CN116596301A - 基于零次学习法的电缆多状态变量评估模型设计方法及装置 - Google Patents
基于零次学习法的电缆多状态变量评估模型设计方法及装置 Download PDFInfo
- Publication number
- CN116596301A CN116596301A CN202310457792.4A CN202310457792A CN116596301A CN 116596301 A CN116596301 A CN 116596301A CN 202310457792 A CN202310457792 A CN 202310457792A CN 116596301 A CN116596301 A CN 116596301A
- Authority
- CN
- China
- Prior art keywords
- cable
- data
- evaluation
- zero
- order learning
- 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 108
- 238000013210 evaluation model Methods 0.000 title claims abstract description 47
- 238000013461 design Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 230000008447 perception Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000009413 insulation Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004393 visual impairment Effects 0.000 description 2
- 102000010637 Aquaporins Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009422 external insulation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
本发明提出了基于零次学习法的电缆多状态变量评估模型设计方法及装置,获取电缆运行时电缆的感知数据源,所述感知数据源是能够反应电缆绝缘故障的状态参量;通过多源异构数据融合技术对所述感知数据源进行预处理,得到预处理的数据;将预处理的数据输入预设的基于零次学习的评估模型中,得到评估结果和推荐措施;根据评估结果和推荐措施进行处缺。通过零次学习法的评估模型训练,可以较为准确的将隐藏的风险识别出,提高子站系统对电缆监控决策数据的精度与可靠性。
Description
技术领域
本发明涉及电缆维护领域,具体为基于零次学习法的电缆多状态变量评估模型设计方法及装置。
背景技术
随着新型电力系统的加紧建设,电缆在运行的过程中会因本体及周围环境的影响而导致载流量的变化,严重者外层绝缘老化引起的火灾等事故,电缆因运行工况所带来的多元负荷快速波动、宽频扰动等不利因素对电缆绝缘加速老化、缺陷加速劣化等安全风险问题逐渐加深。
鉴于地下环境的复杂性及电缆绝缘因素多样性的特点,目前已核心部署的局放、环流、测温及环境类的感知装置采集的数据仅通过一般阈值特征识别法很难做到对在运电缆的实时状态做出准确评估。因为电源侧、网络侧、平台侧环境复杂,由于电缆发生故障的情况较少,导致这些已知的样本参量较少,电缆运行故障的起因却很多,从单一参量的阈值判定故障类型和程度的方法准确度逐渐降低。
此外,在不同的运行环境下,电缆运行特征会因多种因素的耦合影响产生新不可预知的衍生故障,需要考虑多变量间的衍生影响因子。现有的评估方法较为简单,比如通过拟合曲线判断故障的发生趋势方法,但对于新衍生的变化状态无法预测,导致无法及时挖掘发现电缆运行时潜在的多种风险,令工作人员无法及时地采取措施进行防范。
发明内容
为了解决上述问题,本发明提出了基于零次学习法的电缆多状态变量评估模型设计方法及装置,将零次学习法结合到电缆故障检测中,可以准确地识别出隐藏的电缆故障风险,同时也避免样本过少导致预测结果不准,提高了预测结果的准确度。
为了实现上述目的,本发明采用了如下技术方案:
本发明提出了基于零次学习法的电缆多状态变量评估模型设计方法,包括,
获取电缆运行时电缆的感知数据源,所述感知数据源是能够反应电缆绝缘故障的状态参量;
通过多源异构数据融合技术对所述感知数据源进行预处理,得到预处理的数据;
将预处理的数据输入预设的基于零次学习的评估模型中,得到评估结果和推荐措施;
根据评估结果和推荐措施进行处缺。
优选的,所述获取电缆运行时电缆的感知数据源,具体为,当电缆运行时,监测电缆本体及周围环境的状态得到电缆的感知数据源,所述感知数据源包括接头温度、运行温度、运行电流、接地电流和环境湿度。
优选的,所述通过多源异构数据融合技术对所述感知数据源进行预处理,具体包括,通过数据去重、数据校验、数据匹配和数据存储的过程对所述感知数据源的数据进行融合和分类,得到预处理的数据。
优选的,所述基于零次学习的评估模型构建过程中具体包括,
引入外部电缆知识库,所述外部电缆知识库为语义图的结构,构建电缆信息知识图谱;
基于电缆信息知识图谱进行零次学习的过程如下,通过深度卷积算法,识别并提取出所述预处理的数据的多层级特征,通过自适应调整多层级特征的权重得到状态变量,所述状态变量补充到电缆信息知识图谱中,所述状态变量进行零次学习得到状态变量中的隐向量特征空间和电缆信息知识图谱的语义空间之间的映射关系,根据映射关系交叉融合形成融合特征;
将所述融合特征输入预设的评估模型中,得到评估结果和推荐措施。
优选的,所述评估模型通过层次分类法将电缆线路状态的架构分为三个层级,第一层级为系统知识库和专家评价库,第二层级为常用项和备用项,第三层级为变量项;
所述系统知识库和专家评价库对每个所述融合特征进行评价得到交叉评价,所述交叉评价包括常态参量和衍生参量,所述常态参量补充到常用项中,所述衍生参量补充到备用项中,所述常态参量和衍生参量对应的值补充到变量项中。
优选的,所述评估模型中包括电缆寿命评估引擎、环境状态评估引擎和载流量分析评估引擎,通过所述计算引擎对融合特征进行处理,得到评估结果和推荐措施,所述评估结果是对电缆状态的评价,所述推荐措施是对评估结果进行判断和决策的建议。
优选的,所述自适应调整多层级特征的权重的过程具体为,
对电缆基本信息打分,得到各项评分,所述电缆基本信息包括运行年限和历史故障数;
根据各项评分对多层级特征的各项数据进行权重分配;
分配权重之后,对分配后的权重进行自适应调整,对于打分结果高的数据要增大权重,对于打分结果低的数据要减小权重。
本发明提出了基于零次学习法的电缆多状态变量评估模型设计装置,包括,
采集模块,获取电缆运行时电缆的感知数据源,所述感知数据源是能够反应电缆绝缘故障的状态参量;
预处理模块,通过多源异构数据融合技术对所述感知数据源进行预处理,得到预处理的数据;
评估模块,将预处理的数据进行输入预设的基于零次学习的评估模型中,得到评估结果和推荐措施;
工作模块,根据评估结果和推荐措施进行处缺。
一种电子设备,包括处理器和存储器,所述存储器中存储至少一个指令,执行所述存储器中存储的指令以实现所述的基于零次学习法的电缆多状态变量评估模型设计方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于零次学习法的电缆多状态变量评估模型设计方法。
与现有技术相比,本发明的有益效果在于:
本发明提出了基于零次学习法的电缆多状态变量评估模型设计方法,获取电缆运行时电缆的感知数据源,所述感知数据源是能够反应电缆绝缘故障的状态参量;通过多源异构数据融合技术对所述感知数据源进行预处理,得到预处理的数据;将预处理的数据输入预设的基于零次学习的评估模型中,得到评估结果和推荐措施;根据评估结果和推荐措施进行处缺。通过零次学习法的评估模型训练,可以较为准确的将隐藏的风险识别出,提高子站系统对电缆监控决策数据的精度与可靠性。
进一步的,在针对电缆故障少样本特性采用零次学习算法,将知识图谱与零次学习算法中类别的语义向量相结合,共同完成语义表示过程,实现不同类间的知识迁移,实现了跨数据模态下的关联特征识别,将隐藏的多种电缆绝缘故障因素提取出,降低电缆运行的安全风险指数。
进一步的,利用电缆监控采样的多种感知数据源,采用多源异构数据融合技术,对数据源进行分类,提高数据利用率和价值,将多个数据源的数据进行融合,可以得到更全面、准确、可靠、实用的信息和知识,从而提高数据利用率和预预测结果的准确性。
本发明提出了基于零次学习法的电缆多状态变量评估模型设计装置,提供电缆监控数据的三维数据评估,能够充分体现故障特征与评分关联性细节特征,实现电缆在线监测精准性检测效果。
附图说明
图1为本发明所公开的基于零次学习法的电缆多状态变量评估模型设计方法的流程图。
图2为本发明所公开的基于零次学习法的电缆多状态变量评估模型设计方法的评估模型架构图。
图3为本发明所公开的基于零次学习法的电缆多状态变量评估模型设计方法的基于知识图谱的零次学习法的示意图。
图4为本发明所公开的基于零次学习法的电缆多状态变量评估模型设计方法的自适应调整权重流程图。
图5为本发明所公开的基于零次学习法的电缆多状态变量评估模型设计装置的一个具体实施例的结构图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本发明中,“模块”、“装置”、“系统”等指应用于计算机的相关实体,如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说,例如,元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有,运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中,并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间,并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号,例如,来自一个与本地系统、分布式系统中另一元件交互的,和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”,不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明提出了基于零次学习法的电缆多状态变量评估模型设计方法,请参阅图1,包括,
获取电缆运行时电缆的感知数据源,所述感知数据源是能够反应电缆绝缘故障的状态参量;
通过多源异构数据融合技术对所述感知数据源进行预处理,得到预处理的数据;
将预处理的数据输入预设的基于零次学习的评估模型中,得到评估结果和推荐措施;
根据评估结果和推荐措施进行处缺。
综合利用电缆监控采样的多种感知数据源,采用多源异构数据融合技术,对感知数据源进行瘦身和分类,并采用基于零度学习法和知识图谱的评估方法提高子站系统对电缆监控决策数据的精度与可靠性。
在单一阈值的评判方法中,一般按照经验值判定,“浴盆曲线”基本符合高压电故障率发生的变化特征,电缆在刚开始运行时会因不适应特殊环境的干扰而导致线缆快速老化故障,出现电、热、磁效应的聚集型破坏,但随着适应性加强,电缆运行特征基本趋于平稳,当电缆运行年限过长,一般大于10年以上,又会因为运行年限的过载,故障特征积累性叠加,多种故障特征又会显现,出现了两端故障高、中间大部分期间故障低的图谱形状,犹如浴盆。体现与隐藏在“浴盆曲线”中的变量较多,均会导致曲线的上升。而单一阈值评判方法中电缆故障的原因较少,无法精细划分,在实际工况中对电缆故障的预测结果准确度不高。
而将零次学习法结合到电缆故障检测中,可以准确地识别出隐藏的电缆故障风险,同时也避免样本过少导致预测结果不准,提高了预测结果的准确度。
在本发明的具体实施例中,请参阅图1,所述获取的电缆运行时电缆的感知数据源,所述获取电缆运行时电缆的感知数据源,具体为,当电缆运行时,监测电缆本体及周围环境的状态得到电缆的感知数据源,所述感知数据源包括接头温度、运行温度、运行电流、接地电流和环境湿度。
通过采集电缆本体的数据和周围环境的数据,直接或者间接地反映电缆的运行状态,
在本发明的具体实施例中,请参阅图1,所述通过多源异构数据融合技术对所述感知数据源进行预处理,具体包括,通过数据去重、数据校验、数据匹配和数据存储的过程对所述感知数据源的数据进行融合和分类,得到预处理的数据。
不同感知数据源的数据质量可能存在差异,如格式不一致、精度不同、完整性不足、一致性不强等,需要进行数据清洗、校验和修复。不同感知数据源的数据可能存在重复、冗余、不完整等情况,需要进行数据集成和去重,保证数据的一致性和完整性。不同感知数据源的数据格式和类型可能不同,需要进行数据转化和映射,以便进行统一的数据分析和处理。
故而需要对感知数据源的数据进行融合,数据清洗和预处理是多源异构数据融合的基础和前提,它包括数据去重、数据校验、数据修复、数据转化等处理过程,以保证数据的质量和一致性。数据集成和整合是将多个感知数据源的数据进行整合和融合的过程,它包括数据匹配、数据映射、数据转换、数据合并等处理过程,以得到更全面、准确、可靠的数据。
提高数据利用率和价值,通过将多个感知数据源的数据进行融合,可以得到更全面、准确、可靠、实用的信息和知识,从而提高数据利用率和价值,促进数据驱动的创新和发展。
在本发明的具体实施例中,请参阅图3,所述基于零次学习的评估模型构建过程中具体包括,
引入外部电缆知识库,所述外部电缆知识库为语义图的结构,构建电缆信息知识图谱;
基于电缆信息知识图谱进行零次学习的过程如下,通过深度卷积算法,识别并提取出所述预处理的数据的多层级特征,通过自适应调整多层级特征的权重得到状态变量,所述状态变量补充到电缆信息知识图谱中,所述状态变量进行零次学习得到状态变量中的隐向量特征空间和电缆信息知识图谱的语义空间之间的映射关系,根据映射关系交叉融合形成融合特征;
将所述融合特征输入预设的评估模型中,得到评估结果和推荐措施。
针对电缆故障少样本特性,采用零次学习算法(Zero Shot Learning,ZSL),通过外部电缆知识库构建知识图谱,将其与零次学习中类别的语义向量相结合,共同完成语义表示过程,实现不同类间的知识迁移,解决深度学习需要足够多的样本才能训练出足够好的模型问题,同时具有通过推理,识别新类别的能力。
ZSL算法的基本原理是全面结合已有数据的属性、文本内容等多维知识信息,并结合经验库中的语义空间、视觉空间模型对齐,从而将训练集中的未知部分特征识别出来,将“未知”转变为“已知”的一个动态过程。具体原理如图4所示:
特征提取:输入分为语义特征与视觉特征,对于语义特征,一般可使用词语频率方法作为提取器来对目标文本进行特征提取;对于视觉特征,采用递归梯度学习模型实现局部的全连接训练提取目标图像的细粒度视觉特征;
知识交叉:针对语义特征实现层次结构分类,划分为科-属-种常规性三层级;针对视觉特征采用正则化逼近原理,将视觉损失过滤掉,与语义特征细颗粒度属性逼近,从而形成新的生成器;
测试:依据新的生成器条件,基于零次学习模型的映射关系,视觉特征映射,实现目标结果的类别匹配性测试,直到达到可控的目标值范围。
基于ZSL模型原理,应用到电缆监测评估模型中,提升评估模型的灵活判别能力和评估的精准性能,实现了跨数据模态下的关联特征识别,将隐藏的多种电缆绝缘故障因素提取出,降低电缆运行的安全风险指数。本文设计的实际方案采用采用目前技术成熟的深度卷积算法作为ZSL模型的基础,实现电缆相关变量的多层级特征提取,此外以语义图形式引入电缆知识内容,建立已知类别和未知类别间的关联,借助神经网络实现知识迁移,为每个类别学得更好的特征表示,
借鉴ZSL算法的优势建立基于语义图的形式建立类别间的语义关联,将已知类别中蕴含的知识迁移至未知类别,应用深度学习及神经网络等方法进行知识迁移与重构,以较小代价为实现电缆隐藏状态量的识别,利用损失函数提升关联性逼近度,能够有效维持原始语义空间中的还原性,最终利用仿真试验初步验证了模型的功能效果。
在本发明的具体实施例中,请参阅图2,所述评估模型通过层次分类法将电缆线路状态的架构分为三个层级,第一层级为系统知识库和专家评价库,第二层级为常用项和备用项,第三层级为变量项;
所述系统知识库和专家评价库对每个所述融合特征进行评价得到交叉评价,所述交叉评价包括常态参量和衍生参量,所述常态参量补充到常用项中,所述衍生参量补充到备用项中,所述常态参量和衍生参量对应的值补充到变量项中。
将高压电缆线路状态评估划分为了多个层级,第一层级主要为两类:系统知识库和现场专家评价库,模型第二级划分为常用项和备用项,常用项的划分比较细,例如按照电缆设施划分为电缆本体与附件,按照核心变量划分可分为安装、通道、水位、护套等;不同的划分方法下有多重并行变量相互作用影响;第三级为具体的变量项。系统知识库与专家评价会相互作用,产生交叉影响结果,常态参量部分在常用项中体现,衍生部分在备用项中体现,并可以不断扩充;每一个参量会根据运行年限、负荷水平、历史故障数等基础信息设计权重值,反应了每条线路的环境特征。零次学习法评估模型可以将常用项与备用项下属的变量类型更加完备。
在本发明的具体实施例中,请参阅图1,所述评估模型中包括电缆寿命评估引擎、环境状态评估引擎和载流量分析评估引擎,通过所述计算引擎对融合特征进行处理,得到评估结果和推荐措施,所述评估结果是对电缆状态的评价,所述推荐措施是对评估结果进行判断和决策的建议。
在本发明的具体实施例中,请参阅图4,所述自适应调整多层级特征的权重的过程具体为,
对电缆基本信息打分,得到各项评分,所述电缆基本信息包括运行年限和历史故障数;
根据各项评分对多层级特征的各项数据进行权重分配;
分配权重之后,对分配后的权重进行自适应调整,对于打分结果高的数据要增大权重,对于打分结果低的数据要减小权重。
为了使模型越来越准确,评估增加反馈机制,根据实际情况自适应调整各项指标的权重。当电缆击穿或因故障原因离线时,各项指标对于该次故障的影响程度不同,对于影响程度大的指标应增大其权重,对于影响程度小的指标应减小其权重。因此取电缆击穿或故障前一时刻的各项数据,分别计算得分,对于其影响最小项(即评分最低项),减小其5%的权重值(不小于0);对于其影响最大项(即评分最高项),增大其相应数值的权重值(不大于1)。权重自适应修改完成后,保存每一次更新的权重。经过多次自适应修改权重后,该模型将更加切合现场实际数据情况,模型准确度提升。
本发明提出基于零次学习法的电缆多状态变量评估模型设计装置,请参阅图5,
采集模块,获取电缆运行时电缆的感知数据源,所述感知数据源是能够反应电缆绝缘故障的状态参量;
预处理模块,通过多源异构数据融合技术对所述感知数据源进行预处理,得到预处理的数据;
评估模块,将预处理的数据进行输入预设的基于零次学习的评估模型中,得到评估结果和推荐措施;
工作模块,根据评估结果和推荐措施进行处缺。
本发明设计的基于零次学习法的电缆多状态变量评估模型设计装置依托具体场景构建的业务平台,在数据库及各种业务中台的基础上,提供电缆监控数据的三维数据评估与仿真服务,实现电缆在线监测精准性检测效果,
电缆在线监测及评估软件是集成在高压电缆精益化管理平台上,属于管控平台最核心的实现功能,可通过数据接口对接实现服务的嵌套应用。
采集模块和预处理模块属于数据层,数据层中部署了电缆监测相关的多源异构数据及融合引擎、存储融合数据、训练样本数据、模型数据、三维模型数据、数字孪生数据等;
评估模块属于计算层,计算层部署电缆寿命评估引擎、环境状态评估引擎、载流量分析评估引擎等多种计算训练模块;
工作模块属于展示层,展示层部署数字多维展示模块,实现人机交互的友好界面。电缆班组可根据不同的需求查看不同场景下实时监控数据,快速掌握现场电缆运行情况。
主站显示所管辖电缆通道内各类终端监测装置的实时环境及状态,动态数据变化,具备并行批量模拟量处理、非结构化数据、离线数据处理、异构多源数据处理、模型训练、计算及数理统计等处理功能,可提供事件顺序记录、周期采样、变化存储等数据记录存储功能。在数字孪生平台上增加系统电缆健康状态评估算法组件,增加电缆温度、载流等参量状态判断与决策的能力,真正体现出电缆在线监测系统的应用价值。
本发明提出一种电子设备,包括处理器和存储器,所述存储器中存储至少一个指令,执行所述存储器中存储的指令以实现所述的基于零次学习法的电缆多状态变量评估模型设计方法。
本发明提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于零次学习法的电缆多状态变量评估模型设计方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于零次学习法的电缆多状态变量评估模型设计方法,其特征在于,包括,
获取电缆运行时电缆的感知数据源,所述感知数据源是能够反应电缆绝缘故障的状态参量;
通过多源异构数据融合技术对所述感知数据源进行预处理,得到预处理的数据;
将预处理的数据输入预设的基于零次学习的评估模型中,得到评估结果和推荐措施;
根据评估结果和推荐措施进行处缺。
2.根据权利要求1所述的基于零次学习法的电缆多状态变量评估模型设计方法,其特征在于,所述获取电缆运行时电缆的感知数据源,具体为,当电缆运行时,监测电缆本体及周围环境的状态得到电缆的感知数据源,所述感知数据源包括接头温度、运行温度、运行电流、接地电流和环境湿度。
3.根据权利要求1所述的基于零次学习法的电缆多状态变量评估模型设计方法,其特征在于,所述通过多源异构数据融合技术对所述感知数据源进行预处理,具体包括,通过数据去重、数据校验、数据匹配和数据存储的过程对所述感知数据源的数据进行融合和分类,得到预处理的数据。
4.根据权利要求1所述的基于零次学习法的电缆多状态变量评估模型设计方法,其特征在于,所述基于零次学习的评估模型构建过程中具体包括,
引入外部电缆知识库,所述外部电缆知识库为语义图的结构,构建电缆信息知识图谱;
基于电缆信息知识图谱进行零次学习的过程如下,通过深度卷积算法,识别并提取出所述预处理的数据的多层级特征,通过自适应调整多层级特征的权重得到状态变量,所述状态变量补充到电缆信息知识图谱中,所述状态变量进行零次学习得到状态变量中的隐向量特征空间和电缆信息知识图谱的语义空间之间的映射关系,根据映射关系交叉融合形成融合特征;
将所述融合特征输入预设的评估模型中,得到评估结果和推荐措施。
5.根据权利要求4所述的基于零次学习法的电缆多状态变量评估模型设计方法,其特征在于,所述评估模型通过层次分类法将电缆线路状态的架构分为三个层级,第一层级为系统知识库和专家评价库,第二层级为常用项和备用项,第三层级为变量项;
所述系统知识库和专家评价库对每个所述融合特征进行评价得到交叉评价,所述交叉评价包括常态参量和衍生参量,所述常态参量补充到常用项中,所述衍生参量补充到备用项中,所述常态参量和衍生参量对应的值补充到变量项中。
6.根据权利要求4所述的基于零次学习法的电缆多状态变量评估模型设计方法,其特征在于,所述评估模型中包括电缆寿命评估引擎、环境状态评估引擎和载流量分析评估引擎,通过所述计算引擎对融合特征进行处理,得到评估结果和推荐措施,所述评估结果是对电缆状态的评价,所述推荐措施是对评估结果进行判断和决策的建议。
7.根据权利要求4所述的基于零次学习法的电缆多状态变量评估模型设计方法,其特征在于,所述自适应调整多层级特征的权重的过程具体为,
对电缆基本信息打分,得到各项评分,所述电缆基本信息包括运行年限和历史故障数;
根据各项评分对多层级特征的各项数据进行权重分配;
分配权重之后,对分配后的权重进行自适应调整,对于打分结果高的数据要增大权重,对于打分结果低的数据要减小权重。
8.基于零次学习法的电缆多状态变量评估模型设计装置,其特征在于,包括,
采集模块,获取电缆运行时电缆的感知数据源,所述感知数据源是能够反应电缆绝缘故障的状态参量;
预处理模块,通过多源异构数据融合技术对所述感知数据源进行预处理,得到预处理的数据;
评估模块,将预处理的数据进行输入预设的基于零次学习的评估模型中,得到评估结果和推荐措施;
工作模块,根据评估结果和推荐措施进行处缺。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储至少一个指令,执行所述存储器中存储的指令以实现如权利要求1所述的基于零次学习法的电缆多状态变量评估模型设计方法。
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1所述的基于零次学习法的电缆多状态变量评估模型设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457792.4A CN116596301A (zh) | 2023-04-25 | 2023-04-25 | 基于零次学习法的电缆多状态变量评估模型设计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457792.4A CN116596301A (zh) | 2023-04-25 | 2023-04-25 | 基于零次学习法的电缆多状态变量评估模型设计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596301A true CN116596301A (zh) | 2023-08-15 |
Family
ID=87589068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310457792.4A Pending CN116596301A (zh) | 2023-04-25 | 2023-04-25 | 基于零次学习法的电缆多状态变量评估模型设计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596301A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757103A (zh) * | 2023-08-23 | 2023-09-15 | 甘肃送变电工程有限公司 | 基于张力可视化的放线施工控制方法及系统 |
-
2023
- 2023-04-25 CN CN202310457792.4A patent/CN116596301A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757103A (zh) * | 2023-08-23 | 2023-09-15 | 甘肃送变电工程有限公司 | 基于张力可视化的放线施工控制方法及系统 |
CN116757103B (zh) * | 2023-08-23 | 2024-01-05 | 甘肃送变电工程有限公司 | 基于张力可视化的放线施工控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN108564254B (zh) | 基于大数据的配电设备状态可视化平台 | |
CN110110870B (zh) | 一种基于事件图谱技术的设备故障智能监控方法 | |
CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN105868770B (zh) | 一种基于非监督学习模型的高压断路器故障诊断方法 | |
Chang et al. | Decision tree rules for insulation condition assessment of pre-molded power cable joints with artificial defects | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN116596301A (zh) | 基于零次学习法的电缆多状态变量评估模型设计方法及装置 | |
CN106682159A (zh) | 一种阈值配置方法 | |
CN111931849A (zh) | 一种水电机组运行数据趋势预警方法 | |
CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
McGrail et al. | Data mining techniques to assess the condition of high voltage electrical plant | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN115169704A (zh) | 基于增量集成学习模型的cvt误差状态预测方法和装置 | |
CN114117072A (zh) | 一种基于知识图谱的设备家族缺陷检修预判的方法 | |
CN116614177A (zh) | 一种光纤状态多维度参量监测系统 | |
Pan et al. | Assessment of MV XLPE cable aging state based on PSO-XGBoost algorithm | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
Sun et al. | A data-driven framework for tunnel infrastructure maintenance | |
Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
CN113640596A (zh) | 换流变压器异常检测方法、装置、计算机设备和存储介质 | |
Lu et al. | Low voltage series arc fault identification method based on VMD and RVFL neural network |
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 |