CN116680624B - 一种电力系统元数据的分类方法、系统及存储介质 - Google Patents
一种电力系统元数据的分类方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116680624B CN116680624B CN202310969028.5A CN202310969028A CN116680624B CN 116680624 B CN116680624 B CN 116680624B CN 202310969028 A CN202310969028 A CN 202310969028A CN 116680624 B CN116680624 B CN 116680624B
- Authority
- CN
- China
- Prior art keywords
- metadata
- classification
- image
- text
- audio
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000013145 classification model Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种电力系统元数据的分类方法、系统及存储介质,涉及电力信息技术领域,电力系统元数据的分类方法包括:获取电力系统的图像元数据、音频元数据以及文本元数据;通过训练好的图卷积神经网络模型处理图像元数据,生成图像分类结果;通过训练好的GRU模型处理音频元数据,生成音频分类结果;通过训练好的LSTM模型处理文本元数据,生成文本分类结果;通过自然语言算法提取图像分类结果、音频分类结果以及文本分类结果中的分类标签;根据分类标签,获取与分类标签对应的图像数据、音频数据以及文本数据;整理分类标签和与分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果。通过上述方法,可以提高分类的准确率。
Description
技术领域
本发明涉及电力信息技术领域,具体而言,涉及一种电力系统元数据的分类方法、系统及存储介质。
背景技术
电力系统是现代社会不可或缺的基础设施,随着社会进步和科技发展,电力系统也在不断演进和改进,以满足人们对电力的需求。电力系统如今已完成了从直流系统到交流系统,再到高压输电和融入可再生能源的发展过程,正向着智能电力系统挺进,而发展智能电力系统最为基础且关键的一步就是需要对电力系统中的所有元数据进行分类。
在现有技术中,大多采用单一的神经网络模型对电力系统元数据进行分类,但是,由于电力系统过于庞大,其牵扯的数据量多到难以想象,且涵盖了多个方面多种类型的数据,单一的神经网络模型难以同时处理大量的不同种类的数据,导致电力系统元数据分类结果的准确率低。
发明内容
本发明解决的问题是电力系统元数据分类结果的准确率低。
为解决上述问题,第一方面,本发明提供一种电力系统元数据的分类方法,包括:
获取电力系统的图像元数据、音频元数据以及文本元数据;
通过训练好的图卷积神经网络模型处理所述图像元数据,生成图像分类结果;
通过训练好的GRU模型处理所述音频元数据,生成音频分类结果;
通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果;
通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签;
根据所述分类标签,获取与所述分类标签对应的图像数据、音频数据以及文本数据;
整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果。
可选地,所述整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果,包括:
根据所述分类标签,获取所述电力系统的运行状态,并生成状态重要度;
获取所述运行状态的时间维度,根据所述时间维度,生成时间重要度;
将所述状态重要度和所述时间重要度输入到排序公式中,生成所述分类标签的排序数值,所述排序公式如下所示:
L=α*x+β*y;
其中,L为所述排序数值,α为状态权重,x为所述状态重要度,β为时间权重,y为所述时间重要度;
根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成所述元数据分类结果。
可选地,在所述根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成所述元数据分类结果之后,还包括:
获取所述排序数值大于预设阈值的特殊分类标签;
根据所述特殊分类标签及其对应的图像数据、音频数据以及文本数据,生成电力系统异常报告。
可选地,所述通过训练好的图卷积神经网络模型处理所述图像元数据,生成图像分类结果,包括:
预处理所述图像元数据,生成标准图像元数据;
通过所述图卷积神经网络模型的编码器提取所述标准图像元数据的图像特征并生成邻接矩阵;
所述图卷积神经网络模型的图卷积层根据所述邻接矩阵处理所述图像特征,生成图像编码信息;
通过所述图卷积神经网络模型的解码器解译所述图像编码信息,生成所述图像分类结果;
其中,所述编码器包括一组或多组空洞卷积金字塔和与所述空洞卷积金字塔对应连接的池化层,各组所述空洞卷积金字塔和所述池化层依次连接,且最后一个所述池化层的输出端与所述图卷积层的输入端连接;
所述空洞卷积金字塔用于提取所述标准图像元数据的多尺度特征,并将所述多尺度特征传输至相连的下一个所述池化层;
所述池化层用于将所述多尺度特征降维,生成所述图像特征;
所述编码器还包括一组3*3卷积层、BN层以及ReLU层,用于根据所述图像特征生成所述邻接矩阵。
可选地,所述预处理所述图像元数据,生成标准图像元数据,包括:
采用OpenCV对所述图像元数据进行清洗和图像增强,生成优化图像数据;
采用高斯滤波技术处理所述优化图像数据,生成低噪图像数据;
采用边缘检测技术分割所述低噪图像数据,生成所述标准图像元数据。
可选地,所述通过训练好的GRU模型处理所述音频元数据,生成音频分类结果,包括:
预处理所述音频元数据,生成标准音频元数据;
通过短时傅里叶变换提取所述标准音频元数据的频域特征;
将所述频域特征输入到所述GRU模型的更新门和重置门,生成更新门向量和重置门向量;
所述GRU模型的记忆单元根据所述更新门向量和所述重置门向量生成所述音频分类结果。
可选地,所述通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果,包括:
预处理所述文本元数据,生成标准文本元数据;
通过词嵌入技术将所述标准文本元数据转换为标准文本向量;
通过所述LSTM模型的遗忘门处理所述标准文本向量,生成遗忘因子,并获取上一时刻细胞状态;
通过所述LSTM模型的记忆门处理所述标准文本向量,得到记忆数据和临时细胞状态;
将所述遗忘因子、所述上一时刻细胞状态、所述记忆数据和所述临时细胞状态输入到整合公式中,生成所述文本分类结果。
可选地,在所述整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果之后,还包括:
获取所述电力系统的历史分类结果;
将所述历史分类结果和所述元数据分类结果输入到混淆矩阵中,生成分类误差报告。
第二方面,本发明提供一种电力系统元数据的分类系统,包括:
获取模块,用于获取电力系统的图像元数据、音频元数据以及文本元数据;
图像分类模块,用于通过训练好的图卷积神经网络模型处理所述图像元数据,生成图像分类结果;
音频分类模块,用于通过训练好的GRU模型处理所述音频元数据,生成音频分类结果;
文本分类模块,用于通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果;
标签提取模块,用于通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签;
数据获取模块,用于根据所述分类标签,获取与所述分类标签对应的图像数据、音频数据以及文本数据;
元数据分类模块,用于整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果。
第三方面,本发明提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的电力系统元数据的分类方法。
本发明的一种电力系统元数据的分类方法、系统及存储介质的有益效果是:
采用训练好的图卷积神经网络模型处理电力系统元数据中的图像元数据,可以更好地捕捉图像元数据中的结构信息,并考虑每个节点的邻居节点信息,使得每个节点能够获取更全局的上下文信息,从而输出更有效的特征表示,提高了图像分类结果的准确性和可解释性,此外,通过训练好的图卷积神经网络模型还可以处理具有复杂拓扑结构的图像元数据,轻松应对电力系统中复杂多变的图像元数据,更好地完成电力系统图像元数据的分类任务;因为音频元数据相较于其他两种元数据是有时间序列的,包含了随时间变化的序号,所以采用训练好的GRU模型处理音频元数据,能够有效地捕捉到音频元数据中的时序关系,动态处理不同长度的音频片段,能够适应电力系统元数据中音频元数据的多样性,还能够存储并利用之前处理过的音频片段,更好地捕捉到不同时刻音频元数据的特征,提高音频分类结果的准确性;采用训练好的LSTM模型处理电力系统中数据量最大的文本元数据,可以有效减少因数据量过大造成的过拟合问题,训练好的LSTM模型还能够利用长期依赖关系和上下文信息来建模文本特征,适应不规则的语言结构,从而更好地捕捉到文本数据的语义和语境信息,更好地理解文本数据的含义,并提供更精确的文本分类结果;针对电力系统中不同元数据的特点,选择对应的分类模型,可以更好地适应不同元数据的特征,提高分类精度,根据得到的高精度的图像分类结果、音频分类结果以及文本分类结果,并采用自然语言算法将图像分类结果、音频分类结果以及文本分类结果中的分类标签提取出来,依据分类标签,整理融合图像分类结果、音频分类结果以及文本分类结果中与分类标签对应的图像数据、音频数据以及文本数据,不仅可以生成准确的元数据分类结果,还使元数据分类结果同时具有图像、音频和文本的特征,丰富了分类结果的表达形式,提高了电力系统元数据的分类精度,解决电力系统元数据分类结果的准确率低问题,此外,针对电力系统中不同元数据的特点,选择对应的分类模型,还可以减少分类模型因元数据庞杂造成过拟合问题导致的分类失败的风险,降低分类难度,加快分类效率。
附图说明
图1为本发明实施例的一种电力系统元数据的分类方法的流程示意图;
图2为本发明实施例的一种电力系统元数据的分类系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”;术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
如图1所示,本发明提供一种电力系统元数据的分类方法,包括:
步骤S1,获取电力系统的图像元数据、音频元数据以及文本元数据;
具体地,因为电力系统元数据具有庞杂、多维度和高度关联等特性,所以根据电力系统数据的格式,将其分为三类,即图像元数据、音频元数据以及文本元数据,通过不同的分类模型对三类元数据进行分类。构建分布式存储系统,将图像元数据、音频元数据以及文本元数据存储到分布式存储系统中,并设置分布式存储系统的中间件Kafka,Kafka采用集群分布式模式,支持存入到分布式存储系统的数据根据TOPIC分区存储查询,便于后期各个分类模型调用图像元数据、音频元数据以及文本元数据。
示例性地,图像元数据包括:电力设备图像,例如包括发电机、变压器、开关设备、电缆等电力系统中的各种设备的图像;电力线路图像,例如输电线路、配电线路等电力系统中的线路的图像;电力设备安装图像,例如电力设备在现场安装的图像;电力设备缺陷图像,例如电力设备的缺陷、损坏或故障的图像;环境监测图像,即电力系统周围环境的图像,如天气、植被、动物等;热成像图像,例如使用红外热像仪拍摄的电力设备的热成像图像。
音频元数据包括:电力设备运行声音,例如发电机、变压器、开关设备、电缆等电力系统中的各种设备在运行过程中产生的声音;电力设备故障声音,例如电力设备在发生故障或损坏时产生的声音;环境声音,例如电力系统周围环境的声音,如风声、动物声等;声波传感器数据,例如通过声波传感器采集到的声音信号。
文本元数据包括:设备参数和规格,例如电力设备的型号、功率、额定电压、额定电流、额定频率等参数信息,以及设备的安装、运行和维护规格等;运行日志和事件记录,例如电力系统设备的运行日志和事件记录,如设备的开关操作记录、故障报警记录、维护记录等;故障报告和维修记录,例如电力设备发生故障时的报告和维修记录,记录了故障的性质、原因、修复过程和维修结果等信息;监测数据和测量结果,例如电力系统各个节点的电压、电流、功率、频率等监测数据,以及各种测量仪器的测量结果;技术规范和标准,例如电力系统的设计、建设和运行的技术规范和标准,如电力系统的保护规范、接地规范、绝缘规范等。
步骤S2,通过训练好的图卷积神经网络模型处理所述图像元数据,生成图像分类结果;
具体地,将图像元数据输入到训练好的图卷积神经网络模型中进行分类任务,训练好的图卷积神经网络模型依据分类标签对图像元数据进行分类,生成的图像分类结果包括各个分类标签和所有与分类标签对应的图像元数据,便于后期融合图像分类结果为元数据分类结果。训练好的图卷积神经网络模型可以捕捉图像元数据的结构信息和全局上下文,构建图像元数据之间的全局依赖关系,通过图卷积操作将邻居节点的信息进行聚合和传递,使得图像之间的相似性得到更好的建模和体现,可以大大提高图像分类结果的准确性此外,训练好的图卷积神经网络模型还能够适应不同拓扑结构的图像数据,具有极强的高鲁棒性和泛化能力,尤其对于存在复杂关联的图像数据有着明显的优势,可以应对复杂多变的电力系统的图像元数据,大大地提高了图像分类结果的可靠性。
步骤S3,通过训练好的GRU模型处理所述音频元数据,生成音频分类结果;
具体地,GRU模型是循环神经网络的变体,在循环神经网络的基础上进行改进, 增加了重置门和更新门,相对于其他的循环神经网络的变体,GRU模型具有更少的计算参数,所以GRU模型的计算步骤少,效率高,适合中等长度音频元数据分类任务。通过训练好的GRU模型的更新门、重置门和记忆单元,训练好的GRU模型能够在时间序列数据中捕捉到长期依赖关系,并将输入特征的向量信息传递到记忆状态中,依据分类标签,将最后一个时间步的记忆状态做为最终的分类结果,最终的分类结果通过训练好的GRU模型的全连接层进行解译,生成音频分类结果。
步骤S4,通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果;
具体地,因为电力系统的元数据大多数为文本元数据,其数量大,种类多,所以需要分类模型具有较强的鲁棒性和泛化能力,又因为文本元数据之间存在时序关系和线性关系,所以选择LSTM模型依据分类标签对文本元数据进行分类,LSTM模型是循环神经网络的变体,具有较强的时序关系和线性关系处理能力,其引入了输入门、遗忘门、输出门和记忆门的门控机制,实现了对数据流动和记忆更新的灵活控制,提高了鲁棒性和泛化能力。训练好的LSTM模型中的记忆单元允许模型存储和检索过去的信息,从而能够更好地理解文本元数据中的上下文关系,且通过输入门、遗忘门、输出门和记忆门,可以有效地处理长期依赖关系,从而更好地捕捉到文本中的相关信息,提高文本分类结果的准确性。
示例性地,分类标签可以根据任务需求、实际情况和数据特点进行定义和扩展,例如功率状态标签、电力负荷标签、电力质量标签以及电力设备状态标签等等,此外,功率状态标签还可以细分为功率正常子标签、功率故障状态子标签以及功率断开子标签;电力负荷标签还可以细分为低负荷子标签、中负荷子标签以及高负荷子标签;电力质量标签还可以细分为高质量子标签、中质量子标签以及低质量子标签;电力设备状态标签还可以细分为设备正常子标签、设备异常子标签以及设备故障子标签。此外,因为电力系统元数据具有多维度特性,所以分类标签中还包含时间维度,用于显示各个分类标签的时间,可提高分类标签的辨识度。通过设置分类标签,生成的分类结果可以对电力系统进行状态监测、故障诊断和负荷预测等任务,以提高电力系统的稳定性和可靠性,为发展智能电网提供坚实的基础。
步骤S5,通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签;
具体地,因为图像分类结果、音频分类结果以及文本分类结果是根据分类标签生成的,所以图像分类结果、音频分类结果以及文本分类结果中会有相同的分类标签,只需通过自然语言算法提取出每个相同分类标签和与分类标签对应的图像数据、音频数据以及文本数据,并整理各个标签及其对应的图像数据、音频数据以及文本数据,即可生成元数据分类结果。
可选地,在所述通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果之后,在所述通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签之前,还包括:
将所述图像分类结果、所述音频分类结果以及所述文本分类结果存储到分布式存储系统。
具体地,分布式存储系统可优选Hadoop架构下的HDFS文件系统,其可通过分布式集群统一管理存储的数据。图像分类结果、音频分类结果以及文本分类结果包含多个分类标签和与分类标签对应的一个或多个图像数据、音频数据以及文本数据。
步骤S6,根据所述分类标签,获取与所述分类标签对应的图像数据、音频数据以及文本数据;
具体地,经过训练好的图卷积神经网络模型、训练好的GRU模型以及训练好的LSTM模型对图像元数据、音频元数据以及文本元数据进行分类后,得到了对应的分类标签,但是,为了使最终的元数据分类结果更加直观丰富,需要在元数据分类结果中体现分类标签对应的图像数据、音频数据以及文本数据,这样可以同时了解分类结果及在该分类结果下的原始数据。
步骤S7,整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果。
具体地,得到图像分类结果、音频分类结果以及文本分类结果之后,需要整合图像分类结果、音频分类结果以及文本分类结果,根据各个分类结果中的分类标签,将相同分类标签对应的图像分类结果、音频分类结果以及文本分类结果提取出来,整理得到的元数据分类结果包含图像、音频以及文本。得到元数据分类结果后,将元数据分类结果存储到分布式存储系统中,并根据分类标签,将分类标签对应的图像数据、音频数据以及文本数据存储到不同的TOPIC分区中,便于查询,随时获得电力系统的元数据分类结果,并根据电力系统的元数据分类结果进行相应的策略规划。
示例性地,可预设排序规则整理图像分类结果、音频分类结果以及文本分类结果,排序规则可根据实际情况预先设置,例如,按照分类标签表达的功能排序、按照分类标签表达的数据类型排序、按照分类标签表达的时间排序、按照分类标签表达的地理位置排序、按照分类标签表达的业务流程排序等等;
因为由训练好的图卷积神经网络模型、GRU模型以及LSTM模型处理得到的图像分类结果、音频分类结果以及文本分类结果准确性和可靠性高,所以最终的文本分类结果的准确性和可靠性同样很高。
值得说明的是,当某个分类标签对应的数据为图像分类结果、音频分类结果以及文本分类结果中的一种或几种组合时,最终整理的元数据分类结果中该分类标签对应的数据仅包括图像分类结果、音频分类结果以及文本分类结果中的一种或几种组合;若某个分类标签对应的数据没有图像分类结果、音频分类结果以及文本分类结果中的一种或几种,则最终整理的元数据分类结果中该分类标签对应的数据不显示没有的图像分类结果、音频分类结果以及文本分类结果中的一种或几种。
针对电力系统中不同元数据的特点,选择对应的分类模型,不仅可以更好地适应不同元数据的特点,提高分类精度,解决电力系统元数据分类结果的准确率低问题,还可以减少因电力系统元数据数量多大造成的过拟合风险,此外,不同的分类模型同时获取分布式存储系统中的图像元数据、音频元数据以及文本元数据并进行分类,加快了分类效率,节省大量的分类时间。通过设置分类标签,生成的包含分类标签的分类结果可以起到故障检测和预测、运维优化、资源管理、安全监控以及决策支持等作用,帮助识别潜在的故障情况,优化运维策略,管理资源和规划,监控安全情况,提供决策支持,从而提高电力系统的可靠性、效率和安全性,为发展智能电网提供坚实的基础。
在一个实施例中,所述整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果,包括:
根据所述分类标签,获取所述电力系统的运行状态,并生成状态重要度;
获取所述运行状态的时间维度,根据所述时间维度,生成时间重要度;
将所述状态重要度和所述时间重要度输入到排序公式中,生成所述分类标签的排序数值,所述排序公式如下所示:
L=α*x+β*y;
其中,L为所述排序数值,α为状态权重,x为所述状态重要度,β为时间权重,y为所述时间重要度;
根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成所述元数据分类结果。
具体地,分类标签可分为功率状态标签、电力负荷标签、电力质量标签以及电力设备状态标签等等,且可以具体分为功率正常子标签、功率故障状态子标签、功率断开子标签、低负荷子标签、中负荷子标签、高负荷子标签,高质量子标签、中质量子标签以及低质量子标签、设备正常子标签、设备异常子标签以及设备故障子标签等等,所以分类标签可表达电力系统的运行状态,且分类标签中,根据实际情况预先设置各个运行状态对应的状态重要度和运行状态对应时间维度的时间重要度,例如,功率正常子标签的状态重要度为0.2,若其时间维度为1天,则其时间重要度为0.1;功率故障状态子标签的状态重要度为0.4,若其时间维度为2天,则其时间重要度为0.4;功率断开子标签的状态重要度为0.8,若其时间维度为10天,则其时间重要度为2。根据排序公式计算出各个分类标签的排序数值后,根据排序数值从大到小的顺序排列分类标签和与分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果。
通过引入状态重要度和时间重要度到排序公式,不仅可以展示电力系统元数据的分类结果,还可以将电力系统当前运行状态直观的展示出来,通过根据实际情况预先设置各个运行状态对应的状态重要度和运行状态对应时间维度的时间重要度,可以优先查看重要的分类结果,便于及时做出应对方案,避免因数据庞杂造成的重要信息遗漏。
可选地,在所述根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成所述元数据分类结果之后,还包括:
获取所述排序数值大于预设阈值的特殊分类标签;
根据所述特殊分类标签及其对应的图像数据、音频数据以及文本数据,生成电力系统异常报告。
具体地,预设阈值可根据实际情况、状态重要度和时间重要度对应设置,当状态重要度和时间重要度数值越大表示电力系统运行情况越差时,排序数值大于预设阈值,说明电力系统的运行状态极端异常,需要及时处理,生成电力系统异常报告;示例性地,当状态重要度和时间重要度数值越大表示电力系统运行情况越好时,排序数值大于预设阈值,说明电力系统的运行状态良好,无需处理,无需生成电力系统异常报告。
通过获取排序数值大于预设阈值的特殊分类标签并电力系统异常报告,可以及时提醒电力系统的异常状态,及时做出应对,减少损害,避免不必要的风险。
可选地,所述通过训练好的图卷积神经网络模型处理所述图像元数据,生成图像分类结果,包括:
预处理所述图像元数据,生成标准图像元数据;
通过所述图卷积神经网络模型的编码器提取所述标准图像元数据的图像特征并生成邻接矩阵;
所述图卷积神经网络模型的图卷积层根据所述邻接矩阵处理所述图像特征,生成图像编码信息;
通过所述图卷积神经网络模型的解码器解译所述图像编码信息,生成所述图像分类结果;
其中,所述编码器包括一组或多组空洞卷积金字塔和与所述空洞卷积金字塔对应连接的池化层,各组所述空洞卷积金字塔和所述池化层依次连接,且最后一个所述池化层的输出端与所述图卷积层的输入端连接;
所述空洞卷积金字塔用于提取所述标准图像元数据的多尺度特征,并将所述多尺度特征传输至相连的下一个所述池化层;
所述池化层用于将所述多尺度特征降维,生成所述图像特征;
所述编码器还包括一组3*3卷积层、BN层以及ReLU层,用于根据所述图像特征生成所述邻接矩阵。
具体地,在图卷积神经网络模型提取图像特征前,需要对图像元数据进行预处理操作,去除图像元数据中的无用数据,并规范有用数据,得到干净整齐有用的标准图像元数据,便于图卷积神经网络模型进行特征提取和生成邻接矩阵,增加整体的分类效率。通过编码器提取图像特征并生成邻接矩阵后,由图卷积层根据邻接矩阵学习捕捉图像元数据中的结构信息,并考虑每个节点的邻居节点信息,使得每个节点能够获取更全局的上下文信息,从而输出更有效的特征表示,即图像编码信息,最后由解码器解译所述图像编码信息,生成图像分类结果。图卷积神经网络模型的编码器由多组空洞卷积金字塔层和池化层组合而成,每组的空洞卷积金字塔层和池化层连接,且每组的池化层的输出端与下一组的空洞卷积金字塔层的输入端连接,且最后一组的池化层的输出端与图卷积层连接的输入端连接。经过多组空洞卷积金字塔层和池化层,可以增加感受野、捕获多尺度上下文信息,深度提取图像元数据的特征。图卷积神经网络模型的编码器还包括一组3*3卷积层、BN层以及ReLU层,用于根据图像特征生成邻接矩阵。
可选地,所述预处理所述图像元数据,生成标准图像元数据,包括:
采用OpenCV对所述图像元数据进行清洗和图像增强,生成优化图像数据;
采用高斯滤波技术处理所述优化图像数据,生成低噪图像数据;
采用边缘检测技术分割所述低噪图像数据,生成所述标准图像元数据。
具体地,采用OpenCV图像处理库中的函数对图像元数据进行清洗,剔除图像元数据中无效、损坏或错误的图像,并对有效图像进行图像增强,改善图像的特征质量和可视化效果,生成优化图像数据;然后采用高斯滤波技术去除优化图像数据中的噪声,降低因噪声造成的负面影响,生成低噪图像数据;再采用边缘检测技术分割低噪图像,将图像中无用部分分割出去,保留其特征部分,生成的标准图像元数据精度高、抗噪性能好,为后续的分类任务奠定了良好的基础,提高了图像分类结果的准确性。
可选地,所述通过训练好的GRU模型处理所述音频元数据,生成音频分类结果,包括:
预处理所述音频元数据,生成标准音频元数据;
通过短时傅里叶变换提取所述标准音频元数据的频域特征;
将所述频域特征输入到所述GRU模型的更新门和重置门,生成更新门向量和重置门向量;
所述GRU模型的记忆单元根据所述更新门向量和所述重置门向量生成所述音频分类结果。
具体地,预处理所述音频元数据,包括采样率转化、噪声消除、声音增强、声音分割等预处理步骤,得到干净清洗的标准音频元数据。在通过短时傅里叶变换提取标准音频元数据的频域特征时,首先进行分帧操作,将标准音频元数据切分成短时段的帧,通常每帧的长度为10-30毫秒;其次进行加窗操作,对每个帧应用汉宁窗函数,以减少频谱泄露的影响;然后进行傅里叶变换,对每个加窗后的帧进行傅里叶变换,将时域信号转换为频域信号;最后进行幅度谱操作,对傅里叶变换结果取幅度谱,即取傅里叶变换结果的绝对值,得到标准音频元数据的频域特征。
在得到频域特征后,将所述频域特征输入到GRU模型的更新门和重置门,根据更新门和重置门的计算公式,生成更新门向量和重置门向量,更新门公式如下所示:
z_t=sigmoid(W_z*[h_(t-1),x_t]);
其中,z_t表示更新门向量,sigmoid为sigmoid激活函数,W_z是权重矩阵,h_(t-1)表示上一个时间步的隐藏记忆状态,x_t表示当前时间步的输入特征。重置门公式如下所示:
r_t=sigmoid(W_r*[h_(t-1),x_t]);
其中,r_t表示重置门向量,sigmoid为sigmoid激活函数,W_r是权重矩阵,h_(t-1)表示上一个时间步的隐藏记忆状态,x_t表示当前时间步的输入特征。得到更新门向量和重置门向量,将更新门向量和重置门向量输入到记忆单元的计算公式中,生成音频分类信息,最后由GRU模型的softmax层,进行最终的分类,得到音频分类结果。记忆单元的计算公式如下所示:
c_t=z_t*c_(t-1)+(1-z_t) * tanh(W_c*[r_t*h_(t-1),x_t]);
其中,c_t表示当前时间步的记忆状态,即音频分类信息,c_(t-1)表示上一个时间步的记忆状态,z_t表示更新门向量,tanh为tanh双曲函数,W_c是权重矩阵,r_t表示重置门向量,h_(t-1)表示上一个时间步的隐藏记忆状态,x_t表示当前时间步的输入特征。
可选地,所述通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果,包括:
预处理所述文本元数据,生成标准文本元数据;
通过词嵌入技术将所述标准文本元数据转换为标准文本向量;
通过所述LSTM模型的遗忘门处理所述标准文本向量,生成遗忘因子,并获取上一时刻细胞状态;
通过所述LSTM模型的记忆门处理所述标准文本向量,得到记忆数据和临时细胞状态;
将所述遗忘因子、所述上一时刻细胞状态、所述记忆数据和所述临时细胞状态输入到整合公式中,生成所述文本分类结果。
具体地,首先对文本元数据进行数据清洗、分词以及去除停用词等操作,删除不必要的特殊字符、标点符号、HTML标签、URL等,得到标准文本元数据;再采用词嵌入技术将标准文本元数据映射到一个低维的连续向量空间中,并通过嵌入模型捕捉文本之间的语义关系,提供更丰富的标准文本向量,从而改善整体分类的性能,提高后期文本分类结果的准确性;然后LSTM模型的遗忘门根据遗忘公式计算生成遗忘因子,遗忘公式如下所示:
f_t=sigmoid(W_f·[h_{t-1}, x_t]+b_f);
其中,f_t为遗忘因子,h_{t-1}为上一时刻的隐藏状态,x_t表示当前时刻输入的标准文本向量,W_f和b_f分别是遗忘门的权重矩阵和偏置向量。
记忆门通过记忆公式得到记忆数据,通过临时公式得到临时细胞状态,记忆公式和临时公式如下所示:
i_t=sigmoid(W_i·[h_{t-1},x_t]+b_i);
D_t=tanh(W_D·[h_{t-1}, x_t]+b_D);
其中,i_t为记忆数据,D_t为临时细胞状态,h_{t-1}表示上一时刻的隐藏状态,x_t表示当前时刻输入的标准文本向量,W_i为记忆权重矩阵,W_D为临时权重矩阵,b_i为记忆偏置向量,b_D为临时偏置向量。
将遗忘因子、上一时刻细胞状态、记忆数据和临时细胞状态输入到整合公式,生成文本分类结果,整合公式如下所示:
C_t = f_t * C_{t-1} + i_t * D_t;
其中,C_t表示当前时刻的细胞状态,即文本分类结果,C_{t-1}表示上一时刻细胞状态,f_t为遗忘因子,i_t为记忆数据,D_t为临时细胞状态。
可选地,在所述整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果之后,还包括:
获取所述电力系统的历史分类结果;
将所述历史分类结果和所述元数据分类结果输入到混淆矩阵中,生成分类误差报告。
具体地,电力系统的历史分类结果可以为历史的人工分类结果或者由其他分类模型和系统生成的分类结果,获取电力系统的历史分类结果的目的是为了判断元数据分类结果的误差大小,再混淆矩阵中,将历史分类结果作为混淆矩阵的行,将元数据分类结果作为混淆矩阵的列,根据混淆公式计算分类误差并生成分类误差报告,混淆公式如下所示:
Q=(FP + FN) / (TP + FP + FN + TN);
其中,Q为分类误差,FP为元数据分类结果中错误分类为正类的样本数,FN为元数据分类结果中错误分类为负类的样本数,TP为元数据分类结果中正确分类为正类的样本数,TN为元数据分类结果中正确分类为负类的样本数。
如图2所示,本发明一个实施例提供了一种电力系统元数据的分类系统,包括:
获取模块,用于获取电力系统的图像元数据、音频元数据以及文本元数据;
图像分类模块,用于通过训练好的图卷积神经网络模型处理所述图像元数据,生成图像分类结果;
音频分类模块,用于通过训练好的GRU模型处理所述音频元数据,生成音频分类结果;
文本分类模块,用于通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果;
标签提取模块,用于通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签;
数据获取模块,用于根据所述分类标签,获取与所述分类标签对应的图像数据、音频数据以及文本数据;
元数据分类模块,用于整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果。
本发明又一实施例提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的电力系统元数据的分类方法。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (9)
1.一种电力系统元数据的分类方法,其特征在于,包括:
获取电力系统的图像元数据、音频元数据以及文本元数据;
通过训练好的图卷积神经网络模型处理所述图像元数据,生成图像分类结果;
通过训练好的GRU模型处理所述音频元数据,生成音频分类结果;
通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果;
通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签;
根据所述分类标签,获取与所述分类标签对应的图像数据、音频数据以及文本数据;
整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果;
所述整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果,包括:
根据所述分类标签,获取所述电力系统的运行状态,并生成状态重要度;
获取所述运行状态的时间维度,根据所述时间维度,生成时间重要度;
将所述状态重要度和所述时间重要度输入到排序公式中,生成所述分类标签的排序数值,所述排序公式如下所示:
L=α*x+β*y;
其中,L为所述排序数值,α为状态权重,x为所述状态重要度,β为时间权重,y为所述时间重要度;
根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成所述元数据分类结果。
2.根据权利要求1所述的电力系统元数据的分类方法,其特征在于,在所述根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成所述元数据分类结果之后,还包括:
获取所述排序数值大于预设阈值的特殊分类标签;
根据所述特殊分类标签及其对应的图像数据、音频数据以及文本数据,生成电力系统异常报告。
3.根据权利要求1所述的电力系统元数据的分类方法,其特征在于,所述通过训练好的图卷积神经网络模型处理所述图像元数据,生成图像分类结果,包括:
预处理所述图像元数据,生成标准图像元数据;
通过所述图卷积神经网络模型的编码器提取所述标准图像元数据的图像特征并生成邻接矩阵;
所述图卷积神经网络模型的图卷积层根据所述邻接矩阵处理所述图像特征,生成图像编码信息;
通过所述图卷积神经网络模型的解码器解译所述图像编码信息,生成所述图像分类结果;
其中,所述编码器包括一组或多组空洞卷积金字塔和与所述空洞卷积金字塔对应连接的池化层,各组所述空洞卷积金字塔和所述池化层依次连接,且最后一个所述池化层的输出端与所述图卷积层的输入端连接;
所述空洞卷积金字塔用于提取所述标准图像元数据的多尺度特征,并将所述多尺度特征传输至相连的下一个所述池化层;
所述池化层用于将所述多尺度特征降维,生成所述图像特征;
所述编码器还包括一组3*3卷积层、BN层以及ReLU层,用于根据所述图像特征生成所述邻接矩阵。
4.根据权利要求3所述的电力系统元数据的分类方法,其特征在于,所述预处理所述图像元数据,生成标准图像元数据,包括:
采用OpenCV对所述图像元数据进行清洗和图像增强,生成优化图像数据;
采用高斯滤波技术处理所述优化图像数据,生成低噪图像数据;
采用边缘检测技术分割所述低噪图像数据,生成所述标准图像元数据。
5.根据权利要求1所述的电力系统元数据的分类方法,其特征在于,所述通过训练好的GRU模型处理所述音频元数据,生成音频分类结果,包括:
预处理所述音频元数据,生成标准音频元数据;
通过短时傅里叶变换提取所述标准音频元数据的频域特征;
将所述频域特征输入到所述GRU模型的更新门和重置门,生成更新门向量和重置门向量;
所述GRU模型的记忆单元根据所述更新门向量和所述重置门向量生成所述音频分类结果。
6.根据权利要求1所述的电力系统元数据的分类方法,其特征在于,所述通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果,包括:
预处理所述文本元数据,生成标准文本元数据;
通过词嵌入技术将所述标准文本元数据转换为标准文本向量;
通过所述LSTM模型的遗忘门处理所述标准文本向量,生成遗忘因子,并获取上一时刻细胞状态;
通过所述LSTM模型的记忆门处理所述标准文本向量,得到记忆数据和临时细胞状态;
将所述遗忘因子、所述上一时刻细胞状态、所述记忆数据和所述临时细胞状态输入到整合公式中,生成所述文本分类结果。
7.根据权利要求1所述的电力系统元数据的分类方法,其特征在于,在所述整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果之后,还包括:
获取所述电力系统的历史分类结果;
将所述历史分类结果和所述元数据分类结果输入到混淆矩阵中,生成分类误差报告。
8.一种电力系统元数据的分类系统,其特征在于,包括:
获取模块,用于获取电力系统的图像元数据、音频元数据以及文本元数据;
图像分类模块,用于通过训练好的图卷积神经网络模型处理所述图像元数据,生成图像分类结果;
音频分类模块,用于通过训练好的GRU模型处理所述音频元数据,生成音频分类结果;
文本分类模块,用于通过训练好的LSTM模型处理所述文本元数据,生成文本分类结果;
标签提取模块,用于通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签;
数据获取模块,用于根据所述分类标签,获取与所述分类标签对应的图像数据、音频数据以及文本数据;
元数据分类模块,用于整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成元数据分类结果;
状态重要度模块,用于根据所述分类标签,获取所述电力系统的运行状态,并生成状态重要度;
时间重要度模块,用于获取所述运行状态的时间维度,根据所述时间维度,生成时间重要度;
排序模块,用于将所述状态重要度和所述时间重要度输入到排序公式中,生成所述分类标签的排序数值,所述排序公式如下所示:
L=α*x+β*y;
其中,L为所述排序数值,α为状态权重,x为所述状态重要度,β为时间权重,y为所述时间重要度;
结果生成模块,用于根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据,生成所述元数据分类结果。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至7任一项所述的电力系统元数据的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969028.5A CN116680624B (zh) | 2023-08-03 | 2023-08-03 | 一种电力系统元数据的分类方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969028.5A CN116680624B (zh) | 2023-08-03 | 2023-08-03 | 一种电力系统元数据的分类方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116680624A CN116680624A (zh) | 2023-09-01 |
CN116680624B true CN116680624B (zh) | 2023-10-20 |
Family
ID=87779587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969028.5A Active CN116680624B (zh) | 2023-08-03 | 2023-08-03 | 一种电力系统元数据的分类方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680624B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371533B (zh) * | 2023-11-01 | 2024-05-24 | 深圳市马博士网络科技有限公司 | 一种生成数据标签规则的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325148A (zh) * | 2018-08-03 | 2019-02-12 | 百度在线网络技术(北京)有限公司 | 生成信息的方法和装置 |
CN112559797A (zh) * | 2020-12-22 | 2021-03-26 | 湖南大学 | 一种基于深度学习的音频多标签分类方法 |
CN113111183A (zh) * | 2021-04-20 | 2021-07-13 | 通号(长沙)轨道交通控制技术有限公司 | 一种牵引供电设备缺陷等级分类方法 |
CN113592026A (zh) * | 2021-08-13 | 2021-11-02 | 大连大学 | 一种基于空洞卷积和级联代价卷的双目视觉立体匹配方法 |
CN114841293A (zh) * | 2022-07-04 | 2022-08-02 | 国网信息通信产业集团有限公司 | 一种面向电力物联网的多模态数据融合分析方法与系统 |
CN115146054A (zh) * | 2021-03-30 | 2022-10-04 | 株式会社理光 | 多标签分类方法、装置及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11003705B2 (en) * | 2018-02-26 | 2021-05-11 | International Business Machines Corporation | Natural language processing and classification |
CN110162799B (zh) * | 2018-11-28 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 模型训练方法、机器翻译方法以及相关装置和设备 |
-
2023
- 2023-08-03 CN CN202310969028.5A patent/CN116680624B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325148A (zh) * | 2018-08-03 | 2019-02-12 | 百度在线网络技术(北京)有限公司 | 生成信息的方法和装置 |
CN112559797A (zh) * | 2020-12-22 | 2021-03-26 | 湖南大学 | 一种基于深度学习的音频多标签分类方法 |
CN115146054A (zh) * | 2021-03-30 | 2022-10-04 | 株式会社理光 | 多标签分类方法、装置及可读存储介质 |
CN113111183A (zh) * | 2021-04-20 | 2021-07-13 | 通号(长沙)轨道交通控制技术有限公司 | 一种牵引供电设备缺陷等级分类方法 |
CN113592026A (zh) * | 2021-08-13 | 2021-11-02 | 大连大学 | 一种基于空洞卷积和级联代价卷的双目视觉立体匹配方法 |
CN114841293A (zh) * | 2022-07-04 | 2022-08-02 | 国网信息通信产业集团有限公司 | 一种面向电力物联网的多模态数据融合分析方法与系统 |
Non-Patent Citations (3)
Title |
---|
Shouxiang Wang,et al.A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network.《Applied Energy》.2019,1126-1140页. * |
基于空洞卷积金字塔的目标检测算法;候少麒 等;《电子科技大学学报》;第2021年卷(第6期);843-851页 * |
面向三类应用数据的智能分析与优化研究;柯余洋;《中国博士学位论文全文数据库 信息科技辑》;第2017年卷(第02期);I138-51 * |
Also Published As
Publication number | Publication date |
---|---|
CN116680624A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
KR102172925B1 (ko) | 딥러닝 기반 기후 변화 예측 시스템의 동작 방법 | |
CN111435366A (zh) | 设备故障诊断方法、装置和电子设备 | |
CN116680624B (zh) | 一种电力系统元数据的分类方法、系统及存储介质 | |
CN103617469A (zh) | 电力系统设备故障预测方法及系统 | |
CN111612051A (zh) | 一种基于图卷积神经网络的弱监督目标检测方法 | |
CN111860193B (zh) | 一种基于文本的行人检索自监督视觉表示学习系统及方法 | |
CN109241030A (zh) | 机器人作业数据分析服务器和机器人作业数据分析方法 | |
CN110321805B (zh) | 一种基于时序关系推理的动态表情识别方法 | |
CN113392749A (zh) | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 | |
CN113673244B (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
CN116910633B (zh) | 一种基于多模态知识混合推理的电网故障预测方法 | |
CN111723667A (zh) | 基于人体关节点坐标的智慧灯杆人群行为识别方法和装置 | |
CN116597436A (zh) | 一种配电房开关柜铭牌文字识别方法及装置 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
CN116184293B (zh) | 一种基于数字孪生锂电池系统的故障诊断方法及报警系统 | |
CN112712114A (zh) | 基于TextCNN-BiLSTM仪表分析方法、系统、设备及介质 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
CN113807027B (zh) | 一种风电机组健康状态评估模型、方法及系统 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN116229315A (zh) | 基于由粗到细粒度信息捕捉的时序动作检测方法及装置 | |
CN112528938A (zh) | 车辆检测模型训练及其检测方法、装置及计算机存储介质 | |
Su et al. | Intelligent power equipment identification model based on grid topology analysis | |
Zhang et al. | Fault Trend Prediction of Centrifugal Blowers Considering Incomplete Data |
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 |