CN117634905A - 一种电网业务数据特征提取方法 - Google Patents
一种电网业务数据特征提取方法 Download PDFInfo
- Publication number
- CN117634905A CN117634905A CN202311505453.5A CN202311505453A CN117634905A CN 117634905 A CN117634905 A CN 117634905A CN 202311505453 A CN202311505453 A CN 202311505453A CN 117634905 A CN117634905 A CN 117634905A
- Authority
- CN
- China
- Prior art keywords
- data
- power grid
- feature
- feature extraction
- business 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
- 238000000605 extraction Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012512 characterization method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 46
- 238000013136 deep learning model Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003012 network analysis Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000003058 natural language processing Methods 0.000 claims description 2
- 230000009469 supplementation Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电网业务数据特征提取方法，涉及电网技术领域，通过数据标准化、深度学习模型收集电网特征数据、优化深度学习模型、评估电网特征数据、构建电网数据特征数据算法、整合至电网系统构建多尺度深度特征融合模型。本发明构建的算法模型能够将电网业务数据特征进行组合，形成具有更强表征能力的特征向量，实现电网数据特征的快速、有效提取。
Description
技术领域
本发明涉及电网技术领域，尤其涉及一种电网业务数据特征提取方法。
背景技术
随着物联网和传感器技术的进步，电网数据的采集变得更加方便和普遍，同时存储技术的发展也为大规模数据处理提供了支持，特征选择和降维技术在过去几十年里得到了广泛研究和应用，利用先进的信息和通信技术，将传统的电力系统与现代信息技术相结合并结合电力系统的特点和需求，能够提高电网数据分析和故障预测的精度和效率，实现电力的智能化监控、管理和优化。
近年来，虽然电网业务数据特征提取方式不断优化，但仍存在诸多技术缺陷，至少包括如下几个方面：1.针对特定电网业务的特征提取方法相对有限，传统特征提取方法在表征能力及适应性方面的不足，应对多尺度、时变、非线性等复杂电网数据特征挖掘方面仍存在挑战。2.在处理多源异构数据时存在一定的局限性，缺乏统一的融合框架和方法，针对大规模和高维度的电网数据集，算法效率和计算复杂度仍需要改进。3.特征提取容易受到数据质量和噪声影响，需要进一步提高数据预处理和噪声处理能力。
发明内容
本发明要解决的技术问题时针对现有技术的种种不足，提供一种电网业务数据特征提取方法。
为解决上述技术问题，本发明所采取的技术方案如下。
电网业务数据特征提取方法，所述提取方法通过构建多尺度深度特征融合模型，将电网业务数据特征进行组合，形成具有更强表征能力的特征向量，实现电网数据特征的快速、有效提取，提高电网设备故障预测的准确性和及时性。
作为本发明的一种优选技术方案，所述多尺度深度特征融合模型，包括以下步骤：
(1)、对原始电网数据进行标准化、降维等操作，以便于下一步特征提取和融合；
(2)、设计和构建适合处理电网数据的深度学习模型，使用包括卷积神经网络、递归神经网络、长短期记忆、自编码器、生成对抗网络在内的数据处理方式处理电网设备的图像数据、时序特征并捕捉电网数据的复杂特征和模式；
(3)、利用大规模电网数据通过反向传播和梯度下降类优化算法更新模型的参数训练深度学习模型，使模型能够准确地捕捉电网数据的动态特征；
(4)、使用测试数据集和评估指标对训练好的深度学习模型进行评估，并根据评估结果在模型结构、参数初始化、学习率和优化器方面进行模型的调优，得到更加优化的电网业务数据特征；
(5)、构建算法将电网数据的特征进行组合，形成具有更强表征能力的特征向量；
(6)、将训练好的深度学习模型通过实时或离线的特征提取和分析应用并整合到电网系统中支持电网的优化运行和决策。
作为本发明的一种优选技术方案，步骤(1)中，将来自不同来源和格式的电网数据基于不同数据源的共同字段或标识符进行数据匹配关联并对数据格式进行标准化，将去除重复数据、处理缺失值和异常值后的数据集成到统一的数据存储或数据库，对于具有相似特征的数据进行数据融合和补充。
作为本发明的一种优选技术方案，步骤(1)中，使用经验模态分解方法将原始数据分解为多个时序数据，便于分析不同频率成分对故障判别的影响，并将时序数据通过时频域变换方法得到不同尺度的电网特征信息。
作为本发明的一种优选技术方案，步骤(1)中，进一步，在电网业务数据特征提取过程中采用自然语言处理、图像识别和信号处理。
作为本发明的一种优选技术方案，步骤(2)中通过对时频域变换的结果进行局部特征提取，捕捉短时内设备状况的特征，并将时序数据输入到LSTM网络，实现长时依赖性的建模，捕捉长时设备状况特征，再次基础上对提取出的特征进行自适应加权。
作为本发明的一种优选技术方案，步骤(2)中，进一步通过使用包括聚类分析、自组织映射、隐变量建模、图与网络分析在内的非监督学习方法发现数据中的潜在模式和异常情况。
作为本发明的一种优选技术方案，步骤(3)中，采用增量学习方法和自适应特征提取技术，针对电网业务数据动态变化的特点使特征提取过程能够快速适应数据的更新和变化。
作为本发明的一种优选技术方案，步骤(5)中，所述算法采用如下数据建模过程：
a.设电网数据为D＝{x1,x2,…,xn},每个xi∈Rm是一个m维的特征向量，设选定的特征组合方法为f:Rm→Rk,这个映射将原始的m维特征映射到了新的k维特征，由此选取一个f，使得在f下产生的特征组合对设备故障预测的能力最强；
b.定义一个损失函数：L(y,y')＝1/2*Σ(yi-y'i)2，其中y是设备的真实状态向量，y'是由模型预测的设备状态向量；定义一个预测方法g：Rk→{0,1},对于任意新的k维特征向量z，g(z)就是在这个特征下预测的设备状态，用f和g对D中的数据进行预测，得到的预测向量为：Y'＝(g(f(x1)),g(f(x2)),...,g(f(xn)))，设备的真实状态向量为Y＝(y1,y2,...,yn)；对于任意的特征组合方法f和预测方法g，它们对D的预测能力表现在损失函数L(Y,Y')上；
c.通过构建多个特征优化问题的基本形态：设下界为l上界为u，那么k的取值范围就是l≤k≤u，限制新生成的特征向量的维数，以此构成函数f应当满足的约束条件。
d.采用优化算法，在满足约束条件的所有f中找出使得L(Y,Y')最小的值，即最优性能的函数f^*＝arg min L(Y,Y')，其中参数的更新过程也需要按照相应的优化算法进行。
作为本发明的一种优选技术方案，步骤(6)中，将多尺度深度特征融合模型提取出的电网特征数据与物理意义相关的指标形成对应关系，提高特征提取方法的可解释性，便于电网运维人员理解故障预测结果，支持故障诊断和维护决策。
采用上述技术方案所产生的有益效果在于：本发明构建的一种电网业务数据特征提取方法，基于多尺度深度特征融合模型的建立，快速提取出具备良好的可扩展性且适应不同规模和复杂度的电网数据集并将数据集中的数据特征进行组合，降低模型的计算开销和业务数据分析的复杂度，实现电网数据特征的快速高效提取，通过将特征提取与实际业务需求紧密结合，更有效地反映电网设备的实际状况，对于提高电网设备故障预测的准确性和及时性具有重要意义。
具体实施方式
以下实施例详细说明了本发明。在以下实施例的描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
实施例1
本发明主体上构建了一种多尺度深度特征融合模型，具体步骤为：数据标准化、深度学习模型收集电网特征数据、优化深度学习模型、评估电网特征数据、构建电网数据特征数据算法、整合至电网系统。并基于以上模型将电网业务数据特征进行组合，形成具有更强表征能力的特征向量，实现电网数据特征的快速、有效提取，提高电网设备故障预测的准确性和及时性。
实施例2
对数据标准化步骤主要是将来自不同来源和格式的电网数据进行整合和融合，以获取更全面和准确的特征信息，首先通过与不同来源的系统进行接口对接、API调用或数据采集，获取来自不同系统、传感器、设备以及第三方数据供应商等不同来源的电网数据。其次将不同的数据格式通过数据转换、格式转换和字段匹配等操作进行标准化，以确保数据的一致性和可融合性。并将数据进行清洗和预处理操作后集成到统一的数据存储或数据库，以确保数据的质量和准确性。期间使用经验模态分解方法将原始数据分解为多个时序数据，便于分析不同频率成分对故障判别的影响，并将时序数据通过时频域变换方法得到不同尺度的电网特征信息。
实施例3
深度学习模型收集电网特征数据步骤，通过对时频域变换的结果进行局部特征提取，捕捉短时内设备状况的特征，并将时序数据输入到LSTM网络，实现长时依赖性的建模用以捕捉长时设备状况特征，再此基础上对提取出的特征进行自适应加权。进一步基于神经网络算法将高维特征空间映射到二维或三维的拓扑结构中，从而实现电网业务数据的可视化和聚类，以发现数据中的潜在特征模式和关联关系。采用小波变换或Hilbert-Huang变换方法，根据电网设备的实际工况，提取高频故障特征。通过特征选择算法评估提取特征的有效性，有针对性地筛选和组合高质量特征。更进一步的，通过使用包括聚类分析、自组织映射、隐变量建模、图与网络分析在内的非监督学习方法发现数据中的潜在模式和异常情况。卷积神经网络、递归神经网络、长短期记忆、自编码器、生成对抗网络等数据处理方式处理电网设备的图像数据、时序特征并捕捉电网数据的复杂特征和模式构建适合处理电网数据的深度学习模型。
实施例4
优化深度学习模型步骤采用增量学习方法和自适应特征提取技术，针对电网业务数据动态变化的特点使特征提取过程能够快速适应数据的更新和变化。同时通过降维技术实现特征融合和降低模型复杂度，并借助迁移学习技术，将多个电网设备和场景下获得的知识迁移到新的设备和场景，避免对每个设备进行逐一训练的繁重工作，提高大规模电网设备特征提取的效率。进一步的，基于对数据进行降维或潜在特征提取的隐变量建模，如Principal Component Analysis,PCA或Factor Analysis，捕捉数据背后的潜在结构和模式，将高维电网数据降维到低维空间，获取主要的特征和变化情况。采用图与网络分析方法将电网数据建模为图或网络结构，例如，可以构建电网数据的拓扑图，利用图分析算法识别出重要节点、子图和关键路径等，利用节点之间的连接关系和属性来探索数据的特征和模式。
实施例5
评估电网特征数据步骤使用测试数据集和评估指标对训练好的深度学习模型进行评估，并根据评估结果在模型结构、参数初始化、学习率和优化器方面进行模型的调优，得到更加优化的电网业务数据特征。
实施例6
构建电网数据特征数据算法步骤采用如下数据建模过程：
a.设电网数据为D＝{x1,x2,…,xn},每个xi∈Rm是一个m维的特征向量，设选定的特征组合方法为f:Rm→Rk,这个映射将原始的m维特征映射到了新的k维特征，由此选取一个f，使得在f下产生的特征组合对设备故障预测的能力最强；
b.定义一个损失函数：L(y,y')＝1/2*Σ(yi-y'i)2，其中y是设备的真实状态向量，y'是由模型预测的设备状态向量；定义一个预测方法g：Rk→{0,1},对于任意新的k维特征向量z，g(z)就是在这个特征下预测的设备状态，用f和g对D中的数据进行预测，得到的预测向量为：Y'＝(g(f(x1)),g(f(x2)),...,g(f(xn)))，设备的真实状态向量为Y＝(y1,y2,...,yn)；对于任意的特征组合方法f和预测方法g，它们对D的预测能力表现在损失函数L(Y,Y')上；
c.通过构建多个特征优化问题的基本形态：设下界为l上界为u，那么k的取值范围就是l≤k≤u，限制新生成的特征向量的维数，以此构成函数f应当满足的约束条件。
d.采用优化算法，在满足约束条件的所有f中找出使得L(Y,Y')最小的值，即最优性能的函数f^*＝arg min L(Y,Y')，其中参数的更新过程也需要按照相应的优化算法进行。
实施例7
整合至电网系统步骤将训练好的深度学习模型通过实时或离线的特征提取和分析应用并整合到电网系统中支持电网的优化运行和决策，同时通过结合电网专业，将多尺度深度特征融合模型提取出的电网特征数据与物理意义相关的指标形成对应关系，如谐波含量、频率偏移等，提高特征提取方法的可解释性，便于电网运维人员理解故障预测结果，支持故障诊断和维护决策。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
在各个实施例中，技术的硬件实现可以直接采用现有的智能设备，包括但不限于工控机、PC机、智能手机、手持单机、落地式单机等。其输入设备优选采用屏幕键盘，其数据存储和计算模块采用现有的存储器、计算器、控制器，其内部通信模块采用现有的通信端口和协议，其远程通信采用现有的gprs网络、万维互联网等。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。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，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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单元来实现本实施例方案的目的。在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种电网业务数据特征提取方法，其特征在于：所述提取方法通过构建多尺度深度特征融合模型，将电网业务数据特征进行组合，形成具有更强表征能力的特征向量，实现电网数据特征的快速、有效提取。
2.根据权利要求1所述的电网业务数据特征提取方法，其特征在于：所述多尺度深度特征融合模型，包括以下步骤：
(1)、对原始电网数据进行标准化、降维等操作，以便于下一步特征提取和融合；
(2)、设计和构建适合处理电网数据的深度学习模型，使用包括卷积神经网络、递归神经网络、长短期记忆、自编码器、生成对抗网络在内的数据处理方式处理电网设备的图像数据、时序特征并捕捉电网数据的复杂特征和模式；
(3)、利用大规模电网数据通过反向传播和梯度下降类优化算法更新模型的参数训练深度学习模型，使模型能够准确地捕捉电网数据的动态特征；
(4)、使用测试数据集和评估指标对训练好的深度学习模型进行评估，并根据评估结果在模型结构、参数初始化、学习率和优化器方面进行模型的调优，得到更加优化的电网业务数据特征；
(5)、构建算法将电网数据的特征进行组合，形成具有更强表征能力的特征向量；
(6)、将训练好的深度学习模型通过实时或离线的特征提取和分析应用并整合到电网系统中支持电网的优化运行和决策。
3.根据权利要求2所述的电网业务数据特征提取方法，其特征在于：步骤(1)中，采用数据集成与融合技术方案，将来自不同来源和格式的电网数据基于不同数据源的共同字段或标识符进行数据匹配关联并对数据格式进行标准化，将去除重复数据、处理缺失值和异常值后的数据集成到统一的数据存储或数据库，对于具有相似特征的数据进行数据融合和补充。
4.根据权利要求3所述的电网业务数据特征提取方法，其特征在于：步骤(1)中，使用经验模态分解方法将原始数据分解为多个时序数据，便于分析不同频率成分对故障判别的影响，并将时序数据通过时频域变换方法得到不同尺度的电网特征信息。
5.根据权利要求4所述的电网业务数据特征提取方法，其特征在于：步骤(1)中，进一步，在电网业务数据特征提取过程中采用自然语言处理、图像识别和信号处理。
6.根据权利要求2所述的电网业务数据特征提取方法，其特征在于：步骤(2)中通过对时频域变换的结果进行局部特征提取，捕捉短时内设备状况的特征，并将时序数据输入到LSTM网络，实现长时依赖性的建模，捕捉长时设备状况特征，再次基础上对提取出的特征进行自适应加权。
7.根据权利要求6所述的电网业务数据特征提取方法，其特征在于：步骤(2)中，进一步通过使用包括聚类分析、自组织映射、隐变量建模、图与网络分析在内的非监督学习方法发现数据中的潜在模式和异常情况。
8.根据权利要求2所述的电网业务数据特征提取方法，其特征在于：步骤(3)中，采用增量学习方法和自适应特征提取技术，针对电网业务数据动态变化的特点使特征提取过程能够快速适应数据的更新和变化。
9.根据权利要求2所述的电网业务数据特征提取方法，其特征在于：步骤(5)中，所述算法采用如下数据建模过程：
a.设电网数据为D＝{x1,x2,…,xn},每个xi∈Rm是一个m维的特征向量，设选定的特征组合方法为f:Rm→Rk,这个映射将原始的m维特征映射到了新的k维特征，由此选取一个f，使得在f下产生的特征组合对设备故障预测的能力最强；
b.定义一个损失函数：L(y,y')＝1/2*Σ(yi-y'i)2，其中y是设备的真实状态向量，y'是由模型预测的设备状态向量；定义一个预测方法g：Rk→{0,1},对于任意新的k维特征向量z，g(z)就是在这个特征下预测的设备状态，用f和g对D中的数据进行预测，得到的预测向量为：Y'＝(g(f(x1)),g(f(x2)),...,g(f(xn)))，设备的真实状态向量为Y＝(y1,y2,...,yn)；对于任意的特征组合方法f和预测方法g，它们对D的预测能力表现在损失函数L(Y,Y')上；
c.通过构建多个特征优化问题的基本形态：设下界为l上界为u，那么k的取值范围就是l≤k≤u，限制新生成的特征向量的维数，以此构成函数f应当满足的约束条件。
d.采用优化算法，在满足约束条件的所有f中找出使得L(Y,Y')最小的值，即最优性能的函数f^*＝arg min L(Y,Y')，其中参数的更新过程也需要按照相应的优化算法进行。
10.根据权利要求2所述的电网业务数据特征提取方法，其特征在于：步骤(6)中，将多尺度深度特征融合模型提取出的电网特征数据与物理意义相关的指标形成对应关系，提高特征提取方法的可解释性，便于电网运维人员理解故障预测结果，支持故障诊断和维护决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311505453.5A CN117634905A (zh) | 2023-11-13 | 2023-11-13 | 一种电网业务数据特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311505453.5A CN117634905A (zh) | 2023-11-13 | 2023-11-13 | 一种电网业务数据特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117634905A true CN117634905A (zh) | 2024-03-01 |
Family
ID=90036852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311505453.5A Pending CN117634905A (zh) | 2023-11-13 | 2023-11-13 | 一种电网业务数据特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117634905A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117913840A (zh) * | 2024-03-19 | 2024-04-19 | 赛尔通信服务技术股份有限公司 | 具有消峰填谷功能的节能控制器及其方法 |
-
2023
- 2023-11-13 CN CN202311505453.5A patent/CN117634905A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117913840A (zh) * | 2024-03-19 | 2024-04-19 | 赛尔通信服务技术股份有限公司 | 具有消峰填谷功能的节能控制器及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109465676B (zh) | 一种刀具寿命预测方法 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN110990461A (zh) | 大数据分析模型算法选型方法、装置、电子设备及介质 | |
| CN111339297A (zh) | 网络资产异常检测方法、系统、介质和设备 | |
| CN117634905A (zh) | 一种电网业务数据特征提取方法 | |
| CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
| Yang et al. | Evolution consistency based decomposition for cooperative coevolution | |
| WO2023005976A1 (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
| CN110493221A (zh) | 一种基于聚簇轮廓的网络异常检测方法 | |
| CN111800389A (zh) | 基于贝叶斯网络的港口网络入侵检测方法 | |
| CN111598700A (zh) | 一种金融风控系统及方法 | |
| CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
| CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
| JP2003044123A (ja) | プラント診断装置 | |
| CN117235661B (zh) | 基于ai的直饮水质量监测方法 | |
| CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统 | |
| CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
| CN115310499A (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
| CN114046873A (zh) | 一种基于lof-fcm模糊聚类算法的电抗器振动监测系统 | |
| CN110263811B (zh) | 一种基于数据融合的设备运行状态监测方法及系统 | |
| Zhao et al. | Combine assembly quality detection based on multi-entropy data fusion and optimized LSSVM | |
| Ziying et al. | A New Bearing Fault Diagnosis Method Based on Refined Composite Multiscale Global Fuzzy Entropy and Self‐Organizing Fuzzy Logic Classifier | |
| Chen et al. | A multimode anomaly detection method based on oc-elm for aircraft engine system | |
| Xia et al. | Smart substation network fault classification based on a hybrid optimization algorithm | |
| Xu et al. | Optimization of Deep Belief Network Based on Sparrow Search Algorithm for Rolling Bearing Fault Diagnosis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |