体空域信息分布特征，监督信息比较单一，未能挖掘特征图更多，更重要监督信息，也未能让学生网络更专注学习更有利于分类任务的特征。学生网络未能更好的学习到教师网络模型的知识，学生网络模型分类性能与教师网络模型性能差距较大。
可选的，在所述周期性地获取抽水蓄能机组的工况信号数据之前，还包括：在历史抽水蓄能机组工况信号数据矩阵中，依次获取一组抽水蓄能机组的历史工况信号数据；其中，所述历史抽水蓄能机组工况信号数据矩阵为T*N的数据矩阵；以时间T为周期窗口，步长为1，长度为N的一维特征向量；构建深层教师模型和浅层学生模型；其中，深层教师模型和浅层学生模型均包括多层卷积层和一个输出层；根据所述历史工况信号数据、深层教师模型和浅层学生模型，计算出教师归一化权重图和学生归一化权重图；将所述历史工况信号数据和所述教师归一化权重图输入至所述深层教师模型，并将所述历史工况信号数据和所述学生归一化权重图输入至所述浅层学生模型，计算出总损失值；判断所述总损失值是否保持不变，若是，则确定训练完成所述抽水蓄能机组分类网络模型；若否，则返回执行依次获取一组历史抽水蓄能机组的历史工况信号数据的操作，直至所述总损失值保持不变。
其中，历史抽水蓄能机组工况信号数据矩阵可以是描述抽水蓄能机组的工况信号的历史数据，在历史抽水蓄能机组工况信号数据矩阵可以包括多条历史抽水蓄能机组工况信号数据。历史工况信号数据可以是不同历史时刻对应的机组的冷却水温度、机器温度和振幅等抽水蓄能机组的监控数据。
另外的，教师归一化权重图可以是对深层教师模型的末位倒数第一层进行特征提取，根据提取到的第一特征图计算得到的权重图。学生归一化权重图可以是对浅层学生模型的末位倒数第一层进行特征提取，根据提取到的第二特征图计算得到的权重图。总损失值可以是模型之间进行蒸馏监督和直接监督所产生的损失对应的数值的大小。
本实施例中一个可选的实施方式，深层教师模型可以是一个resnet34残差神经网络；浅层学生模型可以是一个resnet18残差神经网络。
可选的，所述根据所述历史工况信号数据、深层教师模型和浅层学生模型，计算出教师归一化权重图和学生归一化权重图，包括：将根据所述历史工况信号数据输入至所述深层教师模型和所述浅层学生模型中；对所述深层教师模型对应的末位倒数第一层进行特征提取，得到第一特征图，并根据第一特征图，通过局部二值化模式计算出教师归一化权重图；对所述浅层学生模型对应的末位倒数第一层进行特征提取，得到第二特征图，并根据第二特征图，通过局部二值化模式计算出学生归一化权重图。
其中，第一特征图可以是在深层教师模型中，对其末位倒数第一层进行特征提取得到的特征图。第二特征图可以是在浅层学生模型中，对其末位倒数第一层进行特征提取得到的特征图。
示例性的，假设通过对深层教师模型和浅层学生模型分别进行特征提取处理，得到第一特征图和第二特征图。进一步的，分别对第一特征图和第二特征图通过局部二值化模式进行处理，得到相应的权重图，分别得到教师归一化权重图和学生归一化权重图。
具体的，如下图2为通过局部二值化模式处理得到归一化权重图的结构示意图。假设中间像素值为7，输入历史工况信号数据对应的输入图，从左上角开始，以7作为阈值与周围8邻域像素进行对比，大于等于7的数值位置赋值为1，否则赋值为0，这样就得到了11110001的二进制码，左上角的数值为二进制码的个位数，顺时针方向依次为二进制码的十位、百位和千位等，然后利用权重模式图，可以计算最终的局部二值化数值为：1*1+0*2+0*4+0*8+1*16+1*32+1*64+1*128=241。
进一步的，可以确定得到局部二值化图（也即LBP图，Local Binary Patterns）对应的中间值为241，由于权重模式图的所有值的总和(除去中间位置的数值)为1+2+4+8+16+32+64+128=255，局部二值化对应的教师归一化权重图中间值进行最大值归一化得到：241/255=0.95。
可选的，所述将所述历史工况信号数据和所述教师归一化权重图输入至所述深层教师模型，并将所述历史工况信号数据和所述学生归一化权重图输入至所述浅层学生模型，计算出总损失值，包括：对所述浅层学生模型对应的末位倒数第三层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第三层、末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第一均方差损失；对所述浅层学生模型对应的末位倒数第二层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第二均方差损失；对所述浅层学生模型对应的末位倒数第一层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第一层进行蒸馏监督，计算出第三均方差损失；对所述浅层学生模型对应的末位倒数第三层进行直接监督，并对所述深层教师模型对应的末位倒数第三层进行直接监督，计算出末位倒数第三层损失；对所述浅层学生模型对应的末位倒数第二层进行直接监督，并对所述深层教师模型对应的末位倒数第二层进行直接监督，计算出末位倒数第二层损失；对所述浅层学生模型对应的末位倒数第一层进行直接监督，并对所述深层教师模型对应的末位倒数第一层进行直接监督，计算出末位倒数第一层损失；对所述浅层学生模型对应的输出层进行直接监督，并对所述深层教师模型对应的输出层进行直接监督，计算出输出层损失；根据公式，计算出总损失值；其中，表示末位倒数第三层损失；表示末位倒数第二层损失；表示末位倒数第一层损失；表示第一均方差损失；表示第二均方差损失；表示第三均方差损失；表示输出层损失；、、和为超参数。
示例性的，图3为抽水蓄能机组分类网络模型训练的结构示意图。假设深层教师模型（图中为抽水蓄能机组教师模型）为五层卷积层，浅层学生模型（图中为抽水蓄能机组学生模型）为五层卷积层。不同的卷积层对应不同大小的特征图，进行监督处理时，需要保证输出特征图的大小一致。
对浅层学生模型对应的末位倒数第三层进行蒸馏监督（也即浅层学生模型的第三层D3），并对深层教师模型对应的末位倒数第三层（也即深层教师模型的第三层D3）、末位倒数第二层（也即深层教师模型的第四层D4）和末位倒数第一层（也即深层教师模型的第五层D5）进行蒸馏监督，计算出第一均方差损失。假设D5对应的是7*7特征图；D4对应的是14*14特征图；D3对应的是28*28特征图；D2对应的是56*56特征图；D1对应的是112*112特征图。需要对深层教师模型和浅层学生模型分别对应的D3、D4和D5进行监督处理。
另外的，对浅层学生模型对应的末位倒数第二层（也即浅层学生模型的第四层D4）进行蒸馏监督，并对深层教师模型对应的末位倒数第二层（也即深层教师模型的第四层）和末位倒数第一层（也即深层教师模型的第五层）进行蒸馏监督，计算出第二均方差损失。
进一步的，对浅层学生模型对应的末位倒数第一层（也即浅层学生模型的第五层D5）进行蒸馏监督，并对深层教师模型对应的末位倒数第一层（也即深层教师模型的第五层）进行蒸馏监督，计算出第三均方差损失。
另外的，需要对深层教师模型和浅层学生模型对应的第三层、第四层和第五层进行直接监督。具体的，对浅层学生模型对应的末位倒数第三层（也即浅层学生模型的第三层）进行直接监督，并对所述深层教师模型对应的末位倒数第三层（也即深层教师模型的第三层）进行直接监督，计算出末位倒数第三层损失，在图3中，也即由五层卷积层构成的抽水蓄能机组分类网络模型对应的第三层的损失；对所述浅层学生模型对应的末位倒数第二层（也即浅层学生模型的第四层）进行直接监督，并对所述深层教师模型对应的末位倒数第二层（也即深层教师模型的第四层）进行直接监督，计算出末位倒数第二层损失，也即由五层卷积层构成的抽水蓄能机组分类网络模型对应的第四层的损失；对所述浅层学生模型对应的末位倒数第一层（也即浅层学生模型的第五层）进行直接监督，并对所述深层教师模型对应的末位倒数第一层（也即深层教师模型的第五层）进行直接监督，计算出末位倒数第一层损失，也即由五层卷积层构成的抽水蓄能机组分类网络模型对应的第五层的损失。
进一步的，对浅层学生模型对应的输出层进行直接监督，并对深层教师模型对应的输出层进行直接监督，计算出输出层损失；根据总损失计算公式计算出总损失值。
可选的，所述对所述浅层学生模型对应的末位倒数第三层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第三层、末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第一均方差损失，包括：对所述浅层学生模型对应的末位倒数第三层进行4倍下采样和卷积处理，得到浅层学生模型末位倒数第三层特征图；对所述深层教师模型对应的末位倒数第三层进行4倍下采样、末位倒数第二层进行2倍下采样、末位倒数第一层进行1倍下采样和卷积处理，得到深层教师模型末位倒数第三层特征图；根据公式，计算得到第一均方差损失；其中，表示教师归一化权重图；表示浅层学生模型末位倒数第三层特征图；表示深层教师模型末位倒数第三层特征图。
其中，浅层学生模型末位倒数第三层特征图可以是通过浅层学生模型进行4倍下采样和卷积处理得到的特征图；深层教师模型末位倒数第三层特征图可以是通过末位倒数第三层进行4倍下采样、末位倒数第二层进行2倍下采样、末位倒数第一层进行1倍下采样和卷积处理得到的特征图。第一均方差损失可以是通过教师归一化权重图、学生归一化权重图、浅层学生模型末位倒数第三层特征图和深层教师模型末位倒数第三层特征图计算得到的损失。
在本实施中，需要对浅层学生模型进行4倍下采样处理和卷积处理操作。深层教师模型进行4倍下采样处理、2倍下采样处理、1倍下采样处理和卷积处理操作。
可选的，所述对所述浅层学生模型对应的末位倒数第二层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第二均方差损失，包括：对所述浅层学生模型对应的末位倒数第二层进行2倍下采样和卷积处理，得到浅层学生模型末位倒数第二层特征图；对所述深层教师模型对应的末位倒数第二层进行2倍下采样、末位倒数第一层进行1倍下采样和卷积处理，得到深层教师模型末位倒数第二层特征图；根据公式 ，计算得到第二均方差损失；其中，表示浅层学生模型末位倒数第二层特征图；表示深层教师模型末位倒数第二层特征图。
其中，浅层学生模型末位倒数第二层特征图可以是通过浅层学生模型进行2倍下采样和卷积处理得到的特征图；深层教师模型末位倒数第二层特征图可以是通过末位倒数第二层进行2倍下采样、末位倒数第一层进行1倍下采样和卷积处理得到的特征图。第二均方差损失可以是通过教师归一化权重图、学生归一化权重图、浅层学生模型末位倒数第二层特征图和深层教师模型末位倒数第二层特征图计算得到的损失。
在本实施中，需要对浅层学生模型进行2倍下采样处理和卷积处理操作。深层教师模型进行2倍下采样处理、1倍下采样处理和卷积处理操作。
可选的，所述对所述浅层学生模型对应的末位倒数第一层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第一层进行蒸馏监督，计算出第三均方差损失，包括：所述对所述浅层学生模型对应的末位倒数第一层进行蒸馏监督，得到浅层学生模型末位倒数第一层特征图；对所述深层教师模型对应的末位倒数第一层进行蒸馏监督，得到深层教师模型末位倒数第一层特征图；根据公式，计算得到第三均方差损失；其中，表示浅层学生模型末位倒数第一层特征图；表示深层教师模型末位倒数第一层特征图；表示学生归一化权重图。
其中，浅层学生模型末位倒数第一层特征图可以是通过浅层学生模型进行卷积处理得到的特征图；深层教师模型末位倒数第一层特征图可以是通过卷积处理得到的特征图。第三均方差损失可以是通过教师归一化权重图、学生归一化权重图、浅层学生模型末位倒数第一层特征图和深层教师模型末位倒数第一层特征图来计算得到的损失。
在本实施中，需要对浅层学生模型进行卷积处理操作。深层教师模型进行卷积处理操作。
本发明实施例的技术方案，通过周期性地获取抽水蓄能机组的工况信号数据；将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。解决了由于蓄能机组工况复杂多变，导致设备运行过程中会出现多种情况，但是抽水蓄能机组分类网络模型监督比价单一，以至于不能准确地判断机组当前工况的问题，提高了浅层学生网络的学习能力，得到更加准确地抽水蓄能机组分类网络模型，提高了网络的分类精确度。
实施例二
图4为本发明实施例二提供的一种抽水蓄能机组的状态监测装置的结构示意图。本实施例所提供的一种抽水蓄能机组的状态监测装置可以通过软件和/或硬件来实现，可配置于终端设备或者服务器中来实现本发明实施例中的一种抽水蓄能机组的状态监测方法。如图4所示，该装置包括：工况信号数据获取模块410、抽水蓄能机组状况等级确定模块420和抽水蓄能机组状况等级反馈模块430。
其中，工况信号数据获取模块410，用于周期性地获取抽水蓄能机组的工况信号数据；
抽水蓄能机组状况等级确定模块420，用于将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；
其中，所述抽水蓄能机组分类网络模型为使用深层教师模型中的多个末位卷积层对浅层学生模型中匹配的多个末位卷积层进行蒸馏监督训练得到的；所述抽水蓄能机组状况等级包括：抽水蓄能机组状况良好等级和抽水蓄能机组状况故障等级；
抽水蓄能机组状况等级反馈模块430，用于将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。
本发明实施例的技术方案，通过周期性地获取抽水蓄能机组的工况信号数据；将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。解决了由于蓄能机组工况复杂多变，导致设备运行过程中会出现多种情况，但是抽水蓄能机组分类网络模型监督比价单一，以至于不能准确地判断机组当前工况的问题，提高了浅层学生网络的学习能力，得到更加准确地抽水蓄能机组分类网络模型，提高了网络的分类精确度。
可选的，还包括，抽水蓄能机组分类网络模型训练模块，可以具体用于：在所述周期性地获取抽水蓄能机组的工况信号数据之前，在历史抽水蓄能机组工况信号数据矩阵中，依次获取一组抽水蓄能机组的历史工况信号数据；其中，所述历史抽水蓄能机组工况信号数据矩阵为T*N的数据矩阵；以时间T为周期窗口，步长为1，长度为N的一维特征向量；构建深层教师模型和浅层学生模型；其中，深层教师模型和浅层学生模型均包括多层卷积层和一个输出层；根据所述历史工况信号数据、深层教师模型和浅层学生模型，计算出教师归一化权重图和学生归一化权重图；将所述历史工况信号数据和所述教师归一化权重图输入至所述深层教师模型，并将所述历史工况信号数据和所述学生归一化权重图输入至所述浅层学生模型，计算出总损失值；判断所述总损失值是否保持不变，若是，则确定训练完成所述抽水蓄能机组分类网络模型；若否，则返回执行依次获取一组历史抽水蓄能机组的历史工况信号数据的操作，直至所述总损失值保持不变。
可选的，所述抽水蓄能机组分类网络模型训练模块，还可以具体用于：将根据所述历史工况信号数据输入至所述深层教师模型和所述浅层学生模型中；对所述深层教师模型对应的末位倒数第一层进行特征提取，得到第一特征图，并根据第一特征图，通过局部二值化模式计算出教师归一化权重图；对所述浅层学生模型对应的末位倒数第一层进行特征提取，得到第二特征图，并根据第二特征图，通过局部二值化模式计算出学生归一化权重图。
可选的，所述抽水蓄能机组分类网络模型训练模块，还可以具体用于：对所述浅层学生模型对应的末位倒数第三层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第三层、末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第一均方差损失；其中，所述末位倒数第一层对应的是7*7特征图；末位倒数第二层对应的是14*14特征图；末位倒数第三层对应的是28*28特征图；对所述浅层学生模型对应的末位倒数第二层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第二均方差损失；对所述浅层学生模型对应的末位倒数第一层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第一层进行蒸馏监督，计算出第三均方差损失；对所述浅层学生模型对应的末位倒数第三层进行直接监督，并对所述深层教师模型对应的末位倒数第三层进行直接监督，计算出末位倒数第三层损失；对所述浅层学生模型对应的末位倒数第二层进行直接监督，并对所述深层教师模型对应的末位倒数第二层进行直接监督，计算出末位倒数第二层损失；对所述浅层学生模型对应的末位倒数第一层进行直接监督，并对所述深层教师模型对应的末位倒数第一层进行直接监督，计算出末位倒数第一层损失；对所述浅层学生模型对应的输出层进行直接监督，并对所述深层教师模型对应的输出层进行直接监督，计算出输出层损失；根据公式，计算出总损失值；其中，表示末位倒数第三层损失；表示末位倒数第二层损失；表示末位倒数第一层损失；表示第一均方差损失；表示第二均方差损失；表示第三均方差损失；表示输出层损失；、、和为超参数。
可选的，所述抽水蓄能机组分类网络模型训练模块，还可以具体用于：对所述浅层学生模型对应的末位倒数第三层进行4倍下采样和卷积处理，得到浅层学生模型末位倒数第三层特征图；对所述深层教师模型对应的末位倒数第三层进行4倍下采样、末位倒数第二层进行2倍下采样、末位倒数第一层进行1倍下采样和卷积处理，得到深层教师模型末位倒数第三层特征图；根据公式，计算得到第一均方差损失；其中，表示教师归一化权重图；表示浅层学生模型末位倒数第三层特征图；表示深层教师模型末位倒数第三层特征图。
可选的，所述抽水蓄能机组分类网络模型训练模块，还可以具体用于：对所述浅层学生模型对应的末位倒数第二层进行2倍下采样和卷积处理，得到浅层学生模型末位倒数第二层特征图；对所述深层教师模型对应的末位倒数第二层进行2倍下采样、末位倒数第一层进行1倍下采样和卷积处理，得到深层教师模型末位倒数第二层特征图；根据公式 ，计算得到第二均方差损失；其中，表示浅层学生模型末位倒数第二层特征图；表示深层教师模型末位倒数第二层特征图。
可选的，所述抽水蓄能机组分类网络模型训练模块，还可以具体用于：所述对所述浅层学生模型对应的末位倒数第一层进行蒸馏监督，得到浅层学生模型末位倒数第一层特征图；对所述深层教师模型对应的末位倒数第一层进行蒸馏监督，得到深层教师模型末位倒数第一层特征图；根据公式，计算得到第三均方差损失；其中，表示浅层学生模型末位倒数第一层特征图；表示深层教师模型末位倒数第一层特征图；表示学生归一化权重图。
本发明实施例所提供的抽水蓄能机组的状态监测装置可执行本发明任意实施例所提供的抽水蓄能机组的状态监测方法，具备执行方法相应的功能模块和有益效果。
实施例三
图5示出了可以用来实施本发明的实施例三的电子设备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5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，例如抽水蓄能机组的状态监测方法。
在一些实施例中，抽水蓄能机组的状态监测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抽水蓄能机组的状态监测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）而被配置为执行抽水蓄能机组的状态监测方法。
该方法包括：周期性地获取抽水蓄能机组的工况信号数据；将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；其中，所述抽水蓄能机组分类网络模型为使用深层教师模型中的多个末位卷积层对浅层学生模型中匹配的多个末位卷积层进行蒸馏监督训练得到的；所述抽水蓄能机组状况等级包括：抽水蓄能机组状况良好等级和抽水蓄能机组状况故障等级；将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。
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。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质，所述计算机可读指令在由计算机处理器执行时用于执行一种抽水蓄能机组的状态监测方法，该方法包括：周期性地获取抽水蓄能机组的工况信号数据；将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；其中，所述抽水蓄能机组分类网络模型为使用深层教师模型中的多个末位卷积层对浅层学生模型中匹配的多个末位卷积层进行蒸馏监督训练得到的；所述抽水蓄能机组状况等级包括：抽水蓄能机组状况良好等级和抽水蓄能机组状况故障等级；将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。
当然，本发明实施例所提供的一种包含计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的抽水蓄能机组的状态监测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
值得注意的是，上述抽水蓄能机组的状态监测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
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)
1.一种抽水蓄能机组的状态监测方法，其特征在于，包括：
周期性地获取抽水蓄能机组的工况信号数据；
将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；
其中，所述抽水蓄能机组分类网络模型为使用深层教师模型中的多个末位卷积层对浅层学生模型中匹配的多个末位卷积层进行蒸馏监督训练得到的；所述抽水蓄能机组状况等级包括：抽水蓄能机组状况良好等级和抽水蓄能机组状况故障等级；
将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。
2.根据权利要求1所述的方法，其特征在于，在所述周期性地获取抽水蓄能机组的工况信号数据之前，还包括：
在历史抽水蓄能机组工况信号数据矩阵中，依次获取一组抽水蓄能机组的历史工况信号数据；
其中，所述历史抽水蓄能机组工况信号数据矩阵为T*N的数据矩阵；以时间T为周期窗口，步长为1，长度为N的一维特征向量；
构建深层教师模型和浅层学生模型；
其中，深层教师模型和浅层学生模型均包括多层卷积层和一个输出层；
根据所述历史工况信号数据、深层教师模型和浅层学生模型，计算出教师归一化权重图和学生归一化权重图；
将所述历史工况信号数据和所述教师归一化权重图输入至所述深层教师模型，并将所述历史工况信号数据和所述学生归一化权重图输入至所述浅层学生模型，计算出总损失值；
判断所述总损失值是否保持不变，若是，则确定训练完成所述抽水蓄能机组分类网络模型；
若否，则返回执行依次获取一组历史抽水蓄能机组的历史工况信号数据的操作，直至所述总损失值保持不变。
3.根据权利要求2所述的方法，其特征在于，所述根据所述历史工况信号数据、深层教师模型和浅层学生模型，计算出教师归一化权重图和学生归一化权重图，包括：
将根据所述历史工况信号数据输入至所述深层教师模型和所述浅层学生模型中；
对所述深层教师模型对应的末位倒数第一层进行特征提取，得到第一特征图，并根据第一特征图，通过局部二值化模式计算出教师归一化权重图；
对所述浅层学生模型对应的末位倒数第一层进行特征提取，得到第二特征图，并根据第二特征图，通过局部二值化模式计算出学生归一化权重图。
4.根据权利要求3所述的方法，其特征在于，所述将所述历史工况信号数据和所述教师归一化权重图输入至所述深层教师模型，并将所述历史工况信号数据和所述学生归一化权重图输入至所述浅层学生模型，计算出总损失值，包括：
对所述浅层学生模型对应的末位倒数第三层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第三层、末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第一均方差损失；
其中，所述末位倒数第一层对应的是7*7特征图；末位倒数第二层对应的是14*14特征图；末位倒数第三层对应的是28*28特征图；
对所述浅层学生模型对应的末位倒数第二层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第二均方差损失；
对所述浅层学生模型对应的末位倒数第一层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第一层进行蒸馏监督，计算出第三均方差损失；
对所述浅层学生模型对应的末位倒数第三层进行直接监督，并对所述深层教师模型对应的末位倒数第三层进行直接监督，计算出末位倒数第三层损失；
对所述浅层学生模型对应的末位倒数第二层进行直接监督，并对所述深层教师模型对应的末位倒数第二层进行直接监督，计算出末位倒数第二层损失；
对所述浅层学生模型对应的末位倒数第一层进行直接监督，并对所述深层教师模型对应的末位倒数第一层进行直接监督，计算出末位倒数第一层损失；
对所述浅层学生模型对应的输出层进行直接监督，并对所述深层教师模型对应的输出层进行直接监督，计算出输出层损失；
根据公式，计算出总损失值；
其中，表示末位倒数第三层损失；表示末位倒数第二层损失；表示末位倒数第一层损失；表示第一均方差损失；表示第二均方差损失；表示第三均方差损失；表示输出层损失；、、和为超参数。
5.根据权利要求4所述的方法，其特征在于，所述对所述浅层学生模型对应的末位倒数第三层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第三层、末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第一均方差损失，包括：
对所述浅层学生模型对应的末位倒数第三层进行4倍下采样和卷积处理，得到浅层学生模型末位倒数第三层特征图；
对所述深层教师模型对应的末位倒数第三层进行4倍下采样、末位倒数第二层进行2倍下采样、末位倒数第一层进行1倍下采样和卷积处理，得到深层教师模型末位倒数第三层特征图；
根据公式，计算得到第一均方差损失；
其中，表示教师归一化权重图；表示浅层学生模型末位倒数第三层特征图；表示深层教师模型末位倒数第三层特征图。
6.根据权利要求5所述的方法，其特征在于，所述对所述浅层学生模型对应的末位倒数第二层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第二层和末位倒数第一层进行蒸馏监督，计算出第二均方差损失，包括：
对所述浅层学生模型对应的末位倒数第二层进行2倍下采样和卷积处理，得到浅层学生模型末位倒数第二层特征图；
对所述深层教师模型对应的末位倒数第二层进行2倍下采样、末位倒数第一层进行1倍下采样和卷积处理，得到深层教师模型末位倒数第二层特征图；
根据公式 ，计算得到第二均方差损失；
其中，表示浅层学生模型末位倒数第二层特征图；表示深层教师模型末位倒数第二层特征图。
7.根据权利要求6所述的方法，其特征在于，所述对所述浅层学生模型对应的末位倒数第一层进行蒸馏监督，并对所述深层教师模型对应的末位倒数第一层进行蒸馏监督，计算出第三均方差损失，包括：
所述对所述浅层学生模型对应的末位倒数第一层进行蒸馏监督，得到浅层学生模型末位倒数第一层特征图；
对所述深层教师模型对应的末位倒数第一层进行蒸馏监督，得到深层教师模型末位倒数第一层特征图；
根据公式，计算得到第三均方差损失；
其中，表示浅层学生模型末位倒数第一层特征图；表示深层教师模型末位倒数第一层特征图；表示学生归一化权重图。
8.一种抽水蓄能机组的状态监测装置，其特征在于，包括：
工况信号数据获取模块，用于周期性地获取抽水蓄能机组的工况信号数据；
抽水蓄能机组状况等级确定模块，用于将所述工况信号数据输入至预先训练好的抽水蓄能机组分类网络模型中，确定出抽水蓄能机组状况等级；
其中，所述抽水蓄能机组分类网络模型为使用深层教师模型中的多个末位卷积层对浅层学生模型中匹配的多个末位卷积层进行蒸馏监督训练得到的；所述抽水蓄能机组状况等级包括：抽水蓄能机组状况良好等级和抽水蓄能机组状况故障等级；
抽水蓄能机组状况等级反馈模块，用于将所述抽水蓄能机组状况等级反馈至用户，以对所述抽水蓄能机组的工作状态进行监测。
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的抽水蓄能机组的状态监测方法。
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中任一项所述的抽水蓄能机组的状态监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310201501.5A CN116070138B (zh) | 2023-03-06 | 2023-03-06 | 一种抽水蓄能机组的状态监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310201501.5A CN116070138B (zh) | 2023-03-06 | 2023-03-06 | 一种抽水蓄能机组的状态监测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116070138A true CN116070138A (zh) | 2023-05-05 |
| CN116070138B CN116070138B (zh) | 2023-07-07 |
Family
ID=86173268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310201501.5A Active CN116070138B (zh) | 2023-03-06 | 2023-03-06 | 一种抽水蓄能机组的状态监测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116070138B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180268292A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc. | Learning efficient object detection models with knowledge distillation |
| CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
| CN111199242A (zh) * | 2019-12-18 | 2020-05-26 | 浙江工业大学 | 一种基于动态修正向量的图像增量学习方法 |
| CN112184508A (zh) * | 2020-10-13 | 2021-01-05 | 上海依图网络科技有限公司 | 一种用于图像处理的学生模型的训练方法及装置 |
| CN112561238A (zh) * | 2020-11-24 | 2021-03-26 | 国家电网有限公司 | 一种抽水蓄能电站辅机设备状态健康评价系统及方法 |
-
2023
- 2023-03-06 CN CN202310201501.5A patent/CN116070138B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180268292A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc. | Learning efficient object detection models with knowledge distillation |
| CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
| CN111199242A (zh) * | 2019-12-18 | 2020-05-26 | 浙江工业大学 | 一种基于动态修正向量的图像增量学习方法 |
| CN112184508A (zh) * | 2020-10-13 | 2021-01-05 | 上海依图网络科技有限公司 | 一种用于图像处理的学生模型的训练方法及装置 |
| CN112561238A (zh) * | 2020-11-24 | 2021-03-26 | 国家电网有限公司 | 一种抽水蓄能电站辅机设备状态健康评价系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116070138B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
| CN112966744A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
| CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
| CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
| CN116740355A (zh) | 自动驾驶图像的分割方法、装置、设备及存储介质 | |
| CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
| CN117540625A (zh) | 海浪数值预报数据订正模型的训练方法、装置 | |
| CN115099153A (zh) | 风功率预测模型训练方法、风功率预测方法、装置及介质 | |
| CN117746125A (zh) | 图像处理模型的训练方法、装置及电子设备 | |
| CN116070138B (zh) | 一种抽水蓄能机组的状态监测方法、装置、设备及介质 | |
| CN117455067A (zh) | 一种电量消耗预测方法、装置、电子设备及存储介质 | |
| CN116188917A (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
| CN116542362A (zh) | 一种负荷预测方法、装置、电子设备及存储介质 | |
| CN116151446A (zh) | 基于ceemd和cnn-lstm模型的超短期风电功率预测方法及装置 | |
| CN116359738A (zh) | 电池的健康状态监测方法、装置、设备及存储介质 | |
| CN116152595A (zh) | 模型训练方法、图像处理方法、装置、设备与介质 | |
| CN114972242B (zh) | 心肌桥检测模型的训练方法、装置及电子设备 | |
| CN117554747A (zh) | 电网故障诊断方法、装置、电子设备及存储介质 | |
| CN117589188B (zh) | 行车路径规划方法、装置、电子设备和存储介质 | |
| CN115034388B (zh) | 排序模型的量化参数的确定方法、装置及电子设备 | |
| CN117554748B (zh) | 配电网故障线路的检测方法、装置、设备及存储介质 | |
| CN116308284A (zh) | 一种抽水蓄能设备的运行数据检测方法、装置及设备 | |
| CN118364355A (zh) | 一种发电机故障诊断方法、装置、电子设备及存储介质 | |
| CN117967502A (zh) | 风力发电机组的偏航角度估计方法及系统 | |
| CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240605 Address after: Room 1217, No. 858, Lianhua Avenue West, Donghuan Street, Panyu District, Guangzhou, Guangdong 510000 Patentee after: INSPECTION AND TEST BRANCH OF SOUTHERN POWER GRID PEAKING FM POWER GENERATION Co.,Ltd. Country or region after: China Patentee after: Guangzhou Qiming Shuzhi Energy Technology Co.,Ltd. Address before: Room 1217, No. 858, Lianhua Avenue West, Donghuan Street, Panyu District, Guangzhou, Guangdong 510000 Patentee before: INSPECTION AND TEST BRANCH OF SOUTHERN POWER GRID PEAKING FM POWER GENERATION Co.,Ltd. Country or region before: China |