CN117035559A - 一种电气设备多参量变送器模拟安装评价方法及系统 - Google Patents
一种电气设备多参量变送器模拟安装评价方法及系统 Download PDFInfo
- Publication number
- CN117035559A CN117035559A CN202311292195.7A CN202311292195A CN117035559A CN 117035559 A CN117035559 A CN 117035559A CN 202311292195 A CN202311292195 A CN 202311292195A CN 117035559 A CN117035559 A CN 117035559A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- transmitter
- layer
- 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.)
- Granted
Links
- 238000009434 installation Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 title claims abstract description 48
- 238000004088 simulation Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000011176 pooling Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 239000002131 composite material Substances 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 3
- 229910018503 SF6 Inorganic materials 0.000 description 18
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 18
- 229960000909 sulfur hexafluoride Drugs 0.000 description 18
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000700 time series analysis 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种电气设备多参量变送器模拟安装评价方法及系统,方法包括:基于标准变送器和被测变送器采集的数据,构建用于提取安装方式特征表示的第一神经网络模型,以及用于提取测量过程特征表示的第二神经网络模型;将两神经网络模型的输出结果,以及用于评估的目标值数据整理为新的数据集,用于构建第三神经网络模型,第三神经网络模型包括输入层、差异层级、融合层级和输出层。本发明中提供了一种更科学、更客观、更全面的方法来评价被测变送器的安装和测量过程,降低了人为主观因素的影响,提高了评估的可重复性和准确性,同时通过神经网络模型的应用,可以更有效地处理大量数据,减少了时间和人力资源的浪费。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种电气设备多参量变送器模拟安装评价方法。
背景技术
六氟化硫作为一种性能良好的绝缘气体,会被填充于高压电气设备内,作为灭弧介质使用。为了针对不同高压电气设备的使用情况而精准评估六氟化硫气体的绝缘性能,需要引入六氟化硫气体状态的多参量变送器。
目前,为了实现上述多参量变送器的安装方式及测量过程的评价,针对性的研究开发了模拟六氟化硫电气设备的测试装置,通过腔体模拟电气设备中填充六氟化硫的内部空间,而相对于腔体安装用于测量六氟化硫气体状态的多参量变送器,具体包括标准变送器和被测变送器,获得通过标准变送器测量的标准值,以及获得通过被测变送器测量的待评价值,以标准值作为基准,而与待评价值进行比较,比较的结果可作为被测变送器安装方式及测量过程的评价依据。
现有的方式中,当获得上述评价依据后,往往通过人工的方式进行数据的处理及比较,上述人工处理评价依据的方式可能会受到操作人员主观判断和个人经验的影响,因此可能会产生不一致的结果,不同的人员可能会对相同的数据得出不同的结论,从而导致不确定性和不稳定性;且人工处理可能会引入人为误差,特别是在对数据进行解释和分析时,这可能会影响到评估的准确性和精度。另外,对大量数据进行人工处理需要大量的时间和人力资源,这对于大规模的测试和评估工作来说可能会非常昂贵和耗时。
发明内容
本发明中提供了一种电气设备多参量变送器模拟安装评价方法,可有效解决上述问题。
为了达到上述目的,本发明所采用的技术方案是:
一种电气设备多参量变送器模拟安装评价方法,包括:
基于标准变送器和被测变送器所采集的数据,构建用于提取安装方式特征表示的第一神经网络模型,以及用于提取测量过程特征表示的第二神经网络模型;
将第一神经网络模型和第二神经网络模型的输出结果、以及用于评估的目标值数据整理为新的数据集,用于构建第三神经网络模型,所述第三神经网络模型包括输入层、差异层级、融合层级和输出层;
通过所述输入层接收来自新的数据集的原始数据;
通过所述差异层级处理原始数据并提取特征,且生成新的特征表示;
通过所述融合层级将来自所述差异层级的特征表示,以及标准变送器和被测变送器的原始数据和环境湿度数据合并,生成综合特征表示;
通过所述输出层生成最终安装方式和测量过程的综合评估结果。
进一步地,通过所述差异层级处理原始数据并提取特征,且生成新的特征表示,包括:
对所述原始数据进行预处理及归一化,获得预处理数据;
组合使用循环层和池化层构建所述差异层级,且在所述循环层及池化层后均引用激活函数,以引入非线性特征;
通过所述差异层级对所述预处理数据进行处理,获得一组新的特征表示。
进一步地,将所述预处理数据存储为表格形式;
组合使用循环层和池化层构建所述差异层级,且在所述循环层及池化层后均引用激活函数,包括:
查看所述预处理数据的形状,确定所述预处理数据的维度;
根据所述维度确定循环层和池化层的初始节点数量,且根据所述初始节点数量为所述循环层和池化层分配节点数量,其中,所述循环层的节点数量大于所述池化层的节点数量;
对所述第三神经网络模型进行训练和评估,根据所述第三神经网络模型在验证集上的性能,对所述初始节点数量进行调节。
进一步地,通过所述差异层级对所述预处理数据进行处理,获得一组特征表示,包括:
通过所述循环层捕获所述预处理数据中的时间序列信息;
通过所述池化层降低所述预处理数据的维度,同时保留重要特征;
在每个所述循环层和池化层之后,应用激活函数以引入非线性特征;
将所述重要特征和非线性特征汇总,以获得一组综合的特征表示。
进一步地,通过所述循环层捕获所述预处理数据中的时间序列信息,包括:
将所述长短时记忆网络添加到所述第三神经网络模型的循环层中;
定义长短时记忆网络的参数和超参数;
确定所述预处理数据每个序列的时间步数;
将所述预处理数据组织成三维张量,其中维度包括批量大小、时间步数和特征数,所述批量大小为同时输入到长短时记忆网络中的数据样本数量,所述特征数为每个时间步内的特征数量;
将所述三维张量作为所述长短时记忆网络的输入,通过所述长短时记忆网络捕获数据中的时间序列信息。
进一步地,通过所述融合层级将来自所述差异层级的特征表示,以及标准变送器和被测变送器的原始数据和环境湿度数据合并,生成综合特征表示,包括:
将来自所述差异层级的特征表示存储在特征矩阵中,每一列代表一个特征,每一行代表与特征对应的数据样本;
收集来自标准变送器和被测变送器的原始数据和环境湿度数据,且进行特征工程而转换成所需特征,保证所述特征矩阵中的特征和所述所需特征的数据样本维度相同;
将所述特征矩阵中的特征与所述所需特征合并到一个大的特征矩阵中,而生成综合特征表示。
进一步地,将所述特征矩阵中的特征与所述所需特征合并到一个大的特征矩阵中,而生成综合特征表示,包括:
计算所述所需特征与特征矩阵中特征的融合值;
将计算得到的所述融合值添加为新的特征列以扩展特征集合;
将特征矩阵中的特征、所需特征与新生成的特征列按照设定规则进行融合,以生成最终的综合特征表示。
进一步地,构建所述第一神经网络模型,包括:
准备包括标准变送器和被测变送器所采集的数据,且对所述数据进行预处理;
设计第一神经网络的架构,且通过预处理完成的数据对设计完成的所述第一神经网络模型进行训练;
训练完成后,通过所述第一神经网络模型中提取安装方式特征表示。
进一步地,构建所述第二神经网络模型,包括:
准备包括标准变送器和被测变送器所采集的数据,且对所述数据进行预处理;
设计第二神经网络的架构,且通过预处理完成的数据对设计完成的所述第二神经网络模型进行训练;
训练完成后,通过所述第二神经网络模型中提取测量过程特征表示。
一种电气设备多参量变送器模拟安装评价系统,包括:
数据采集模块,用于收集标准变送器和被测变送器所采集的数据;
第一神经网络模型,基于所述标准变送器和被测变送器所采集的数据提取安装方式特征表示;
第二神经网络模型,基于所述标准变送器和被测变送器所采集的数据提取测量过程特征表示;
数据整理模块,将所述第一神经网络模型和第二神经网络模型的输出结果、以及用于评估的目标值数据整理为新的数据集;
第三神经网络模型,包括输入层、差异层级、融合层级和输出层;
所述输入层接收来自新的数据集的原始数据;
所述差异层级处理原始数据并提取特征,且生成新的特征表示;
所述融合层级将来自所述差异层级的特征表示,以及标准变送器和被测变送器的原始数据和环境湿度数据合并,生成综合特征表示;
所述输出层生成最终安装方式和测量过程的综合评估结果。
通过本发明的技术方案,可实现以下技术效果:
本发明中提供了一种更科学、更客观、更全面的方法来评价被测变送器的安装和测量过程,降低了人为主观因素的影响,提高了评估的可重复性和准确性,同时通过神经网络模型的应用,可以更有效地处理大量数据,减少了时间和人力资源的浪费。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为电气设备多参量变送器模拟安装评价方法的流程图;
图2为通过差异层级处理原始数据并提取特征,且生成新的特征表示的流程图;
图3为组合使用循环层和池化层构建差异层级,且在循环层及池化层后均引用激活函数的流程图;
图4为通过差异层级对预处理数据进行处理,获得一组特征表示的流程图;
图5为通过循环层捕获预处理数据中的时间序列信息的流程图;
图6为通过融合层级将来自差异层级的特征表示,以及标准变送器和被测变送器的原始数据、模拟六氟化硫电气设备测试装置腔体的尺寸数据和环境湿度数据合并,生成综合特征表示的流程图;
图7为将特征矩阵中的特征与所需特征合并到一个大的特征矩阵中,而生成综合特征表示的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示,一种电气设备多参量变送器模拟安装评价方法,包括:
S01:基于标准变送器和被测变送器所采集的数据,构建用于提取安装方式特征表示的第一神经网络模型,以及用于提取测量过程特征表示的第二神经网络模型;
S02:将第一神经网络模型和第二神经网络模型的输出结果、以及用于评估的目标值数据整理为新的数据集,用于构建第三神经网络模型,第三神经网络模型包括输入层、差异层级、融合层级和输出层;
S03:通过输入层接收来自新的数据集的原始数据;
S04:通过差异层级处理原始数据并提取特征,且生成新的特征表示;
S05:通过融合层级将来自差异层级的特征表示,以及标准变送器和被测变送器的原始数据和环境湿度数据合并,生成综合特征表示;
S06:通过输出层生成最终安装方式和测量过程的综合评估结果。
本发明在评价被测变送器的安装和测量过程方面具有显著的优势, 标准变送器的设置提供基准值,可以用作评估的参考点,通过与标准值的比较,可以量化评价被测变送器的性能,而不是依赖于主观判断或个人经验,这降低了评价的不确定性和不稳定性。标准变送器的设置确保了评估过程的可追溯性,标准变送器的性能和特性是已知的,所以可以确保评估是基于已知的、可靠的基准进行的,而不受人为因素的影响;且标准变送器和被测变送器采集的数据在同一环境下进行,从而确保了数据的一致性,这有助于减小因环境差异引起的误差,提高评估的准确性。
在实施过程中,第三神经网络模型的差异层级负责处理原始数据并提取特征,这有助于捕获安装方式和测量过程中的关键特征,从而提高了模型的敏感性和性能;融合层级则将不同来源的特征表示合并,创造出更综合的特征表示,使模型能够更全面地评估安装方式和测量过程。
另外,通过在差异层级和融合层级中对数据进行处理和组合,可以降低数据的复杂性,这使得神经网络更容易学习和理解数据之间的关系,同时减少了模型过拟合的风险。第三神经网络模型的输出层生成最终的综合评估结果,这意味着整个评估过程是基于多个层级和多个特征表示的综合考虑,这提高了评估的全面性和准确性,有助于捕捉到被测变送器安装方式和测量过程中的多个方面的信息。
综上,本发明提供了一种更科学、更客观、更全面的方法来评价被测变送器的安装和测量过程,降低了人为主观因素的影响,提高了评估的可重复性和准确性,同时通过神经网络模型的应用,可以更有效地处理大量数据,减少了时间和人力资源的浪费。
针对步骤S04:通过差异层级处理原始数据并提取特征,且生成新的特征表示,在实施过程中,如图2所示,包括:
A01:对原始数据进行预处理及归一化,获得预处理数据;这是数据处理的常见步骤,有助于确保数据质量和尺度一致性;
A02:组合使用循环层和池化层构建差异层级,且在循环层及池化层后均引用激活函数,以引入非线性特征;
A03:通过差异层级对预处理数据进行处理,获得一组新的特征表示。
在电气设备实际的工作过程中,可能会存在诸多的非线性关系,例如:在电气设备中,六氟化硫浓度可能受到温度的影响,通常情况下,随着温度升高,气体的扩散速率可能会增加,导致六氟化硫浓度与温度之间的关系呈非线性。同时,针对电气设备内部的六氟化硫浓度进行测量时,数据通常是时间序列数据,六氟化硫浓度随着时间的推移可能会呈现出周期性、季节性或其他非线性变化,特别是在设备启动、关闭或维护时。
基于上述情况在池化层和循环层后引用激活函数,允许模型捕捉数据中的非线性特征,激活函数(如ReLU、Sigmoid、Tanh等)使模型能够学习并表示这些非线性关系,从而更好地拟合数据。引入非线性激活函数可以显著提高神经网络模型的表达能力,这意味着模型可以更灵活地适应各种数据模式和特征。通过循环层的使用可以帮助捕捉数据中的时间相关特征,例如趋势和周期性;在循环层之后,添加池化层,以降低数据的维度,这可以有助于减少计算复杂性,同时保留数据的关键信息,池化层通常可以用于减少时间序列数据的采样率,从而减小数据的长度。
综上,六氟化硫测试设备中的多参数采集为评估设备性能提供了丰富的信息,但也带来了数据的多样性和复杂性挑战,本发明中在数据处理的不同层级引入非线性特征捕捉和时间相关性建模,可以更全面地理解和评估设备的性能,支持安装方式和测量过程的优化。
作为上述实施例的优选,将预处理数据存储为表格形式;基于该表格形式,组合使用循环层和池化层构建差异层级,且在循环层及池化层后均引用激活函数,如图3所示,包括:
A31:查看预处理数据的形状,确定预处理数据的维度;本步骤为循环层和池化层的初始节点数量提供依据;
A32:根据维度确定循环层和池化层的初始节点数量,且根据初始节点数量为循环层和池化层分配节点数量,其中,循环层的节点数量大于池化层的节点数量;确定循环层和池化层的节点数量比例是根据问题的性质和数据的复杂性来决定的;通常,循环层用于捕获时间相关性,因此可能需要更多的节点,而池化层用于降低数据维度,因此可能需要较少的节点,这个步骤有助于平衡不同层级的贡献。
A33:对第三神经网络模型进行训练和评估,根据第三神经网络模型在验证集上的性能,对初始节点数量进行调节;在验证集上评估模型的性能是确定节点数量是否合适的关键因素,如果模型在验证集上表现不佳,可以通过调整节点数量来改善模型性能。
作为上述实施例的优选,通过差异层级对预处理数据进行处理,获得一组特征表示,如图4所示,包括:
A41:通过循环层捕获预处理数据中的时间序列信息;
A42:通过池化层降低预处理数据的维度,同时保留重要特征;
A43:在每个循环层和池化层之后,应用激活函数以引入非线性特征;
A44:将重要特征和非线性特征汇总,以获得一组综合的特征表示。
通过上述优选方案可以确保更全面地捕获与安装方式和测量过程相关的信息,第三神经网络模型通过循环层可以有效地捕获数据中的时间序列信息,这对于分析电气设备多参数变送器的安装方式和测量过程中的动态变化非常重要,在实际工作中,六氟化硫的参数如浓度、温度等可能会随时间变化,通过捕获时间序列信息,可以实时监测这些参数的变化,识别任何潜在的异常情况,确保六氟化硫处理过程的稳定性和安全性。某些参数可能会受到周期性影响,例如电力设备开启周期或维护周期,时间序列分析可以帮助识别这些周期性变化,同时还可以用于分析不同参数之间的关联性,这有助于确定参数之间的相互影响,从而更好地了解六氟化硫在安装方式和测量过程中的复杂动态关系。
在本实施例中,优选步骤A41在步骤A42前执行,通过首先关注时间序列信息,模型能够更全面地捕获数据中的动态变化和趋势,这意味着模型将首先关注变送器参数的时间相关性,有助于更好地理解参数如何随时间变化,从而提高了对变送器安装方式和测量过程的理解。在时间序列信息捕获完成后,模型可以通过步骤A42来减少数据的维度,池化层有助于减少时间序列数据的采样率,从而降低了数据的长度,这种降维可以显著减少模型的计算负担,提高了模型的训练和推断效率。
其中,优选通过循环层捕获预处理数据中的时间序列信息,如图5所示,包括:
A411:将长短时记忆网络添加到第三神经网络模型的循环层中;这使得模型可以利用长短时记忆网络来捕获数据中的序列信息;
A412:定义长短时记忆网络的参数和超参数;这一步骤涉及确定长短时记忆网络的具体架构,包括网络的层数、每一层的神经元数量、学习率等超参数,这些参数和超参数的选择会影响LSTM网络的性能和适应能力;
A413:确定预处理数据每个序列的时间步数;即每个数据序列的长度;
A414:将预处理数据组织成三维张量,其中维度包括批量大小、时间步数和特征数,批量大小为同时输入到长短时记忆网络中的数据样本数量,特征数为每个时间步内的特征数量;
A415:将三维张量作为长短时记忆网络的输入,通过长短时记忆网络捕获数据中的时间序列信息。
对于电气设备多参数变送器模拟安装评价方法的优势在于更好地捕获了数据中的时间序列信息,这对于分析安装方式和测量过程中的动态变化非常重要,特别是对于六氟化硫参数的监测,通过长短时记忆网络,模型可以更好地处理和利用时间相关性,从而提高了评价的准确性。
在实施过程中,通过融合层级将来自差异层级的特征表示,以及标准变送器和被测变送器的原始数据和环境湿度数据合并,生成综合特征表示,如图6所示,包括:
B01:将来自差异层级的特征表示存储在特征矩阵中,每一列代表一个特征,每一行代表与特征对应的数据样本;
B02:收集来自标准变送器和被测变送器的原始数据和环境湿度数据,且进行特征工程而转换成所需特征,保证特征矩阵中的特征和所需特征的数据样本维度相同;
B03:将特征矩阵中的特征与所需特征合并到一个大的特征矩阵中,而生成综合特征表示。
针对标准变送器和被测变送器的原始数据的特征工程包括:数据清洗,原始数据可能包含噪声或异常值,需要进行数据清洗,去除不合格的数据点。特征提取,从原始数据中提取有用的特征,例如,计算数据的统计特征,如均值、标准差、最大值、最小值等,或者时间序列特征,如趋势、周期性等,再或者频域特征,如傅里叶变换相关特征,或者使用滤波器提取频率域信息。数据归一化,将提取的特征进行归一化,确保不同特征的值在相同的尺度上,以防止某些特征对模型产生不合理的影响。
针对环境湿度数据的特征工程包括:时间序列处理, 环境湿度数据通常是时间序列数据,可以进行时间序列处理,例如计算滑动窗口下的平均湿度,季节性分析等。特征提取,从湿度数据中提取统计特征,如平均湿度、湿度变化的标准差、湿度的最小和最大值等。湿度对于绝缘性能至关重要,特别是在六氟化硫充填的环境中,泄漏可能导致腔体内湿度的变化,进而影响绝缘性能,因此,监测环境湿度是极佳的,以更好地理解绝缘性能的变化。
在实施过程中,通过收集多源数据并进行特征工程,可以更好地理解电气设备的性能,尤其是在考虑到泄漏对湿度和绝缘性能的影响时,这有助于提高设备的可靠性和安全性,降低维护成本,并提前识别潜在问题。
针对步骤B03:将特征矩阵中的特征与所需特征合并到一个大的特征矩阵中,而生成综合特征表示,如图7所示,优选包括:
B31:计算所需特征与特征矩阵中特征的融合值;
B32:将计算得到的融合值添加为新的特征列以扩展特征集合;
B33:将特征矩阵中的特征、所需特征与新生成的特征列按照设定规则进行融合,以生成最终的综合特征表示。
通过上述优选方案,允许将所需特征、原始特征矩阵中的其他特征和新的特征列结合在一起,生成一个包含更多信息的综合特征矩阵,这样可以更全面地考虑各种因素对电气设备性能的影响,从而提高评估的准确性。将计算得到的融合值添加为新的特征列,扩展了特征集合,可以更灵活地选择如何融合信息,以满足评估的需求,这样,可以更好地理解电气设备的性能,甚至可以发现以前未考虑的关键特征。其中所指的设定规则可包括:加权平均,这是一种常见的规则,是将特征矩阵中的特征与所需特征按照一定权重相加,生成新的特征列,这个权重可以根据特征的重要性来分配。连接或拼接,在该规则中将特征矩阵中的特征、所需特征和新生成的特征列按列连接或拼接在一起,以形成一个更大的特征矩阵。特征交叉,在某些情况下,可以通过将特征矩阵中的特征与所需特征进行交叉操作,生成新的组合特征,以获得更多信息。再或者其他定制规则,可根据具体问题,可以定义其他设定的规则,以确保生成的综合特征表示包含了所有必要的信息。上述各种设定规则可根据需要进行选择。
在步骤S01中,构建第一神经网络模型,包括:
C01:准备包括标准变送器和被测变送器所采集的数据,且对数据进行预处理;
C02:设计第一神经网络的架构,且通过预处理完成的数据对设计完成的第一神经网络模型进行训练;
C03:训练完成后,通过第一神经网络模型中提取安装方式特征表示。
同样地,构建第二神经网络模型,包括:
D01:准备包括标准变送器和被测变送器所采集的数据,且对数据进行预处理;
D02:设计第二神经网络的架构,且通过预处理完成的数据对设计完成的第二神经网络模型进行训练;
D03:训练完成后,通过第二神经网络模型中提取测量过程特征表示。
在上述优选方案中,针对第一神经网络模型和第二网络模型的构建,可采用近似的步骤,以第一神经网络模型为例,包括:收集标准变送器和被测变送器的实际数据,包括不同安装方式下的数据;标准化和预处理数据,以确保输入数据具有相同的尺度。设计第一神经网络模型,在实施过程中,输入层可包括与安装方式相关的特征,例如,安装方式的编码或标志,输出层用于预测六氟化硫的绝缘性能;将数据集分为训练集、验证集和测试集,以进行模型训练、验证和评估;使用训练集的数据,对神经网络模型进行训练,以学习安装方式与性能之间的关系,进行模型训练和参数调整,以提高模型的性能;使用验证集的数据来验证模型的性能,包括准确性、均方误差等指标,评估模型的泛化能力,确保其在新数据上的性能,最终实现模型应用。
实施例二
电气设备多参量变送器模拟安装评价系统,包括:
数据采集模块,用于收集标准变送器和被测变送器所采集的数据;
第一神经网络模型,基于标准变送器和被测变送器所采集的数据提取安装方式特征表示;
第二神经网络模型,基于标准变送器和被测变送器所采集的数据提取测量过程特征表示;
数据整理模块,将第一神经网络模型和第二神经网络模型的输出结果、以及用于评估的目标值数据整理为新的数据集;
第三神经网络模型,包括输入层、差异层级、融合层级和输出层;
输入层接收来自新的数据集的原始数据;
差异层级处理原始数据并提取特征,且生成新的特征表示;
融合层级将来自差异层级的特征表示,以及标准变送器和被测变送器的原始数据和环境湿度数据合并,生成综合特征表示;
输出层生成最终安装方式和测量过程的综合评估结果。
本实施例中所能够实现的技术效果与上述实施例中相同,此处不再赘述。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种电气设备多参量变送器模拟安装评价方法,其特征在于,包括:
基于标准变送器和被测变送器所采集的数据,构建用于提取安装方式特征表示的第一神经网络模型,以及用于提取测量过程特征表示的第二神经网络模型;
将第一神经网络模型和第二神经网络模型的输出结果、以及用于评估的目标值数据整理为新的数据集,用于构建第三神经网络模型,所述第三神经网络模型包括输入层、差异层级、融合层级和输出层;
通过所述输入层接收来自新的数据集的原始数据;
通过所述差异层级处理原始数据并提取特征,且生成新的特征表示;
通过所述融合层级将来自所述差异层级的特征表示,以及标准变送器和被测变送器的原始数据和环境湿度数据合并,生成综合特征表示;
通过所述输出层生成最终安装方式和测量过程的综合评估结果。
2.根据权利要求1所述的电气设备多参量变送器模拟安装评价方法,其特征在于,通过所述差异层级处理原始数据并提取特征,且生成新的特征表示,包括:
对所述原始数据进行预处理及归一化,获得预处理数据;
组合使用循环层和池化层构建所述差异层级,且在所述循环层及池化层后均引用激活函数,以引入非线性特征;
通过所述差异层级对所述预处理数据进行处理,获得一组新的特征表示。
3.根据权利要求2所述的电气设备多参量变送器模拟安装评价方法,其特征在于,将所述预处理数据存储为表格形式;
组合使用循环层和池化层构建所述差异层级,且在所述循环层及池化层后均引用激活函数,包括:
查看所述预处理数据的形状,确定所述预处理数据的维度;
根据所述维度确定循环层和池化层的初始节点数量,且根据所述初始节点数量为所述循环层和池化层分配节点数量,其中,所述循环层的节点数量大于所述池化层的节点数量;
对所述第三神经网络模型进行训练和评估,根据所述第三神经网络模型在验证集上的性能,对所述初始节点数量进行调节。
4.根据权利要求2所述的电气设备多参量变送器模拟安装评价方法,其特征在于,通过所述差异层级对所述预处理数据进行处理,获得一组特征表示,包括:
通过所述循环层捕获所述预处理数据中的时间序列信息;
通过所述池化层降低所述预处理数据的维度,同时保留重要特征;
在每个所述循环层和池化层之后,应用激活函数以引入非线性特征;
将所述重要特征和非线性特征汇总,以获得一组综合的特征表示。
5.根据权利要求4所述的电气设备多参量变送器模拟安装评价方法,其特征在于,通过所述循环层捕获所述预处理数据中的时间序列信息,包括:
将长短时记忆网络添加到所述第三神经网络模型的循环层中;
定义长短时记忆网络的参数和超参数;
确定所述预处理数据每个序列的时间步数;
将所述预处理数据组织成三维张量,其中维度包括批量大小、时间步数和特征数,所述批量大小为同时输入到长短时记忆网络中的数据样本数量,所述特征数为每个时间步内的特征数量;
将所述三维张量作为所述长短时记忆网络的输入,通过所述长短时记忆网络捕获数据中的时间序列信息。
6.根据权利要求1所述的电气设备多参量变送器模拟安装评价方法,其特征在于,通过所述融合层级将来自所述差异层级的特征表示,以及标准变送器和被测变送器的原始数据和环境湿度数据合并,生成综合特征表示,包括:
将来自所述差异层级的特征表示存储在特征矩阵中,每一列代表一个特征,每一行代表与特征对应的数据样本;
收集来自标准变送器和被测变送器的原始数据和环境湿度数据,且进行特征工程而转换成所需特征,保证所述特征矩阵中的特征和所述所需特征的数据样本维度相同;
将所述特征矩阵中的特征与所述所需特征合并到一个大的特征矩阵中,而生成综合特征表示。
7.根据权利要求6所述的电气设备多参量变送器模拟安装评价方法,其特征在于,将所述特征矩阵中的特征与所述所需特征合并到一个大的特征矩阵中,而生成综合特征表示,包括:
计算所述所需特征与特征矩阵中特征的融合值;
将计算得到的所述融合值添加为新的特征列以扩展特征集合;
将特征矩阵中的特征、所需特征与新生成的特征列按照设定规则进行融合,以生成最终的综合特征表示。
8.根据权利要求1所述的电气设备多参量变送器模拟安装评价方法,其特征在于,构建所述第一神经网络模型,包括:
准备包括标准变送器和被测变送器所采集的数据,且对所述数据进行预处理;
设计第一神经网络的架构,且通过预处理完成的数据对设计完成的所述第一神经网络模型进行训练;
训练完成后,通过所述第一神经网络模型中提取安装方式特征表示。
9.根据权利要求1所述的电气设备多参量变送器模拟安装评价方法,其特征在于,构建所述第二神经网络模型,包括:
准备包括标准变送器和被测变送器所采集的数据,且对所述数据进行预处理;
设计第二神经网络的架构,且通过预处理完成的数据对设计完成的所述第二神经网络模型进行训练;
训练完成后,通过所述第二神经网络模型中提取测量过程特征表示。
10.电气设备多参量变送器模拟安装评价系统,其特征在于,包括:
数据采集模块,用于收集标准变送器和被测变送器所采集的数据;
第一神经网络模型,基于所述标准变送器和被测变送器所采集的数据提取安装方式特征表示;
第二神经网络模型,基于所述标准变送器和被测变送器所采集的数据提取测量过程特征表示;
数据整理模块,将所述第一神经网络模型和第二神经网络模型的输出结果、以及用于评估的目标值数据整理为新的数据集;
第三神经网络模型,包括输入层、差异层级、融合层级和输出层;
所述输入层接收来自新的数据集的原始数据;
所述差异层级处理原始数据并提取特征,且生成新的特征表示;
所述融合层级将来自所述差异层级的特征表示,以及标准变送器和被测变送器的原始数据和环境湿度数据合并,生成综合特征表示;
所述输出层生成最终安装方式和测量过程的综合评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311292195.7A CN117035559B (zh) | 2023-10-08 | 2023-10-08 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311292195.7A CN117035559B (zh) | 2023-10-08 | 2023-10-08 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035559A true CN117035559A (zh) | 2023-11-10 |
CN117035559B CN117035559B (zh) | 2024-01-23 |
Family
ID=88630371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311292195.7A Active CN117035559B (zh) | 2023-10-08 | 2023-10-08 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035559B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
US20200037949A1 (en) * | 2018-08-02 | 2020-02-06 | Cyrcadia Data Services (CDS) Limited | Systems and methods for analyzing skin surface temperature rhythms to monitor health conditions |
CN111137292A (zh) * | 2018-11-01 | 2020-05-12 | 通用汽车环球科技运作有限责任公司 | 用于控制自主车辆的分层车道变换策略的基于空间和时间注意力的深度强化学习 |
CN112001527A (zh) * | 2020-07-29 | 2020-11-27 | 中国计量大学 | 多特征融合深度神经网络的工业生产过程目标数据预测方法 |
CN112389443A (zh) * | 2019-08-19 | 2021-02-23 | 辉达公司 | 使用一个或更多个神经网络进行视线检测 |
CN115713027A (zh) * | 2022-10-31 | 2023-02-24 | 国网江苏省电力有限公司泰州供电分公司 | 一种变压器状态评估方法、装置及系统 |
CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
-
2023
- 2023-10-08 CN CN202311292195.7A patent/CN117035559B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
US20200037949A1 (en) * | 2018-08-02 | 2020-02-06 | Cyrcadia Data Services (CDS) Limited | Systems and methods for analyzing skin surface temperature rhythms to monitor health conditions |
CN111137292A (zh) * | 2018-11-01 | 2020-05-12 | 通用汽车环球科技运作有限责任公司 | 用于控制自主车辆的分层车道变换策略的基于空间和时间注意力的深度强化学习 |
CN112389443A (zh) * | 2019-08-19 | 2021-02-23 | 辉达公司 | 使用一个或更多个神经网络进行视线检测 |
CN112001527A (zh) * | 2020-07-29 | 2020-11-27 | 中国计量大学 | 多特征融合深度神经网络的工业生产过程目标数据预测方法 |
CN115713027A (zh) * | 2022-10-31 | 2023-02-24 | 国网江苏省电力有限公司泰州供电分公司 | 一种变压器状态评估方法、装置及系统 |
CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
Non-Patent Citations (2)
Title |
---|
YI, WEN , ET AL.: "Wireless temperature and humidity sensor networks of underground cable channels and BP evaluation", 《TRANSDUCER AND MICROSYSTEM TECHNOLOGIES 》, vol. 35, no. 10, pages 63 - 66 * |
张弘昌: "多维力传感器的设计与分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 7, pages 140 - 150 * |
Also Published As
Publication number | Publication date |
---|---|
CN117035559B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kundu et al. | Weibull accelerated failure time regression model for remaining useful life prediction of bearing working under multiple operating conditions | |
Berkes et al. | Detecting changes in the mean of functional observations | |
Hu et al. | Engineering design under uncertainty and health prognostics | |
Longford et al. | Stability of the MH D-DIF statistics across populations | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
Waldmann et al. | Assessment of sensor performance | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
Rawal et al. | Feature selection for electrical demand forecasting and analysis of pearson coefficient | |
CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN117035559B (zh) | 一种电气设备多参量变送器模拟安装评价方法及系统 | |
CN112800674A (zh) | 一种基于极限学习机的电力系统元件可靠性参数计算方法 | |
CN116842684A (zh) | 电能表及其运行可靠性的评估方法、系统、电能表处理器 | |
Carratù et al. | The Evaluation of Uncertainty in Measurements Using Artificial Neural Network Techniques | |
Jones et al. | Introduction to Predictive Models for Motor Dielectric Aging | |
CN114819525A (zh) | 火灾风险评估方法、系统、终端设备及介质 | |
CN113762534A (zh) | 一种建筑冷热负荷预测方法、装置、设备及存储介质 | |
CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 | |
Saxena et al. | Realiability Assessment Model to Estimate Quality of the Effective E-Procurement Process in Adoption | |
da Silva Filho et al. | Paraconsistent artificial neural network for structuring statistical process control in electrical engineering | |
CN113610387B (zh) | 基于全局谱特征融合的设备服役性能退化评估方法及系统 | |
Ahmad et al. | Mixed Repetitive sampling plan using EWMA | |
CN118427613A (zh) | 一种电容式电压互感器计量误差预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |