CN116482524A - 输配电开关状态检测方法及系统 - Google Patents
输配电开关状态检测方法及系统 Download PDFInfo
- Publication number
- CN116482524A CN116482524A CN202310438117.7A CN202310438117A CN116482524A CN 116482524 A CN116482524 A CN 116482524A CN 202310438117 A CN202310438117 A CN 202310438117A CN 116482524 A CN116482524 A CN 116482524A
- Authority
- CN
- China
- Prior art keywords
- classification
- power transmission
- neural network
- matrix
- network model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 176
- 230000005540 biological transmission Effects 0.000 title claims abstract description 167
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 126
- 239000013598 vector Substances 0.000 claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 95
- 238000013527 convolutional neural network Methods 0.000 claims description 83
- 238000010586 diagram Methods 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 30
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000004973 liquid crystal related substance Substances 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000011800 void material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000004377 microelectronic Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3272—Apparatus, systems or circuits therefor
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- 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
Abstract
公开了一种输配电开关状态检测方法及系统。其首先将各个预定时间点的运行参数信息分别通过参数上下文编码器以得到多个运行参数上下文语义理解特征向量,接着,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入双分支网络结构以得到分类特征图,最后,将所述分类特征图通过分类器以得到用于表示所述待检测输配电开关的状态是否正常的分类结果,并在屏幕显示所述分类结果。这样,可以实现准确的输配电开关状态检测。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种输配电开关状态检测方法及系统。
背景技术
在输配电系统中,输配电隔离开关用于线路在无载荷情况下进行换接,以及对被检修的母线、断路器等电气设备与线路进行电气隔离或联通之用,因此,目前对于输配电隔离开关的可靠性和稳定性要求越来越高。
输配电隔离开关的状态检测手段有很多,但自动检测技术能有效地提髙直流隔离开关的安全性,并使系统具有高可靠性,传感技术、微电子技术、自动控制技术、计算机技术、信号分析与处理技术、数据通信技术等综合应用,对输配电隔离开关卡涩、锈蚀、压力等机械性能进行及时、客观、准确的检测具有重要意义。
因此,期望一种输配电开关状态检测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种输配电开关状态检测方法及系统。其首先将各个预定时间点的运行参数信息分别通过参数上下文编码器以得到多个运行参数上下文语义理解特征向量,接着,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入双分支网络结构以得到分类特征图,最后,将所述分类特征图通过分类器以得到用于表示所述待检测输配电开关的状态是否正常的分类结果,并在屏幕显示所述分类结果。这样,可以实现准确的输配电开关状态检测。
根据本申请的一个方面,提供了一种输配电开关状态检测方法,其包括:
获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压;
将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量;
将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示所述待检测输配电开关的状态是否正常;以及,在屏幕显示所述分类结果。
在上述的输配电开关状态检测方法中,将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量,包括:
对所述各个预定时间点的运行参数信息进行分词处理以将所述各个预定时间点的运行参数信息转化为由多个词组成的第一词序列;
使用所述包含嵌入层的参数上下文编码器的嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;
以及,使用所述包含嵌入层的参数上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述多个运行参数上下文语义理解特征向量。
在上述的输配电开关状态检测方法中,使用所述包含嵌入层的参数上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述多个运行参数上下文语义理解特征向量,包括:
将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;
计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;
分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;
将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及,分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述多个运行参数上下文语义理解特征向量。
在上述的输配电开关状态检测方法中,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,包括:
使用所述双分支网络结构的第一卷积神经网络模型对所述二维特征矩阵进行二维卷积编码以得到第一分类特征矩阵,其中,所述第一卷积神经网络模型具有第一空洞率的第一空洞卷积核;
使用所述双分支网络结构的第二卷积神经网络模型对所述二维特征矩阵进行二维卷积编码以得到第二分类特征矩阵,其中,所述第二卷积神经网络模型具有第二空洞率的第二空洞卷积核,所述第一空洞率不同于所述第二空洞卷积核;
以及,融合所述第一分类特征矩阵和所述第二分类特征矩阵以得到所述分类特征图。
在上述的输配电开关状态检测方法中,还包括对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练;
其中,对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练,包括:
获取训练数据,所述训练数据包括待检测输配电开关在预定时间段内多个预定时间点的训练运行参数信息,以及,所述待检测输配电开关的状态是否正常的真实值;
将所述各个预定时间点的训练运行参数信息分别通过所述包含嵌入层的参数上下文编码器以得到多个训练运行参数上下文语义理解特征向量;
将所述多个训练运行参数上下文语义理解特征向量排列为训练二维特征矩阵后输入所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到训练分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;
对所述训练分类特征图进行特征分布优化以得到优化训练分类特征图;
将所述优化训练分类特征图通过所述分类器以得到分类损失函数值;
以及,基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练。
在上述的输配电开关状态检测方法中,对所述训练分类特征图进行特征分布优化以得到优化训练分类特征图,包括:
对所述训练分类特征图沿通道维度展开为多个分类特征矩阵;
将所述各个分类特征矩阵转换为分类对角矩阵以得到多个分类对角矩阵;
对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到多个优化分类对角矩阵;以及,将所述多个优化分类对角矩阵进行维度重构以得到所述优化训练分类特征图。
在上述的输配电开关状态检测方法中,对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到多个优化分类对角矩阵,包括:
以如下强化公式对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到所述多个优化分类对角矩阵;
其中,所述强化公式为:
其中,是所述各个分类对角矩阵,/>到/>是所述各个分类对角矩阵进行本征分解后得到的/>个本征值,/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵,且/>与/>都为对角矩阵,/>为所述本征单位化矩阵与所述各个分类对角矩阵之间的距离,/>表示矩阵乘法,/>表示矩阵加法,/>表示按位置点乘,/>为所述各个优化分类对角矩阵。
在上述的输配电开关状态检测方法中,将所述优化训练分类特征图通过所述分类器以得到分类损失函数值,包括:
所述分类器以如下分类公式对所述优化训练分类特征图进行处理以生成分类结果,其中,所述分类公式为:,其中/>表示将所述优化训练分类特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至表示各层全连接层的偏置矩阵;以及,计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
根据本申请的另一个方面,提供了一种输配电开关状态检测系统,其包括:
数据获取模块,用于获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压;
参数上下文编码模块,用于将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量;
双分支卷积模块,用于将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;
分类模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示所述待检测输配电开关的状态是否正常;以及,显示模块,用于在屏幕显示所述分类结果。
在上述的输配电开关状态检测系统中,所述参数上下文编码模块,包括:
分词单元,用于对所述各个预定时间点的运行参数信息进行分词处理以将所述各个预定时间点的运行参数信息转化为由多个词组成的第一词序列;
词嵌入单元,用于使用所述包含嵌入层的参数上下文编码器的嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;以及,上下文语义编码单元,用于使用所述包含嵌入层的参数上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述多个运行参数上下文语义理解特征向量。
与现有技术相比,本申请提供的输配电开关状态检测方法及系统,其首先将各个预定时间点的运行参数信息分别通过参数上下文编码器以得到多个运行参数上下文语义理解特征向量,接着,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入双分支网络结构以得到分类特征图,最后,将所述分类特征图通过分类器以得到用于表示所述待检测输配电开关的状态是否正常的分类结果,并在屏幕显示所述分类结果。这样,可以实现准确的输配电开关状态检测。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,对于本领域普通技术人员而言,在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的输配电开关状态检测方法的应用场景图。
图2为根据本申请实施例的输配电开关状态检测方法的流程图。
图3为根据本申请实施例的输配电开关状态检测方法的架构示意图。
图4为根据本申请实施例的输配电开关状态检测方法的子步骤S120的流程图。
图5为根据本申请实施例的输配电开关状态检测方法的子步骤S123的流程图。
图6为根据本申请实施例的输配电开关状态检测方法的子步骤S130的流程图。
图7为根据本申请实施例的输配电开关状态检测方法中的子步骤S200的流程图。
图8为根据本申请实施例的输配电开关状态检测方法中的子步骤S240的流程图。
图9为根据本申请实施例的输配电开关状态检测系统的框图。
图10为根据本申请实施例的输配电开关状态检测系统中的所述参数上下文编码模块的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,输配电隔离开关的状态检测手段有很多,但自动检测技术能有效地提髙直流隔离开关的安全性,并使系统具有高可靠性,传感技术、微电子技术、自动控制技术、计算机技术、信号分析与处理技术、数据通信技术等综合应用,对输配电隔离开关卡涩、锈蚀、压力等机械性能进行及时、客观、准确的检测具有重要意义。因此,期望一种输配电开关状态检测方案。
相应地,考虑到在实际进行输配电开关状态检测的过程中,需要对于输配电开关的各个运行参数信息进行分析检测,以此来确定输配电开关的状态是否正常,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压。但是,由于所述输配电开关的各个运行参数不仅都在时间维度上具有着时序动态变化特征信息,这些参数的时序变化特征信息反映了所述输配电开关的状态时序变化情况,而且所述输配电开关的各个运行参数的时序动态变化特征间还具有着参数样本维度上的关联关系,这对于输配电开关的状态精准检测带来了困难。因此,为了能够提高对于输配电开关的状态检测的精准度,在本申请的技术方案中,难点在于如何充分地挖掘出所述输配电开关的各个运行参数信息在时间和样本上的动态关联特征分布信息,以提高所述输配电开关的状态时序变化特征的表达能力。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述输配电开关的各个运行参数信息在时间和样本上的动态关联特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压。接着,考虑到在各个预定时间点下,关于所述待检测输配电开关的各个运行参数之间具有着协同的关联关系,因此,为了能够提高所述各个预定时间点下关于所述待检测输配电开关的各个运行参数的协同关联特征的表达能力,在本申请的技术方案中,进一步将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器中进行编码,以在将所述各个运行参数信息进行嵌入编码来转换为同一维度的数据信息后,提取出所述各个预定时间点下关于所述待检测输配电开关的各个运行参数的基于全局的上下文协同关联特征,从而得到多个运行参数上下文语义理解特征向量。
然后,考虑到所述各个预定时间点下关于所述各个运行参数的基于全局的协同关联特征在时间维度上具有着时序的动态变化规律,并且,这种时序的动态变化规律在不同的运行参数样本维度和时间维度上都具有着不同的变化特征信息。因此,为了能够增强所述各个运行参数的时序协同关联特征的表达充分性,以对于所述待检测输配电开关的状态进行精准检测,在本申请的技术方案中,进一步将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构中进行处理,以得到分类特征图。特别地,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核,以此来提取出在不同参数样本维度和不同时间跨度下的多尺度运行参数时序协同关联特征分布信息。
进一步地,再将所述分类特征图通过分类器以得到用于表示所述待检测输配电开关的状态是否正常的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括所述待检测输配电开关的状态正常(第一标签),以及,所述待检测输配电开关的状态不正常(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。若分类标签为第一标签,则确定所述待检测输配电开关的状态正常,若分类标签为第二标签,则确定所述待检测输配电开关的状态不正常。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“待检测输配电开关的状态是否正常”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2 之和为一。因此,输配电开关的状态是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“待检测输配电开关的状态是否正常”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为所述待检测输配电开关的状态是否正常的检测判断标签,因此,在得到所述分类结果后,可基于所述分类结果来精准地进行输配电开关的状态检测,并在屏幕显示输配电开关的状态是否正常的结果信息。
特别地,在本申请的技术方案中,这里,对于所述分类特征图的沿通道维度排列的每个分类特征矩阵,由于其是通过融合使用具有不同空洞率的空洞卷积核的第一卷积神经网络模型和第二卷积神经网络模型分别得到的特征矩阵获得的,而所述第一卷积神经网络模型和第二卷积神经网络模型的具有不同空洞率的空洞卷积核会使得其获得的特征矩阵在特征空间分布上存在不对齐,这就导致融合后得到的所述分类特征矩阵内存在偏离整体特征分布的异常值,从而在通过分类器进行分类时影响模型的训练效果。
因此,在本申请的技术方案中,优选地首先将所述每个分类特征矩阵转换为分类对角矩阵,例如记为,再进行本征单位化的逐位位移关联匹配优化,表示为:
到/>是所述分类对角矩阵/>进行本征分解后得到的/>个本征值,/>为所述个本征值沿对角线排列所得到的本征单位化矩阵,其也为对角矩阵,/>为所述本征单位化矩阵/>与所述分类对角矩阵/>之间的距离。
也就是,通过基于所述分类对角矩阵的本征分解获得的所述本征单位化矩阵来对所述分类对角矩阵/>进行逐位位移关联,并以所述分类对角矩阵/>相对本征单位化空间内的投影距离来进行特征关联关系的匹配,就可以解决模型参数在反向传播时,由于所述分类对角矩阵/>的局部异常特征的关联性分布弱而导致的优化方向的不匹配问题,避免由所述分类特征矩阵组成的分类特征图的处于分类目标域边缘的特征值被失配地约束在相反的优化方向,导致训练效果变差。这样,能够精准地进行输配电开关的状态检测,以此来及时准确地进行输配电隔离开关的卡涩、锈蚀、压力等机械性能检测评估。
图1为根据本申请实施例的输配电开关状态检测方法的应用场景图。如图1所示,在该应用场景中,首先,获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息(例如,图1中所示意的D),其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压,然后,将所述各个预定时间点的运行参数信息输入至部署有输配电开关状态检测算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述输配电开关状态检测算法对所述各个预定时间点的运行参数信息进行处理以得到用于表示所述待检测输配电开关的状态是否正常的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的输配电开关状态检测方法的流程图。如图2所示,根据本申请实施例的输配电开关状态检测方法,包括步骤:S110,获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压;S120,将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量;S130,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;S140,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示所述待检测输配电开关的状态是否正常;以及,S150,在屏幕显示所述分类结果。
图3为根据本申请实施例的输配电开关状态检测方法的架构示意图。如图3所示,在该网络架构中,首先,获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压;接着,将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量;然后,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;接着,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示所述待检测输配电开关的状态是否正常;最后,在屏幕显示所述分类结果。
更具体地,在步骤S110中,获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压。在实际进行输配电开关状态检测的过程中,需要对于输配电开关的各个运行参数信息进行分析检测,以此来确定输配电开关的状态是否正常,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压。但是,由于所述输配电开关的各个运行参数不仅都在时间维度上具有着时序动态变化特征信息,这些参数的时序变化特征信息反映了所述输配电开关的状态时序变化情况,而且所述输配电开关的各个运行参数的时序动态变化特征间还具有着参数样本维度上的关联关系,这对于输配电开关的状态精准检测带来了困难。因此,在本申请的技术方案中,通过挖掘所述输配电开关的各个运行参数信息在时间和样本上的动态关联特征分布信息,以提高所述输配电开关的状态时序变化特征的表达能力,从而提高对于输配电开关的状态检测的精准度。
更具体地,在步骤S120中,将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量。考虑到在各个预定时间点下,关于所述待检测输配电开关的各个运行参数之间具有着协同的关联关系,因此,为了能够提高所述各个预定时间点下关于所述待检测输配电开关的各个运行参数的协同关联特征的表达能力,在本申请的技术方案中,进一步将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器中进行编码,以在将所述各个运行参数信息进行嵌入编码来转换为同一维度的数据信息后,提取出所述各个预定时间点下关于所述待检测输配电开关的各个运行参数的基于全局的上下文协同关联特征,从而得到多个运行参数上下文语义理解特征向量。
应可以理解,通过上下文编码器,可以分析向量表示序列中的某个分词与其他分词之间的关系,以得到相应的特征信息。上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式,可选地,编码器包括:CNN(Convolutional Neural Network,卷积神经网络)、Recursive NN(RecursiveNeural Network,递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果,但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳,因此基于Bi-LSTM(Long Short- Term Memory,长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理,从理论上而言具有更强的表示能力,但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点,因此在实际应用中使用 较少。Transformer是应用广泛的网络结构了,同时具有CNN和RNN的特性, 对于全局特征有较好的提取效果,同时相较于RNN(RecurrentNeuralNetwork, 循环神经网络)在并行计算上具有一定优势。
相应地,在一个具体示例中,如图4所示,将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量,包括:S121,对所述各个预定时间点的运行参数信息进行分词处理以将所述各个预定时间点的运行参数信息转化为由多个词组成的第一词序列;S122,使用所述包含嵌入层的参数上下文编码器的嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;以及,S123,使用所述包含嵌入层的参数上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述多个运行参数上下文语义理解特征向量。
相应地,在一个具体示例中,如图5所示,使用所述包含嵌入层的参数上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述多个运行参数上下文语义理解特征向量,包括:S1231,将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;S1232,计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;S1233,分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;S1234,将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及,S1235,分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述多个运行参数上下文语义理解特征向量。
更具体地,在步骤S130中,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核。考虑到所述各个预定时间点下关于所述各个运行参数的基于全局的协同关联特征在时间维度上具有着时序的动态变化规律,并且,这种时序的动态变化规律在不同的运行参数样本维度和时间维度上都具有着不同的变化特征信息。因此,为了能够增强所述各个运行参数的时序协同关联特征的表达充分性,以对于所述待检测输配电开关的状态进行精准检测,在本申请的技术方案中,进一步将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构中进行处理,以得到分类特征图。特别地,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核,以此来提取出在不同参数样本维度和不同时间跨度下的多尺度运行参数时序协同关联特征分布信息。
应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地,在一个具体示例中,如图6所示,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,包括:S131,使用所述双分支网络结构的第一卷积神经网络模型对所述二维特征矩阵进行二维卷积编码以得到第一分类特征矩阵,其中,所述第一卷积神经网络模型具有第一空洞率的第一空洞卷积核;S132,使用所述双分支网络结构的第二卷积神经网络模型对所述二维特征矩阵进行二维卷积编码以得到第二分类特征矩阵,其中,所述第二卷积神经网络模型具有第二空洞率的第二空洞卷积核,所述第一空洞率不同于所述第二空洞卷积核;以及,S133,融合所述第一分类特征矩阵和所述第二分类特征矩阵以得到所述分类特征图。
更具体地,在步骤S140中,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示所述待检测输配电开关的状态是否正常。也就是,在本申请的技术方案中,所述分类器的标签包括所述待检测输配电开关的状态正常(第一标签),以及,所述待检测输配电开关的状态不正常(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为所述待检测输配电开关的状态是否正常的检测判断标签,因此,在得到所述分类结果后,可基于所述分类结果来精准地进行输配电开关的状态检测,并在屏幕显示输配电开关的状态是否正常的结果信息。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
更具体地,在步骤S150中,在屏幕显示所述分类结果。
相应地,在一个具体示例中,所述的输配电开关状态检测方法,还包括对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练;其中,如图7所示,对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练,包括:S210,获取训练数据,所述训练数据包括待检测输配电开关在预定时间段内多个预定时间点的训练运行参数信息,以及,所述待检测输配电开关的状态是否正常的真实值;S220,将所述各个预定时间点的训练运行参数信息分别通过所述包含嵌入层的参数上下文编码器以得到多个训练运行参数上下文语义理解特征向量;S230,将所述多个训练运行参数上下文语义理解特征向量排列为训练二维特征矩阵后输入所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到训练分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;S240,对所述训练分类特征图进行特征分布优化以得到优化训练分类特征图;S250,将所述优化训练分类特征图通过所述分类器以得到分类损失函数值;以及,S260,基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练。
相应地,在一个具体示例中,如图8所示,对所述训练分类特征图进行特征分布优化以得到优化训练分类特征图,包括:S241,对所述训练分类特征图沿通道维度展开为多个分类特征矩阵;S242,将所述各个分类特征矩阵转换为分类对角矩阵以得到多个分类对角矩阵;S243,对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到多个优化分类对角矩阵;以及,S244,将所述多个优化分类对角矩阵进行维度重构以得到所述优化训练分类特征图。
特别地,在本申请的技术方案中,这里,对于所述分类特征图的沿通道维度排列的每个分类特征矩阵,由于其是通过融合使用具有不同空洞率的空洞卷积核的第一卷积神经网络模型和第二卷积神经网络模型分别得到的特征矩阵获得的,而所述第一卷积神经网络模型和第二卷积神经网络模型的具有不同空洞率的空洞卷积核会使得其获得的特征矩阵在特征空间分布上存在不对齐,这就导致融合后得到的所述分类特征矩阵内存在偏离整体特征分布的异常值,从而在通过分类器进行分类时影响模型的训练效果。因此,在本申请的技术方案中,优选地首先将所述每个分类特征矩阵转换为分类对角矩阵,再进行本征单位化的逐位位移关联匹配优化。
相应地,在一个具体示例中,对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到多个优化分类对角矩阵,包括:以如下强化公式对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到所述多个优化分类对角矩阵;其中,所述强化公式为:
其中,是所述各个分类对角矩阵,/>到/>是所述各个分类对角矩阵进行本征分解后得到的/>个本征值,/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵,且/>与/>都为对角矩阵,/>为所述本征单位化矩阵与所述各个分类对角矩阵之间的距离,/>表示矩阵乘法,/>表示矩阵加法,/>表示按位置点乘,/>为所述各个优化分类对角矩阵。
也就是,通过基于所述分类对角矩阵的本征分解获得的所述本征单位化矩阵来对所述分类对角矩阵进行逐位位移关联,并以所述分类对角矩阵相对本征单位化空间内的投影距离来进行特征关联关系的匹配,就可以解决模型参数在反向传播时,由于所述分类对角矩阵的局部异常特征的关联性分布弱而导致的优化方向的不匹配问题,避免由所述分类特征矩阵组成的分类特征图的处于分类目标域边缘的特征值被失配地约束在相反的优化方向,导致训练效果变差。这样,能够精准地进行输配电开关的状态检测,以此来及时准确地进行输配电隔离开关的卡涩、锈蚀、压力等机械性能检测评估。
相应地,在一个具体示例中,将所述优化训练分类特征图通过所述分类器以得到分类损失函数值,包括:所述分类器以如下分类公式对所述优化训练分类特征图进行处理以生成分类结果,其中,所述分类公式为:,其中/>表示将所述优化训练分类特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵;以及,计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
综上,基于本申请实施例的输配电开关状态检测方法,其首先将各个预定时间点的运行参数信息分别通过参数上下文编码器以得到多个运行参数上下文语义理解特征向量,接着,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入双分支网络结构以得到分类特征图,最后,将所述分类特征图通过分类器以得到用于表示所述待检测输配电开关的状态是否正常的分类结果,并在屏幕显示所述分类结果。这样,可以实现准确的输配电开关状态检测。
图9为根据本申请实施例的输配电开关状态检测系统100的框图。如图9所示,根据本申请实施例的输配电开关状态检测系统100,包括:数据获取模块110,用于获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压;参数上下文编码模块120,用于将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量;双分支卷积模块130,用于将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;分类模块140,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示所述待检测输配电开关的状态是否正常;以及,显示模块150,用于在屏幕显示所述分类结果。
在一个示例中,在上述输配电开关状态检测系统100中,如图10所示,所述参数上下文编码模块120,包括:分词单元121,用于对所述各个预定时间点的运行参数信息进行分词处理以将所述各个预定时间点的运行参数信息转化为由多个词组成的第一词序列;词嵌入单元122,用于使用所述包含嵌入层的参数上下文编码器的嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;以及,上下文语义编码单元123,用于使用所述包含嵌入层的参数上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述多个运行参数上下文语义理解特征向量。
在一个示例中,在上述输配电开关状态检测系统100中,所述上下文语义编码单元123,用于:将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及,分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述多个运行参数上下文语义理解特征向量。
在一个示例中,在上述输配电开关状态检测系统100中,所述双分支卷积模块,用于:使用所述双分支网络结构的第一卷积神经网络模型对所述二维特征矩阵进行二维卷积编码以得到第一分类特征矩阵,其中,所述第一卷积神经网络模型具有第一空洞率的第一空洞卷积核;使用所述双分支网络结构的第二卷积神经网络模型对所述二维特征矩阵进行二维卷积编码以得到第二分类特征矩阵,其中,所述第二卷积神经网络模型具有第二空洞率的第二空洞卷积核,所述第一空洞率不同于所述第二空洞卷积核;以及,融合所述第一分类特征矩阵和所述第二分类特征矩阵以得到所述分类特征图。
在一个示例中,在上述输配电开关状态检测系统100中,还包括对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练的训练模块;其中,所述训练模块,用于:获取训练数据,所述训练数据包括待检测输配电开关在预定时间段内多个预定时间点的训练运行参数信息,以及,所述待检测输配电开关的状态是否正常的真实值;将所述各个预定时间点的训练运行参数信息分别通过所述包含嵌入层的参数上下文编码器以得到多个训练运行参数上下文语义理解特征向量;将所述多个训练运行参数上下文语义理解特征向量排列为训练二维特征矩阵后输入所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到训练分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;对所述训练分类特征图进行特征分布优化以得到优化训练分类特征图;将所述优化训练分类特征图通过所述分类器以得到分类损失函数值;以及,基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练。
在一个示例中,在上述输配电开关状态检测系统100中,对所述训练分类特征图进行特征分布优化以得到优化训练分类特征图,包括:对所述训练分类特征图沿通道维度展开为多个分类特征矩阵;将所述各个分类特征矩阵转换为分类对角矩阵以得到多个分类对角矩阵;对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到多个优化分类对角矩阵;以及,将所述多个优化分类对角矩阵进行维度重构以得到所述优化训练分类特征图。
在一个示例中,在上述输配电开关状态检测系统100中,对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到多个优化分类对角矩阵,包括:以如下强化公式对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到所述多个优化分类对角矩阵;其中,所述强化公式为:
其中,是所述各个分类对角矩阵,/>到/>是所述各个分类对角矩阵进行本征分解后得到的/>个本征值,/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵,且/>与/>都为对角矩阵,/>为所述本征单位化矩阵与所述各个分类对角矩阵之间的距离,/>表示矩阵乘法,/>表示矩阵加法,/>表示按位置点乘,/>为所述各个优化分类对角矩阵。/>
在一个示例中,在上述输配电开关状态检测系统100中,将所述优化训练分类特征图通过所述分类器以得到分类损失函数值,包括:所述分类器以如下分类公式对所述优化训练分类特征图进行处理以生成分类结果,其中,所述分类公式为:,其中/>表示将所述优化训练分类特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵;以及,计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
这里,本领域技术人员可以理解,上述输配电开关状态检测系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图8的输配电开关状态检测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的输配电开关状态检测系统100可以实现在各种无线终端中,例如具有输配电开关状态检测算法的服务器等。在一个示例中,根据本申请实施例的输配电开关状态检测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该输配电开关状态检测系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该输配电开关状态检测系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该输配电开关状态检测系统100与该无线终端也可以是分立的设备,并且该输配电开关状态检测系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种输配电开关状态检测方法,其特征在于,包括:
获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压;
将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量;
将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示所述待检测输配电开关的状态是否正常;
以及,在屏幕显示所述分类结果。
2.根据权利要求1所述的输配电开关状态检测方法,其特征在于,将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量,包括:
对所述各个预定时间点的运行参数信息进行分词处理以将所述各个预定时间点的运行参数信息转化为由多个词组成的第一词序列;
使用所述包含嵌入层的参数上下文编码器的嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;
以及,使用所述包含嵌入层的参数上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述多个运行参数上下文语义理解特征向量。
3.根据权利要求2所述的输配电开关状态检测方法,其特征在于,使用所述包含嵌入层的参数上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述多个运行参数上下文语义理解特征向量,包括:
将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;
计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;
分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;
将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;
以及,分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述多个运行参数上下文语义理解特征向量。
4.根据权利要求3所述的输配电开关状态检测方法,其特征在于,将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,包括:
使用所述双分支网络结构的第一卷积神经网络模型对所述二维特征矩阵进行二维卷积编码以得到第一分类特征矩阵,其中,所述第一卷积神经网络模型具有第一空洞率的第一空洞卷积核;
使用所述双分支网络结构的第二卷积神经网络模型对所述二维特征矩阵进行二维卷积编码以得到第二分类特征矩阵,其中,所述第二卷积神经网络模型具有第二空洞率的第二空洞卷积核,所述第一空洞率不同于所述第二空洞卷积核;以及
融合所述第一分类特征矩阵和所述第二分类特征矩阵以得到所述分类特征图。
5.根据权利要求4所述的输配电开关状态检测方法,其特征在于,还包括对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练;
其中,对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练,包括:
获取训练数据,所述训练数据包括待检测输配电开关在预定时间段内多个预定时间点的训练运行参数信息,以及,所述待检测输配电开关的状态是否正常的真实值;
将所述各个预定时间点的训练运行参数信息分别通过所述包含嵌入层的参数上下文编码器以得到多个训练运行参数上下文语义理解特征向量;
将所述多个训练运行参数上下文语义理解特征向量排列为训练二维特征矩阵后输入所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到训练分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;
对所述训练分类特征图进行特征分布优化以得到优化训练分类特征图;
将所述优化训练分类特征图通过所述分类器以得到分类损失函数值;以及,基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含嵌入层的参数上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构和所述分类器进行训练。
6.根据权利要求5所述的输配电开关状态检测方法,其特征在于,对所述训练分类特征图进行特征分布优化以得到优化训练分类特征图,包括:
对所述训练分类特征图沿通道维度展开为多个分类特征矩阵;
将所述各个分类特征矩阵转换为分类对角矩阵以得到多个分类对角矩阵;
对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到多个优化分类对角矩阵;
以及,将所述多个优化分类对角矩阵进行维度重构以得到所述优化训练分类特征图。
7.根据权利要求6所述的输配电开关状态检测方法,其特征在于,对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到多个优化分类对角矩阵,包括:
以如下强化公式对所述多个分类对角矩阵进行本征单位化的逐位位移关联匹配优化以得到所述多个优化分类对角矩阵;
其中,所述强化公式为:
其中,是所述各个分类对角矩阵,/>到/>是所述各个分类对角矩阵进行本征分解后得到的/>个本征值,/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵,且/>与/>都为对角矩阵,/>为所述本征单位化矩阵与所述各个分类对角矩阵之间的距离,/>表示矩阵乘法,/>表示矩阵加法,/>表示按位置点乘,/>为所述各个优化分类对角矩阵。
8.根据权利要求7所述的输配电开关状态检测方法,其特征在于,将所述优化训练分类特征图通过所述分类器以得到分类损失函数值,包括:
所述分类器以如下分类公式对所述优化训练分类特征图进行处理以生成分类结果,其中,所述分类公式为:,其中/>表示将所述优化训练分类特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵;以及,计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
9.一种输配电开关状态检测系统,其特征在于,包括:
数据获取模块,用于获取待检测输配电开关在预定时间段内多个预定时间点的运行参数信息,其中,所述运行参数信息包括传动机构主轴的扭矩、电动机的输入功率、电动机的转动角度、电动机的触指触头压力、电动机的电流和电动机的电压;
参数上下文编码模块,用于将所述各个预定时间点的运行参数信息分别通过包含嵌入层的参数上下文编码器以得到多个运行参数上下文语义理解特征向量;
双分支卷积模块,用于将所述多个运行参数上下文语义理解特征向量排列为二维特征矩阵后输入包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到分类特征图,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;
分类模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示所述待检测输配电开关的状态是否正常;
以及,显示模块,用于在屏幕显示所述分类结果。
10.根据权利要求9所述的输配电开关状态检测系统,其特征在于,所述参数上下文编码模块,包括:
分词单元,用于对所述各个预定时间点的运行参数信息进行分词处理以将所述各个预定时间点的运行参数信息转化为由多个词组成的第一词序列;
词嵌入单元,用于使用所述包含嵌入层的参数上下文编码器的嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;
以及,上下文语义编码单元,用于使用所述包含嵌入层的参数上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述多个运行参数上下文语义理解特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438117.7A CN116482524A (zh) | 2023-04-23 | 2023-04-23 | 输配电开关状态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438117.7A CN116482524A (zh) | 2023-04-23 | 2023-04-23 | 输配电开关状态检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116482524A true CN116482524A (zh) | 2023-07-25 |
Family
ID=87222703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310438117.7A Pending CN116482524A (zh) | 2023-04-23 | 2023-04-23 | 输配电开关状态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482524A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034123A (zh) * | 2023-08-28 | 2023-11-10 | 定州市云领域体育用品有限公司 | 健身器材的故障监控系统及其方法 |
CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
-
2023
- 2023-04-23 CN CN202310438117.7A patent/CN116482524A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034123A (zh) * | 2023-08-28 | 2023-11-10 | 定州市云领域体育用品有限公司 | 健身器材的故障监控系统及其方法 |
CN117034123B (zh) * | 2023-08-28 | 2024-05-07 | 定州市云领域体育用品有限公司 | 健身器材的故障监控系统及其方法 |
CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
CN117590223B (zh) * | 2024-01-18 | 2024-04-30 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116010713A (zh) | 基于云计算的创新创业平台服务数据处理方法及系统 | |
CN116482524A (zh) | 输配电开关状态检测方法及系统 | |
CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN116204266A (zh) | 远程协助的信息创建运维系统及其方法 | |
CN116577677B (zh) | 退役动力电池的放电测试系统及其方法 | |
CN116824481B (zh) | 基于图像识别的变电站巡检方法及其系统 | |
CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
CN115131580B (zh) | 基于注意力机制的空间目标小样本识别方法 | |
CN116596556A (zh) | 肉牛追溯管理系统及方法 | |
Du et al. | Convolutional neural network-based data anomaly detection considering class imbalance with limited data | |
Su et al. | Clustering and recognition of spatiotemporal features through interpretable embedding of sequence to sequence recurrent neural networks | |
CN115146676A (zh) | 电路故障检测方法及其系统 | |
Liao et al. | Remaining useful life with self-attention assisted physics-informed neural network | |
CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
CN116563291B (zh) | 一种smt智能防错上料检测仪 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN116502899B (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
CN116624903A (zh) | 一种用于油烟管道的智能监测方法及系统 | |
CN116481791A (zh) | 钢结构连接稳定性监测系统及其方法 | |
CN116520154A (zh) | 锂电池极片检测的性能评估方法及其系统 | |
CN116298880A (zh) | 微电机可靠性综合测试系统及其方法 | |
CN116124448A (zh) | 用于风电齿轮箱的故障诊断系统及其方法 | |
CN112651467A (zh) | 卷积神经网络的训练方法和系统以及预测方法和系统 | |
CN117591813B (zh) | 基于多维特征的复杂装备故障诊断方法及系统 |
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 |