CN117541226A - 基于物联网的电力设备维护用数据处理方法及装置 - Google Patents
基于物联网的电力设备维护用数据处理方法及装置 Download PDFInfo
- Publication number
- CN117541226A CN117541226A CN202311524072.1A CN202311524072A CN117541226A CN 117541226 A CN117541226 A CN 117541226A CN 202311524072 A CN202311524072 A CN 202311524072A CN 117541226 A CN117541226 A CN 117541226A
- Authority
- CN
- China
- Prior art keywords
- feature
- power equipment
- features
- coding
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012423 maintenance Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006855 networking Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 239000013598 vector Substances 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012549 training 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/40—Maintenance of things
Abstract
本发明涉及物联网的电力设备数据处理技术领域,公开了基于物联网的电力设备维护用数据处理方法及装置,该方法包括:获取电力设备数据的原始特征;将所述原始特征输入编码器,获得编码特征;将所述编码特征输入生成器,获得生成特征;根据所述编码特征和所述生成特征输入鉴别器,获得鉴别结果;根据所述编码特征、所述生成特征、所述鉴别结果输入特征优化选择器,获得显著特征,所述显著特征用于电力设备维护。本发明提高了电力设备数据中有用信息的准确性,并通过显著特征可以确定对电力设备故障检测有重要影响的设备数据,提高了数据选择的准确性,进而提高了电力设备故障检测的准确率以及调整电力设备的监测频率的灵活性。
Description
技术领域
本发明属于物联网的电力设备数据处理技术领域,尤其涉及一种基于物联网的电力设备维护用数据处理方法及装置。
背景技术
物联网技术是指通过互联网将各种物理设备、传感器、软件等连接起来,实现设备之间的数据交互和智能控制的技术。物联网技术的发展为电力设备智能维护提供了技术支持和数据基础,使得电力设备的监测、诊断和维护更加便捷和高效。电力设备智能维护技术是指利用物联网技术对电力设备进行智能化的监测和维护的技术。通过对电力设备的数据进行实时监测和分析,可以提前发现电力设备的故障和异常情况,及时采取维护措施,避免电力设备的停机和损坏,提高电力设备的可靠性和运行效率。目前已有一些方法和系统可用于电力设备的智能维护,如基于数据挖掘和机器学习的方法、基于传感器获得的数据的故障诊断系统等。然而,这些方法和系统存在一些问题,如特征选择不准确、维护效果不佳等。因此,需要提供一种基于物联网的电力设备维护用数据处理方法,以解决这些问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本发明实施例提供了一种基于物联网的电力设备维护用数据处理方法及装置,解决了传统电力设备智能维护中存在的电力设备数据质量不准确、特征选择不准确、维护策略过于保守等问题,提高电力设备的可靠性和运行效率。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面,提供了一种基于物联网的电力设备维护用数据处理方法,方法包括:
获取电力设备数据的原始特征;
将所述原始特征输入编码器,获得编码特征;
将所述编码特征输入生成器,获得生成特征;
根据所述编码特征和所述生成特征输入鉴别器,获得鉴别结果;
根据所述编码特征、所述生成特征、所述鉴别结果输入特征优化选择器,获得显著特征,所述显著特征用于电力设备维护。
进一步的,所述编码器用第一函数来表征,所述第一函数的表达式为:
其中,z(i,j,k)表示编码特征,xi,j表示原始特征,(i,j)表示原始特征xi,j的维度,i表示高度,j表示宽度,ak、bk表示偏置项参数,d(i,j,k)表示权重矩阵,k表示通道数,C(xi,j)表示编码矩阵。
进一步的,所述生成器用第二函数来表征,所述第二函数的表达式为:
其中,z′(i,j,k)表示生成特征,z(i,j,k)表示编码特征,C(xi,j)表示编码矩阵,u表示原始特征xi,j的均值,θ表示原始特征xi,j的方差,s表示缩放因子,p(xi,j,z(i,j,k))表示概率密度函数。
进一步的,所述鉴别器用误差函数来表征,所述误差函数的表达式为:
其中,L(z(i,j,k),z′(i,j,k))表示鉴别结果,z(i,j,k)表示编码特征,z′(i,j,k)表示生成特征,h、α、σ表示鉴别器的超参数。
进一步的,所述特征优化选择器用优化选择函数来表征,所述优化选择函数的表达式为:
其中,E(z(i,j,k),z′(i,j,k))表示显著特征,z(i,j,k)表示编码特征,z′(i,j,k)表示生成特征,exp表示指数函数,β表示惩罚因子。
进一步的,还包括:
根据所述显著特征,确定显著特征中的高显著性特征;
根据所述高显著性特征对应的电力设备数据调整电力设备的维护策略。
进一步的,所述获取电力设备数据的原始特征,包括:
利用传感器对电力设备进行数据采集,获得电力设备数据;
对电力设备数据进行编码处理,获得原始特征。
本发明第二方面,提供了一种基于物联网的电力设备维护用数据处理装置,包括:
原始特征获得模块,用于获取电力设备数据的原始特征;
编码特征获得模块,用于将所述原始特征输入编码器,获得编码特征;
生成特征获得模块,用于将所述编码特征输入生成器,获得生成特征;
鉴别结果获得模块,用于根据所述编码特征和所述生成特征输入鉴别器,获得鉴别结果;
显著特征获得模块,用于根据所述编码特征、所述生成特征、所述鉴别结果输入特征优化选择器,获得显著特征,所述显著特征用于电力设备维护。
本发明第三方面,提供了一种电子设备,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如上述的基于物联网的电力设备维护用数据处理方法。
本发明第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如上述的基于物联网的电力设备维护用数据处理方法。
与现有技术相比较,本发明的有益效果如下:
本发明实施例提供的一种基于物联网的电力设备维护用数据处理方法,将所述原始特征输入编码器,获得编码特征;将所述编码特征输入生成器,获得生成特征;根据所述编码特征和所述生成特征输入鉴别器,获得鉴别结果;根据所述编码特征、所述生成特征、所述鉴别结果输入特征优化选择器,获得显著特征,所述显著特征用于电力设备维护。本发明提高了电力设备数据中有用信息的准确性,并通过显著特征可以确定对电力设备故障检测有重要影响的电力设备数据,提高了数据选择的准确性,进而提高了电力设备故障检测的准确率以及调整电力设备的监测频率的灵活性。本发明提供的一种基于物联网的电力设备维护用数据处理装置、电子设备和计算机可读存储介质同样解决了背景技术部分提出的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例中的一种基于物联网的电力设备维护用数据处理方法的流程图;
图2为本发明实施例中的一种基于物联网的电力设备维护用数据处理装置的结构示意图;
图3为本发明实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
传统的电力设备维护通常是基于定期巡检和维护的,无法实时监测电力设备的状态和运行情况,容易导致电力设备故障的延误和损坏。而物联网技术的应用可以实现对电力设备的实时监测和数据采集,为智能维护提供了数据基础。
目前已有一些基于物联网技术的电力设备智能维护方法和系统。例如,利用传感器对电力设备进行数据采集,通过数据挖掘和机器学习算法对电力设备的运行状态进行分析和预测,实现对电力设备的故障诊断和预防维护。然而,这些方法存在一些问题。首先,传感器采集的电力设备数据的质量和准确性,可能会受到环境干扰和噪声的影响,进而影响故障诊断的准确性。其次,传统的特征选择方法可能无法充分利用传感器采集的电力设备数据中的有用信息,导致特征选择结果不准确。此外,传统的维护策略可能过于保守,无法根据电力设备的实际情况和工作负荷进行灵活调整。
图1为本发明实施例中的一种基于物联网的电力设备维护用数据处理方法的流程图。该方法可以由基于物联网的电力设备维护用数据处理装置执行,该装置可以采用软件和/或硬件的方式实现,该装置可配置于电子设备中。如图1所示,该方法具体可以包括如下步骤:
S110、获取电力设备数据的原始特征;
具体的,电力设备数据可以是电力设备的相关数据,例如,电流、电压、压力、温度等。
在一实施例中,所述电力设备数据的原始特征,包括:利用所述传感器对所述电力设备进行数据采集,获得电力设备数据;对电力设备数据进行编码处理,获得原始特征。
具体的,在电力设备中,传感器通常用于测量和监测电力设备的各种参数,以便实时监控电力设备的状态并进行故障检测。常见的传感器包括:温度传感器:用于测量电力设备周围环境的温度,以便监测电力设备的热量变化和温度异常情况。压力传感器:用于测量电力设备内部或外部的压力,以便监测电力设备的压力变化和压力异常情况。电流传感器:用于测量电力设备的电流大小,以便监测电力设备的电流变化和电流异常情况。湿度传感器:用于测量电力设备周围环境的湿度,以便监测电力设备的湿度变化和湿度异常情况。通过这些传感器采集的数据是温度,压力,电流等,其温度,压力,电流即为电力设备数据。
对于温度、压力和电流等电力设备数据,可以按照以下步骤进行编码:确定每个温度、压力和电流的数值,创建与数值对应的二进制向量。例如,温度为5摄氏度的二进制向量可以表示为[1,0,1],其中二进制向量[1,0,1]为温度的原始特征;压力为3kPa的二进制向量可以表示为[1,1],其中二进制向量[1,1]也为电压的原始特征;电流为2毫安的二进制向量可以表示为[1,0],其中二进制向量[1,0]为电流的原始特征,通过上述的二进制编码处理,将所有的电力设备数据都进行编码处理,获得所有的原始特征。
本发明实施例通过对电力设备数据进行二进制的编码处理得到原始特征,避免环境干扰和噪声的影响,提高电力设备数据的质量性和准确性,利用原始特征在进行后续的数据处理,还可以提高数据处理的一致性和效率性。
S120、将所述原始特征输入编码器,获得编码特征;
其中,编码器是用于对原始特征进行编码处理的函数;编码特征是电力设备数据经过编码器处理后得到的向量或矩阵表示的数据。
在一实施例中,所述编码器用第一函数来表征,所述第一函数的表达式为:
其中,z(i,j,k)表示编码特征,xi,j表示原始特征,(i,j)表示原始特征xi,j的维度,i表示高度,j表示宽度,ak、bk表示偏置项参数,d(i,j,k)表示权重矩阵,k表示通道数,C(xi,j)表示编码矩阵。
可以理解的,ak、bk、C(xi,j)为已知量,权重矩阵d(i,j,k)是用来表示不同原始特征对输出的编码特征的影响程度的参数,将编码器的损失函数最小化,可以得到编码特征的权重矩阵d(i,j,k);k表示通道数,也可表示为传感器器的数量,将原始特征xi,j输入到编码器的第一函数输出编码特征z(i,j,k),其编码特征z(i,j,k)可以用二进制向量或矩阵来表示。
S130、将所述编码特征输入生成器,获得生成特征;
其中,生成器是用于对编码特征进行生成处理的函数,用于模拟电力设备的不同工况和故障情况;生成特征是经过生成器处理后得到的数据。
在一实施例中,所述生成器用第二函数来表征,所述第二函数的表达式为:
其中,z′(i,j,k)表示生成特征,z(i,j,k)表示编码特征,C(xi,j)表示编码矩阵,u表示原始特征xi,j的均值,θ表示原始特征xi,j的方差,s表示缩放因子,p(xi,j,z(i,j,k))表示概率密度函数。
具体的,C(xi,j)、u、θ为已知量,概率密度函数p(xi,j,z(i,j,k))一般是根据编码特征的分布来估计得到的,且通过最大化编码特征出现的概率可以估计生成器的参数,也可以说是生成器的参数之一。将编码特征z(i,j,k)输入生成器的第二函数输出生成特征z′(i,j,k),生成特征z′(i,j,k)可以用二进制向量或矩阵来表示。
S140、根据所述编码特征和所述生成特征输入鉴别器,获得鉴别结果。
其中,鉴别器是用于对原始特征和生成特征进行鉴别,评估生成器的性能。鉴别器可以用误差函数来表示原始特征与生成特征之间的关系,进而通过鉴别器的误差函数最优化来评估生成器的性能。
在一实施例中,所述鉴别器用误差函数来表征,所述误差函数的表达式为:
其中,L(z(i,j,k),z′(i,j,k))表示鉴别结果,z(i,j,k)表示编码特征,z′(i,j,k)表示生成特征,h、α、σ表示鉴别器的超参数。
具体的,鉴别器的误差函数中包含一些超参数,如h、α和σ用于调整模型性能。这些超参数可以根据具体问题和数据集的特点进行调整,以获得最佳的鉴别器性能和生成器的生成特征的准确性。
可以理解的,鉴别器的误差函数是用于评估生成器的性能,并通过最小化误差函数来优化生成器的生成特征,使其更接近编码特征:误差函数通过比较编码器的编码特征和生成器的生成特征,能够判断它们之间的差异和相似性。如果误差函数的值较小,则表示生成器生成的生产特征更接近编码器的编码特征,反之则表示差异较大。优化生成器的性能:通过最小化误差函数,生成器可以调整生成特征的生成方式,使其更接近编码器的编码特征。生成器的目标是尽可能减小误差函数的值,从而提高生成特征的质量性和一致性。
需要说明的是,在获得最佳性能的鉴别器时,h、α、σ为已知量,将编码特征z(i,j,k)和生成特征z′(i,j,k)输入鉴别器的误差函数输出编码特征z(i,j,k)与生成特征z′(i,j,k)之间的误差,其误差即鉴别结果。
S150、根据所述编码特征、所述生成特征、所述鉴别结果输入特征优化选择器,获得显著特征;所述显著特征用于电力设备维护。
其中,优化选择器是用于选择最具有区分能力的特征,将最具有区分能力的特征确定显著特征,利用显著特征来评估电力设备是否出现故障,运行情况是否正常。
在一实施例中,所述特征优化选择器用优化选择函数来表征,所述优化选择函数的表达式为:
其中,E(z(i,j,k),z′(i,j,k))表示显著特征,z(i,j,k)表示编码特征,z′(i,j,k)表示生成特征,exp表示指数函数,β表示惩罚因子。
具体的,惩罚因子β用于调整显著特征的惩罚程度。惩罚因子的作用是控制生成器生成的生产特征与编码器输出的编码特征之间的差异,以便在训练或优化过程中对生成器进行约束或引导,惩罚因子β的值越大,特征显著性矩阵对生成器生成特征的差异越敏感,生成的特征与编码器输出特征之间的差异越小。使生成的特征更接近编码器输出特征。在实际应用中,惩罚因子β的取值通常需要根据具体问题和数据集的特点进行调整和优化。较大的β值可能会导致过度约束生成器,使其难以生成多样化和创新的特征;而较小的β值可能会导致生成器生成特征与编码器输出特征之间的差异较大,可能会影响生成特征的质量和一致性。因此,需要按照实际情况选择β值,以提高生成器生成特征的准确性和一致性。
可以理解的是,显著特征用二进制向量或矩阵表示,当显著特征矩阵表示时,显著特征的显著矩阵的作用是用于表示显著矩阵中特征的显著性或重要性,确定哪些特征对于区分真实特征和生成特征是最重要的,其特征的数值越大表示该特征对于区分真实特征和生成特征的能力越强。通过分析特征矩阵,可以确定哪些特征对于电力设备维护任务是最有价值的,从而选择并使用这些特征进行后续的维护工作。
具体的,β为已知量,将编码特征z(i,j,k)、生成特征z′(i,j,k)、鉴别结果L(z(i,j,k),z′(i,j,k))输入特征优化选择器的优化选择函数输出显著特征,利用显著特征可以对电力设备的维护进行调整。
本发明实施例通过显著特征可以确定对电力设备故障检测有重要影响的电力设备数据,提高了电力设备数据选择的准确性,进而提高了电力设备故障检测的准确率以及调整电力设备的监测频率的灵活性。
在一实施例中,还包括:根据所述显著特征,确定显著特征中的高显著性特征;根据高显著性特征对应的电力设备数据调整电力设备的维护策略。
其中,电力设备的维护策略包括:电力设备故障的预测,电力设备监测频率的调整以及个性化电力设备维护。
可以理解的,在获得显著特征后,在显著特征的显著矩阵中将特征值大于一定阈值的显著特征确定为高显著性特征,高显著性特征对电力设备故障检测最为重要,维护人员可以将高显著性特征对应的电力设备数据找出来,利用这些电力设备数据以便更早地发现潜在的电力设备故障迹象。也可以利用高显著性特征动态调整电力设备的维护频率。对于高显著性特征对应的电力设备数据,可以增加电力设备数据的监测频率,以更及时地捕捉电力设备状态的变化,提高电力设备监测的准确率。还可以利用高显著性特征对应的电力设备数据,找到相关电力设备,为电力设备制定个性化的维护计划,灵活调整维护策略,以提高维护效果。
本发明实施例通过根据显著特征,确定显著特征中的高显著性特征;根据高显著性特征对应的电力设备数据调整电力设备的维护策略,提高了电力设备数据中有用信息的准确性,并通过显著特征可以确定对电力设备故障检测有重要影响的电力设备数据,不仅可以提高电力设备故障检测的准确率,还可以调整电力设备的监测频率以提高电力设备故障检测的准确度。
图2为本发明实施例中的一种基于物联网的电力设备维护用数据处理装置的结构示意图。如图2所示:该装置包括:
原始特征获得模块210,用于获取电力设备数据的原始特征;
编码特征获得模块220,用于将所述原始特征输入编码器,获得编码特征;
生成特征获得模块230,用于将所述编码特征输入生成器,获得生成特征;
鉴别结果获得模块240,用于根据所述编码特征和所述生成特征输入鉴别器,获得鉴别结果;
显著特征获得模块250,用于根据所述编码特征、所述生成特征、所述鉴别结果输入特征优化选择器,获得显著特征,所述显著特征用于电力设备维护。
原始特征获得模块210,还用于利用传感器对电力设备进行数据采集,获得电力设备数据;对电力设备数据进行编码处理,获得原始特征。
在一实例中,所述编码器用第一函数来表征,所述第一函数的表达式为:
其中,z(i,j,k)表示编码特征,xi,j表示原始特征,(i,j)表示原始特征xi,j的维度,i表示高度,j表示宽度,ak、bk表示偏置项参数,d(i,j,k)表示权重矩阵,k表示通道数,C(xi,j)表示编码矩阵。
在一实例中,所述生成器用第二函数来表征,所述第二函数的表达式为:
其中,z′(i,j,k)表示生成特征,z(i,j,k)表示编码特征,C(xi,j)表示编码矩阵,u表示原始特征xi,j的均值,θ表示原始特征xi,j的方差,s表示缩放因子,p(xi,j,z(i,j,k))表示概率密度函数。
在一实例中,所述鉴别器用误差函数来表征,所述误差函数的表达式为:
其中,L(z(i,j,k),z′(i,j,k))表示鉴别结果,z(i,j,k)表示编码特征,z′(i,j,k)表示生成特征,h、α、δ表示鉴别器的超参数。
在一实例中,所述特征优化选择器用优化选择函数来表征,所述优化选择函数的表达式为:
其中,E(z(i,j,k),z′(i,j,k))表示显著特征,z(i,j,k)表示编码特征,z′(i,j,k)表示生成特征,exp表示指数函数,β表示惩罚因子。
该装置还包括:调整模块,调整模块用于根据所述显著特征,确定显著特征中的高显著性特征;根据高显著性特征对应的电力设备数据调整电力设备的维护策略。
本发明实施例提供的基于物联网的电力设备维护用数据处理装置,可执行本发明方法实施例所提供的基于物联网的电力设备维护用数据处理方法中的步骤,可获得相同的有益效果,此处不再赘述。
图3为本发明实施例中的一种电子设备的结构示意图。下面具体参考图3,其示出了适于用来实现本发明实施例中的电子设备500的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理以实现如本发明所述的实施例的方法。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500还可以包括:输入装置506和输出装置507,这些组件通过输出(I/O)接口505相连。该输入装置506还可以包括例如键盘、鼠标等。该输出装置507可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出装置507可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码,从而实现如上所述的车辆控制方法。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本发明实施例的方法中限定的上述功能。
需要说明的是,本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取电力设备数据的原始特征;将所述原始特征输入编码器,获得编码特征;将所述编码特征输入生成器,获得生成特征;根据所述编码特征和所述生成特征输入鉴别器,获得鉴别结果;根据所述编码特征、所述生成特征、所述鉴别结果输入特征优化选择器,获得显著特征,所述显著特征用于电力设备维护。
可选的,当上述一个或者多个程序被该电子设备执行时,该电子设备还可以执行上述实施例所述的其他步骤。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于物联网的电力设备维护用数据处理方法,其特征在于,所述方法包括:
获取电力设备数据的原始特征;
将所述原始特征输入编码器,获得编码特征;
将所述编码特征输入生成器,获得生成特征;
根据所述编码特征和所述生成特征输入鉴别器,获得鉴别结果;
根据所述编码特征、所述生成特征、所述鉴别结果输入特征优化选择器,获得显著特征,所述显著特征用于电力设备维护。
2.根据权利要求1所述的方法,其特征在于,所述编码器用第一函数来表征,所述第一函数的表达式为:
其中,z(i,j,k)表示编码特征,xi,j表示原始特征,(i,j)表示原始特征xi,j的维度,i表示高度,j表示宽度,ak、bk表示偏置项参数,d(i,j,k)表示权重矩阵,k表示通道数,C(xi,j)表示编码矩阵。
3.根据权利要求2所述的方法,其特征在于,所述生成器用第二函数来表征,所述第二函数的表达式为:
其中,z′(i,j,k)表示生成特征,z(i,j,k)表示编码特征,C(xi,j)表示编码矩阵,u表示原始特征xi,j的均值,θ表示原始特征xi,j的方差,s表示缩放因子,p(xi,j,z(i,j,k))表示概率密度函数。
4.根据权利要求3所述的方法,其特征在于,所述鉴别器用误差函数来表征,所述误差函数的表达式为:
其中,L(z(i,j,k),z′(i,j,k))表示鉴别结果,z(i,j,k)表示编码特征,z′(i,j,k)表示生成特征,h、α、σ表示鉴别器的超参数。
5.根据权利要求4所述的方法,其特征在于,所述特征优化选择器用优化选择函数来表征,所述优化选择函数的表达式为:
其中,E(z(i,j,k),z′(i,j,k))表示显著特征,z(i,j,k)表示编码特征,z′(i,j,k)表示生成特征,exp表示指数函数,β表示惩罚因子。
6.根据权利要求5所述的方法,其特征在于,还包括:
根据所述显著特征,确定显著特征中的高显著性特征;
根据所述高显著性特征对应的电力设备数据调整电力设备的维护策略。
7.根据权利要求1所述的方法,其特征在于,所述获取电力设备数据的原始特征,包括:
利用传感器对电力设备进行数据采集,获得电力设备数据;
对电力设备数据进行编码处理,获得原始特征。
8.基于物联网的电力设备维护用数据处理装置,其特征在于,包括:
原始特征获得模块,用于获取电力设备数据的原始特征;
编码特征获得模块,用于将所述原始特征输入编码器,获得编码特征;
生成特征获得模块,用于将所述编码特征输入生成器,获得生成特征;
鉴别结果获得模块,用于根据所述编码特征和所述生成特征输入鉴别器,获得鉴别结果;
显著特征获得模块,用于根据所述编码特征、所述生成特征、所述鉴别结果输入特征优化选择器,获得显著特征,所述显著特征用于电力设备维护。
9.一种电子设备,其特征在于,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的基于物联网的电力设备维护用数据处理方法。
10.一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至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的基于物联网的电力设备维护用数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311524072.1A CN117541226A (zh) | 2023-11-15 | 2023-11-15 | 基于物联网的电力设备维护用数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311524072.1A CN117541226A (zh) | 2023-11-15 | 2023-11-15 | 基于物联网的电力设备维护用数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117541226A true CN117541226A (zh) | 2024-02-09 |
Family
ID=89785560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311524072.1A Pending CN117541226A (zh) | 2023-11-15 | 2023-11-15 | 基于物联网的电力设备维护用数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541226A (zh) |
-
2023
- 2023-11-15 CN CN202311524072.1A patent/CN117541226A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111504676A (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
CN115122155B (zh) | 基于工业互联网大数据的机床远程诊断方法及系统 | |
CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测系统 | |
CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测系统 | |
CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
Tang et al. | Multivariable LS-SVM with moving window over time slices for the prediction of bearing performance degradation | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN117579101B (zh) | 载波通讯模块的控制方法及其系统 | |
CN117375237A (zh) | 基于数字孪生技术变电站运维方法及系统 | |
CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN117541226A (zh) | 基于物联网的电力设备维护用数据处理方法及装置 | |
CN116880402A (zh) | 智慧工厂协同管控系统及其方法 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
CN113255775B (zh) | 一种电力系统异常数据的识别方法、装置和智能芯片 | |
CN113485863A (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
Geetha et al. | The Smart Development of the Large Scale Sensing Techniques in Intelligent Industrial Automation | |
CN117278073B (zh) | 一种超宽带天线信号自动调整方法 | |
CN117668684B (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
CN117591970B (zh) | 一种全自动组装设备的故障预警方法及系统 | |
CN117056400A (zh) | 机械设备的智能管理系统及其方法 | |
CN117936190A (zh) | 绞线机的监测系统及其方法 | |
Xu et al. | Model Quality Evaluation based on Improved MTF Data Image and Classification | |
CN117977536A (zh) | 一种智能电网负荷辨识方法 | |
CN117784710A (zh) | 数控机床远程状态监控系统及其方法 |
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 |