CN117493886A - 基于文本的变压器故障智能识别模型的训练方法及装置 - Google Patents
基于文本的变压器故障智能识别模型的训练方法及装置 Download PDFInfo
- Publication number
- CN117493886A CN117493886A CN202311545744.7A CN202311545744A CN117493886A CN 117493886 A CN117493886 A CN 117493886A CN 202311545744 A CN202311545744 A CN 202311545744A CN 117493886 A CN117493886 A CN 117493886A
- Authority
- CN
- China
- Prior art keywords
- text
- fault
- vector
- semantic
- transformer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 152
- 238000012545 processing Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 238000004804 winding Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010003671 Atrioventricular Block Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003466 welding 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
- G06F18/21—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Detection And Correction Of Errors (AREA)
Abstract
本发明涉及深度学习领域，特别涉及一种基于文本的变压器故障智能识别模型的训练方法及装置，所述方法包括将多标签变压器故障文本输入基于编码结构的文本语义模型得到变压器故障文本语义编码向量，并一同与通过文本语义模型嵌入层得到的故障类别文本语义向量输入跨注意力网络进行交互，得到变压器故障类别结果。训练时利用多标签及标签不平衡自适应损失函数MSLoss优化模型效果。本发明提出了文本标签域筛法TLDF与基于标签域掩码的生成对抗网络LM‑GAN，优化模型应对标签不平衡情况下的训练效果。本发明通过优化损失函数并利用文本中的标签域特征信息增强少样本数据，提升了模型性能和鲁棒性，实现了高准确率的变压器故障智能识别。
Description
技术领域
本发明涉及自然语言处理、深度学习领域，特别涉及一种基于文本的变压器故障智能识别模型的训练方法及装置。
背景技术
变压器故障主要指变压器在运行过程中出现了异常或故障，可能导致电力设备损坏或停止正常运行。常见的变压器故障包括绕组短路、绝缘老化、接地故障等。这些故障可能由于设备老化、外部环境因素或制造缺陷等原因引起。及时检测和修复变压器故障对于确保电力系统的稳定运行至关重要，也可以延长设备的使用寿命。
在变压器故障后，相关工作人员会通过文本记录故障造成的故障现象，但由于记录人员知识储备、语言习惯、观察角度与观察完整性的差异性，导致变压器故障文本呈现出多样性、混淆性，故障文本类别具有不确定性。这提高了变压器故障文本人工审核的时间成本，并降低了故障类型判别的准确率。因此需要使用基于深度学习与自然语言处理技术的变压器故障智能识别方法。
传统的智能识别方法为通过相关专家来编写模板和规则来提取故障文本中的特征，再通过传统机器学习算法，如随机森林、支持向量机，进行故障分类，这种方法较于耗费人力与时间且正确率较低，而目前利用基于深度学习的自然语言处理技术的故障识别方法并不能很好地应对变压器故障文本中的故障文本语义生僻、标签不平衡等复杂情况。
发明内容
为了解决上述问题，本发明提出了一种基于文本的变压器故障智能识别模型的训练方法及装置，以解决传统故障文本识别模型精度不高，无法解决变压器故障文本所特有的多样性、混淆性和不确定性问题。
在本发明的第一方面，本发明提供了一种基于文本的变压器故障智能识别模型的训练方法，包括以下步骤：
获取变压器故障文本数据，所述变压器故障文本数据包括变压器故障信息文本和对应的多个变压器故障类别文本，每个故障类别文本指示一个故障类别标签；
将故障类别文本输入基于编码结构的文本语义模型的嵌入层，经由基于编码结构的文本语义模型的编码层输出故障类别文本语义编码向量；
将故障信息文本通过文本标签域筛选法处理为待增强文本，并将处理前的故障信息文本与待增强文本组成待增强文本对；
将所述待增强文本对输入基于编码结构的文本语义模型的嵌入层，输出初始增强文本向量对；
将初始增强文本向量对输入基于标签域掩码的生成对抗网络进行训练，输出中间增强文本向量；
将中间增强文本向量通过线性Linear层，得到目标增强文本向量；
将目标增强文本向量直接输入基于编码结构的文本语义模型的编码层，并同时将故障信息文本输入基于编码结构的文本语义模型的嵌入层，经由基于编码结构的文本语义模型的编码层，输出故障信息文本语义编码向量；
将所述故障信息文本语义编码向量和所述故障类别文本语义向量输入跨注意力网络中，经由分类器处理，输出变压器故障类别结果向量；所述分类器包括输出Dropout层、线性Linear层和激活sigmoid层；
将变压器故障类别结果向量与多个变压器故障类别文本，构建多标签及标签不平衡自适应损失函数，通过损失训练以得到变压器故障智能识别模型。
在本发明实施例中，所述基于编码结构的文本语义模型由校正作为Mask的中文自然语言预训练模型构成，所述中文自然语言预训练模型至少包括嵌入层、编码层，所述嵌入层主要用于提取文本的嵌入向量，所述编码层主要用于获取文本的编码向量，所述基于标签域掩码的生成对抗网络(Generative Adversarial Network based on Label domainMask，简称LM-GAN)由transformers中Encoder block及Decoder block构成的生成器和双向长短期记忆网络BiLSTM、线性层以及激活函数构成的鉴别器组成。
在本发明的第二方面，本发明还提供了一种基于文本的变压器故障智能识别模型的训练装置，所述装置包括：
获取模块，用于获取变压器故障文本数据，所述变压器故障文本数据包括变压器故障信息文本和对应的多个变压器故障类别文本，每个故障类别文本指示一个故障类别标签；
训练模块，用于将故障类别文本输入基于编码结构的文本语义模型，输出故障类别文本语义编码向量；将故障信息文本通过文本标签域筛选法处理为待增强文本，并将处理前的故障信息文本与待增强文本组成待增强文本对；将所述待增强文本对输入基于编码结构的文本语义模型，输出初始增强文本向量对；将初始增强文本向量对输入基于标签域掩码的生成对抗网络进行训练，输出中间增强文本向量；将中间增强文本向量通过线性Linear层，得到目标增强文本向量；将故障信息文本输入基于编码结构的文本语义模型，并同时将目标增强文本向量输入基于编码结构的文本语义模型的编码层，输出故障信息文本语义编码向量；将所述故障信息文本语义编码向量和所述故障类别文本语义向量输入跨注意力网络中，经由分类器处理，输出变压器故障类别结果向量；所述分类器包括输出Dropout层、线性Linear层和激活sigmoid层；将变压器故障类别结果向量与多个变压器故障类别文本，构建多标签及标签不平衡自适应损失函数，通过损失训练以得到变压器故障智能识别模型。
本发明的有益效果：
1、本发明使用由故障类别文本拼接成的标签链向量辅助解码基于编码结构的文本语义模型的编码向量，使分类器脱离单调的标签映射数值空间，充分利用标签语义表征信息，提升分类精度；
2、本发明采用多标签及标签不平衡自适应损失函数MSLoss能够使模型在损失计算时，按照正确标签的分类正确率调节损失所占权重，并使用余弦函数自适应统筹训练时的整体损失规模与正确标签、错误标签对置信度的敏感性；
3、本发明采用文本标签域筛法(Text Label Domain Filtering method，简称TLDF)与基于标签域掩码的生成对抗网络LM-GAN用于少类标签故障数据增强，通过计算原始文本与语块残缺文本之间标签置信度的欧氏距离来表征每个语块的标签域置信度差异值，探测故障类别在原始文本中的表征区域，使用掩码替换后，在嵌入表征向量层面拟合原始文本中的标签域信息，从高维度向量层面填补语块残缺文本中的标签特征，达到对少类标签故障数据增强的目的，优化模型的预测效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中地附图仅仅是本申请地一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于文本的变压器故障智能识别模型的运行流程图；
图2为本发明实施例的一种基于文本的变压器故障智能识别模型的训练流程图
图3为本发明实施例的一种基于文本的变压器故障智能识别模型的基于标签域掩码的生成对抗网络LM-GAN的算法原理图。
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在一些实施例中，本发明的基于文本的变压器故障智能识别方法可以应用于计算机设备与服务器共存的场景中，其中，计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。
图1是本发明实施例的一种基于文本的变压器故障智能识别模型的训练结构示意图，如图1所示，在本发明实施例中，将变压器故障类别文本和变压器故障信息文本输入到变压器故障智能识别模型中，经过一系列处理，就能够输出故障类别置信度，故障类别置信度就能够反映变压器故障文本的故障类型，准确识别出变压器故障类别；在这个过程中，起关键作用的就是变压器故障智能识别模型，为了得到识别率更高的准确率，本发明实施例将通过合适的训练方式对其进行优化训练，以使得所述变压器故障智能识别模型能够准确识别出变压器故障文本的故障类别置信度。
在本发明实施例中，所述变压器故障智能识别模型包括基于编码结构的文本语义模型、跨层注意力网络Cross-Attention、Dropout层、Linear层和Sigmoid层，而其中的基于编码结构的文本语义模型由校正Mac作为Mask的中文自然语言预训练模型MacBERT构成，该模型通过用相似的单词mask，减轻了预训练和微调阶段两者之间的差距，本实施例采用的所述中文自然语言预训练模型至少包括嵌入层、编码层，所述嵌入层主要用于提取文本的嵌入向量，所述编码层主要用于获取文本的编码向量。
在本发明实施例中，除了利用所述变压器故障智能识别模型得到故障类别置信度以外，如图1所示，本发明还利用TLDF筛法对变压器故障文本进行处理，通过基于标签域掩码的生成对抗网络LM-GAN进行训练，得到少类标签数据的增强文本向量，通过这个增强文本向量对变压器故障智能识别模型进行增强训练，以得到具有更高识别率的变压器故障智能识别模型；其中，所述基于标签域掩码的生成对抗网络LM-GAN由transformers中Encoderblock及Decoder block构成的生成器和双向长短期记忆网络BiLSTM、线性层以及激活函数构成的鉴别器组成。
图2是本发明实施例的一种基于文本的变压器故障智能识别模型的训练方法流程图，如图2所示，具体可以包括以下步骤：
101、获取变压器故障文本数据，所述变压器故障文本数据包括变压器故障信息文本和对应的多个变压器故障类别文本，每个故障类别文本指示一个故障类别标签；
在本发明实施例中，所述变压器故障文本数据可以是原始变压器故障分析报告，这些信息以文本文字形式进行展示，以380KV变电站的变压器故障分析报告为例，所述变压器故障分析报告中包含了大量的变压器故障信息样本文本和对应的多个变压器故障类别样本文本，这些变压器故障信息样本文本可以包括设备的制造厂、型号、容量、变电站名称、设备名称、制造厂、变压器设备型号等基本档案信息、设备发生故障时的故障现象、故障描述信息、故障诊断过程中进行的试验情况，故障相关的试验检测描述特征信息、故障原因等信息。
在本发明实施例中，变压器故障类别样本文本则反映了故障类型标签，每个变压器故障信息样本文本可能对应有多个故障标签。变压器故障标签主要分为内部故障和外部故障，其中内部故障是指变压器油箱内的各种故障，主要依靠气体和差动保护切除变压器；外部故障是指油箱外部绝缘套管及其引出线发生的各种故障。目前，变压器的常见故障归纳为以下四类：绕组故障、分接开关故障、铁芯故障和气体保护失灵，其中绕组故障主要包括匝间短路、绕组接地、相间短路、断线和接头开焊等。常见的分接开关故障有表面熔烧、相间接触放电或联合放电。
在变压器故障分析报告中，由于记录人员知识储备、语言习惯、观察角度与观察完整性的差异性，导致变压器故障文本呈现出多样性、混淆性，故障文本类别具有不确定性，同一变压器可能有多个故障类别标签，而这些故障类别标签中可能有相同含义的标签类型，例如相间短路和线圈短路可能都是指的不同相或不同线圈之间直接短路，这就导致了变压器故障的标签类型重复；除此以外，还比如某变压器同时出现了匝间短路、表面熔烧和相间接触放电等故障；同时，在这些故障中，可能只有很少的变压器出现了联合放电的故障，这就会导致变压器故障文本数据不平衡，因此本发明实施例将通过数据增强的训练方式，采用文本标签域筛法TLDF对少类的故障信息数据进行增强，以优化模型应对标签不平衡情况下的训练效果。
102、将故障类别文本输入基于编码结构的文本语义模型的嵌入层，经由基于编码结构的文本语义模型的编码层输出故障类别文本语义编码向量；
在本发明实施例中，获取故障类别文本语义编码向量的步骤包括：
步骤1：将变压器故障所有类别标签文本分别通过分词器得到对应的token序列；
步骤2：将不同故障类别的token序列与对应的分类头进行拼接，得到拼接后的变压器故障样本类别文本的token序列；将每类标签文本的token序列按照下式进行拼接：
式中，TL表示拼接后的变压器故障类别文本的token序列，表示第k类变压器故障的标签文本的token序列，[CLS]k表示第k类变压器故障类别的分类头token。
步骤3：确定每个分类头在拼接后的变压器故障类别文本的token序列的位置；记录每个[CLS]分类token的位置作为PCLS；
步骤4：将TL输入基于编码结构的文本语义模型的嵌入层，得到变压器故障类别文本语义向量VL。
103、将故障信息文本通过文本标签域筛选法处理为待增强文本，并将处理前的故障信息文本与待增强文本组成待增强文本对；
在本发明实施例中，所述文本标签域筛法包括：
步骤1：从故障信息文本中筛选出数据量低于平均数据量的少类故障信息文本C，并将少类故障信息文本C按照标点符号划分为多个语块组成的序列SC；
步骤2：将少类故障信息文本C作为原始文本C输入预训练后的变压器故障智能识别模型中，得到原始文本C关于每个故障类别的置信度R；
步骤3：将原始文本C中每个语块的内容去除得到语义残缺文本/>将/>输入预训练后的变压器故障智能识别模型中，得到残缺文本/>关于每个故障类别的置信度
步骤4：将原始文本C关于每个故障类别的置信度R与残缺文本关于每个故障类别的置信度/>进行处理，得到置信度/>与置信度R的欧氏距离，并得到每个语块/>的标签域置信度差异值；
步骤5：重复步骤3得到所有语块的标签域置信度差异值，排序后，取标签域置信度差异值最大的语块对应的残缺文本/>为待增强文本，并与原始文本C形成待增强文本对/>
可以理解的是，本发明所述的置信度即为每个故障类别的分类预测概率，例如原始文本C的关于绕组故障的置信度为0.7，就表示发生绕组故障的概率为0.7。
在本实施例中，为了得到目标增强文本向量，需要对待增强文本对进行一系列处理，以下将结合步骤104～步骤106对处理过程进行详述：
104、将所述待增强文本对输入基于编码结构的文本语义模型的嵌入层，输出初始增强文本向量对；
105、将初始增强文本向量对输入基于标签域掩码的生成对抗网络进行训练，输出中间增强文本向量；
106、将中间增强文本向量通过线性Linear层，得到目标增强文本向量；
在本发明实施例中，更为具体的，如图3所示，得到目标增强文本向量的过程包括：
步骤1：对待增强文本对中的每一个文本进行分词后，通过对比少类故障信息也即原始文本C，将待增强文本/>中每个语块/>的位置PCLS用掩码token序列填补得到序列/>
步骤2：将序列通过基于编码结构的文本语义模型的嵌入层后，输入到生成对抗网络的生成器中，得到伪装文本语义向量/>
步骤3：将原始文本C通过基于编码结构的文本语义模型的嵌入层后，得到原始文本语义向量V；
步骤4：将伪装文本语义向量与原始文本语义向量V输入LM-GAN网络的鉴别器，判断文本向量的真伪性，若伪装文本语义向量/>被判断为“真”，则将其作为原始文本C的增强文本向量，若伪装文本语义向量/>被判断为“伪”，则使用原始文本语义向量V与伪装文本语义向量/>计算损失训练生成器，使用鉴别器对原始文本语义向量V与伪装文本语义向量/>的鉴别结果与真实标签计算损失训练鉴别器。
107、将目标增强文本向量直接输入基于编码结构的文本语义模型的编码层，并同时将故障信息文本输入基于编码结构的文本语义模型的嵌入层，经由基于编码结构的文本语义模型的编码层，输出故障信息文本语义编码向量；
在本发明实施例中，获取故障信息文本语义编码向量的过程可以包括：步骤1：将故障信息文本输入基于编码结构的文本语义模型的嵌入层得到故障信息文本嵌入向量Vori；
步骤2：使目标增强文本向量通过Linear层得到目标增强文本嵌入向量VLM-GAN；
步骤3：将目标增强文本嵌入向量VLM-GAN与故障信息文本嵌入向量Vori合并为总文本嵌入向量Vall；
步骤4：将总文本嵌入向量Vall输入基于编码结构的文本语义模型的编码层得到故障类别文本语义向量VL。
108、将所述故障信息文本语义编码向量和所述故障类别文本语义向量输入跨注意力网络中，经由分类器处理，输出变压器故障类别结果向量；所述分类器包括输出Dropout层、线性Linear层和激活sigmoid层；
在本发明实施例中，获取变压器故障分类结果的步骤包括：
步骤1：将故障类别文本语义向量VL与权重矩阵Wq相乘得到Q矩阵，将故障文本语义编码向量VC分别与权重矩阵Wk、Wv相乘后得到K、V矩阵；
步骤2：将Q、K、V矩阵输入跨注意力网络，得到交互结果向量OCA；
步骤3：将交互结果向量OCA中位置PCLS处的向量抽取出来，按照序列维度拼接后得到向量
步骤4：将向量依次通过Dropout层、Linear层，将隐藏层维度缩放至2，并由Sigmoid函数对隐藏层进行归一化，得到变压器故障类别结果向量O。
本发明使用由故障类别文本拼接成的标签链向量辅助解码基于编码结构的文本语义模型的编码向量，使分类器脱离单调的标签映射数值空间，充分利用标签语义表征信息，提升分类精度。
109、将变压器故障类别结果向量与多个变压器故障类别文本，构建多标签及标签不平衡自适应损失函数，通过损失训练以得到变压器故障智能识别模型。
在本发明实施例中，多标签及标签不平衡自适应损失函数如下所示：
式中，m代表计算损失时的故障信息文本的样本数量，k代表故障文本中的标签数量，代表第i个故障信息文本的第j个真实标签，/>代表第i个故障信息文本的第j个预测标签，ln(·)表示自然对数函数，cos(·)表示余弦函数。
本发明采用多标签及标签不平衡自适应损失函数MSLoss能够使模型在损失计算时，按照正确标签的分类正确率调节损失所占权重，并使用余弦函数自适应统筹训练时的整体损失规模与正确标签、错误标签对置信度的敏感性；从而提升变压器故障智能识别模型的准确性。
基于本发明的同一构思，本发明还提供了一种基于文本的变压器故障智能识别模型的训练装置，所述装置包括：
获取模块，用于获取变压器故障文本数据，所述变压器故障文本数据包括变压器故障信息文本和对应的多个变压器故障类别文本，每个故障类别文本指示一个故障类别标签；
训练模块，用于将故障类别文本输入基于编码结构的文本语义模型，输出故障类别文本语义编码向量；将故障信息文本通过文本标签域筛选法处理为待增强文本，并将处理前的故障信息文本与待增强文本组成待增强文本对；将所述待增强文本对输入基于编码结构的文本语义模型，输出初始增强文本向量对；将初始增强文本向量对输入基于标签域掩码的生成对抗网络进行训练，输出中间增强文本向量；将中间增强文本向量通过线性Linear层，得到目标增强文本向量；将故障信息文本输入基于编码结构的文本语义模型，并同时将目标增强文本向量输入基于编码结构的文本语义模型的编码层，输出故障信息文本语义编码向量；将所述故障信息文本语义编码向量和所述故障类别文本语义向量输入跨注意力网络中，经由分类器处理，输出变压器故障类别结果向量；所述分类器包括输出Dropout层、线性Linear层和激活sigmoid层；将变压器故障类别结果向量与多个变压器故障类别文本，构建多标签及标签不平衡自适应损失函数，通过损失训练以得到变压器故障智能识别模型。
经过本发明的训练方法及装置处理后的变压器故障智能识别模型能够应用于未知变压器故障信息文本的处理过程，当未知变压器故障信息文本输入到本发明的变压器故障智能识别模型中，能够输出对应的故障类型信息，从而实现变压器故障信息文本的智能识别。
可以理解的是，本发明的一种基于文本的变压器故障智能识别模型的训练方法及装置属于本发明的同一构思，其相应特征可以相互引用，本发明就不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于文本的变压器故障智能识别模型的训练方法，其特征在于，包括以下步骤：
获取变压器故障文本数据，所述变压器故障文本数据包括变压器故障信息文本和对应的多个变压器故障类别文本，每个故障类别文本指示一个故障类别标签；
将故障类别文本输入基于编码结构的文本语义模型的嵌入层，经由基于编码结构的文本语义模型的编码层输出故障类别文本语义编码向量；
将故障信息文本通过文本标签域筛选法处理为待增强文本，并将处理前的故障信息文本与待增强文本组成待增强文本对；
将所述待增强文本对输入基于编码结构的文本语义模型的嵌入层，输出初始增强文本向量对；
将初始增强文本向量对输入基于标签域掩码的生成对抗网络进行训练，输出中间增强文本向量；
将中间增强文本向量通过线性Linear层，得到目标增强文本向量；
将目标增强文本向量直接输入基于编码结构的文本语义模型的编码层，并同时将故障信息文本输入基于编码结构的文本语义模型的嵌入层，经由基于编码结构的文本语义模型的编码层，输出故障信息文本语义编码向量；
将所述故障信息文本语义编码向量和所述故障类别文本语义向量输入跨注意力网络中，经由分类器处理，输出变压器故障类别结果向量；所述分类器包括输出Dropout层、线性Linear层和激活sigmoid层；
将变压器故障类别结果向量与多个变压器故障类别文本，构建多标签及标签不平衡自适应损失函数，通过损失训练以得到变压器故障智能识别模型。
2.根据权利要求1所述的一种基于文本的变压器故障智能识别模型的训练方法，其特征在于，获取故障类别文本语义编码向量的步骤包括：
步骤1：将所有变压器故障类别文本分别通过分词器，得到对应的不同故障类别的token序列；
步骤2：将不同故障类别的token序列与对应的分类头进行拼接，得到拼接后的变压器故障样本类别文本的token序列；
步骤3：确定每个分类头在拼接后的变压器故障类别文本的token序列的位置；
步骤4：将拼接后的变压器故障样本类别文本的token序列输入基于编码结构的文本语义模型的嵌入层得到变压器故障样本类别文本语义向量。
3.根据权利要求1所述的一种基于文本的变压器故障智能识别模型的训练方法，其特征在于，所述文本标签域筛法包括：
步骤1：从故障信息文本中筛选出数据量低于平均数据量的少类故障信息文本，并将少类故障信息文本按照标点符号划分为多个语块组成的序列；
步骤2：将少类故障信息文本作为原始文本输入预训练后的变压器故障智能识别模型中，得到原始文本关于每个故障类别的置信度；
步骤3：将原始文本中每个语块的内容去除，得到语义残缺文本，将语义残缺文本输入预训练后的变压器故障智能识别模型中，得到残缺文本关于每个故障类别的置信度；
步骤4：将原始文本关于每个故障类别的置信度与语义残缺文本关于每个故障类别的置信度进行处理，得到两个置信度之间的欧氏距离，并得到每个语块的标签域置信度差异值；
步骤5：重复步骤3～4得到所有语块的标签域置信度差异值，对所有语块的标签域置信度差异值排序后，取标签域置信度差异值最大的语块对应的残缺文本为待增强文本，并与原始文本形成待增强文本对。
4.根据权利要求1所述的一种基于文本的变压器故障智能识别模型的训练方法，其特征在于，基于标签域掩码的生成对抗网络LM-GAN的结构包括一个生成器、一个鉴别器，生成器包括一个Encoder编码器、一个Decoder解码器，Encoder编码器由三层transformers的Encoder block，Decoder解码器包括三层transformers的Decoder block组成，鉴别器包括一个BiLSTM双向长短期记忆网络、一个线性层、一个Sigmoid激活函数。
5.根据权利要求4所述的一种基于文本的变压器故障智能识别模型的训练方法，其特征在于，得到目标增强文本向量的过程包括：
步骤1：对待增强文本对中的每一个文本进行分词后，通过与少类故障信息也即原始文本进行对比，将待增强文本中每个语块的位置用掩码token序列填补得到更新序列；
步骤2：将更新序列通过基于编码结构的文本语义模型的嵌入层后，输入到生成对抗网络的生成器中，得到伪装文本语义向量；
步骤3：将原始文本通过基于编码结构的文本语义模型的嵌入层后，得到原始文本语义向量；
步骤4：将伪装文本语义向量与原始文本语义向量输入LM-GAN网络的鉴别器，判断文本向量的真伪性，若伪装文本语义向量被判断为“真”，则将其作为原始文本的增强文本向量，若伪装文本语义向量被判断为“伪”，则使用原始文本语义向量与伪装文本语义向量计算损失训练生成器，使用鉴别器对原始文本语义向量与伪装文本语义向量的鉴别结果与真实标签计算损失训练鉴别器。
6.根据权利要求1所述的一种基于文本的变压器故障智能识别模型的训练方法，其特征在于，获取变压器故障分类结果的步骤包括：
步骤1：将故障类别文本语义向量VL与权重矩阵Wq相乘得到Q矩阵，将故障文本语义编码向量VC分别与权重矩阵Wk、Wv相乘后得到K、V矩阵；
步骤2：将Q、K、V矩阵输入跨注意力网络，得到交互结果向量OCA；
步骤3：将交互结果向量OCA中位置PCLS处的向量抽取出来，按照序列维度拼接后得到向量
步骤4：将向量依次通过Dropout层、Linear层，将隐藏层维度缩放至2，并由Sigmoid函数对隐藏层进行归一化，得到变压器故障类别结果向量O。
7.根据权利要求1所述的一种基于文本的变压器故障智能识别模型的训练方法，其特征在于，多标签及标签不平衡自适应损失函数如下所示：
式中，m代表计算损失时的故障信息文本的样本数量，k代表故障文本中的标签数量，代表第i个故障信息文本的第j个真实标签，/>代表第i个故障信息文本的第j个预测标签，ln(·)表示自然对数函数，cos(·)表示余弦函数。
8.一种基于文本的变压器故障智能识别模型的训练装置，其特征在于，所述装置包括：
获取模块，用于获取变压器故障文本数据，所述变压器故障文本数据包括变压器故障信息文本和对应的多个变压器故障类别文本，每个故障类别文本指示一个故障类别标签；
训练模块，用于将故障类别文本输入基于编码结构的文本语义模型，输出故障类别文本语义编码向量；将故障信息文本通过文本标签域筛选法处理为待增强文本，并将处理前的故障信息文本与待增强文本组成待增强文本对；将所述待增强文本对输入基于编码结构的文本语义模型，输出初始增强文本向量对；将初始增强文本向量对输入基于标签域掩码的生成对抗网络进行训练，输出中间增强文本向量；将中间增强文本向量通过线性Linear层，得到目标增强文本向量；将故障信息文本输入基于编码结构的文本语义模型，并同时将目标增强文本向量输入基于编码结构的文本语义模型的编码层，输出故障信息文本语义编码向量；将所述故障信息文本语义编码向量和所述故障类别文本语义向量输入跨注意力网络中，经由分类器处理，输出变压器故障类别结果向量；所述分类器包括输出Dropout层、线性Linear层和激活sigmoid层；将变压器故障类别结果向量与多个变压器故障类别文本，构建多标签及标签不平衡自适应损失函数，通过损失训练以得到变压器故障智能识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311545744.7A CN117493886A (zh) | 2023-11-16 | 2023-11-16 | 基于文本的变压器故障智能识别模型的训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311545744.7A CN117493886A (zh) | 2023-11-16 | 2023-11-16 | 基于文本的变压器故障智能识别模型的训练方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117493886A true CN117493886A (zh) | 2024-02-02 |
Family
ID=89682777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311545744.7A Pending CN117493886A (zh) | 2023-11-16 | 2023-11-16 | 基于文本的变压器故障智能识别模型的训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493886A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
| CN111694826A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技（深圳）有限公司 | 基于人工智能的数据增强方法、装置、电子设备及介质 |
| CN112070128A (zh) * | 2020-08-24 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的变压器故障诊断方法 |
| US20210021621A1 (en) * | 2019-07-16 | 2021-01-21 | Hewlett Packard Enterprise Development Lp | Methods and systems for using embedding from natural language processing (nlp) for enhanced network analytics |
| KR102374551B1 (ko) * | 2020-12-30 | 2022-03-15 | 서울대학교산학협력단 | 변압기 고장 진단을 위한 방법 및 장치 |
| CN114254655A (zh) * | 2022-02-28 | 2022-03-29 | 南京众智维信息科技有限公司 | 一种基于提示自监督学习网络安全溯源语义识别方法 |
| CN114912460A (zh) * | 2022-05-18 | 2022-08-16 | 国网浙江省电力有限公司电力科学研究院 | 基于文本挖掘的精细化拟合识别变压器故障方法及设备 |
-
2023
- 2023-11-16 CN CN202311545744.7A patent/CN117493886A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
| US20210021621A1 (en) * | 2019-07-16 | 2021-01-21 | Hewlett Packard Enterprise Development Lp | Methods and systems for using embedding from natural language processing (nlp) for enhanced network analytics |
| CN111694826A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技（深圳）有限公司 | 基于人工智能的数据增强方法、装置、电子设备及介质 |
| WO2021151299A1 (zh) * | 2020-05-29 | 2021-08-05 | 平安科技（深圳）有限公司 | 基于人工智能的数据增强方法、装置、电子设备及介质 |
| CN112070128A (zh) * | 2020-08-24 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的变压器故障诊断方法 |
| KR102374551B1 (ko) * | 2020-12-30 | 2022-03-15 | 서울대학교산학협력단 | 변압기 고장 진단을 위한 방법 및 장치 |
| CN114254655A (zh) * | 2022-02-28 | 2022-03-29 | 南京众智维信息科技有限公司 | 一种基于提示自监督学习网络安全溯源语义识别方法 |
| CN114912460A (zh) * | 2022-05-18 | 2022-08-16 | 国网浙江省电力有限公司电力科学研究院 | 基于文本挖掘的精细化拟合识别变压器故障方法及设备 |
Non-Patent Citations (4)
| Title |
|---|
| 包萍;刘运节;: "不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究", 电子测量与仪器学报, no. 03, 15 March 2019 (2019-03-15) * |
| 崔宇;侯慧娟;苏磊;钱涛;盛戈皞;江秀臣;: "考虑不平衡案例样本的电力变压器故障诊断方法", 高电压技术, no. 01, 31 January 2020 (2020-01-31) * |
| 杭颖;廖昌义;任广为;黎楚阳;: "一种基于深度收缩自编码网络的变压器故障诊断方法", 科技创新导报, no. 16, 1 June 2020 (2020-06-01) * |
| 王磊;黄力;张礼波;龙志;李岩;周金桥;: "基于联合训练方法的变电站屏柜接线故障诊断技术", 供用电, no. 05, 5 May 2020 (2020-05-05) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021253904A1 (zh) | 测试案例集生成方法、装置、设备及计算机可读存储介质 | |
| CN112036167B (zh) | 数据处理方法、装置、服务器及存储介质 | |
| CN112184654A (zh) | 一种基于生成对抗网络的高压线路绝缘子缺陷检测方法 | |
| CN108376151A (zh) | 问题分类方法、装置、计算机设备和存储介质 | |
| CN111985239A (zh) | 实体识别方法、装置、电子设备及存储介质 | |
| CN111563166A (zh) | 一种针对数学问题分类的预训练模型方法 | |
| CN112131352A (zh) | 一种网页文本类不良信息的检测方法与检测系统 | |
| CN114581770A (zh) | 基于TransUnet的遥感影像建筑物自动提取处理方法 | |
| CN109101483A (zh) | 一种针对电力巡检文本的错误识别方法 | |
| CN112149386A (zh) | 一种事件抽取方法、存储介质及服务器 | |
| CN113469214A (zh) | 虚假新闻检测方法、装置、电子设备和存储介质 | |
| CN110008699A (zh) | 一种基于神经网络的软件漏洞检测方法及装置 | |
| CN115935807A (zh) | 基于图马尔可夫神经网络的诊断模型的训练方法 | |
| Moravej et al. | Power transformer protection scheme based on time‐frequency analysis | |
| CN115965822A (zh) | 一种风险等级的分类方法及模型训练方法 | |
| CN117893195A (zh) | 一种车辆故障排查和维修方法及系统 | |
| CN117332330A (zh) | 基于多源数据图融合模型的变压器故障评估方法及系统 | |
| CN117493886A (zh) | 基于文本的变压器故障智能识别模型的训练方法及装置 | |
| CN112364636A (zh) | 一种基于双重目标编码的用户意图识别系统 | |
| CN116029295A (zh) | 一种电力文本实体抽取方法、缺陷定位方法及故障诊断方法 | |
| CN115994220A (zh) | 一种基于语义挖掘的接触网文本数据缺陷识别方法及设备 | |
| CN115357711A (zh) | 一种方面级情感分析方法、装置、电子设备及存储介质 | |
| CN114298144A (zh) | 一种基于深度卷积神经网络的水电站设备漏油识别方法 | |
| CN112461942A (zh) | 一种高压套管电容芯故障诊断方法及系统 | |
| CN113505817A (zh) | 不均衡数据下轴承故障诊断模型样本自适应加权训练方法 |
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 |