CN116304700A - 一种输电线路暂态波形故障类型识别方法、设备及介质 - Google Patents
一种输电线路暂态波形故障类型识别方法、设备及介质 Download PDFInfo
- Publication number
- CN116304700A CN116304700A CN202310233896.7A CN202310233896A CN116304700A CN 116304700 A CN116304700 A CN 116304700A CN 202310233896 A CN202310233896 A CN 202310233896A CN 116304700 A CN116304700 A CN 116304700A
- Authority
- CN
- China
- Prior art keywords
- data
- transmission line
- power transmission
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005540 biological transmission Effects 0.000 title claims abstract description 24
- 230000001052 transient effect Effects 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 21
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 208000025274 Lightning injury Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010043417 Therapeutic response unexpected Diseases 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及故障类型识别技术领域，尤其涉及一种输电线路暂态波形故障类型识别方法、设备及介质，包括：导入输电线路暂态波形故障的原始数据集，并进行筛分，提取满足实验条件的数据；将筛分后提取出的数据，计算各个数据点的时域和频域特征，将得到的特征数据保存到新的特征数据集中，并与原始数据对应；将特征数据集中的少数类数据，使用Smote算法，调节参数，对少数类数据进行扩充，达到与多数类数据的平衡；建立深度森林模型，设置其属性、数据切片的窗口大小和超参数，将平衡后的特征数据集导入到深度森林模型中，进行训练和分类。本发明解决数据不平衡的问题，对于小规模的数据集可以很好的兼容，从而对输电线路故障类型进行很好的识别。
Description
技术领域
本发明涉及故障类型识别技术领域，尤其涉及一种输电线路暂态波形故障类型识别方法、设备及介质。
背景技术
目前，在很多场景下需要对数据集中的大量数据进行多分类识别预测，数据都含有不同的标签，如何将种类和个数不尽相同的数据进行效果良好的识别分类一直是热门的研究方向。
输电线路暂态波形的故障类型种类繁多，总体可分为雷击和非雷击，其中雷击还会分为绕击和反击梁类，非雷击还会分为风偏、鸟害、冰害、外力破坏和其他。各类数据的不平衡和不充分，以及传统分类器的性能有限使得分类识别的精度受到限制。
一些方法例如引入深度神经网络来解决分类精度的问题，虽然其分类效果较好，但是因为需要在超参数的调整上付出巨大的努力，并且训练比较困难，需要大规模的训练数据，很难去兼容小规模的数据集。另一些方法例如引入GAN（Generative AdversarialNetwork，生成对抗网络）算法来解决数据不平衡的问题，虽然相比于Smote（SyntheticMinority Oversampling Technique，合成少数类过采样技术）以及ADASYN（AdaptiveSynthetic Sampling，自适应合成抽样）算法，GAN算法处理后的数据在经过分类器后分类准确率有提升，但是GAN算法对于数据格式的要求较高，而对于数据位数长短不一的情况不能很好的发挥作用。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提供了一种输电线路暂态波形故障类型识别方法、设备及介质，从而有效解决背景技术中的问题。
为了达到上述目的，本发明所采用的技术方案是：一种输电线路暂态波形故障类型识别方法，包括如下步骤：
导入输电线路暂态波形故障的原始数据集，并进行筛分，提取满足实验条件的数据；
将筛分后提取出的数据，计算各个数据点的时域和频域特征，将得到的特征数据保存到新的特征数据集中，并与所述原始数据对应；
将特征数据集中的少数类数据，使用Smote算法，调节参数，对少数类数据进行扩充，达到与多数类数据的平衡；
建立深度森林模型，设置其属性、数据切片的窗口大小和超参数，将平衡后的特征数据集导入到深度森林模型中，进行训练和分类。
进一步地，所述提取满足实验条件的数据，包括如下步骤：
读取所述原始数据集中相关参数，包括采样率、数据点、一级标签和二级标签；
筛选出标签栏中存在空白的数据，并将其剔除；
将剩余数据进行提取。
进一步地，所述计算各个数据点的时域和频域特征中，包括16个时域特征参数和13个频域特征参数。
进一步地，所述将得到的特征数据保存到新的特征数据集中，并与所述原始数据对应中，将得到的特征数据生成标签，将特征数据和标签对应保存到新的特征数据集中，并将特征数据与标签与原始数据进行对应。
进一步地，所述使用Smote算法，调节参数，对少数类数据进行扩充，包括：
对于少数类数据中每一个样本，以欧式距离为标准计算其到少数类数据中所有样本的距离，得到其k近邻；
根据少数类数据和多数类数据不平衡比例，设置一个采样比例，以确定采样倍率；
对于每一个少数类数据中样本，从其k近邻中随机选择若干个近邻样本，在这个样本和挑选出的近邻样本的连线上，找出一个点，即为人工合成的新的少数类样本。
进一步地，所述找出一个点中，将这个样本和挑选出的近邻样本的连线，乘以一个[0,1]范围内的随机值，获得这个点。
进一步地，所述深度森林模型包括多粒度扫描模块和级联森林模块，对数据先进行多粒度扫描再进行级联森林的训练。
进一步地，所述将平衡后的特征数据集导入到深度森林模型中，进行训练和分类，包括：
将平衡后的特征数据集作为输入，根据样本的类型，设置多粒度扫描的采样窗框的长度和滑动的补偿，然后进行扫描取样，得到特征子样本向量，所述特征子样本向量作为级联森林的输入；
所述级联森林包括若干层，上一层的输出作为下一层的输入，每一层包括若干普通随机森林和完全随机森林，所述特征子样本向量用于所有森林的训练；
在每一个森林进行训练后，生成一个概率向量，将每层的所有森林的结构拼接一起得到本层的输出。
本发明还包括一种计算机设备，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计算机程序时，实现如上述的方法。
本发明还包括一种存储介质，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如上述的方法。
本发明的有益效果为：本发明通过对原始数据集进行筛分提取、计算各个数据点的时域和频域特征，并使用Smote算法，将提取的特征数据集中的少数类数据进行扩充，来达到与多数类数据的平衡，再建立深度森林模型，对平衡后的特征数据进行训练和分类，从而解决数据不平衡的问题，对于小规模的数据集可以很好的兼容，同时对于数据位数长短不一的情况也能够很好的发挥作用，从而对于输电线路暂态波形故障类型进行很好的识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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为实施例1中方法的流程图；
图2为实施例2中方法的流程图；
图3为实施例2中数据处理的流程图；
图4为Smote算法的示意图；
图5为多粒度扫描的示意图；
图6为级联森林的示意图；
图7为计算机设备的示意图。
具体实施方式
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实施例，而不是全部的实施例。
如图1所示：一种输电线路暂态波形故障类型识别方法，包括如下步骤：
导入输电线路暂态波形故障的原始数据集，并进行筛分，提取满足实验条件的数据；
将筛分后提取出的数据，计算各个数据点的时域和频域特征，将得到的特征数据保存到新的特征数据集中，并与原始数据对应；
将特征数据集中的少数类数据，使用Smote算法，调节参数，对少数类数据进行扩充，达到与多数类数据的平衡；
建立深度森林模型，设置其属性、数据切片的窗口大小和超参数，将平衡后的特征数据集导入到深度森林模型中，进行训练和分类。
通过对原始数据集进行筛分提取、计算各个数据点的时域和频域特征，并使用Smote算法，将提取的特征数据集中的少数类数据进行扩充，来达到与多数类数据的平衡，再建立深度森林模型，对平衡后的特征数据进行训练和分类，从而解决数据不平衡的问题，对于小规模的数据集可以很好的兼容，同时对于数据位数长短不一的情况也能够很好的发挥作用，从而对于输电线路暂态波形故障类型进行很好的识别。
在本实施例中，提取满足实验条件的数据，包括如下步骤：
读取原始数据集中相关参数，包括采样率、数据点、一级标签和二级标签；
筛选出标签栏中存在空白的数据，并将其剔除；
将剩余数据进行提取。
其中，计算各个数据点的时域和频域特征中，包括16个时域特征参数和13个频域特征参数。
作为上述实施例的优选，将得到的特征数据保存到新的特征数据集中，并与原始数据对应中，将得到的特征数据生成标签，将特征数据和标签对应保存到新的特征数据集中，并将特征数据与标签与原始数据进行对应。
在本实施例中，使用Smote算法，调节参数，对少数类数据进行扩充，包括：
对于少数类数据中每一个样本，以欧式距离为标准计算其到少数类数据中所有样本的距离，得到其k近邻；
根据少数类数据和多数类数据不平衡比例，设置一个采样比例，以确定采样倍率；
对于每一个少数类数据中样本，从其k近邻中随机选择若干个近邻样本，在这个样本和挑选出的近邻样本的连线上，找出一个点，即为人工合成的新的少数类样本。
其中，找出一个点中，将这个样本和挑选出的近邻样本的连线，乘以一个[0,1]范围内的随机值，获得这个点。
作为上述实施例的优选，深度森林模型包括多粒度扫描模块和级联森林模块，对数据先进行多粒度扫描再进行级联森林的训练。
将平衡后的特征数据集导入到深度森林模型中，进行训练和分类，包括：
将平衡后的特征数据集作为输入，根据样本的类型，设置多粒度扫描的采样窗框的长度和滑动的补偿，然后进行扫描取样，得到特征子样本向量，特征子样本向量作为级联森林的输入；
级联森林包括若干层，上一层的输出作为下一层的输入，每一层包括若干普通随机森林和完全随机森林，特征子样本向量用于所有森林的训练；
在每一个森林进行训练后，生成一个概率向量，将每层的所有森林的结构拼接一起得到本层的输出。
实施例2：
如图2所示，在本实施例中包括如下步骤：
1、输电线路暂态波形原始数据处理部分，包括：数据导入，预处理与特征提取：
流程图如图3所示：将所有故障匹配原始数据导入，读取数据集中采样率，数据点，标签等关键数据，因为数据集中有部分数据标签缺失，采用算法判断标签是否为空从而对原始数据进行预处理筛选出数据中满足实验条件的数据；对满足条件的数据根据公式计算提取包括波形均值、均方差、方根幅值、峰值、偏度、峰值因子和波形因子等16个时域特征参数和包括重心频率、平均频率、频率标准差和均方根频率、频域谱功率等13个频域特征参数。共计29个特征。且保证29个特征与原始数据及其标签一一对应，并将特征数据存储到新的数据集中；
2、基于Smote算法对特征数据中的少数类进行数据平衡：
通过对特征数据中的少数类使用Smote算法进行数据扩充，使得各个种类的特征数据的达到充分平衡。Smote先接受需要采样的数据集，然后返回一个经过Smote采样后的新数据集，即在特征空间中以每个样本点的若干个最近邻样本点为依据，随机的选择邻近点进行差值乘上一个[0,1]范围的阈值，进行随机的线性插值，构造出新的少数类样本，将新的样本与原数据组合，组成新的数据集。具体实现方式为：对于少数类中每一个样本，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻。根据样本不平衡比例设置一个采样比例以确定采样倍率，对于每一个少数类样本，从其k近邻中随机选择若干个样本，在这个样本和这个随机选择的这个近邻之间的连线上，随机找一个点（也即乘上一个[0,1]范围的阈值，相当于连线上的随机一点）。这个点就是人工合成的新的少数类样本。
图4为Smote算法实现示意图：
1）先选择一个少数类样本，由红圈表示；
2）找到该少数类样本的近邻；
3）随即从近邻中选择样本；
4）在少数类样本和这个随机选择的这个近邻之间的连线上，随机找一个点（也即乘上一个[0,1]范围的阈值），这个点为通过算法生成的样本点。
3、基于深度森林的分类方法：
深度森林是一种决策树森林的集成模型，包含多粒度扫描模块和级联森林两部分，通过多粒度扫描模块增强特征的多样性，并利用级联森林增加模型的复杂度。假设输入样本的特征尺寸为5×7，使用滑动窗口扫描原始特征，每一次扫描提取的特征被称为1个示例，示例具有与原始特征一样的类别标签。滑动窗口的大小设为1×7，采用无重叠窗口的移动方式，每次向下移动1个单位，则得到5个示例。假设训练数据集中共有N个样本，经过上述扫描操作共得到N×5个示例。将所得的所有示例用于随机森林（Random Forest，RF）及完全随机森林（CompleteRandom Forest，CRF）模型的训练。训练完毕后，针对单个输入样本，RF及CRF均会生成5个二分类概率向量，最终拼接为尺寸为20×1的特征向量。多粒度扫描结构图如图5所示。
级联森林的结构如图6所示。中间层接受上一层的输出特征，并将处理后的结果和原始特征拼接继续输出至下一层。为了增强特征的多样性，每一层都包含相同数量的RF和CRF，两者的差异在于决策树的分枝策略。RF随机选择d个特征（d是输入特征的维数）并选择基尼不纯度下降最大的特征进行分枝，而CRF则随机选择任意一个特征属性进行分枝。级联森林中每个森林是多棵决策树的集合，并且每棵决策树会生长到每个叶子结点只包含相同类别的示例或不超过指定数量的示例。
给定一个示例，则它所在叶子节点中可能包含同一类别或不同类别的训练样本。计算该示例所在叶子节点中不同类别样本的占比，然后平均同一个森林中所有决策树的类分布概率，最终得到所在森林的类别分布估计。每个森林都使用k折交叉验证降低过拟合的风险，最后输出的类向量是k次实验的均值。当级联森林拓展新层级时，会使用验证集评估整个级联森林的分类效果。如果当前模型效果没有显著提升，则会停止生长。因此，级联森林的层级是自适应的，可适应不同规模的数据集。
请参见图7示出的本申请实施例提供的计算机设备的结构示意图。本申请实施例提供的一种计算机设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的计算机程序，计算机程序被处理器410执行时执行如上的方法。
本申请实施例还提供了一种存储介质430，该存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。
其中，存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-OnlyMemory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种输电线路暂态波形故障类型识别方法，其特征在于，包括如下步骤：
导入输电线路暂态波形故障的原始数据集，并进行筛分，提取满足实验条件的数据；
将筛分后提取出的数据，计算各个数据点的时域和频域特征，将得到的特征数据保存到新的特征数据集中，并与所述原始数据对应；
将特征数据集中的少数类数据，使用Smote算法，调节参数，对少数类数据进行扩充，达到与多数类数据的平衡；
建立深度森林模型，设置其属性、数据切片的窗口大小和超参数，将平衡后的特征数据集导入到深度森林模型中，进行训练和分类。
2.根据权利要求1所述的输电线路暂态波形故障类型识别方法，其特征在于，所述提取满足实验条件的数据，包括如下步骤：
读取所述原始数据集中相关参数，包括采样率、数据点、一级标签和二级标签；
筛选出标签栏中存在空白的数据，并将其剔除；
将剩余数据进行提取。
3.根据权利要求1所述的输电线路暂态波形故障类型识别方法，其特征在于，所述计算各个数据点的时域和频域特征中，包括16个时域特征参数和13个频域特征参数。
4.根据权利要求3所述的输电线路暂态波形故障类型识别方法，其特征在于，所述将得到的特征数据保存到新的特征数据集中，并与所述原始数据对应中，将得到的特征数据生成标签，将特征数据和标签对应保存到新的特征数据集中，并将特征数据与标签与原始数据进行对应。
5.根据权利要求1所述的输电线路暂态波形故障类型识别方法，其特征在于，所述使用Smote算法，调节参数，对少数类数据进行扩充，包括：
对于少数类数据中每一个样本，以欧式距离为标准计算其到少数类数据中所有样本的距离，得到其k近邻；
根据少数类数据和多数类数据不平衡比例，设置一个采样比例，以确定采样倍率；
对于每一个少数类数据中样本，从其k近邻中随机选择若干个近邻样本，在这个样本和挑选出的近邻样本的连线上，找出一个点，即为人工合成的新的少数类样本。
6.根据权利要求5所述的输电线路暂态波形故障类型识别方法，其特征在于，所述找出一个点中，将这个样本和挑选出的近邻样本的连线，乘以一个[0,1]范围内的随机值，获得这个点。
7.根据权利要求1所述的输电线路暂态波形故障类型识别方法，其特征在于，所述深度森林模型包括多粒度扫描模块和级联森林模块，对数据先进行多粒度扫描再进行级联森林的训练。
8.根据权利要求7所述的输电线路暂态波形故障类型识别方法，其特征在于，所述将平衡后的特征数据集导入到深度森林模型中，进行训练和分类，包括：
将平衡后的特征数据集作为输入，根据样本的类型，设置多粒度扫描的采样窗框的长度和滑动的补偿，然后进行扫描取样，得到特征子样本向量，所述特征子样本向量作为级联森林的输入；
所述级联森林包括若干层，上一层的输出作为下一层的输入，每一层包括若干普通随机森林和完全随机森林，所述特征子样本向量用于所有森林的训练；
在每一个森林进行训练后，生成一个概率向量，将每层的所有森林的结构拼接一起得到本层的输出。
9.一种计算机设备，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1-8中任一项所述的方法。
10.一种存储介质，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1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310233896.7A CN116304700A (zh) | 2023-03-10 | 2023-03-10 | 一种输电线路暂态波形故障类型识别方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310233896.7A CN116304700A (zh) | 2023-03-10 | 2023-03-10 | 一种输电线路暂态波形故障类型识别方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116304700A true CN116304700A (zh) | 2023-06-23 |
Family
ID=86812700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310233896.7A Pending CN116304700A (zh) | 2023-03-10 | 2023-03-10 | 一种输电线路暂态波形故障类型识别方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304700A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092446A (zh) * | 2023-10-20 | 2023-11-21 | 国网山东省电力公司嘉祥县供电公司 | 一种电力输电线路故障检测方法及系统 |
| CN117786560A (zh) * | 2024-02-28 | 2024-03-29 | 通用电梯股份有限公司 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
-
2023
- 2023-03-10 CN CN202310233896.7A patent/CN116304700A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092446A (zh) * | 2023-10-20 | 2023-11-21 | 国网山东省电力公司嘉祥县供电公司 | 一种电力输电线路故障检测方法及系统 |
| CN117786560A (zh) * | 2024-02-28 | 2024-03-29 | 通用电梯股份有限公司 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
| CN117786560B (zh) * | 2024-02-28 | 2024-05-07 | 通用电梯股份有限公司 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116304700A (zh) | 一种输电线路暂态波形故障类型识别方法、设备及介质 | |
| CN111814966A (zh) | 神经网络架构搜索方法、神经网络应用方法、设备及存储介质 | |
| CN108614992B (zh) | 一种高光谱遥感图像的分类方法、设备及存储设备 | |
| US20230300159A1 (en) | Network traffic anomaly detection method and apparatus, and electronic apparatus and storage medium | |
| US11468273B2 (en) | Systems and methods for detecting and classifying anomalous features in one-dimensional data | |
| US8099373B2 (en) | Object detector trained using a working set of training data | |
| CN109120435B (zh) | 网络链路质量预测方法、装置及可读存储介质 | |
| CN114221790A (zh) | 一种基于图注意力网络的bgp异常检测方法及系统 | |
| Bang et al. | Improved training of generative adversarial networks using representative features | |
| CN112699605B (zh) | 一种充电桩故障元件预测方法及系统 | |
| CN111325340B (zh) | 信息网络关系预测方法及系统 | |
| CN109740057B (zh) | 一种基于知识萃取的增强神经网络及信息推荐方法 | |
| CN115249332A (zh) | 基于空谱双分支卷积网络的高光谱图像分类方法及设备 | |
| CN114419381B (zh) | 一种语义分割方法及应用其的道路积水检测方法和装置 | |
| CN111160400A (zh) | 一种基于修正边界攻击的对抗攻击方法 | |
| CN112910811A (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
| CN112598117A (zh) | 神经网络模型设计方法、部署方法、电子设备及存储介质 | |
| CN110689065A (zh) | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 | |
| CN111353583B (zh) | 基于群卷积特征拓扑空间的深度学习网络及其训练方法 | |
| CN112598062A (zh) | 一种图像识别方法和装置 | |
| CN115565019A (zh) | 基于深度自监督生成对抗的单通道高分辨sar图像地物分类方法 | |
| CN113241117B (zh) | 一种基于残差图卷积神经网络rna-蛋白质结合位点判别方法 | |
| CN112699936B (zh) | 一种电力cps广义虚假数据注入攻击识别方法 | |
| CN117789754A (zh) | 一种音频事件检测模型生成方法、装置、设备及存储介质 | |
| CN117171544A (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 |
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 |