CN117093929B - 基于无监督域自适应网络的截流过电压预测方法及装置 - Google Patents
基于无监督域自适应网络的截流过电压预测方法及装置 Download PDFInfo
- Publication number
- CN117093929B CN117093929B CN202310827865.4A CN202310827865A CN117093929B CN 117093929 B CN117093929 B CN 117093929B CN 202310827865 A CN202310827865 A CN 202310827865A CN 117093929 B CN117093929 B CN 117093929B
- Authority
- CN
- China
- Prior art keywords
- domain
- sample
- data
- module
- overvoltage
- 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
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000012360 testing method Methods 0.000 claims abstract description 64
- 230000004927 fusion Effects 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 58
- 238000000605 extraction Methods 0.000 claims description 57
- 230000003044 adaptive effect Effects 0.000 claims description 53
- 238000003860 storage Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 10
- 238000004088 simulation Methods 0.000 description 9
- 239000003990 capacitor Substances 0.000 description 8
- 238000009413 insulation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010791 quenching Methods 0.000 description 3
- 230000000171 quenching effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003141 anti-fusion Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000004804 winding 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/094—Adversarial learning
Abstract
本发明提出了一种基于无监督域自适应网络的截流过电压预测方法及装置,该方法包括:获取目标电抗器在预设的采集周期内的运行电压数据、电抗时序数据和电源时序数据;根据电抗时序数据和电源时序数据从历史数据中获取截流样本集;通过截流样本集对无监督域自适应网络进行对抗训练后,输入运行电压数据输进行分类预测得到截流过电压预测结果。根据本发明实施例的技术方案,能够自动获取历史数据训练无监督域自适应网络,利用无监督域自适应网络对目标电抗器的截流过电压进行预测,无需频繁搭建测试环境,并且通过对抗训练减小了不同时刻的电压数据之间的特征分布差异,有效提高了识别准确率,无需进行人工比对确定测试结果,有效提高了测试效率。
Description
技术领域
本发明涉及截流过电压预测技术领域,特别涉及一种基于无监督域自适应网络的截流过电压预测方法及装置。
背景技术
干式空心电抗器具有电压分布均匀、线性度良好、噪声低、损耗低、维护方便等优点,是电子设备中常用的感性器件。干式空心电抗器的断路器具有较强的熄弧能力,在断路器关合、开断电抗器等感性负载时,并不会在回路电流过零时熄弧,而是会在某一个小电流值时强制截断熄弧,该电流即为截流。截流会以电磁能形式留存在电抗器的感性负载线圈中,因电抗器等回路绕阻对地分布有杂散电容,电磁能将向电容充电并转换为电能,充电结束后,电能又将向线圈放电,再转化为电磁能,由此构成了电感和电容反复充放电的高频电磁振荡,即产生线圈对地的截流过电压。
在实际运行过程中,在投切电抗器时,会出现较高的过电压,虽然大部分的电抗器加装了避雷器,但是避雷器对过电压的抑制幅度有限,一旦系统内出现高频过电压,且断路器动作过程中电弧不稳定,电流在达到零点之前可能发生强制熄弧引起截流过电压,电抗器出现匝间绝缘,电抗器很容易因为延面爬电击穿短路而损坏。
目前,为了减少匝间绝缘引起的电抗器损坏,通常会在电抗器两端并联电容器组作为保护装置,虽然有效抑制了截流过电压,但是电抗器在不同的工作场景下需要配置不同的电容器组,这就需要对电抗器进行仿真测试来确定匝间绝缘时的截流过电压,再根据截流过电压确定需要配置的电容器组的参数,但是每次仿真测试都需要对相关的电力参数进行复杂的计算,还需要通过专业软件搭建仿真环境,再将计算结果与仿真结果进行人工比对,对测试人员的专业水平要求较高,而且测试效率较低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于无监督域自适应网络的截流过电压预测方法及装置,能够根据电抗器的运行参数预测匝间绝缘时的截流过电压,简化截流过电压的预测流程,提高测试效率。
第一方面,本发明实施例提供了一种基于无监督域自适应网络的截流过电压预测方法,包括:
获取目标电抗器在预设的采集周期内的运行时序数据,所述运行时序数据包括运行电压数据、电抗时序数据和电源时序数据,其中,所述电抗时序数据用于指示所述目标电抗器在所述采集周期内的电抗率,所述电源时序数据用于指示所述目标电抗器在所述采集周期内的电源相角;
根据所述电抗时序数据和所述电源时序数据从历史数据中获取截流样本集,所述截流样本集包括多个预先标注好的截流样本,每个所述截流样本包括样本电压数据和样本截流过电压;
将所述截流样本集分为源域样本集和目标域样本集,通过所述源域样本集和所述目标域样本集训练预设的无监督域自适应网络,所述无监督域自适应网络包括多尺度特征提取模块、域判别模块和分类模块,所述域判别模块用于进行对抗训练;
将所述运行电压数据输入到所述无监督域自适应网络,通过所述多尺度特征提取模块进行多尺度特征提取和融合,得到运行电压融合特征;
通过所述分类模块对所述运行电压融合特征进行分类预测得到截流过电压预测结果。
根据本发明的一些实施例,所述通过所述源域样本集和所述目标域样本集训练预设的无监督域自适应网络,包括:
为所述源域样本集的所述截流样本添加源域标签,为所述目标域样本集的所述截流样本添加目标域标签;
获取对抗训练样本集,其中,所述对抗训练样本集的对抗训练样本来自于所述目标域样本集和所述源域样本集;
将所述对抗训练样本的所述样本电压数据输入所述多尺度特征提取模块,通过所述多尺度特征提取模块进行多尺度特征提取和融合,得到对抗融合特征;
将所述对抗融合特征分别输入所述域判别模块和所述分类模块进行训练,获取所述域判别模块输出的域标签预测结果,获取所述分类模块输出的类标签预测结果,其中,所述域标签预测结果用于指示所述对抗融合特征归属于所述目标域样本集的概率,所述类标签预测结果用于指示所述对抗融合特征所对应的所述样本截流过电压;
根据所述域标签预测结果更新所述域判别模块的域判别损失函数,根据所述类标签预测结果更新所述分类模块的分类损失函数,根据所述域判别损失函数和所述分类损失函数确定网络总损失函数;
遍历所述对抗训练样本集进行对抗训练,当所述网络总损失函数收敛,将所述目标域样本集中未被确定为所述对抗训练样本的所述截流样本确定为测试样本,在通过所述测试样本对训练后的所述无监督域自适应网络测试通过后,完成所述无监督域自适应网络的训练。
根据本发明的一些实施例,所述多尺度特征提取模块包括前置卷积层、最大池化层、Flatten层、第一全连接层和多个特征提取子模块,所述特征提取子模块包括多个残差块和多个卷积块,所述残差块和所述卷积块交替设置,不同的所述特征提取子模块的所述残差块的空洞率不同,所述通过所述多尺度特征提取模块进行多尺度特征提取和融合,包括:
通过所述前置卷积层对输入数据进行滤波和维度扩张后,通过最大池化层进行降维得到卷积降维特征,其中,所述输入数据为所述运行电压数据或者所述样本电压数据;
将所述卷积降维特征同时输入至每个所述特征提取子模块,将每个所述特征提取子模块的输出特征输入至所述Flatten层进行特征压缩;
通过所述第一全连接层将压缩好的全部所述输出特征融合成输出融合特征,其中,所述输出融合特征为所述运行电压融合特征或者所述对抗融合特征。
根据本发明的一些实施例,所述分类模块包括第二全连接层、第一批量归一化层、第三全连接层和归一化的Softmax函数,所述域判别模块包括梯度反转层、第四全连接层、第二批量归一化层、ReLU层、第五全连接层和Sigmoid函数,所述将所述对抗融合特征分别输入所述域判别模块进行对抗训练,获取所述域判别模块输出的域标签预测结果,获取所述分类模块输出的类标签预测结果,包括:
将所述对抗融合特征输入所述分类模块,依次经过所述第二全连接层、所述第一批量归一化层和第三全连接层得到分类降维特征,将所述分类降维特征输入所述归一化的Softmax函数得到所述类标签预测结果;
将所述对抗融合特征输入所述梯度反转层,对所述对抗融合特征进行梯度取反,得到取反融合特征,将所述取反融合特征依次经过所述第四全连接层、所述第二批量归一化层、所述ReLU层和所述第五全连接层,得到域判别降维特征,根据所述Sigmoid函数对所述域判别降维特征进行分类确定所述域标签预测结果。
根据本发明的一些实施例,所述在通过所述测试样本对训练后的所述无监督域自适应网络测试通过后,完成所述无监督域自适应网络的训练,包括:
将所述测试样本输入至所述无监督域自适应网络进行类标签预测,获取第一测试预测结果;
通过所述测试样本重新训练所述无监督域自适应网络,将所述对抗训练样本输入重新训练的所述无监督域自适应网络进行类标签预测,获取第二测试预测结果;
将所述第一测试预测结果和所述第二测试预测结果的均值确定为目标测试预测结果;
当所述目标测试预测结果所指示的截流过电压与所述测试样本所对应的所述样本截流过电压的差异值小于预设阈值,确定所述无监督域自适应网络通过测试。
根据本发明的一些实施例,所述域判别损失函数的表达式为所述分类损失函数的表达式为所述网络总损失函数的表达式为L=LC+WD·LD,其中,di为域标签,di=0时表示所述源域标签,di=1时表示所述目标域标签,/>为所述域标签预测结果指示所述目标域标签的概率,M为输入所述域判别模块的所述对抗训练样本的总数,N为输入所述分类模块的所述对抗训练样本的总数,n为所述截流样本集内不同的所述样本截流过电压的数量,s为预设的常值,Wj为权重向量,xi为所述对抗训练样本的样本特征,θj为Wj和xi的夹角,Wj、xi和θj分别满足以下约束条件,/> 为Wj的转置矩阵,WD为预设的缩小因子。
根据本发明的一些实施例,所述历史数据记载有多个历史电抗器的历史电抗数据、历史电源数据和历史电压数据和历史截流过电压,所述根据所述电抗时序数据和所述电源时序数据从历史数据中获取截流样本集,包括:
从所述历史电抗器中确定候选电抗器,所述候选电抗器的所述历史电抗数据中至少有一段电抗率序列与所述电抗时序数据的对应时序位置的数值差的绝对值小于预设的电抗偏差值;
从所述候选电抗器中确定样本电抗器,所述样本电抗器的所述历史电源数据中至少有一段电源相角序列与所述电源时序数据的对应时序位置的数值差的绝对值小于预设的相角偏差值;
根据所述样本电抗器所对应的所述历史电压数据和所述历史截流过电压得到所述截流样本。
第二方面,本发明实施例提供了一种基于无监督域自适应网络的截流过电压预测装置,包括少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上述第一方面所述的基于无监督域自适应网络的截流过电压预测方法。
第三方面,本发明实施例提供了一种电子设备,包括有如上述第二方面所述的基于无监督域自适应网络的截流过电压预测装置。
第四方面,本发明实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如上述第一方面所述的基于无监督域自适应网络的截流过电压预测方法。
根据本发明实施例的基于无监督域自适应网络的截流过电压预测方法,至少具有如下有益效果:获取目标电抗器在预设的采集周期内的运行时序数据,所述运行时序数据包括运行电压数据、电抗时序数据和电源时序数据,其中,所述电抗时序数据用于指示所述目标电抗器在所述采集周期内的电抗率,所述电源时序数据用于指示所述目标电抗器在所述采集周期内的电源相角;根据所述电抗时序数据和所述电源时序数据从历史数据中获取截流样本集,所述截流样本集包括多个预先标注好的截流样本,每个所述截流样本包括样本电压数据和样本截流过电压;将所述截流样本集分为源域样本集和目标域样本集,通过所述源域样本集和所述目标域样本集训练预设的无监督域自适应网络,所述无监督域自适应网络包括多尺度特征提取模块、域判别模块和分类模块,所述域判别模块用于进行对抗训练;将所述运行电压数据输入到所述无监督域自适应网络,通过所述多尺度特征提取模块进行多尺度特征提取和融合,得到运行电压融合特征;通过所述分类模块对所述运行电压融合特征进行分类预测得到截流过电压预测结果。根据本发明实施例的技术方案,能够自动获取历史数据训练无监督域自适应网络,利用无监督域自适应网络对目标电抗器的截流过电压进行预测,无需频繁搭建测试环境,并且通过对抗训练减小了不同时刻的电压数据之间的特征分布差异,有效提高了识别准确率,无需进行人工比对确定测试结果,有效提高了测试效率。
附图说明
图1是本发明一个实施例提供的无监督域自适应网络的示意图;
图2是本发明一个实施例提供的基于无监督域自适应网络的截流过电压预测方法的流程图;
图3是本发明另一个实施例提供的无监督域自适应的效果示意图;
图4是本发明另一个实施例提供的训练无监督域自适应网络的流程图;
图5是本发明另一个实施例提供的多尺度特征提取的流程图;
图6是本发明另一个实施例提供的对抗训练的流程图;
图7是本发明另一个实施例提供的确定无监督域自适应网络完成训练的流程图;
图8是本发明另一个实施例提供的获取截流样本的流程图;
图9是本发明另一个实施例提供的基于无监督域自适应网络的截流过电压预测装置的结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明实施例提供了一种基于无监督域自适应网络的截流过电压预测方法及装置,其中,基于无监督域自适应网络的截流过电压预测方法包括:获取目标电抗器在预设的采集周期内的运行时序数据,所述运行时序数据包括运行电压数据、电抗时序数据和电源时序数据,其中,所述电抗时序数据用于指示所述目标电抗器在所述采集周期内的电抗率,所述电源时序数据用于指示所述目标电抗器在所述采集周期内的电源相角;根据所述电抗时序数据和所述电源时序数据从历史数据中获取截流样本集,所述截流样本集包括多个预先标注好的截流样本,每个所述截流样本包括样本电压数据和样本截流过电压;将所述截流样本集分为源域样本集和目标域样本集,通过所述源域样本集和所述目标域样本集训练预设的无监督域自适应网络,所述无监督域自适应网络包括多尺度特征提取模块、域判别模块和分类模块,所述域判别模块用于进行对抗训练;将所述运行电压数据输入到所述无监督域自适应网络,通过所述多尺度特征提取模块进行多尺度特征提取和融合,得到运行电压融合特征;通过所述分类模块对所述运行电压融合特征进行分类预测得到截流过电压预测结果。根据本发明实施例的技术方案,能够自动获取历史数据训练无监督域自适应网络,能够利用无监督域自适应网络对目标电抗器的截流过电压进行预测,无需频繁搭建测试环境,并且通过对抗训练减小了不同时刻的电压数据之间的特征分布差异,有效提高了识别准确率,无需进行人工比对确定测试结果,有效提高了测试效率。
首先,对本发明的无监督域自适应网络的结构进行示例性说明,本示例并非对无监督域自适应网络的结构做出的限定,而是可以执行本发明技术方案的一个具体实施环境。
参照图1,图1为本发明提供的无监督域自适应网络的结构示意图,该无监督域自适应网络包括多尺度特征提取模块、域判别模块和分类模块。
需要说明的是,无监督域自适应网络能够把具有不同分布的源域和目标域中的数据,映射到同一个特征空间,寻找一种度量准则,使其在这个空间上的距离尽可能近,进一步增强它们之间的联系,使得训练好的无监督域自适应网络在获取到输入数据之后,能够正确预测样本的类标签,在本实施例中,以运行电压作为输入,对应的截流过电压作为类标签,从而根据运行电压的变化实现截流过电压的预测。
需要说明的是,多尺度特征提取模块包括前置卷积层、最大池化层,多个特征提取子模块、Flatten层和第一全连接层,每个特征提取子模块的空洞率不同,从而实现不同尺度的特征提取,使得最终融合得到的特征更具有深度,能够更好地利用运行电压的信号多样性进行预测,提高预测准确率,本实施例对特征提取子模块的具体数量不做过多限定,至少具备2个即可。
需要说明的是,域判别模块包括梯度反转层、第四全连接层、第二批量归一化层、ReLU层、第五全连接层和Sigmoid函数,梯度反转层能够将输入特征的梯度取反,从而实现反向传播,随着训练过程的不断进行,域判别模块的判别能力不断被增强,由于发生了梯度取反,域判别模块的特征提取层不断提取源域和目标域区分度较低的特征,从而实现对抗训练。当域判别模块无法区分特征提取器提取到的特征时,代表此时提取到的两域特征差异较小,成功的缩小了两域的特征分布差异,有效提高分类模块预测的类标签准确性。
需要说明的是,分类模块包括第二全连接层、第一批量归一化层、第三全连接层和归一化的Softmax函数,第二全连接层、第一批量归一化层、第三全连接层用于进行特征提取,归一化的Softmax函数用于对特征进行分类,采用归一化的Softmax函数,能够有利于提高同类个体的相关性,提高识别的准确率。
下面基于附图1所示的无监督域自适应网络,对本发明实施例的控制方法作进一步阐述。
参照图2,图2为本发明实施例提供的一种基于无监督域自适应网络的截流过电压预测方法的流程图,该基于无监督域自适应网络的截流过电压预测方法包括但不限于有以下步骤:
S21,获取目标电抗器在预设的采集周期内的运行时序数据,运行时序数据包括运行电压数据、电抗时序数据和电源时序数据,其中,电抗时序数据用于指示目标电抗器在采集周期内的电抗率,电源时序数据用于指示目标电抗器在采集周期内的电源相角;
S22,根据电抗时序数据和电源时序数据从历史数据中获取截流样本集,截流样本集包括多个预先标注好的截流样本,每个截流样本包括样本电压数据和样本截流过电压;
S23,将截流样本集分为源域样本集和目标域样本集,通过源域样本集和目标域样本集训练预设的无监督域自适应网络,无监督域自适应网络包括多尺度特征提取模块、域判别模块和分类模块,域判别模块用于进行对抗训练;
S24,将运行电压数据输入到无监督域自适应网络,通过多尺度特征提取模块进行多尺度特征提取和融合,得到运行电压融合特征;
S25,通过分类模块对运行电压融合特征进行分类预测得到截流过电压预测结果。
需要说明的是,干式空心电抗器的运行电压通常是均匀分布的,但是在电源相角发生变化,或者遇到断路器动作导致电弧不稳定,电抗器的电抗率会发生变化,运行电压也会发生一定的波动,因此运行电压的波动特征与截流过电压具有一定的内在联系,基于此,本实施例通过在采集周期内采集运行时序数据,通过一端时间的数据作为无监督域自适应网络的输入,使得训练好的无监督域自适应网络能够预测出对应的截流过电压。在采用软件仿真的相关技术中,由于不同的电力系统的器件数量和类型不同,在有多个电抗器进行仿真时,需要在专业的仿真软件中搭建每个电抗器的运行环境,再输入相关的参数进行仿真得到仿真结果,再通过人工计算与仿真结果比对,才能确定仿真结果的可靠性。而本实施例只需要分别采集每个电抗器的运行数据后,逐个输入训练好的无监督域自适应网络,即可实现截流过电压的预测,无需重复进行搭建操作,并且无监督域自适应网络利用对抗训练减小了不同时刻的电压数据之间的特征分布差异,有效提高了识别准确率,预测效果可靠性较高,省去了人工计算验证的操作,有效提高了测试效率。
需要说明的是,历史数据可以是通过电力自动化系统采集,例如对于处于运行状态的电抗器进行电抗率、电源相角、运行电压的周期性采集,并在出现截流过电压时进行记录,从而形成运行状态至发生匝间绝缘之间的数据集,由于匝间绝缘的出现与电抗器内部的能量变化相关联,因此电抗率、电源相角和运行电压与截流过电压之间有一定的内在联系,本实施例以上述数据集作为训练样本,通过实际运行的历史数据进行训练,使得无监督域自适应网络在训练后能够更符合电抗器的实际运行情况,提高预测的准确性。
需要说明的是,运行电压数据、电抗时序数据和电源时序数据可以是连续的波形数据,也可以是在采集周期内以等时间间距采集的数值序列,若运行电压数据采用波形数据,可以通过简单的预处理得到电压波形的幅值序列和频率序列作为无监督域自适应网络的输入,便于网络根据输入数据进行特征提取。
需要说明的是,在获取到多个历史数据后,可以将历史数据按照一定的比例分为源域样本集和目标域样本集,并且在训练阶段对每个截流样本进行标注,便于无监督域自适应网络能够从截流样本中得到学习,源域样本集作为训练集,目标域样本集中的样本可以用于训练或者测试,虽然截流样本进行了标注,但是源域样本集的截流样本通常带有标签,目标域样本集的截流样本可以将对应的标签删除,便于分类模块进行预测。因此,可以从目标域样本集获取部分截流样本作为训练样本,剩下的截流样本作为测试集,训练样本与源域样本集的样本在域判别模块共同实现对抗训练,使得通过源域样本集的样本训练出来的网络能够正确预测目标域样本集的类标签。
需要说明的是,参考图1所示实施例的描述,多尺度特征提取模块具有多个特征提取子模块,且空洞率不同,因此能够以不同的尺度提取到运行电压数据的深度特征,有效提高类标签的预测准确性。
需要说明的是,本实施例的类标签可以是具体的截流过电压的数值,也可以是截流过电压的区间,具体根据电容器组所能适用的场景进行选取,例如某个电容器组能够在截流过电压的数值在某个区间内对电抗器提供保护,则类标签可以采用截流过电压的数值区间,以数值区间作为截流过电压预测结果,能够利用截流过电压预测结果匹配对应的电容器组即可。
需要说明的是,根据图1所示的域判别模块的结构,由于存在梯度取反,特征提取器不断提取两域区分度较低的特征,目标域和源域的样本之间不断进行对抗训练,训练过程的不断进行,域判别器的判别能力不断增强。直到域判别模块无法区分特征提取器提取到的特征时,代表此时提取到的两域特征差异较小,成功的缩小了两域的特征分布差异,由于多尺度特征提取模块提取的融合特征同时输入到域判别模块和分类模块,因此域判别模块和分类模块的训练过程是同步的,当域判别模块确定对抗训练完成后,此时可以认为分类模块也完成了训练,能够正确对类标签进行预测。
需要说明的是,参照图3,图3中圆形序号为源域特征(序号1)及其决策边界(序号2),方形序号为目标域特征(序号1)及其决策边界(序号2),在自适应之前,两域特征分布不一致,此时两域得到的决策边界也不同,如果直接使用源域的决策边界来区分目标域的样本,则会出现偏差。使用域自适应后,两域特征分布一致,决策边界相同,此时使用源域决策边界能够很好的区分目标域样本。由此可见,通过本实施例的对抗训练进行域自适应,能够提高样本的区分能力,从而提高分类模块的预测能力。
需要说明的是,在无监督域自适应网络完成训练后,对运行电压数据进行特征提取和融合得到的电压融合特征可以直接输入分类模块,将分类模块的分类结果确定为截流过电压预测结果,从而实现截流过电压的高效、准确的预测。
另外,在一实施例中,参照图4,图2所示实施例的步骤S23还包括但不限于有以下步骤:
S41,为源域样本集的截流样本添加源域标签,为目标域样本集的截流样本添加目标域标签;
S42,获取对抗训练样本集,其中,对抗训练样本集的对抗训练样本来自于目标域样本集和源域样本集;
S43,将对抗训练样本的样本电压数据输入多尺度特征提取模块,通过多尺度特征提取模块进行多尺度特征提取和融合,得到对抗融合特征;
S44,将对抗融合特征分别输入域判别模块和分类模块进行训练,获取域判别模块输出的域标签预测结果,获取分类模块输出的类标签预测结果,其中,域标签预测结果用于指示对抗融合特征归属于目标域样本集的概率,类标签预测结果用于指示对抗融合特征所对应的样本截流过电压;
S45,根据域标签预测结果更新域判别模块的域判别损失函数,根据类标签预测结果更新分类模块的分类损失函数,根据域判别损失函数和分类损失函数确定网络总损失函数;
S46,遍历对抗训练样本集进行对抗训练,当网络总损失函数收敛,将目标域样本集中未被确定为对抗训练样本的截流样本确定为测试样本,在通过测试样本对训练后的无监督域自适应网络测试通过后,完成无监督域自适应网络的训练。
需要说明的是,由于域判别模块的对抗训练实质上为标签预测,因此为了便于区分源域和目标域的样本,本实施例在训练之前为源域的样本添加源域标签,为目标域的样本添加目标域标签,例如源域标签为0,目标域标签为1。
需要说明的是,为了实现对抗训练,需要从源域和目标域同时获取样本,例如可以将源域样本集的全部截流样本作为对抗训练样本,将目标域样本集中一定比例的截流样本作为对抗训练样本。
需要说明的是,将样本电压数据输入多尺度特征提取模块后,可以通过不同尺度的特征提取子模块获取不同尺度的深度特征,由于电压数据是具有一定波动的数据,频率和幅值可能会随着电抗率和电源相角的变化而变化,因此不同时刻的电压数据的特征分布差异较大,本实施例对深度特征进行对抗训练,能够有效减少训练特征的分布差异,提高后续识别的准确性。
需要说明的是,在获取到对抗融合特征后,分别输入域判别模块和分类模块进行训练,由于特征是同步输入,因此当域判别模块进行对抗训练完成后,可以确定分类模块也完成训练,此时分类模块可以准确对目标域的样本的类标签进行预测。
在一些实施例中,域判别损失函数的表达式为分类损失函数的表达式为网络总损失函数的表达式为L=LC+WD·LD,其中,di为域标签,di=0时表示源域标签,di=1时表示目标域标签,/>为域标签预测结果指示目标域标签的概率,M为输入域判别模块的对抗训练样本的总数,N为输入分类模块的对抗训练样本的总数,n为截流样本集内不同的样本截流过电压的数量,s为预设的常值,Wj为权重向量,xi为对抗训练样本的样本特征,θj为Wj和xi的夹角,Wj、xi和θj分别满足以下约束条件, 为Wj的转置矩阵,WD为预设的缩小因子。
需要说明的是,在每次训练后,域判别模块输出的域标签预测结果为特征属于目标域样本集的概率,即上述公式的域判别损失函数更新内部参数,使得域判别损失函数最小化,从而实现域判别模块的优化训练。
需要说明的是,类标签预测结果为对应的类标签,在本实施例中类标签为样本截流过电压,在得到类标签预测结果后,可以确定N的具体数值,从而输入上述分类损失函数中进行计算,通过最小化分类损失函数来获得满意的分类模块。
需要说明的是,在确定域判别损失函数和分类损失函数后,可以通过二者的加权和作为网络总损失函数,通过设置WD的具体数值能够控制分类损失函数的大小,避免其值过大影响分类模块的性能。
需要说明的是,当网络总损失函数收敛,则域判别损失函数和分类损失函数也收敛,对抗训练完成,通过未被用于训练的目标域的样本进行测试,确定网络能够准确预测类标签即可。
另外,在一实施例中,参照图5,图2所示实施例的步骤S23和图4所示的步骤S43中,通过多尺度特征提取模块进行多尺度特征提取和融合,还包括但不限于有以下步骤:
S51,通过前置卷积层对输入数据进行滤波和维度扩张后,通过最大池化层进行降维得到卷积降维特征,其中,输入数据为运行电压数据或者样本电压数据;
S52,将卷积降维特征同时输入至每个特征提取子模块,将每个特征提取子模块的输出特征输入至Flatten层进行特征压缩;
S53,通过第一全连接层将压缩好的全部输出特征融合成输出融合特征,其中,输出融合特征为运行电压融合特征或者对抗融合特征。
需要说明的是,由于在训练阶段和预测阶段均会向多尺度特征提取模块输入数据,因此本实施例不限定输入数据是运行电压数据还是样本电压数据,对多尺度特征提取模块的工作原理进行示例性说明。
需要说明的是,本实施例多个特征提取子模块均如图1所示,由残差块和卷积块交替设置而成,为了实现不同尺度,每个特征提取子模块的空洞率不同,同一个特征提取子模块的残差块和卷积块的空洞率相同,卷积降维特征输入特征提取子模块后,通过每一层进行卷积扩展维度,每个特征提取子模块的输出特征按照通道进行求和后输入Flatten层进行特征压缩,再通过第一全连接层将特征维度进一步降维成第一全连接层的节点数,例如第一全连接层的节点数为1024,则输出融合特征的维度为1024。通过残差块和卷积块不断进行维度扩张,能够得到输入数据的深层特征,使得得到的输出融合特征能够更深度地体现电压特性,以更深微度的特征建立与类标签的联系,从而提高网络识别的准确性。
另外,在一实施例中,参照图7,图4所示实施例的步骤S44还包括但不限于有以下步骤:
S61,将对抗融合特征输入分类模块,依次经过第二全连接层、第一批量归一化层和第三全连接层得到分类降维特征,将分类降维特征输入归一化的Softmax函数得到类标签预测结果;
S62,将对抗融合特征输入梯度反转层,对对抗融合特征进行梯度取反,得到取反融合特征,将取反融合特征依次经过第四全连接层、第二批量归一化层、ReLU层和第五全连接层,得到域判别降维特征,根据Sigmoid函数对域判别降维特征进行分类确定域标签预测结果。
需要说明的是,参考图5所示的描述,对抗融合特征的维度为第一全连接层的节点数,在分类模块中,可以再次输入节点数更小的第二全连接层进行降维,再通过第一批量归一化层确定同类特征的相关性,最后第三全连接层的节点数可以是数据的总个体数,即上述公式中的N,最后通过归一化后的Softmax函数输出类标签预测结果,由于Softmax函数进行了归一化,因此能够有利于提高同类个体的相关性,即提高了被激活的特征的相关性,提高识别的准确率。
需要说明的是,在域判别模块中,首先通过梯度反转层进行对抗融合特征的梯度取反,使得后续特征提取层能够从取反融合特征中提取出能够提取到源域和目标域中区分度较低的特征,从而形成对抗训练,第四全连接层、第二批量归一化层和第五全连接层的作用可以参考上述分类模块的描述。在域判别模块中,在第五全连接层之前加入ReLu层,能够对特征进行激活,使得Sigmoid函数能够更好地区分源域和目标域的特征,提高对抗训练的效果。
另外,在一实施例中,参照图7,图4所示实施例的步骤S46还包括但不限于有以下步骤:
S71,将测试样本输入至无监督域自适应网络进行类标签预测,获取第一测试预测结果;
S72,通过测试样本重新训练无监督域自适应网络,将对抗训练样本输入重新训练的无监督域自适应网络进行类标签预测,获取第二测试预测结果;
S73,将第一测试预测结果和第二测试预测结果的均值确定为目标测试预测结果;
S74,当目标测试预测结果所指示的截流过电压与测试样本所对应的样本截流过电压的差异值小于预设阈值,确定无监督域自适应网络通过测试。
需要说明的是,在完成无监督域自适应网络的训练后,为了对训练结果进行验证,可以将测试样本输入得到第一测试预测结果,再进行两折交叉验证,即将测试样本作为训练集重新对网络进行训练,再将抗训练样本输入网络获取第二测试预测结果,将第一测试预测结果和第二测试预测结果的均值作为目标测试预测结果,当目标测试预测结果与实际的样本截流过电压差异较小,例如本实施例小于预设阈值,则可以确定网络在训练后精度满足需求,确保后续应用网络时的准确性。
另外,在一实施例中,历史数据记载有多个历史电抗器的历史电抗数据、历史电源数据和历史电压数据和历史截流过电压,参照图8,图2所示实施例的步骤S22还包括但不限于有以下步骤:
S81,从历史电抗器中确定候选电抗器,候选电抗器的历史电抗数据中至少有一段电抗率序列与电抗时序数据的对应时序位置的数值差的绝对值小于预设的电抗偏差值;
S82,从候选电抗器中确定样本电抗器,样本电抗器的历史电源数据中至少有一段电源相角序列与电源时序数据的对应时序位置的数值差的绝对值小于预设的相角偏差值;
S83,根据样本电抗器所对应的历史电压数据和历史截流过电压得到截流样本。
需要说明的是,本实施例的运行时序数据为一段时间的数据序列,为了确保截流样本具有参考性,对于多个历史电抗器,首先通过电抗时序数据筛选候选电抗器,例如在5分钟内,每隔10秒采集一次电抗率和电源相角,电抗时序数据为30个电抗率组成的数据序列,从历史电抗器的历史电抗数据中进行遍历,当有一段由30个数值组成的电抗率序列与电抗时序数据每个对位的数值差小于电抗偏差值,则可以确定为候选电抗器,例如两个数据序列的第一位电抗数据的数值差小于电抗偏差值,第二位电抗数据的数值差小于电抗偏差值···第三十位电抗数据的数值差小于电抗偏差值。
需要说明的是,利用电源相角序列确定样本电抗器的原理可以参考电抗率数据的描述,在此不重复赘述。
需要说明的是,通过上述方式确定样本电抗器,使得输入目标电抗器的运行时序数据后,自动获取历史数据进行网络训练,无需手动搭建仿真环境,提高操作的便利性。
如图9所示,图9是本发明一个实施例提供的基于无监督域自适应网络的截流过电压预测装置的结构图。本发明还提供了一种基于无监督域自适应网络的截流过电压预测装置,包括:
处理器901,可以采用通用的中央处理器(Central Processing Unit,CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的基于无监督域自适应网络的截流过电压预测方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本装置与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种电子设备,包括如上所述的基于无监督域自适应网络的截流过电压预测装置。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,该存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述基于无监督域自适应网络的截流过电压预测方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,实现了以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本发明权利要求所限定的范围内。
Claims (9)
1.一种基于无监督域自适应网络的截流过电压预测方法,其特征在于,包括:
获取目标电抗器在预设的采集周期内的运行时序数据,所述运行时序数据包括运行电压数据、电抗时序数据和电源时序数据,其中,所述电抗时序数据用于指示所述目标电抗器在所述采集周期内的电抗率,所述电源时序数据用于指示所述目标电抗器在所述采集周期内的电源相角;
根据所述电抗时序数据和所述电源时序数据从历史数据中获取截流样本集,所述截流样本集包括多个预先标注好的截流样本,每个所述截流样本包括样本电压数据和样本截流过电压,所述历史数据记载有多个历史电抗器的历史电抗数据、历史电源数据和历史电压数据和历史截流过电压;
将所述截流样本集分为源域样本集和目标域样本集,通过所述源域样本集和所述目标域样本集训练预设的无监督域自适应网络,所述无监督域自适应网络包括多尺度特征提取模块、域判别模块和分类模块,所述域判别模块用于进行对抗训练;
将所述运行电压数据输入到所述无监督域自适应网络,通过所述多尺度特征提取模块进行多尺度特征提取和融合,得到运行电压融合特征;
通过所述分类模块对所述运行电压融合特征进行分类预测得到截流过电压预测结果;
其中,所述根据所述电抗时序数据和所述电源时序数据从历史数据中获取截流样本集,包括:
从所述历史电抗器中确定候选电抗器,所述候选电抗器的所述历史电抗数据中至少有一段电抗率序列与所述电抗时序数据的对应时序位置的数值差的绝对值小于预设的电抗偏差值;
从所述候选电抗器中确定样本电抗器,所述样本电抗器的所述历史电源数据中至少有一段电源相角序列与所述电源时序数据的对应时序位置的数值差的绝对值小于预设的相角偏差值;
根据所述样本电抗器所对应的所述历史电压数据和所述历史截流过电压得到所述截流样本。
2.根据权利要求1所述的基于无监督域自适应网络的截流过电压预测方法,其特征在于,所述通过所述源域样本集和所述目标域样本集训练预设的无监督域自适应网络,包括:
为所述源域样本集的所述截流样本添加源域标签,为所述目标域样本集的所述截流样本添加目标域标签;
获取对抗训练样本集,其中,所述对抗训练样本集的对抗训练样本来自于所述目标域样本集和所述源域样本集;
将所述对抗训练样本的所述样本电压数据输入所述多尺度特征提取模块,通过所述多尺度特征提取模块进行多尺度特征提取和融合,得到对抗融合特征;
将所述对抗融合特征分别输入所述域判别模块和分类模块进行训练,获取所述域判别模块输出的域标签预测结果,获取所述分类模块输出的类标签预测结果,其中,所述域标签预测结果用于指示所述对抗融合特征归属于所述目标域样本集的概率,所述类标签预测结果用于指示所述对抗融合特征所对应的所述样本截流过电压;
根据所述域标签预测结果更新所述域判别模块的域判别损失函数,根据所述类标签预测结果更新所述分类模块的分类损失函数,根据所述域判别损失函数和所述分类损失函数确定网络总损失函数;
遍历所述对抗训练样本集进行对抗训练,当所述网络总损失函数收敛,将所述目标域样本集中未被确定为所述对抗训练样本的所述截流样本确定为测试样本,在通过所述测试样本对训练后的所述无监督域自适应网络测试通过后,完成所述无监督域自适应网络的训练。
3.根据权利要求2所述的基于无监督域自适应网络的截流过电压预测方法,其特征在于,所述多尺度特征提取模块包括前置卷积层、最大池化层、Flatten层、第一全连接层和多个特征提取子模块,所述特征提取子模块包括多个残差块和多个卷积块,所述残差块和所述卷积块交替设置,不同的所述特征提取子模块的所述残差块的空洞率不同,所述通过所述多尺度特征提取模块进行多尺度特征提取和融合,包括:
通过所述前置卷积层对输入数据进行滤波和维度扩张后,通过最大池化层进行降维得到卷积降维特征,其中,所述输入数据为所述运行电压数据或者所述样本电压数据;
将所述卷积降维特征同时输入至每个所述特征提取子模块,将每个所述特征提取子模块的输出特征输入至所述Flatten层进行特征压缩;
通过所述第一全连接层将压缩好的全部所述输出特征融合成输出融合特征,其中,所述输出融合特征为所述运行电压融合特征或者所述对抗融合特征。
4.根据权利要求2所述的基于无监督域自适应网络的截流过电压预测方法,其特征在于,所述分类模块包括第二全连接层、第一批量归一化层、第三全连接层和归一化的Softmax函数,所述域判别模块包括梯度反转层、第四全连接层、第二批量归一化层、ReLU层、第五全连接层和Sigmoid函数,所述将所述对抗融合特征分别输入所述域判别模块进行对抗训练,获取所述域判别模块输出的域标签预测结果,获取所述分类模块输出的类标签预测结果,包括:
将所述对抗融合特征输入所述分类模块,依次经过所述第二全连接层、所述第一批量归一化层和第三全连接层得到分类降维特征,将所述分类降维特征输入所述归一化的Softmax函数得到所述类标签预测结果;
将所述对抗融合特征输入所述梯度反转层,对所述对抗融合特征进行梯度取反,得到取反融合特征,将所述取反融合特征依次经过所述第四全连接层、所述第二批量归一化层、所述ReLU层和所述第五全连接层,得到域判别降维特征,根据所述Sigmoid函数对所述域判别降维特征进行分类确定所述域标签预测结果。
5.根据权利要求2所述的基于无监督域自适应网络的截流过电压预测方法,其特征在于,所述在通过所述测试样本对训练后的所述无监督域自适应网络测试通过后,完成所述无监督域自适应网络的训练,包括:
将所述测试样本输入至所述无监督域自适应网络进行类标签预测,获取第一测试预测结果;
通过所述测试样本重新训练所述无监督域自适应网络,将所述对抗训练样本输入重新训练的所述无监督域自适应网络进行类标签预测,获取第二测试预测结果;
将所述第一测试预测结果和所述第二测试预测结果的均值确定为目标测试预测结果;
当所述目标测试预测结果所指示的截流过电压与所述测试样本所对应的所述样本截流过电压的差异值小于预设阈值,确定所述无监督域自适应网络通过测试。
6.根据权利要求2所述的基于无监督域自适应网络的截流过电压预测方法,其特征在于,所述域判别损失函数的表达式为所述分类损失函数的表达式为/>所述网络总损失函数的表达式为L=LC+WD·LD,其中,di为域标签,di=0时表示所述源域标签,di=1时表示所述目标域标签,/>为所述域标签预测结果指示所述目标域标签的概率,M为输入所述域判别模块的所述对抗训练样本的总数,N为输入所述分类模块的所述对抗训练样本的总数,n为所述截流样本集内不同的所述样本截流过电压的数量,s为预设的常值,Wj为权重向量,xi为所述对抗训练样本的样本特征,θj为Wj和xi的夹角,Wj、xi和θj分别满足以下约束条件,Wj T为Wj的转置矩阵,WD为预设的缩小因子。
7.一种基于无监督域自适应网络的截流过电压预测装置,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至6任一项所述的基于无监督域自适应网络的截流过电压预测方法。
8.一种电子设备,其特征在于,包括权利要求7所述的基于无监督域自适应网络的截流过电压预测装置。
9.一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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的基于无监督域自适应网络的截流过电压预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827865.4A CN117093929B (zh) | 2023-07-06 | 2023-07-06 | 基于无监督域自适应网络的截流过电压预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827865.4A CN117093929B (zh) | 2023-07-06 | 2023-07-06 | 基于无监督域自适应网络的截流过电压预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117093929A CN117093929A (zh) | 2023-11-21 |
CN117093929B true CN117093929B (zh) | 2024-03-29 |
Family
ID=88768711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310827865.4A Active CN117093929B (zh) | 2023-07-06 | 2023-07-06 | 基于无监督域自适应网络的截流过电压预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093929B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977918A (zh) * | 2019-04-09 | 2019-07-05 | 华南理工大学 | 一种基于无监督域适应的目标检测定位优化方法 |
CN111832605A (zh) * | 2020-05-22 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 无监督图像分类模型的训练方法、装置和电子设备 |
CN113298189A (zh) * | 2021-06-30 | 2021-08-24 | 广东工业大学 | 一种基于无监督域自适应的跨域图像分类方法 |
CN113609765A (zh) * | 2021-07-29 | 2021-11-05 | 国网河北省电力有限公司邯郸供电分公司 | 一种过电压预测方法 |
CN113902104A (zh) * | 2021-11-01 | 2022-01-07 | 南京工程学院 | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 |
CN115127814A (zh) * | 2022-07-20 | 2022-09-30 | 燕山大学 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
CN115830471A (zh) * | 2023-01-04 | 2023-03-21 | 安徽大学 | 一种多尺度特征融合和对齐的域自适应云检测方法 |
CN116231614A (zh) * | 2023-03-09 | 2023-06-06 | 国网新疆电力有限公司昌吉供电公司 | 一种过电压主动抑制保护系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902798A (zh) * | 2018-05-31 | 2019-06-18 | 华为技术有限公司 | 深度神经网络的训练方法和装置 |
-
2023
- 2023-07-06 CN CN202310827865.4A patent/CN117093929B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977918A (zh) * | 2019-04-09 | 2019-07-05 | 华南理工大学 | 一种基于无监督域适应的目标检测定位优化方法 |
CN111832605A (zh) * | 2020-05-22 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 无监督图像分类模型的训练方法、装置和电子设备 |
CN113298189A (zh) * | 2021-06-30 | 2021-08-24 | 广东工业大学 | 一种基于无监督域自适应的跨域图像分类方法 |
CN113609765A (zh) * | 2021-07-29 | 2021-11-05 | 国网河北省电力有限公司邯郸供电分公司 | 一种过电压预测方法 |
CN113902104A (zh) * | 2021-11-01 | 2022-01-07 | 南京工程学院 | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 |
CN115127814A (zh) * | 2022-07-20 | 2022-09-30 | 燕山大学 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
CN115830471A (zh) * | 2023-01-04 | 2023-03-21 | 安徽大学 | 一种多尺度特征融合和对齐的域自适应云检测方法 |
CN116231614A (zh) * | 2023-03-09 | 2023-06-06 | 国网新疆电力有限公司昌吉供电公司 | 一种过电压主动抑制保护系统 |
Non-Patent Citations (2)
Title |
---|
An Unsupervised Domain Adaptation Method Towards Multi-Level Features and Decision Boundaries for Cross-Scene Hyperspectral Image Classification;Chunhui Zhao et al.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;第60卷;1-16 * |
甲状腺超声影像的元优化多级对抗域适应网络;应翔等;《中国图象图形学报》;第28卷(第01期);234-247 * |
Also Published As
Publication number | Publication date |
---|---|
CN117093929A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780146B (zh) | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 | |
CN109034127B (zh) | 一种频谱异常检测方法、装置和电子设备 | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN108761287B (zh) | 一种变压器局部放电类型识别方法 | |
Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
CN109188211B (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
CN110728195B (zh) | 基于yolo算法的电能质量扰动检测方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
Moravej et al. | A new approach for fault classification and section detection in compensated transmission line with TCSC | |
CN104951990A (zh) | 电网数据处理方法及设备 | |
CN112036450B (zh) | 一种基于迁移学习的高压电缆局放模式识别方法及系统 | |
CN108415885A (zh) | 基于近邻回归的实时公交客流预测方法 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN108319672A (zh) | 基于云计算的移动终端不良信息过滤方法及系统 | |
CN113447766A (zh) | 一种高阻接地故障的检测方法、装置、设备和存储介质 | |
Moravej et al. | Power transformer protection scheme based on time‐frequency analysis | |
CN110221170B (zh) | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 | |
CN109033498A (zh) | 基于传递函数特征主成分和神经网络的绕组变形识别方法 | |
CN117093929B (zh) | 基于无监督域自适应网络的截流过电压预测方法及装置 | |
Saad et al. | Single-phase auto-reclosing scheme using particle filter and convolutional neural network | |
CN111814834A (zh) | 一种高压电缆局部放电模式识别方法、计算机设备和存储介质 | |
CN109711450A (zh) | 一种电网预想故障集预测方法、装置、电子设备及存储介质 | |
CN115239971A (zh) | Gis局部放电类型识别模型训练方法、识别方法及系统 | |
CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
CN114977162A (zh) | 一种电动汽车充电监测方法及系统 |
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 |