CN116756548B - 应用于低压配电物联网的断路器管理方法及系统 - Google Patents
应用于低压配电物联网的断路器管理方法及系统 Download PDFInfo
- Publication number
- CN116756548B CN116756548B CN202311054681.5A CN202311054681A CN116756548B CN 116756548 B CN116756548 B CN 116756548B CN 202311054681 A CN202311054681 A CN 202311054681A CN 116756548 B CN116756548 B CN 116756548B
- Authority
- CN
- China
- Prior art keywords
- breaker
- circuit breaker
- acquisition
- working
- characteristic
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 48
- 238000007726 management method Methods 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 178
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 58
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 239000002346 layers by function Substances 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例提供一种应用于低压配电物联网的断路器管理方法及系统,可以实现结合少量的样本断路器工作采集特征对训练断路器缺陷预测网络进行调整,在调整过程中,对各参考断路器工作采集特征进行启发式扩展搜索处理后解析工作状态描述时序序列,可以保障解析的各参考断路器工作采集特征的启发工作状态描述时序序列的可靠性,由此训练生成性能更强的断路器缺陷预测应用网络,并实现结合断路器缺陷预测应用网络对断路器工作采集特征进行准确的断路器缺陷预测。
Description
技术领域
本申请实施例涉及人工智能技术领域,具体而言,涉及一种应用于低压配电物联网的断路器管理方法及系统。
背景技术
物联网技术作为新一代科技技术的重要产物,在众多领域中都有涉猎,并发挥着重大效用。而在配电系统运行期间,若能依靠物联网技术实现低压配电运行的安全监测,可在原有基础上提升监测质量,以此确保配电系统的稳定运行。而在安全监测过程中,往往需要调度到应用于低压配电物联网的断路器,断路器的运行状态可靠性也直接关系到安全监测可靠性。基于此,需要对断路器的工作数据进行监控与分析,并预测可能存在的断路器故障以便于后续运维处理,如何结合当前的机器学习技术实现准确的断路器缺陷预测,是当前所属领域亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足,本申请实施例的目的在于提供一种应用于低压配电物联网的断路器管理方法及系统。
结合本申请实施例的一个方面,提供了一种应用于低压配电物联网的断路器管理方法,包括:
从低压配电物联网系统的第一典型断路器工作采集特征队列中获取多个参考断路器工作采集特征,所述第一典型断路器工作采集特征队列包括多个断路器应用任务场景的电路运行模块关联的样本断路器工作采集特征,各样本断路器工作采集特征分别先验定义了包括模块断路器工作采集特征的基础断路器工作采集特征段及该基础断路器工作采集特征段关联的标注断路器缺陷类别,所述多个参考断路器工作采集特征分别对应于多个断路器应用任务场景的电路运行模块关联的样本断路器工作采集特征;
结合训练断路器缺陷预测网络解析所述多个参考断路器工作采集特征中各参考断路器工作采集特征的基础断路器工作采集特征段的基础工作状态描述时序序列;
结合所述训练断路器缺陷预测网络解析各所述参考断路器工作采集特征在多个启发式扩展搜索策略下对应有电路运行模块的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各启发断路器工作采集特征段关联的预测断路器缺陷类别;
结合各所述参考断路器工作采集特征中的基础断路器工作采集特征段、基础断路器工作采集特征段的基础工作状态描述时序序列以及基础断路器工作采集特征段的标注断路器缺陷类别、所述参考断路器工作采集特征中的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定网络收敛评估指标;
结合所述网络收敛评估指标迭代调整所述训练断路器缺陷预测网络的功能层配置信息,直到所述功能层配置信息不再发生变化时生成可部署使用的断路器缺陷预测应用网络,并基于所述断路器缺陷预测应用网络对候选断路器工作采集特征进行处理,生成对应的断路器缺陷预测数据;
结合各所述参考断路器工作采集特征中的基础断路器工作采集特征段、基础断路器工作采集特征段的基础工作状态描述时序序列以及基础断路器工作采集特征段的标注断路器缺陷类别、所述参考断路器工作采集特征中的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定网络收敛评估指标,包括:
结合所述参考断路器工作采集特征中的基础断路器工作采集特征段,从该参考断路器工作采集特征关联的多个启发断路器工作采集特征段中选取目标断路器工作采集特征段;
对所述参考断路器工作采集特征关联的基础工作状态描述时序序列、该参考断路器工作采集特征的目标断路器工作采集特征段的启发工作状态描述时序序列进行融合生成所述参考断路器工作采集特征的目标工作状态描述时序序列;
将对应于同一个断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得独立场景向量偏离值;
将对应不同的断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得跨场景向量偏离值;
结合所述独立场景向量偏离值与所述跨场景向量偏离值之间的偏离值对比值得到第一网络学习效果值;
结合各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各所述参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段关联的预测断路器缺陷类别计算第二网络学习效果值,其中,将所述参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段交叉熵计算公式中进行计算,确定第二网络学习效果值;
将所述第一网络学习效果值与所述第二网络学习效果值进行汇总获得网络收敛评估指标。
一种可替代的实施例中,所述结合所述参考断路器工作采集特征中的基础断路器工作采集特征段,从该参考断路器工作采集特征关联的多个启发断路器工作采集特征段中选取目标断路器工作采集特征段,包括:
将所述参考断路器工作采集特征中的基础断路器工作采集特征段与该参考断路器工作采集特征关联的各启发断路器工作采集特征段进行工作重合度确定,确定该参考断路器工作采集特征关联的各启发断路器工作采集特征段的工作重合度;
获取工作重合度大于门限重合度的启发断路器工作采集特征段,确定为所述参考断路器工作采集特征的目标断路器工作采集特征段。
一种可替代的实施例中,所述结合各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各启发断路器工作采集特征段和各启发断路器工作采集特征段关联的预测断路器缺陷类别计算第二网络学习效果值,包括:
结合各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和各启发断路器工作采集特征段,确定该参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值;
结合各所述参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量和目标断路器工作采集特征段的第二数据段量得到该参考断路器工作采集特征的参考逆传播数值;
结合所述参考断路器工作采集特征中基础断路器工作采集特征段关联的标注断路器缺陷类别和各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定所述参考断路器工作采集特征的缺陷类别可信权重;
结合各参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值、该参考断路器工作采集特征的参考逆传播数值和缺陷类别可信权重,确定第二网络学习效果值。
一种可替代的实施例中,结合各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和各启发断路器工作采集特征段,确定该参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值,包括:
将各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和各启发断路器工作采集特征段进行回路状态相关度确定,确定各参考断路器工作采集特征中各启发断路器工作采集特征段关联的回路状态相关度,各所述启发断路器工作采集特征段关联的回路状态相关度为该启发断路器工作采集特征段关联的误差逆传播数值。
一种可替代的实施例中,所述结合各所述参考断路器工作采集特征对应启发断路器工作采集特征段的第一数据段量和目标断路器工作采集特征段的第二数据段量得到该参考断路器工作采集特征的参考逆传播数值,包括:
获取所述参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量与目标断路器工作采集特征段的第二数据段量之间的数据段偏离量;
结合所述参考断路器工作采集特征关联的数据段偏离量与和该参考断路器工作采集特征关联的单元断路器工作采集特征的第三数据段量之间的偏离值对比值,确定参考断路器工作采集特征的参考逆传播数值。
一种可替代的实施例中,所述结合所述参考断路器工作采集特征中基础断路器工作采集特征段关联的标注断路器缺陷类别和各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定所述参考断路器工作采集特征的缺陷类别可信权重,包括:
获取所述参考断路器工作采集特征中各启发断路器工作采集特征段关联的预测断路器缺陷类别中与基础断路器工作采集特征段关联的标注断路器缺陷类别相同的预测断路器缺陷类别的类别数;
将该类别数与参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量之间的比较数值,确定为所述参考断路器工作采集特征的缺陷类别可信权重。
一种可替代的实施例中,所述结合各参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值、该参考断路器工作采集特征的参考逆传播数值和缺陷类别可信权重,确定第二网络学习效果值,包括:
对所述参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值进行融合生成所述参考断路器工作采集特征的误差逆传播数值;
对所述参考断路器工作采集特征的缺陷类别可信权重计算命中权重分布间差异的非对称性度量,将计算的非对称性度量与该参考断路器工作采集特征的误差逆传播数值和参考逆传播数值进行融合生成该参考断路器工作采集特征关联的网络学习效果值;
对各所述参考断路器工作采集特征的网络学习效果值进行汇总,确定第二网络学习效果值。
一种可替代的实施例中,所述训练断路器缺陷预测网络还通过以下方式进行进一步生成:
获取第二典型断路器工作采集特征队列,所述第二典型断路器工作采集特征队列中包括多个断路器应用任务场景的电路运行模块关联的典型断路器工作采集特征,各典型断路器工作采集特征分别先验定义了包括模块断路器工作采集特征的基础断路器工作采集特征段及该基础断路器工作采集特征段关联的标注断路器缺陷类别;
将第二典型断路器工作采集特征队列中的各典型断路器工作采集特征导入时间递归神经网络中,结合各典型断路器工作采集特征对时间递归神经网络进行初始化配置,确定训练断路器缺陷预测网络。
结合本申请实施例的一个方面,提供了一种应用于低压配电物联网的断路器管理系统,所述应用于低压配电物联网的断路器管理系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的应用于低压配电物联网的断路器管理方法。
结合本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。
在本申请的一些实施例所提供的技术方案中,结合训练断路器缺陷预测网络解析各参考断路器工作采集特征的基础断路器工作采集特征段的基础工作状态描述时序序列,以及解析各参考断路器工作采集特征在多个启发式扩展搜索策略下对应有电路运行模块的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列和预测断路器缺陷类别,从而在结合各参考断路器工作采集特征中的基础断路器工作采集特征段、基础断路器工作采集特征段的基础工作状态描述时序序列和标注断路器缺陷类别、参考断路器工作采集特征中的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列和预测断路器缺陷类别,确定网络收敛评估指标,并结合网络收敛评估指标迭代调整所述训练断路器缺陷预测网络的功能层配置信息,直到所述功能层配置信息不再发生变化时生成可部署使用的断路器缺陷预测应用网络。可以实现结合少量的样本断路器工作采集特征对训练断路器缺陷预测网络进行调整,在调整过程中,对各参考断路器工作采集特征进行启发式扩展搜索处理后解析工作状态描述时序序列,可以保障解析的各参考断路器工作采集特征的启发工作状态描述时序序列的可靠性,由此训练生成性能更强的断路器缺陷预测应用网络,并实现结合断路器缺陷预测应用网络对断路器工作采集特征进行准确的断路器缺陷预测。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的基础上,还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的应用于低压配电物联网的断路器管理方法的流程示意图;
图2为本申请实施例提供的用于实现上述的应用于低压配电物联网的断路器管理方法的应用于低压配电物联网的断路器管理系统的结构示意框图。
实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
图1是本申请一种实施例提供的应用于低压配电物联网的断路器管理方法的流程示意图,下面对该应用于低压配电物联网的断路器管理方法进行详细介绍。
Step101,从低压配电物联网系统的第一典型断路器工作采集特征队列中获取多个参考断路器工作采集特征。
其中,第一典型断路器工作采集特征队列包括多个断路器应用任务场景的电路运行模块关联的样本断路器工作采集特征,各样本断路器工作采集特征分别先验定义了包括模块断路器工作采集特征的基础断路器工作采集特征段及该基础断路器工作采集特征段关联的标注断路器缺陷类别,多个参考断路器工作采集特征分别对应于多个断路器应用任务场景的电路运行模块关联的样本断路器工作采集特征。
断路器应用任务场景可以用于表示断路器的工作任务类别,例如智慧消防类别、变电站任务类别、配电室任务类别、发电机组任务类别等。断路器工作采集特征可以包括断路器工作指标数据和电路工作指标数据,所述断路器指标数据包括电力断路器的机械指标数据、生产指标数据及工作环境数据,机械指标数据包括电力断路器的刚合速度、刚分速度、合闸线圈直流电阻、分闸线圈直流电阻、累计开断次数、合闸线圈最低动作电压、分闸线圈最低动作电压、静置时间、油压、气压状态量等,生产指标数据包括生产电力断路器厂家的资质规模、产品召回率、用户满意度,工作环境数据包括电力断路器当前所在环境的湿度、温度、污秽度、变压器微水含量等。
标注断路器缺陷类别可以用于表示断路器存在的缺陷类型,例如拒动(拒分、拒合)缺陷类型、绝缘缺陷类型、开断与关合缺陷类型、载流缺陷类型、误动缺陷类型等。
Step102:结合训练断路器缺陷预测网络解析多个参考断路器工作采集特征中各参考断路器工作采集特征的基础断路器工作采集特征段的基础工作状态描述时序序列。
其中,训练断路器缺陷预测网络可以是结合第二典型断路器工作采集特征队列中的大量的典型断路器工作采集特征结合时间递归神经网络进行训练生成。
例如,可以将第二典型断路器工作采集特征队列中的各典型断路器工作采集特征导入时间递归神经网络中,结合各典型断路器工作采集特征对时间递归神经网络进行初始化配置,确定训练断路器缺陷预测网络。
在结合训练断路器缺陷预测网络解析多个参考断路器工作采集特征中各参考断路器工作采集特征的基础断路器工作采集特征段的基础工作状态描述时序序列时,解析到的基础断路器工作采集特征段的基础工作状态描述时序序列具体可以是指以时序递进进行排列的工作状态特征向量。
Step103:结合训练断路器缺陷预测网络解析各参考断路器工作采集特征在多个启发式扩展搜索策略下对应有电路运行模块的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各启发断路器工作采集特征段关联的预测断路器缺陷类别。
其中,训练断路器缺陷预测网络可以对各参考断路器工作采集特征进行启发式扩展搜索,并对启发式扩展搜索后的各参考断路器工作采集特征进行分析,确定启发式扩展搜索后的断路器工作采集特征中,对应有电路运行模块的启发断路器工作采集特征段,以及对该启发断路器工作采集特征段进行缺陷预测,确定该启发断路器工作采集特征段关联的预测断路器缺陷类别,其中,该预测断路器缺陷类别至少包括该启发断路器工作采集特征段中的电路运行模块关联的断路器缺陷标签。次哇,该预测断路器缺陷类别还可以包括关联的启发断路器工作采集特征段中的电路运行模块的缺陷ID,由此生成各参考断路器工作采集特征在各启发式扩展搜索策略下的启发断路器工作采集特征段和该断路器工作采集特征段关联的预测断路器缺陷类别。
本实施例中,启发式扩展搜索策略可以通过指导搜索向最有希望的方向前进,降低了复杂性。具体而言,启发式扩展搜索策略可以根据估价函数值,按由小到大的次序对各参考断路器工作采集特征中的节点进行重新排序,也即有序搜索法。因此,此时的各参考断路器工作采集特征是一个按节点的启发估价函数值的大小为序排列的一个优先队,从而获得启发断路器工作采集特征段。
训练断路器缺陷预测网络可以包括多个特征提取分支和特征压缩分支,多个特征提取分支中各特征提取分支所关联的特征提取区域的范围不同。该训练断路器缺陷预测网络提取参考断路器工作采集特征的基础工作状态描述时序序列和启发工作状态描述时序序列的操作具体可以是:多个特征提取分支包括第一特征提取分支和第二特征提取分支,由第一特征提取分支对参考断路器工作采集特征进行特征解析,确定基础断路器工作采集特征段关联的基础工作状态描述时序序列;由特征压缩分支对启发式扩展搜索处理后的参考断路器工作采集特征进行处理得到启发式扩展搜索后的样本断路器工作采集特征中的启发断路器工作采集特征段,并由第二特征提取分支对启发式扩展搜索后的各样本断路器工作采集特征中的启发断路器工作采集特征段进行特征解析得到的启发工作状态描述时序序列。
训练断路器缺陷预测网络还可以包括分类分支,用于结合对各启发断路器工作采集特征段解析到的工作状态描述时序序列确定该启发断路器工作采集特征段中的电路运行模块关联的缺陷类别的命中权重并输出,也即得到各参考断路器工作采集特征在各启发式扩展搜索策略下的启发断路器工作采集特征段关联的预测断路器缺陷类别。
示例性地,分类分支可以启发工作状态描述时序序列为输入,并结合启发工作状态描述时序序列进行分类,对启发式扩展搜索后的参考断路器工作采集特征中启发断路器工作采集特征段中的电路运行模块的最终缺陷预测数据,该启发断路器工作采集特征段中的电路运行模块属于候选缺陷标签的第一命中权重。例如,可以通过分类分支得到启发式扩展搜索处理后的参考断路器工作采集特征中启发断路器工作采集特征段关联的预测断路器缺陷类别。
Step104:结合各参考断路器工作采集特征中的基础断路器工作采集特征段、基础断路器工作采集特征段的基础工作状态描述时序序列以及基础断路器工作采集特征段的标注断路器缺陷类别、参考断路器工作采集特征中的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定网络收敛评估指标。
示例性地,上述Step104可以是:结合参考断路器工作采集特征中的基础断路器工作采集特征段关联的基础工作状态描述时序序列和启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各参考断路器工作采集特征所关联的断路器应用任务场景确定第一网络学习效果值。结合各参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段关联的预测断路器缺陷类别计算第二网络学习效果值;结合第一网络学习效果值和第二网络学习效果值得到网络收敛评估指标。
示例性地,可以将对参考断路器工作采集特征关联的基础工作状态描述时序序列和启发工作状态描述时序序列取均值或者中间值,确定各参考断路器工作采集特征的目标工作状态描述时序序列,对对应于同一个断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得独立场景向量偏离值,以及对对应不同的断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得跨场景向量偏离值,并将独立场景向量偏离值与跨场景向量偏离值之间的比较数值(如比值)作为第一网络学习效果值。
Step105:结合网络收敛评估指标迭代调整所述训练断路器缺陷预测网络的功能层配置信息,直到所述功能层配置信息不再发生变化时生成可部署使用的断路器缺陷预测应用网络,并基于所述断路器缺陷预测应用网络对候选断路器工作采集特征进行处理,生成对应的断路器缺陷预测数据。
示例性地,在结合网络收敛评估指标迭代调整所述训练断路器缺陷预测网络的功能层配置信息时,可以基于梯度下降算法迭代调整所述训练断路器缺陷预测网络的功能层配置信息,在每次调整结束后,返回执行Step101-Step105,直至所述功能层配置信息不再发生变化时获得断路器缺陷预测应用网络。
基于以上步骤,结合训练断路器缺陷预测网络解析各参考断路器工作采集特征的基础断路器工作采集特征段的基础工作状态描述时序序列,以及解析各参考断路器工作采集特征在多个启发式扩展搜索策略下对应有电路运行模块的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列和预测断路器缺陷类别,从而在结合各参考断路器工作采集特征中的基础断路器工作采集特征段、基础断路器工作采集特征段的基础工作状态描述时序序列和标注断路器缺陷类别、参考断路器工作采集特征中的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列和预测断路器缺陷类别,确定网络收敛评估指标,并结合网络收敛评估指标迭代调整所述训练断路器缺陷预测网络的功能层配置信息,直到所述功能层配置信息不再发生变化时生成可部署使用的断路器缺陷预测应用网络。可以实现结合少量的样本断路器工作采集特征对训练断路器缺陷预测网络进行调整,在调整过程中,对各参考断路器工作采集特征进行启发式扩展搜索处理后解析工作状态描述时序序列,可以保障解析的各参考断路器工作采集特征的启发工作状态描述时序序列的可靠性,由此训练生成性能更强的断路器缺陷预测应用网络,并实现结合断路器缺陷预测应用网络对断路器工作采集特征进行准确的断路器缺陷预测。
下面介绍进一步的训练方法实施例,可以包括:
步骤210:从第一典型断路器工作采集特征队列中获取多个参考断路器工作采集特征。
其中,第一典型断路器工作采集特征队列包括多个断路器应用任务场景的电路运行模块关联的样本断路器工作采集特征,各样本断路器工作采集特征分别先验定义了包括模块断路器工作采集特征的基础断路器工作采集特征段及该基础断路器工作采集特征段关联的标注断路器缺陷类别,多个参考断路器工作采集特征分别对应于多个断路器应用任务场景的电路运行模块关联的样本断路器工作采集特征。
步骤220:结合训练断路器缺陷预测网络解析多个参考断路器工作采集特征中各参考断路器工作采集特征的基础断路器工作采集特征段的基础工作状态描述时序序列。
步骤230:结合训练断路器缺陷预测网络解析各参考断路器工作采集特征在多个启发式扩展搜索策略下对应有电路运行模块的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各启发断路器工作采集特征段关联的预测断路器缺陷类别。
步骤240:结合参考断路器工作采集特征中的基础断路器工作采集特征段,从该参考断路器工作采集特征关联的多个启发断路器工作采集特征段中选取目标断路器工作采集特征段。
示例性地,上述步骤240可以是,将参考断路器工作采集特征中的基础断路器工作采集特征段与该参考断路器工作采集特征关联的各启发断路器工作采集特征段进行工作重合度确定,确定该参考断路器工作采集特征关联的各启发断路器工作采集特征段的工作重合度;获取工作重合度大于门限重合度的启发断路器工作采集特征段,确定为参考断路器工作采集特征的目标断路器工作采集特征段。其中,门限重合度例如可以是0.85。
例如,上述步骤240还可以是,参考断路器工作采集特征中的基础断路器工作采集特征段,从该参考断路器工作采集特征关联的启发断路器工作采集特征段中选取出与该基础断路器工作采集特征段回路状态相关度大于预设相关度的断路器工作采集特征段。
步骤250:结合各参考断路器工作采集特征关联的基础工作状态描述时序序列、各参考断路器工作采集特征的目标断路器工作采集特征段的启发工作状态描述时序序列以及各参考断路器工作采集特征所关联的断路器应用任务场景确定第一网络学习效果值。
其中,上述步骤250可以是:结合各参考断路器工作采集特征关联的基础工作状态描述时序序列和该参考断路器工作采集特征的目标断路器工作采集特征段的启发工作状态描述时序序列确定该参考断路器工作采集特征的目标工作状态描述时序序列。结合各参考断路器工作采集特征所对应的路器应用任务场景计算对应于同一个断路器应用任务场景的各参考断路器工作采集特征的目标工作状态描述时序序列之间的第一向量偏离值,以及计算对应不同的断路器应用任务场景的各参考断路器工作采集特征的目标工作状态描述时序序列之间的第二向量偏离值,并将第一向量偏离值与第二向量偏离值的比值作为第一网络学习效果值。
结合参考断路器工作采集特征关联的基础工作状态描述时序序列和其关联的目标区域的启发工作状态描述时序序列确定该参考断路器工作采集特征的目标工作状态描述时序序列的方式可以是,对该参考断路器工作采集特征的基础工作状态描述时序序列和其关联的启发断路器工作采集特征段的启发工作状态描述时序序列求取均值或者中间值,确定为该参考断路器工作采集特征的目标工作状态描述时序序列。
其中,上述的计算对应于同一个断路器应用任务场景的各参考断路器工作采集特征之间的第一向量偏离值的方式可以是,将对应于同一个断路器应用任务场景的各目标断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算后计算平均偏离值生成第一向量偏离值,也可以是将对应于同一个断路器应用任务场景的各目标断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算后进行汇总获得第一向量偏离值。
上述计算对应不同的断路器应用任务场景的各参考断路器工作采集特征之间的第二向量偏离值的方式可以是:将对应不同的断路器应用任务场景的各参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算后计算平均偏离值生成第二向量偏离值,也可以是将对应不同的断路器应用任务场景的各目标断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算后进行进行汇总获得第二向量偏离值。
上述步骤250可以包括下述实施例的步骤:
步骤251:对参考断路器工作采集特征关联的基础工作状态描述时序序列、该参考断路器工作采集特征的目标断路器工作采集特征段的启发工作状态描述时序序列进行融合生成参考断路器工作采集特征的目标工作状态描述时序序列。
步骤252:将对应于同一个断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得独立场景向量偏离值。
步骤253:将对应不同的断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得跨场景向量偏离值。
步骤254:结合独立场景向量偏离值与跨场景向量偏离值之间的偏离值对比值得到第一网络学习效果值。
其中,上述步骤254具体可以是,将独立场景向量偏离值与跨场景向量偏离值之间的偏离值对比值作为第一网络学习效果值。
例如,以参考断路器工作采集特征包括断路器工作采集特征a、断路器工作采集特征b、断路器工作采集特征c、断路器工作采集特征d以及断路器工作采集特征e,且断路器工作采集特征a和断路器工作采集特征b属于断路器应用任务场景A,断路器工作采集特征c属于断路器应用任务场景B,断路器工作采集特征d和断路器工作采集特征e属于断路器应用任务场景C,则步骤252可以是:对断路器工作采集特征a和断路器工作采集特征b进行向量偏离值计算以及对断路器工作采集特征d和断路器工作采集特征e进行向量偏离值计算后进行加权,确定独立场景向量偏离值。
其中,步骤253可以是:将断路器工作采集特征a与断路器工作采集特征c、断路器工作采集特征d以及断路器工作采集特征e分别进行向量偏离值计算,将断路器工作采集特征b与断路器工作采集特征c、断路器工作采集特征d以及断路器工作采集特征e分别进行向量偏离值计算,以及将断路器工作采集特征c与断路器工作采集特征d和断路器工作采集特征e分别进行向量偏离值计算,将上述进行向量偏离值计算得到的结果进行进行加权,确定跨场景向量偏离值。
上述步骤253还可以是,对断路器工作采集特征a和断路器工作采集特征b进行加权得到断路器应用任务场景A关联的评估值,以及将断路器工作采集特征d和断路器工作采集特征e求取特征均值,确定断路器应用任务场景C关联的评估值,对断路器应用任务场景A、断路器应用任务场景B以及断路器应用任务场景C进行两两之间的向量偏离值计算后进行融合生成跨场景向量偏离值。
由于同断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列之间的向量偏离值较小,而不同断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列之间的向量偏离值较大,因此,通过将同断路器应用任务场景的参考断路器工作采集特征之间的目标工作状态描述时序序列向量偏离值(独立场景向量偏离值)与不同断路器应用任务场景的参考断路器工作采集特征指之间的目标工作状态描述时序序列向量偏离值(跨场景向量偏离值)之间的比较数值越小,则可以确认上述的训练断路器缺陷预测网络获得的预测断路器缺陷断路器应用任务场景和目标断路器工作采集特征段的启发工作状态描述时序序列越准确。
步骤260:结合各参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段关联的预测断路器缺陷类别计算第二网络学习效果值。
其中,上述步骤260具体可以是:将上述的参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段交叉熵计算公式中进行计算,确定第二网络学习效果值。
示例性地,步骤260可以包括下述实施例的步骤:
步骤261:结合各参考断路器工作采集特征关联的基础断路器工作采集特征段和各启发断路器工作采集特征段,确定该参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值。
其中,上述步骤261具体可以是,将各参考断路器工作采集特征关联的基础断路器工作采集特征段和各启发断路器工作采集特征段进行回路状态相关度确定,确定各参考断路器工作采集特征中各启发断路器工作采集特征段关联的回路状态相关度,各启发断路器工作采集特征段关联的回路状态相关度为该启发断路器工作采集特征段关联的误差逆传播数值。
步骤262:结合各参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量和目标断路器工作采集特征段的第二数据段量得到该参考断路器工作采集特征的参考逆传播数值。
上述的参考断路器工作采集特征相关联的目标断路器工作采集特征段可以是参考断路器工作采集特征关联的启发断路器工作采集特征段中,与基础断路器工作采集特征段的回路状态相关度大于设定相关度的启发断路器工作采集特征段。
上述的参考逆传播数值可以是各参考断路器工作采集特征的目标断路器工作采集特征段的第二数据段量与该断路器工作采集特征的启发断路器工作采集特征段的第一数据段量的比值,上述的参考逆传播数值还可以是各参考断路器工作采集特征的目标断路器工作采集特征段的第二数据段量与该张断路器工作采集特征的启发断路器工作采集特征段的第一数据段量和目标断路器工作采集特征段的第二数据段量的差值的比值。
示例性地,上述步骤262具体可以是:获取参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量与目标断路器工作采集特征段的第二数据段量之间的数据段偏离量;结合参考断路器工作采集特征关联的数据段偏离量与和该参考断路器工作采集特征关联的单元断路器工作采集特征的第三数据段量之间的偏离值对比值,确定参考断路器工作采集特征的参考逆传播数值。
其中,上述结合参考断路器工作采集特征关联的数据段偏离量与和该参考断路器工作采集特征关联的单元断路器工作采集特征的第三数据段量之间的偏离值对比值,确定参考断路器工作采集特征的参考逆传播数值,可以是,将参考断路器工作采集特征关联的数据段偏离量与和该参考断路器工作采集特征关联的单元断路器工作采集特征的第三数据段量之间的偏离值对比值与一设定权重进行加权得到参考逆传播数值,也可以是将参考断路器工作采集特征关联的数据段偏离量与和该参考断路器工作采集特征关联的单元断路器工作采集特征的第三数据段量之间的偏离值对比值作为参考断路器工作采集特征的参考逆传播数值。
步骤263:结合参考断路器工作采集特征中基础断路器工作采集特征段关联的标注断路器缺陷类别和各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定参考断路器工作采集特征的缺陷类别可信权重。
其中,上述步骤263具体可以是,获取目标断路器工作采集特征中启发断路器工作采集特征段关联的标注断路器缺陷类别中与基础断路器工作采集特征段关联的标注断路器缺陷类别相同的标签数量,将该类别数与目标断路器工作采集特征中启发断路器工作采集特征段的第一数据段量相比,确定缺陷类别可信权重。
示例性地,上述步骤263包括:获取参考断路器工作采集特征中各启发断路器工作采集特征段关联的预测断路器缺陷类别中与基础断路器工作采集特征段关联的标注断路器缺陷类别相同的预测断路器缺陷类别的类别数;将该类别数与参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量之间的比较数值,确定为参考断路器工作采集特征的缺陷类别可信权重。
步骤264:结合各参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值、该参考断路器工作采集特征的参考逆传播数值和缺陷类别可信权重,确定第二网络学习效果值。
其中,上述步骤264可以是:对各样本断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值计算平均偏离值生成该参考断路器工作采集特征的误差逆传播数值,将各参考断路器工作采集特征的误差逆传播数值、参考逆传播数值以及缺陷类别可信权重进行融合生成的乘积汇总得到第二网络学习效果值。
示例性地,上述步骤264具体可以是:对参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值进行融合生成参考断路器工作采集特征的误差逆传播数值;对参考断路器工作采集特征的缺陷类别可信权重计算命中权重分布间差异的非对称性度量,将计算的非对称性度量与该参考断路器工作采集特征的误差逆传播数值和参考逆传播数值进行融合生成该参考断路器工作采集特征关联的网络学习效果值;对各参考断路器工作采集特征的网络学习效果值进行汇总,确定第二网络学习效果值。
步骤270:将第一网络学习效果值与第二网络学习效果值进行汇总获得网络收敛评估指标。
步骤280:结合网络收敛评估指标迭代调整所述训练断路器缺陷预测网络的功能层配置信息,直到所述功能层配置信息不再发生变化时生成可部署使用的断路器缺陷预测应用网络。
基于以上步骤,通过结合参考断路器工作采集特征中的基础断路器工作采集特征段,从该参考断路器工作采集特征关联的多个启发断路器工作采集特征段中选取目标断路器工作采集特征段,结合各参考断路器工作采集特征关联的基础工作状态描述时序序列、各参考断路器工作采集特征的目标断路器工作采集特征段的启发工作状态描述时序序列以及各参考断路器工作采集特征所关联的断路器应用任务场景确定第一网络学习效果值;以及结合各参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段关联的预测断路器缺陷类别计算第二网络学习效果值;并结合对第一网络学习效果值与第二网络学习效果值进行汇总获得的网络收敛评估指标更新训练断路器缺陷预测网络。由此通过结合两个网络学习效果值来更新训练断路器缺陷预测网络,即基于用于表征同一断路器应用任务场景中的工作状态描述时序序列和不同断路器应用任务场景的工作状态描述时序序列之间的偏离情况(也即表征相同断路器应用任务场景的偏离值小而不同断路器应用任务场景的偏离值大)的第一网络学习效果值和用于表征进行断路器缺陷预测性能的第二网络学习效果值共同调整训练断路器缺陷预测网络,由此生成性能更强的断路器缺陷预测应用网络,并实现结合断路器缺陷预测应用网络对断路器工作采集特征进行准确的断路器缺陷预测。
下面继续进一步介绍本申请实施例的训练实施例,可以包括:
步骤310:将第二典型断路器工作采集特征队列中的多个断路器应用任务场景的典型断路器工作采集特征分别导入时间递归神经网络中,结合各典型断路器工作采集特征对时间递归神经网络进行初始化配置,确定训练断路器缺陷预测网络。
步骤320:结合训练断路器缺陷预测网络的第一特征提取分支解析多个参考断路器工作采集特征中各参考断路器工作采集特征的基础断路器工作采集特征段的基础工作状态描述时序序列。
步骤330:结合训练断路器缺陷预测网络的特征压缩分支解析各参考断路器工作采集特征在多个启发式扩展搜索策略下对应有电路运行模块的启发断路器工作采集特征段、以及结合训练断路器缺陷预测网络的第二特征提取分支解析各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及结合训练断路器缺陷预测网络的分类分支输出各启发断路器工作采集特征段关联的预测断路器缺陷类别。
步骤340:结合参考断路器工作采集特征中的基础断路器工作采集特征段,从该参考断路器工作采集特征关联的多个启发断路器工作采集特征段中选取目标断路器工作采集特征段,并结合各参考断路器工作采集特征关联的基础工作状态描述时序序列、各参考断路器工作采集特征的目标断路器工作采集特征段的启发工作状态描述时序序列以及各参考断路器工作采集特征所关联的断路器应用任务场景确定第一网络学习效果值。
示例性地,可以将参考断路器工作采集特征中的基础断路器工作采集特征段与该参考断路器工作采集特征关联的各启发断路器工作采集特征段进行工作重合度确定,确定该参考断路器工作采集特征关联的各启发断路器工作采集特征段的工作重合度;获取工作重合度大于门限重合度的启发断路器工作采集特征段,确定为参考断路器工作采集特征的目标断路器工作采集特征段。对参考断路器工作采集特征关联的基础工作状态描述时序序列、该参考断路器工作采集特征的目标断路器工作采集特征段的启发工作状态描述时序序列进行融合生成参考断路器工作采集特征的目标工作状态描述时序序列;以及将对应于同一个断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得独立场景向量偏离值;将对应不同的断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得跨场景向量偏离值;结合独立场景向量偏离值与跨场景向量偏离值之间的偏离值对比值得到第一网络学习效果值。
步骤350:结合各参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段关联的预测断路器缺陷类别计算第二网络学习效果值。
在执行上述步骤350时,可引入误差逆传播数值、参考逆传播数值来计算网络学习效果值。示例性地,可以将各参考断路器工作采集特征关联的基础断路器工作采集特征段和各启发断路器工作采集特征段进行回路状态相关度确定,确定各参考断路器工作采集特征中各启发断路器工作采集特征段关联的回路状态相关度,各启发断路器工作采集特征段关联的回路状态相关度为该启发断路器工作采集特征段关联的误差逆传播数值。获取参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量与目标断路器工作采集特征段的第二数据段量之间的数据段偏离量,结合参考断路器工作采集特征关联的数据段偏离量与和该参考断路器工作采集特征关联的单元断路器工作采集特征的第三数据段量之间的偏离值对比值,确定参考断路器工作采集特征的参考逆传播数值。获取参考断路器工作采集特征中各启发断路器工作采集特征段关联的预测断路器缺陷类别中与基础断路器工作采集特征段关联的标注断路器缺陷类别相同的预测断路器缺陷类别的类别数;将该类别数与参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量之间的比较数值,确定为参考断路器工作采集特征的缺陷类别可信权重。
结合各参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值、该参考断路器工作采集特征的参考逆传播数值和缺陷类别可信权重,确定第二网络学习效果值。
在获得第一网络学习效果值和第二网络学习效果值后,可以执行如下步骤:
步骤360:将第一网络学习效果值与第二网络学习效果值进行汇总获得网络收敛评估指标。
步骤370:结合网络收敛评估指标迭代调整所述训练断路器缺陷预测网络的功能层配置信息。
图2示出了本申请实施例提供的用于实现上述的应用于低压配电物联网的断路器管理方法的应用于低压配电物联网的断路器管理系统100的硬件结构意图,如图2所示,应用于低压配电物联网的断路器管理系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
一种可替代的实施例中,应用于低压配电物联网的断路器管理系统100可以是单个服务器,也可以是服务器组。所述服务器组可以是集中式的,也可以是分布式的(例如,应用于低压配电物联网的断路器管理系统100可以是分布式的系统)。一种可替代的实施例中,应用于低压配电物联网的断路器管理系统100可以是本地的,也可以是远程的。例如,应用于低压配电物联网的断路器管理系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,应用于低压配电物联网的断路器管理系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种可替代的实施例中,应用于低压配电物联网的断路器管理系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。一种可替代的实施例中,机器可读存储介质120可以存储从外部终端获取的数据。一种可替代的实施例中,机器可读存储介质120可以储存应用于低压配电物联网的断路器管理系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。一种可替代的实施例中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。
在具体实现过程中,多个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的应用于低压配电物联网的断路器管理方法,处理器110、机器可读存储介质120以及通信单元140通过总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述应用于低压配电物联网的断路器管理系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上应用于低压配电物联网的断路器管理方法。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (9)
1.一种应用于低压配电物联网的断路器管理方法,其特征在于,所述方法包括:
从低压配电物联网系统的第一典型断路器工作采集特征队列中获取多个参考断路器工作采集特征,所述第一典型断路器工作采集特征队列包括多个断路器应用任务场景的电路运行模块关联的样本断路器工作采集特征,各样本断路器工作采集特征分别先验定义了包括模块断路器工作采集特征的基础断路器工作采集特征段及该基础断路器工作采集特征段关联的标注断路器缺陷类别,所述多个参考断路器工作采集特征分别对应于多个断路器应用任务场景的电路运行模块关联的样本断路器工作采集特征;
结合训练断路器缺陷预测网络解析所述多个参考断路器工作采集特征中各参考断路器工作采集特征的基础断路器工作采集特征段的基础工作状态描述时序序列;
结合所述训练断路器缺陷预测网络解析各所述参考断路器工作采集特征在多个启发式扩展搜索策略下对应有电路运行模块的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各启发断路器工作采集特征段关联的预测断路器缺陷类别;
结合各所述参考断路器工作采集特征中的基础断路器工作采集特征段、基础断路器工作采集特征段的基础工作状态描述时序序列以及基础断路器工作采集特征段的标注断路器缺陷类别、所述参考断路器工作采集特征中的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定网络收敛评估指标;
结合所述网络收敛评估指标迭代调整所述训练断路器缺陷预测网络的功能层配置信息,直到所述功能层配置信息不再发生变化时生成可部署使用的断路器缺陷预测应用网络,并基于所述断路器缺陷预测应用网络对候选断路器工作采集特征进行处理,生成对应的断路器缺陷预测数据;
结合各所述参考断路器工作采集特征中的基础断路器工作采集特征段、基础断路器工作采集特征段的基础工作状态描述时序序列以及基础断路器工作采集特征段的标注断路器缺陷类别、所述参考断路器工作采集特征中的启发断路器工作采集特征段、各启发断路器工作采集特征段关联的启发工作状态描述时序序列以及各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定网络收敛评估指标,包括:
结合所述参考断路器工作采集特征中的基础断路器工作采集特征段,从该参考断路器工作采集特征关联的多个启发断路器工作采集特征段中选取目标断路器工作采集特征段;
对所述参考断路器工作采集特征关联的基础工作状态描述时序序列、该参考断路器工作采集特征的目标断路器工作采集特征段的启发工作状态描述时序序列进行融合生成所述参考断路器工作采集特征的目标工作状态描述时序序列;
将对应于同一个断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得独立场景向量偏离值;
将对应不同的断路器应用任务场景的参考断路器工作采集特征的目标工作状态描述时序序列进行向量偏离值计算获得跨场景向量偏离值;
结合所述独立场景向量偏离值与所述跨场景向量偏离值之间的偏离值对比值得到第一网络学习效果值;
结合各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各所述参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段关联的预测断路器缺陷类别计算第二网络学习效果值,其中,将所述参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段关联的预测断路器缺陷类别输入到交叉熵计算公式中进行计算,确定第二网络学习效果值;
将所述第一网络学习效果值与所述第二网络学习效果值进行汇总获得网络收敛评估指标。
2.根据权利要求1所述的应用于低压配电物联网的断路器管理方法,其特征在于,所述结合所述参考断路器工作采集特征中的基础断路器工作采集特征段,从该参考断路器工作采集特征关联的多个启发断路器工作采集特征段中选取目标断路器工作采集特征段,包括:
将所述参考断路器工作采集特征中的基础断路器工作采集特征段与该参考断路器工作采集特征关联的各启发断路器工作采集特征段进行工作重合度确定,确定该参考断路器工作采集特征关联的各启发断路器工作采集特征段的工作重合度;
获取工作重合度大于门限重合度的启发断路器工作采集特征段,确定为所述参考断路器工作采集特征的目标断路器工作采集特征段。
3.根据权利要求1所述的应用于低压配电物联网的断路器管理方法,其特征在于,所述结合各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和该基础断路器工作采集特征段关联的标注断路器缺陷类别、以及各所述参考断路器工作采集特征关联的各启发断路器工作采集特征段和各启发断路器工作采集特征段关联的预测断路器缺陷类别计算第二网络学习效果值,包括:
结合各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和各启发断路器工作采集特征段,确定该参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值;
结合各所述参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量和目标断路器工作采集特征段的第二数据段量得到该参考断路器工作采集特征的参考逆传播数值;
结合所述参考断路器工作采集特征中基础断路器工作采集特征段关联的标注断路器缺陷类别和各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定所述参考断路器工作采集特征的缺陷类别可信权重;
结合各参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值、该参考断路器工作采集特征的参考逆传播数值和缺陷类别可信权重,确定第二网络学习效果值。
4.根据权利要求3所述的应用于低压配电物联网的断路器管理方法,其特征在于,结合各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和各启发断路器工作采集特征段,确定该参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值,包括:
将各所述参考断路器工作采集特征关联的基础断路器工作采集特征段和各启发断路器工作采集特征段进行回路状态相关度确定,确定各参考断路器工作采集特征中各启发断路器工作采集特征段关联的回路状态相关度,各所述启发断路器工作采集特征段关联的回路状态相关度为该启发断路器工作采集特征段关联的误差逆传播数值。
5.根据权利要求3所述的应用于低压配电物联网的断路器管理方法,其特征在于,所述结合各所述参考断路器工作采集特征对应启发断路器工作采集特征段的第一数据段量和目标断路器工作采集特征段的第二数据段量得到该参考断路器工作采集特征的参考逆传播数值,包括:
获取所述参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量与目标断路器工作采集特征段的第二数据段量之间的数据段偏离量;
结合所述参考断路器工作采集特征关联的数据段偏离量与和该参考断路器工作采集特征关联的单元断路器工作采集特征的第三数据段量之间的偏离值对比值,确定参考断路器工作采集特征的参考逆传播数值。
6.根据权利要求3所述的应用于低压配电物联网的断路器管理方法,其特征在于,所述结合所述参考断路器工作采集特征中基础断路器工作采集特征段关联的标注断路器缺陷类别和各启发断路器工作采集特征段关联的预测断路器缺陷类别,确定所述参考断路器工作采集特征的缺陷类别可信权重,包括:
获取所述参考断路器工作采集特征中各启发断路器工作采集特征段关联的预测断路器缺陷类别中与基础断路器工作采集特征段关联的标注断路器缺陷类别相同的预测断路器缺陷类别的类别数;
将该类别数与参考断路器工作采集特征关联的启发断路器工作采集特征段的第一数据段量之间的比较数值,确定为所述参考断路器工作采集特征的缺陷类别可信权重。
7.根据权利要求3所述的应用于低压配电物联网的断路器管理方法,其特征在于,所述结合各参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值、该参考断路器工作采集特征的参考逆传播数值和缺陷类别可信权重,确定第二网络学习效果值,包括:
对所述参考断路器工作采集特征中各启发断路器工作采集特征段关联的误差逆传播数值进行融合生成所述参考断路器工作采集特征的误差逆传播数值;
对所述参考断路器工作采集特征的缺陷类别可信权重计算命中权重分布间差异的非对称性度量,将计算的非对称性度量与该参考断路器工作采集特征的误差逆传播数值和参考逆传播数值进行融合生成该参考断路器工作采集特征关联的网络学习效果值;
对各所述参考断路器工作采集特征的网络学习效果值进行汇总,确定第二网络学习效果值。
8.根据权利要求1-7任一项所述的应用于低压配电物联网的断路器管理方法,其特征在于,所述训练断路器缺陷预测网络还通过以下方式进行进一步生成:
获取第二典型断路器工作采集特征队列,所述第二典型断路器工作采集特征队列中包括多个断路器应用任务场景的电路运行模块关联的典型断路器工作采集特征,各典型断路器工作采集特征分别先验定义了包括模块断路器工作采集特征的基础断路器工作采集特征段及该基础断路器工作采集特征段关联的标注断路器缺陷类别;
将第二典型断路器工作采集特征队列中的各典型断路器工作采集特征导入时间递归神经网络中,结合各典型断路器工作采集特征对时间递归神经网络进行初始化配置,确定训练断路器缺陷预测网络。
9.一种应用于低压配电物联网的断路器管理系统,其特征在于,所述应用于低压配电物联网的断路器管理系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现权利要求1-8中任意一项所述的应用于低压配电物联网的断路器管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054681.5A CN116756548B (zh) | 2023-08-22 | 2023-08-22 | 应用于低压配电物联网的断路器管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054681.5A CN116756548B (zh) | 2023-08-22 | 2023-08-22 | 应用于低压配电物联网的断路器管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116756548A CN116756548A (zh) | 2023-09-15 |
CN116756548B true CN116756548B (zh) | 2023-10-24 |
Family
ID=87961336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311054681.5A Active CN116756548B (zh) | 2023-08-22 | 2023-08-22 | 应用于低压配电物联网的断路器管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756548B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106482937A (zh) * | 2016-09-30 | 2017-03-08 | 南方电网科学研究院有限责任公司 | 一种高压断路器机械状态的监测方法 |
KR101733218B1 (ko) * | 2016-11-04 | 2017-05-23 | 이엔테크놀로지 주식회사 | 송전경로 고장 시 발전기 정지없이 발전전력을 저장하는 시스템 및 방법 |
CN108828441A (zh) * | 2018-06-12 | 2018-11-16 | 江苏镇安电力设备有限公司 | 高压断路器故障诊断方法 |
CN110118928A (zh) * | 2018-02-05 | 2019-08-13 | 西安交通大学 | 一种基于误差逆传播算法的断路器故障诊断方法 |
CN111079647A (zh) * | 2019-12-17 | 2020-04-28 | 国网江苏省电力有限公司检修分公司 | 一种断路器缺陷识别方法 |
CN113315099A (zh) * | 2021-05-20 | 2021-08-27 | 国网宁夏电力有限公司检修公司 | 换流站交流滤波器断路器的故障预警方法、介质及系统 |
CN113433879A (zh) * | 2021-07-30 | 2021-09-24 | 贵州中南锦天科技有限责任公司 | 一种新型智慧多功能联网灯杆塔远程联网控制平台 |
CN115114395A (zh) * | 2022-04-15 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 内容检索及模型训练方法、装置、电子设备和存储介质 |
CN115195748A (zh) * | 2022-08-15 | 2022-10-18 | 中汽研(天津)汽车工程研究院有限公司 | 基于数据驱动的智能汽车拟人化决策规划系统及方法 |
CN115496144A (zh) * | 2022-09-21 | 2022-12-20 | 深圳供电局有限公司 | 配电网运行场景确定方法、装置、计算机设备和存储介质 |
CN115864644A (zh) * | 2022-12-05 | 2023-03-28 | 国网北京市电力公司 | 一种继电保护装置状态评价方法、系统、设备及介质 |
CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
CN115905959A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于缺陷因子的电力断路器关联性故障分析方法及装置 |
-
2023
- 2023-08-22 CN CN202311054681.5A patent/CN116756548B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106482937A (zh) * | 2016-09-30 | 2017-03-08 | 南方电网科学研究院有限责任公司 | 一种高压断路器机械状态的监测方法 |
KR101733218B1 (ko) * | 2016-11-04 | 2017-05-23 | 이엔테크놀로지 주식회사 | 송전경로 고장 시 발전기 정지없이 발전전력을 저장하는 시스템 및 방법 |
CN110118928A (zh) * | 2018-02-05 | 2019-08-13 | 西安交通大学 | 一种基于误差逆传播算法的断路器故障诊断方法 |
CN108828441A (zh) * | 2018-06-12 | 2018-11-16 | 江苏镇安电力设备有限公司 | 高压断路器故障诊断方法 |
CN111079647A (zh) * | 2019-12-17 | 2020-04-28 | 国网江苏省电力有限公司检修分公司 | 一种断路器缺陷识别方法 |
CN113315099A (zh) * | 2021-05-20 | 2021-08-27 | 国网宁夏电力有限公司检修公司 | 换流站交流滤波器断路器的故障预警方法、介质及系统 |
CN113433879A (zh) * | 2021-07-30 | 2021-09-24 | 贵州中南锦天科技有限责任公司 | 一种新型智慧多功能联网灯杆塔远程联网控制平台 |
CN115114395A (zh) * | 2022-04-15 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 内容检索及模型训练方法、装置、电子设备和存储介质 |
CN115195748A (zh) * | 2022-08-15 | 2022-10-18 | 中汽研(天津)汽车工程研究院有限公司 | 基于数据驱动的智能汽车拟人化决策规划系统及方法 |
CN115496144A (zh) * | 2022-09-21 | 2022-12-20 | 深圳供电局有限公司 | 配电网运行场景确定方法、装置、计算机设备和存储介质 |
CN115864644A (zh) * | 2022-12-05 | 2023-03-28 | 国网北京市电力公司 | 一种继电保护装置状态评价方法、系统、设备及介质 |
CN115905959A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于缺陷因子的电力断路器关联性故障分析方法及装置 |
CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
Non-Patent Citations (3)
Title |
---|
Principal component analysis (PCA) based sparrow search algorithm (SSA) for optimal learning vector quantized (LVQ) neural network for mechanical fault diagnosis of high voltage circuit breakers;Kuan Zhang等;《Energy Reports》;第9卷;第954-962页 * |
低压万能式断路器机械故障诊断及程度评估方法的研究;张强;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第(2019)12期);C042-154 * |
基于混合特征和集成极限学习机的高压断路器机械故障检测;田园等;《电子器件》;第46卷(第1期);第203-209页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116756548A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
Li et al. | A hierarchical data-driven method for event-based load shedding against fault-induced delayed voltage recovery in power systems | |
Velasquez-Contreras et al. | General asset management model in the context of an electric utility: Application to power transformers | |
CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
CN104951990B (zh) | 电网数据处理方法及设备 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及系统 | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
Bento et al. | Short-term load forecasting using optimized LSTM networks via improved bat algorithm | |
Sá et al. | A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators | |
CN116756548B (zh) | 应用于低压配电物联网的断路器管理方法及系统 | |
CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估系统 | |
CN116310551A (zh) | 多模态信息融合网络的电力变压器故障诊断方法及系统 | |
Romero-Quete et al. | Assessing the loss-of-insulation life of power transformers by estimating their historical loads and ambient temperature profiles using ANNs and Monte Carlo simulations | |
CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
CN113298296A (zh) | 一种自下而上的输电变电站日前负荷概率预测方法 | |
Stefanidou-Voziki et al. | A Practical Fault Location Algorithm With Increased Adaptability for Active Low Voltage Grids | |
Liu et al. | Artificial enabled communications energy trade management in sustainable generator based fault detection for work substation recordings | |
Thapa et al. | High-precision transient stability assessment using convolution neural network | |
Zhao et al. | A decision tree approach for power transformer insulation fault diagnosis | |
CN117951574B (zh) | 一种基于语义嵌入的飞机电源系统故障诊断方法及系统 | |
Rivas et al. | Partial discharge detection in power lines using automated machine learning | |
Yuan et al. | State detection of electrical equipment based on infrared thermal imaging technology | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal |
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 |