CN117669449A - 灭磁电路确定方法、装置、计算机设备和存储介质 - Google Patents
灭磁电路确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117669449A CN117669449A CN202311514563.8A CN202311514563A CN117669449A CN 117669449 A CN117669449 A CN 117669449A CN 202311514563 A CN202311514563 A CN 202311514563A CN 117669449 A CN117669449 A CN 117669449A
- Authority
- CN
- China
- Prior art keywords
- excitation
- circuit
- measurement data
- time consumption
- prediction 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 228
- 230000005347 demagnetization Effects 0.000 claims abstract description 121
- 238000004590 computer program Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 57
- 238000012423 maintenance Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 27
- 238000007499 fusion processing Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 11
- 101100368959 Arabidopsis thaliana TFCB gene Proteins 0.000 description 10
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 9
- 229910010271 silicon carbide Inorganic materials 0.000 description 9
- 230000001629 suppression Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种灭磁电路确定方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：采集不同型号的灭磁电路的测量数据；各个所述灭磁电路的测量数据包括各个所述灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；分别将各个所述灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时；对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时；从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。采用本方法，能够提高灭磁电路的确定准确率。
Description
技术领域
本申请涉及电网技术领域，特别是涉及一种灭磁电路确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在电力系统发生故障或需要停机时，使用灭磁电路迅速切断励磁电流，可以使发电机或变压器迅速退出工作状态，以避免设备受到损坏或对电力系统造成不良影响。因此，确定灭磁耗时最小的灭磁电路显得及其重要。
传统技术中，在确定灭磁电路时，通常是通过人工测量灭磁电路中的关键数据变化所消耗的时间，来辅助灭磁电路的筛选；但是，通过人工测量灭磁耗时，容易存在误差，导致灭磁电路的筛选结果的准确率较低，从而造成灭磁电路的确定准确率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高灭磁电路的确定准确率的灭磁电路确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种灭磁电路确定方法，包括：
采集不同型号的灭磁电路的测量数据；各个所述灭磁电路的测量数据包括各个所述灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；
分别将各个所述灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时；
对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时；
从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
在其中一个实施例中，所述预先训练的灭磁耗时预测模型通过下述方式训练得到：
采集不同型号的样本灭磁电路的测量数据；各个所述样本灭磁电路的测量数据包括各个所述样本灭磁电路在所述第一电路状态下的第一测量数据，以及在所述第二电路状态下的第二测量数据；
对所述样本灭磁电路的测量数据进行预处理，得到预处理后的测量数据，作为所述样本灭磁电路的样本测量数据；
对所述样本测量数据进行划分，得到训练数据集和验证数据集；
根据所述训练数据集和所述验证数据集，对待训练的灭磁耗时预测模型进行训练，得到所述预先训练的灭磁耗时预测模型。
在其中一个实施例中，所述训练数据集包括第一样本测量数据，所述验证数据集包括第二样本测量数据；
所述根据所述训练数据集和所述验证数据集，对待训练的灭磁耗时预测模型进行训练，得到所述预先训练的灭磁耗时预测模型，包括：
将所述第一样本测量数据，输入到待训练的灭磁耗时预测模型，得到与所述第一样本测量数据对应的第一预测灭磁耗时；
获取与所述第一样本测量数据对应的第一真实灭磁耗时，根据所述第一预测灭磁耗时与所述第一真实灭磁耗时之间的差异，对所述待训练的灭磁耗时预测模型进行迭代训练，得到第一灭磁耗时预测模型；
根据所述验证数据集，对所述第一灭磁耗时预测模型进行调整，得到第二灭磁耗时预测模型，作为所述预先训练的灭磁耗时预测模型。
在其中一个实施例中，所述根据所述第一预测灭磁耗时与所述第一真实灭磁耗时之间的差异，对所述待训练的灭磁耗时预测模型进行迭代训练，得到第一灭磁耗时预测模型，包括：
根据所述第一预测灭磁耗时与所述第一真实灭磁耗时之间的差异，得到第一损失值；
根据所述第一损失值，对所述待训练的灭磁耗时预测模型的模型参数进行调整；
将调整后的灭磁耗时预测模型作为待训练的灭磁耗时预测模型，并跳转至所述将所述第一样本测量数据，输入到待训练的灭磁耗时预测模型，得到与所述第一样本测量数据对应的第一预测灭磁耗时的步骤，直到满足预设结束条件；
将满足所述预设结束条件的训练后的灭磁耗时预测模型，作为所述第一灭磁耗时预测模型。
在其中一个实施例中，所述根据所述验证数据集，对所述第一灭磁耗时预测模型进行调整，得到第二灭磁耗时预测模型，包括：
将所述第二样本测量数据，输入到所述第一灭磁耗时预测模型，得到与所述第二样本测量数据对应的第二预测灭磁耗时；
获取与所述第二样本测量数据对应的第二真实灭磁耗时，根据所述第二样本预测灭磁耗时与所述第二真实灭磁耗时之间的差异，得到所述第一灭磁耗时预测模型的预测精确度；
在所述预测精确度小于预设精确度的情况下，根据所述第二样本预测灭磁耗时与所述第二真实灭磁耗时之间的差异，得到第二损失值；
根据所述第二损失值，对所述第一灭磁耗时预测模型进行再次训练，得到训练后的第一灭磁耗时预测模型，作为所述第二灭磁耗时预测模型。
在其中一个实施例中，所述对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时，包括：
确定所述第一灭磁耗时的第一权重和所述第二灭磁耗时的第二权重；
根据所述第一权重和所述第二权重，对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时。
在其中一个实施例中，在从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路之后，还包括：
获取所述目标灭磁电路中各个元器件对应的型号；
根据所述目标灭磁电路中各个元器件对应的型号，生成灭磁电路维护工单；
将所述灭磁电路维护工单发送至维护终端；所述维护终端用于根据所述灭磁电路维护工单，对待维护的灭磁电路中的元器件进行更换。
第二方面，本申请还提供了一种灭磁电路确定装置，包括：
电路数据采集模块，用于采集不同型号的灭磁电路的测量数据；各个所述灭磁电路的测量数据包括各个所述灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；
初始耗时确定模块，用于分别将各个所述灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时；
目标耗时确定模块，用于对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时；
目标电路确定模块，用于从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集不同型号的灭磁电路的测量数据；各个所述灭磁电路的测量数据包括各个所述灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；
分别将各个所述灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时；
对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时；
从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
采集不同型号的灭磁电路的测量数据；各个所述灭磁电路的测量数据包括各个所述灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；
分别将各个所述灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时；
对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时；
从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
采集不同型号的灭磁电路的测量数据；各个所述灭磁电路的测量数据包括各个所述灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；
分别将各个所述灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时；
对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时；
从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
上述灭磁电路确定方法、装置、计算机设备、存储介质和计算机程序产品，先采集不同型号的灭磁电路在两种电路状态下的测量数据，再分别将各个灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时，然后对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时，最后从各个灭磁电路中，筛选出目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。这样，在进行灭磁电路确定时，分别将不同型号的灭磁电路在两种电路状态下的测量数据，输入到预先训练的灭磁耗时预测模型，分别得到对应的灭磁耗时，再将对应的灭磁耗时进行融合处理，得到灭磁电路的目标灭磁耗时，有利于避免在单一电路状态下进行灭磁电路的数据测量，导致得到的目标灭磁耗时不够准确的问题，而且该方法能够自动完成目标灭磁电路的确定，无需人工干预，有利于提高灭磁电路的筛选结果的准确率，进而提高了灭磁电路的确定准确率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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申请的一些实施例，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为一个实施例中灭磁电路确定方法的流程示意图；
图2为一个实施例中灭磁电路的结构示意图；
图3为一个实施例中灭磁耗时预测模型的训练步骤的流程示意图；
图4为一个实施例中得到预先训练的灭磁耗时预测模型的步骤的流程示意图；
图5为一个实施例中得到第一灭磁耗时预测模型的步骤的流程示意图；
图6为一个实施例中得到第二灭磁耗时预测模型的步骤的流程示意图；
图7为一个实施例中得到各个灭磁电路的目标灭磁耗时的步骤的流程示意图；
图8为另一个实施例中灭磁电路确定方法的流程示意图；
图9为一个实施例中灭磁电路确定装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
在一个示例性的实施例中，如图1所示，提供了一种灭磁电路确定方法，本实施例以该方法应用于服务器进行举例说明；可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器之间的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑；服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤S101，采集不同型号的灭磁电路的测量数据；各个灭磁电路的测量数据包括各个灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据。
其中，灭磁电路是指能够迅速切断励磁电流的电路。
其中，灭磁电路的测量数据是指灭磁电路相关数据的测量值。举例说明，参考图2，灭磁电路的测量数据包括但不限于Ug(④⑤两端的交流电压)、Ig(④⑤两端的交流电流)、Uf(④⑤两端的直流电压)、If(④⑤两端的直流电流)、TFCB(FCB(负荷切回)的动作时间)、UFCB(FCB两端的电压)、ISiC(SiC(碳化硅)两端的电流)。
其中，灭磁电路在第一电路状态下的第一测量数据，是指灭磁电路在第一电路状态下灭磁电路相关数据的测量值。举例说明，参考图2，灭磁电路在第一电路状态下的第一测量数据，是指在①合并、②合并的情况下，只跳②，且①不跳，励磁电流会自动投入③(即主流电路)，此时灭磁电路中Ug、Ig、Uf、If、TFCB、UFCB、ISiC的测量值。
其中，灭磁电路在第二电路状态下的第二测量数据，是指灭磁电路在第二电路状态下灭磁电路相关数据的测量值。举例说明，参考图2，灭磁电路在第二电路状态下的第二测量数据，是指在①合并、②合并的情况下，只跳①，且②不跳，励磁电流会自动投入③(即备用电路)，此时灭磁电路中Ug、Ig、Uf、If、TFCB、UFCB、ISiC的测量值。
示例性地，服务器获取不同型号的灭磁电路，对不同型号的灭磁电路进行数据采集，得到不同型号的灭磁电路的测量数据；各个灭磁电路的测量数据包括各个灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据。
步骤S102，分别将各个灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时。
其中，灭磁耗时预测模型是指能够利用灭磁电路的测量数据，得到测量数据对应的灭磁耗时的网络模型。在实际场景中，灭磁耗时预测模型是指基于注意力机制的深度学习模型。
其中，第一灭磁耗时是指灭磁电路在第一电路状态下的第一测量数据对应的预测灭磁耗时。
其中，第二灭磁耗时是指灭磁电路在第二电路状态下的第二测量数据对应的预测灭磁耗时。
示例性地，服务器将各个灭磁电路在第一电路状态下的第一测量数据中的各子测量数据，输入到预先训练的灭磁耗时预测模型，通过灭磁耗时预测模型确定第一测量数据中的各子测量数据对应的权重，根据权重对各子测量数据进行拼接，得到拼接数据，然后对拼接数据进行预测，得到拼接数据对应的灭磁耗时，最后将对应的灭磁耗时，作为各个灭磁电路对应的第一灭磁耗时；接着，服务器将各个灭磁电路在第二电路状态下的第二测量数据中的各子测量数据，输入到预先训练的灭磁耗时预测模型，通过灭磁耗时预测模型确定第二测量数据中的各子测量数据对应的权重，根据权重对各子测量数据进行拼接，得到拼接数据，然后对拼接数据进行预测，得到拼接数据对应的灭磁耗时，最后将对应的灭磁耗时，作为各个灭磁电路对应的第二灭磁耗时。
进一步地，服务器将各个灭磁电路在第一电路状态下的第一测量数据中的各子测量数据，输入到预先训练的灭磁耗时预测模型，通过灭磁耗时预测模型对各子测量数据进行预测，得到在各个预设灭磁耗时下的预测概率，再从各个预设灭磁耗时中，筛选出预测概率最大的预设灭磁耗时，作为各个灭磁电路对应的第一灭磁耗时；接着，服务器将各个灭磁电路在第二电路状态下的第二测量数据中的各子测量数据，输入到预先训练的灭磁耗时预测模型，通过灭磁耗时预测模型对各子测量数据进行预测，得到在各个预设灭磁耗时下的预测概率，再从各个预设灭磁耗时中，筛选出预测概率最大的预设灭磁耗时，作为各个灭磁电路对应的第二灭磁耗时。
步骤S103，对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时。
其中，目标灭磁耗时是指灭磁电路的最终预测灭磁耗时。
示例性地，服务器对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行加权求和处理，得到对应的灭磁耗时，将对应的灭磁耗时，作为各个灭磁电路的目标灭磁耗时。
步骤S104，从各个灭磁电路中，筛选出目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
其中，目标灭磁电路是指在各个灭磁电路中目标灭磁耗时最小的灭磁电路。
示例性地，服务器根据各个灭磁电路的目标灭磁耗时，对各个灭磁电路中，筛选出目标灭磁耗时最小的灭磁电路，将该目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
上述灭磁电路确定方法中，先采集不同型号的灭磁电路在两种电路状态下的测量数据，再分别将各个灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时，然后对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时，最后从各个灭磁电路中，筛选出目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。这样，在进行灭磁电路确定时，分别将不同型号的灭磁电路在两种电路状态下的测量数据，输入到预先训练的灭磁耗时预测模型，分别得到对应的灭磁耗时，再将对应的灭磁耗时进行融合处理，得到灭磁电路的目标灭磁耗时，有利于避免在单一电路状态下进行灭磁电路的数据测量，导致得到的目标灭磁耗时不够准确的问题，而且该方法能够自动完成目标灭磁电路的确定，无需人工干预，有利于提高灭磁电路的筛选结果的准确率，进而提高了灭磁电路的确定准确率。
在一个示例性的实施例中，如图3所示，本申请提供的灭磁电路确定方法还包括预先训练的灭磁耗时预测模型的训练步骤，具体包括如下步骤：
步骤S301，采集不同型号的样本灭磁电路的测量数据；各个样本灭磁电路的测量数据包括各个样本灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据。
步骤S302，对样本灭磁电路的测量数据进行预处理，得到预处理后的测量数据，作为样本灭磁电路的样本测量数据。
步骤S303，对样本测量数据进行划分，得到训练数据集和验证数据集。
步骤S304，根据训练数据集和验证数据集，对待训练的灭磁耗时预测模型进行训练，得到预先训练的灭磁耗时预测模型。
其中，样本灭磁电路是指在灭磁电路中选择用于训练灭磁耗时预测模型的一部分灭磁电路。
其中，样本灭磁电路的测量数据是指样本灭磁电路相关数据的测量值。在实际场景中，样本灭磁电路的测量数据包括但不限于Ug、Ig、Uf、If、TFCB、UFCB、ISiC。
其中，样本灭磁电路在第一电路状态下的第一测量数据，是指在第一电路状态下样本灭磁电路相关数据的测量值。举例说明，参考图2，样本灭磁电路在第一电路状态下的第一测量数据，是指在①合并、②合并的情况下，只跳②，且①不跳，励磁电流会自动投入③(即主流电路)，此时样本灭磁电路中Ug、Ig、Uf、If、TFCB、UFCB、ISiC的测量值。
其中，样本灭磁电路在第二电路状态下的第二测量数据，是指在第二电路状态下样本灭磁电路相关数据的测量值。举例说明，参考图2，样本灭磁电路在第二电路状态下的第二测量数据，是指在①合并、②合并的情况下，只跳①，且②不跳，励磁电流会自动投入③(即备用电路)，此时样本灭磁电路中Ug、Ig、Uf、If、TFCB、UFCB、ISiC的测量值。
其中，样本测量数据是指经过预处理后的样本灭磁电路的测量数据。
其中，训练数据集是指样本测量数据中用于对待训练的灭磁耗时预测模型进行迭代训练的数据集。
其中，验证数据集是指样本测量数据中用于对灭磁耗时预测模型进行调整的数据集。
示例性地，服务器获取不同型号的样本灭磁电路，对不同型号的样本灭磁电路进行数据采集，得到不同型号的样本灭磁电路的测量数据；各个样本灭磁电路的测量数据包括各个样本灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；接着，服务器对样本灭磁电路的测量数据进行预处理，比如去除样本灭磁电路的测量数据中的无效数据，得到预处理后的测量数据，将预处理后的测量数据，作为样本灭磁电路的样本测量数据，然后对样本测量数据进行划分，得到训练数据集和验证数据集；最后，服务器根据训练数据集，对待训练的灭磁耗时预测模型进行训练，得到训练后的灭磁耗时预测模型，再根据验证数据集，对训练后的灭磁耗时预测模型进行调整，得到调整后的灭磁耗时预测模型，将调整后的灭磁耗时预测模型，作为预先训练的灭磁耗时预测模型。
本实施例中，通过预先训练灭磁耗时预测模型，便于在实际应用中，在确定各个灭磁电路的测量数据后，对灭磁电路的测量数据对应的灭磁耗时进行预测即可；而且，灭磁耗时预测模型在每一轮迭代中会接收新的数据，进行模型内部改进及优化，便于能够更有效地进行预测，有利于提高灭磁电路的目标灭磁耗时的预测准确率，从而提高了灭磁电路的筛选结果的准确率，进而提高了灭磁电路的确定准确率。
在一个示例性的实施例中，如图4所示，上述步骤S303，训练数据集包括第一样本测量数据，验证数据集包括第二样本测量数据。
那么，上述步骤S304，根据训练数据集和验证数据集，对待训练的灭磁耗时预测模型进行训练，得到预先训练的灭磁耗时预测模型，具体包括如下步骤：
步骤S401，将第一样本测量数据，输入到待训练的灭磁耗时预测模型，得到与第一样本测量数据对应的第一预测灭磁耗时。
步骤S402，获取与第一样本测量数据对应的第一真实灭磁耗时，根据第一预测灭磁耗时与第一真实灭磁耗时之间的差异，对待训练的灭磁耗时预测模型进行迭代训练，得到第一灭磁耗时预测模型。
步骤S403，根据验证数据集，对第一灭磁耗时预测模型进行调整，得到第二灭磁耗时预测模型，作为预先训练的灭磁耗时预测模型。
其中，第一样本测量数据是指训练数据集中样本灭磁电路的样本测量数据。
其中，第二样本测量数据是指验证数据集中样本灭磁电路的样本测量数据。
其中，第一预测灭磁耗时是指样本灭磁电路在第一电路状态下的第一样本测量数据对应的预测灭磁耗时。
其中，第一真实灭磁耗时是指样本灭磁电路在第一电路状态下的第一样本测量数据对应的实际灭磁耗时。
其中，第一灭磁耗时预测模型是指根据训练数据集进行训练后的灭磁耗时预测模型。
其中，第二灭磁耗时预测模型是指根据验证数据集进行调整后的灭磁耗时预测模型。
示例性地，服务器将训练数据集中的第一样本测量数据，输入到待训练的灭磁耗时预测模型，通过灭磁耗时预测模型对第一样本测量数据进行预测，得到与第一样本测量数据对应的第一预测灭磁耗时；接着，服务器获取与第一样本测量数据对应的第一真实灭磁耗时，根据第一预测灭磁耗时与第一真实灭磁耗时之间的差异，对待训练的灭磁耗时预测模型进行迭代训练，再将迭代训练后的灭磁耗时预测模型根据预设结束条件进行判断；若迭代训练后的灭磁耗时预测模型不符合预设结束条件，则继续对灭磁耗时预测模型进行迭代训练，直到满足预设结束条件；然后，服务器将符合预设结束条件的灭磁耗时预测模型，作为第一灭磁耗时预测模型；最后，服务器根据验证数据集，对第一灭磁耗时预测模型进行调整，得到第二灭磁耗时预测模型，将第二灭磁耗时预测模型，作为预先训练的灭磁耗时预测模型。
本实施例中，根据训练数据集中的第一样本测量数据，对待训练的灭磁耗时预测模型进行迭代训练；再根据验证数据集，对训练后的灭磁耗时预测模型进行调整，得到预先训练的灭磁耗时预测模型。这样，通过对待训练的灭磁耗时预测模型进行两次优化，有利于提高灭磁耗时预测模型对灭磁电路的灭磁耗时的预测准确率，使得后续灭磁电路的筛选结果的准确率大大提高，进而提高了灭磁电路的确定准确率。
在一个示例性的实施例中，如图5所示，上述步骤S402，根据第一预测灭磁耗时与第一真实灭磁耗时之间的差异，对待训练的灭磁耗时预测模型进行迭代训练，得到第一灭磁耗时预测模型，具体包括如下步骤：
步骤S501，根据第一预测灭磁耗时与第一真实灭磁耗时之间的差异，得到第一损失值。
步骤S502，根据第一损失值，对待训练的灭磁耗时预测模型的模型参数进行调整。
步骤S503，将调整后的灭磁耗时预测模型作为待训练的灭磁耗时预测模型，并跳转至将第一样本测量数据，输入到待训练的灭磁耗时预测模型，得到与第一样本测量数据对应的第一预测灭磁耗时的步骤，直到满足预设结束条件。
步骤S504，将满足预设结束条件的训练后的灭磁耗时预测模型，作为第一灭磁耗时预测模型。
其中，第一损失值是指根据第一预测灭磁耗时与第一真实灭磁耗时之间的差异得到的损失值。
其中，待训练的灭磁耗时预测模型的模型参数，是指待训练的灭磁耗时预测模型中的变量参数，比如权重。
其中，预设结束条件是指预先设定的训练结束条件，具体可以根据实际情况确定。
示例性地，服务器对第一预测灭磁耗时与第一真实灭磁耗时进行作差处理，得到处理后的差值，再将处理后的差值通过预设损失函数(比如均方误差损失函数、绝对误差损失函数等)，得到对应的损失值，将对应的损失值作为第一损失值；接着，服务器根据第一损失值，对待训练的灭磁耗时预测模型的模型参数进行调整，得到调整后的灭磁耗时预测模型；然后，服务器将调整后的灭磁耗时预测模型作为待训练的灭磁耗时预测模型，并跳转至将第一样本测量数据，输入到待训练的灭磁耗时预测模型，得到与第一样本测量数据对应的第一预测灭磁耗时的步骤，直到满足预设结束条件；最后，服务器将满足预设结束条件的训练后的灭磁耗时预测模型，作为第一灭磁耗时预测模型。
本实施例中，通过预测值与实际值确定损失值，在训练过程中不断根据损失值对灭磁耗时预测模型进行调整，使得灭磁耗时预测模型能够更好地适应数据的特征和规律，从而提高了灭磁耗时预测模型对灭磁电路的灭磁耗时的预测准确率，使得后续灭磁电路的筛选结果的准确率大大提高，进而提高了灭磁电路的确定准确率。
在一个示例性的实施例中，如图6所示，上述步骤S403，根据验证数据集，对第一灭磁耗时预测模型进行调整，得到第二灭磁耗时预测模型，作为预先训练的灭磁耗时预测模型，具体包括如下步骤：
步骤S601，将第二样本测量数据，输入到第一灭磁耗时预测模型，得到与第二样本测量数据对应的第二预测灭磁耗时。
步骤S602，获取与第二样本测量数据对应的第二真实灭磁耗时，根据第二样本预测灭磁耗时与第二真实灭磁耗时之间的差异，得到第一灭磁耗时预测模型的预测精确度。
步骤S603，在预测精确度小于预设精确度的情况下，根据第二样本预测灭磁耗时与第二真实灭磁耗时之间的差异，得到第二损失值。
步骤S604，根据第二损失值，对第一灭磁耗时预测模型进行再次训练，得到训练后的第一灭磁耗时预测模型，作为第二灭磁耗时预测模型。
其中，第二预测灭磁耗时是指样本灭磁电路在第二电路状态下的第二样本测量数据对应的预测灭磁耗时。
其中，第二真实灭磁耗时是指样本灭磁电路在第二电路状态下的第二样本测量数据对应的实际灭磁耗时。
其中，第一灭磁耗时预测模型的预测精确度用于表征第二样本预测灭磁耗时与第二真实灭磁耗时之间的差异。当第二样本预测灭磁耗时与第二真实灭磁耗时之间的差异越小，则第一灭磁耗时预测模型的预测精确度越高；当第二样本预测灭磁耗时与第二真实灭磁耗时之间的差异越大，则第一灭磁耗时预测模型的预测精确度越低。
其中，预设精确度是指预先设定的精确度阈值，具体可以根据实际情况确定。
其中，第二损失值是指根据第二样本预测灭磁耗时与第二真实灭磁耗时之间的差异得到的损失值。
示例性地，服务器将第二样本测量数据，输入到第一灭磁耗时预测模型，通过灭磁耗时预测模型对第二样本测量数据进行预测，得到与第二样本测量数据对应的第二预测灭磁耗时；接着，服务器获取与第二样本测量数据对应的第二真实灭磁耗时，将第二样本预测灭磁耗时与第二真实灭磁耗时进行对比，得到第二样本预测灭磁耗时与第二真实灭磁耗时之间的差异，再根据差异，得到第一灭磁耗时预测模型的预测精确度；例如，服务器获取与第二样本测量数据对应的第二真实灭磁耗时，对第二样本预测灭磁耗时与第二真实灭磁耗时进行作差处理，得到处理后的差值，将处理后的差值除以第二真实灭磁耗时，得到对应的比值，作为第一灭磁耗时预测模型的预测精确度；然后，服务器将得到的预测精确度与预设精确度作比较，在预测精确度小于预设精确度的情况下，对第二预测灭磁耗时与第二真实灭磁耗时进行作差处理，得到处理后的差值，再将处理后的差值通过预设损失函数(比如均方误差损失函数、绝对误差损失函数等)，得到对应的损失值，将对应的损失值作为第二损失值；最后，服务器根据第二损失值，对第一灭磁耗时预测模型进行再次训练，得到训练后的第一灭磁耗时预测模型，作为第二灭磁耗时预测模型。
本实施例中，根据验证数据集，对第一灭磁耗时预测模型进行再次训练，这样，可以对训练后的灭磁耗时预测模型进行进一步优化，有利于提高灭磁耗时预测模型对灭磁电路的灭磁耗时的预测准确率，使得后续灭磁电路的筛选结果的准确率大大提高，进而提高了灭磁电路的确定准确率。
在一个示例性的实施例中，如图7所示，上述步骤S103，对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时，具体包括如下步骤：
步骤S701，确定第一灭磁耗时的第一权重和第二灭磁耗时的第二权重。
步骤S702，根据第一权重和第二权重，对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时。
其中，第一权重表征第一灭磁耗时的重要程度，可以由小数形式进行表示，例如0.9。
其中，第二权重表征第二灭磁耗时的重要程度，可以由小数形式进行表示，例如0.1。
需要说明的是，在不同灭磁电路中，第一灭磁耗时的第一权重和第二灭磁耗时的第二权重不一定相等。例如，在1号灭磁电路中，第一灭磁耗时的第一权重为0.9，第二灭磁耗时的第二权重为0.1；在2号灭磁电路中，第一灭磁耗时的第一权重为0.3，第二灭磁耗时的第二权重为0.7。
示例性地，服务器确定第一灭磁耗时的第一权重和第二灭磁耗时的第二权重，再根据第一权重和第二权重，对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行加权求和处理，得到相应的处理结果，将该处理结果确认为各个灭磁电路的目标灭磁耗时。
本实施例中，先确定第一灭磁耗时的第一权重和第二灭磁耗时的第二权重，再根据第一权重和第二权重，对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时。这样，可以根据第一灭磁耗时和第二灭磁耗时的重要程度进行不同程度的融合，减少了数据的冗余，有利于提高了数据的处理效率，从而提高了灭磁耗时预测模型对灭磁电路的灭磁耗时的预测准确率，使得后续灭磁电路的筛选结果的准确率大大提高，进而提高了灭磁电路的确定准确率。
在一个示例性的实施例中，上述步骤S104，在从各个灭磁电路中，筛选出目标灭磁耗时最小的灭磁电路，作为目标灭磁电路之后，还包括如下内容：获取目标灭磁电路中各个元器件对应的型号；根据目标灭磁电路中各个元器件对应的型号，生成灭磁电路维护工单；将灭磁电路维护工单发送至维护终端；维护终端用于根据灭磁电路维护工单，对待维护的灭磁电路中的元器件进行更换。
其中，目标灭磁电路中各个元器件是指构成目标灭磁电路的各个组件，比如FCB、SiC(碳化硅)功率元器件等。
其中，目标灭磁电路中各个元器件对应的型号，是指构成目标灭磁电路的各个组件对应的型号。
需要说明的是，在不同灭磁电路中，目标灭磁电路中各个元器件对应的型号不一定相同。例如，在1号灭磁电路中，FCB的型号为A型，SiC的型号为a型；在2号灭磁电路中，FCB的型号为A型，SiC的型号为b型。
其中，灭磁电路维护工单是指记录目标灭磁电路中各个元器件对应型号信息的工单。
其中，维护终端是指进行维护任务对应的终端。
其中，待维护的灭磁电路中的元器件是指需要进行维护的灭磁电路中的各个组件。
示例性地，服务器获取目标灭磁电路中各个元器件对应的型号，根据目标灭磁电路中各个元器件对应的型号，生成对应的灭磁电路维护工单，再将该灭磁电路维护工单发送至维护终端，使得维护终端根据该灭磁电路维护工单中目标灭磁电路中各个元器件对应的型号，对待维护的灭磁电路中的元器件进行更换。
本实施例中，通过自动生成灭磁电路维护工单，并将其发送到维护终端，维护人员可以直接根据该工单中列出的元器件型号进行更换，避免了人工记忆和查找元器件型号的繁琐过程，同时也减少了人工操作可能带来的错误和遗漏，有利于提高灭磁电路维护工作的效率和准确性。
在一个示例性的实施例中，如图8所示，提供了另一种灭磁电路确定方法，以该方法应用于服务器进行举例说明，包括以下步骤：
步骤S801，采集不同型号的灭磁电路的测量数据；各个灭磁电路的测量数据包括各个灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据。
步骤S802，分别将各个灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时。
步骤S803，确定第一灭磁耗时的第一权重和第二灭磁耗时的第二权重。
步骤S804，根据第一权重和第二权重，对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时。
步骤S805，从各个灭磁电路中，筛选出目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
上述灭磁电路确定方法中，先采集不同型号的灭磁电路在两种电路状态下的测量数据，再分别将各个灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时，然后对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时，最后从各个灭磁电路中，筛选出目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。这样，在进行灭磁电路确定时，分别将不同型号的灭磁电路在两种电路状态下的测量数据，输入到预先训练的灭磁耗时预测模型，分别得到对应的灭磁耗时，再将对应的灭磁耗时进行融合处理，得到灭磁电路的目标灭磁耗时，有利于避免在单一电路状态下进行灭磁电路的数据测量，导致得到的目标灭磁耗时不够准确的问题，而且该方法能够自动完成目标灭磁电路的确定，无需人工干预，有利于提高灭磁电路的筛选结果的准确率，进而提高了灭磁电路的确定准确率。
在一个示例性的实施例中，为了更清晰阐明本申请实施例提供的灭磁电路确定方法，以下以一个具体的实施例对该灭磁电路确定方法进行具体说明。在一个实施例中，如图2所示，本申请还提供了一种基于深度学习的灭磁方案评价方法，在进行灭磁电路确定时，先采集不同型号的灭磁电路在两种电路状态下的测量数据，再分别将各个灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时，然后对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时，最后从各个灭磁电路中，筛选出目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。具体包括如下内容：
(1)针对灭磁电路，采集多组样本数据，每组样本数据包括Ug(④⑤两端的交流电压)、Ig(④⑤两端的交流电流)、Uf(④⑤两端的直流电压)、If(④⑤两端的直流电流)、TFCB(FCB的动作时间)、UFCB(FCB两端的电压)、ISiC(SiC两端的电流)。例如，在①合并、②合并的情况下，只跳②，且①不跳，会自动投入③(即主流电路)，测量Ug、Ig、Uf、If、TFCB、UFCB、ISiC；或者在①合并、②合并的情况下，只跳①，且②不跳，会自动投入③(即备用电路)，测量Ug、Ig、Uf、If、TFCB、UFCB、ISiC。
(2)对样本数据进行预处理，以去除无效数据，从而得到预处理后的样本数据。将预处理后的样本数据分为训练集和验证集。
(3)将训练集中的样本数据输入到待训练的基于注意力机制的深度学习模型中，得到预测灭磁耗时Tf(用于反映灭磁性能，T越小，灭磁性能越好)。当然，也可以通过预测一个分数，来表征灭磁性能的好坏，比如分数越高，灭磁性能越好。
(4)获取实际灭磁耗时Tp(比如理论值)，并根据预测灭磁耗时Tf和实际灭磁耗时Tp，构造损失函数，通过损失函数，对待训练的基于注意力机制的深度学习模型进行迭代训练，得到训练完成的基于注意力机制的深度学习模型，作为灭磁耗时预测模型，比如T＝f(Ug，Ig，Uf，If，TFCB，UFCB，ISiC)。
(5)通过验证集，对灭磁耗时预测模型进行调优，得到最终的灭磁耗时预测模型。
(6)采集不同型号的灭磁电路(比如FCB为A型，SiC为a型；FCB为A型，SiC为b型)的相关数据；分别将不同型号的灭磁电路的相关数据(比如每种型号的灭磁电路都对应两组数据，第一组数据是在①合并、②合并的情况下，只跳②，且①不跳，所测到的数据，第二组数据是在①合并、②合并的情况下，只跳①，且②不跳，所测到的数据)，输入到最终的灭磁耗时预测模型中，得到不同型号的灭磁电路的两个预测灭磁耗时；其中，针对同一型号的灭磁电路，第一组数据对应的预测灭磁耗时的权重较高，比如0.9，第二组数据对应的预测灭磁耗时的权重较低，比如0.1。接着，对每种型号的灭磁电路的两个预测灭磁耗时进行加权求和，得到每种型号的灭磁电路对应的总预测灭磁耗时。此外，灭磁耗时预测模型可以动态确定同一组数据中各个输入数据的权重，并结合各个输入数据，计算得到预测灭磁耗时。
(7)从不同型号的灭磁电路中，选择总预测灭磁耗时最小的灭磁电路，作为目标灭磁电路(其中每个器件都有对应的型号)。
上述实施例，在进行灭磁电路确定时，分别将不同型号的灭磁电路在两种电路状态下的测量数据，输入到预先训练的灭磁耗时预测模型，分别得到对应的灭磁耗时，再将对应的灭磁耗时进行融合处理，得到灭磁电路的目标灭磁耗时，有利于避免在单一电路状态下进行灭磁电路的数据测量，导致得到的目标灭磁耗时不够准确的问题，而且该方法能够自动完成目标灭磁电路的确定，无需人工干预，有利于提高灭磁电路的筛选结果的准确率，进而提高了灭磁电路的确定准确率。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的灭磁电路确定方法的灭磁电路确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个灭磁电路确定装置实施例中的具体限定可以参见上文中对于灭磁电路确定方法的限定，在此不再赘述。
在一个示例性的实施例中，如图9所示，提供了一种灭磁电路确定装置，包括：电路数据采集模块901、初始耗时确定模块902、目标耗时确定模块903和目标电路确定模块904，其中：
电路数据采集模块901，用于采集不同型号的灭磁电路的测量数据；各个灭磁电路的测量数据包括各个灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据。
初始耗时确定模块902，用于分别将各个灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时。
目标耗时确定模块903，用于对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时。
目标电路确定模块904，用于从各个灭磁电路中，筛选出目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
在一个示例性的实施例中，该灭磁电路确定装置还包括预测模型训练模块，用于采集不同型号的样本灭磁电路的测量数据；各个样本灭磁电路的测量数据包括各个样本灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；对样本灭磁电路的测量数据进行预处理，得到预处理后的测量数据，作为样本灭磁电路的样本测量数据；对样本测量数据进行划分，得到训练数据集和验证数据集；根据训练数据集和验证数据集，对待训练的灭磁耗时预测模型进行训练，得到预先训练的灭磁耗时预测模型。
在一个示例性的实施例中，预测模型训练模块，还用于将第一样本测量数据，输入到待训练的灭磁耗时预测模型，得到与第一样本测量数据对应的第一预测灭磁耗时；获取与第一样本测量数据对应的第一真实灭磁耗时，根据第一预测灭磁耗时与第一真实灭磁耗时之间的差异，对待训练的灭磁耗时预测模型进行迭代训练，得到第一灭磁耗时预测模型；根据验证数据集，对第一灭磁耗时预测模型进行调整，得到第二灭磁耗时预测模型，作为预先训练的灭磁耗时预测模型。
在一个示例性的实施例中，预测模型训练模块，还用于根据第一预测灭磁耗时与第一真实灭磁耗时之间的差异，得到第一损失值；根据第一损失值，对待训练的灭磁耗时预测模型的模型参数进行调整；将调整后的灭磁耗时预测模型作为待训练的灭磁耗时预测模型，并跳转至将第一样本测量数据，输入到待训练的灭磁耗时预测模型，得到与第一样本测量数据对应的第一预测灭磁耗时的步骤，直到满足预设结束条件；将满足预设结束条件的训练后的灭磁耗时预测模型，作为第一灭磁耗时预测模型。
在一个示例性的实施例中，预测模型训练模块，还用于将第二样本测量数据，输入到第一灭磁耗时预测模型，得到与第二样本测量数据对应的第二预测灭磁耗时；获取与第二样本测量数据对应的第二真实灭磁耗时，根据第二样本预测灭磁耗时与第二真实灭磁耗时之间的差异，得到第一灭磁耗时预测模型的预测精确度；在预测精确度小于预设精确度的情况下，根据第二样本预测灭磁耗时与第二真实灭磁耗时之间的差异，得到第二损失值；根据第二损失值，对第一灭磁耗时预测模型进行再次训练，得到训练后的第一灭磁耗时预测模型，作为第二灭磁耗时预测模型。
在一个示例性的实施例中，目标耗时确定模块903，还用于确定第一灭磁耗时的第一权重和第二灭磁耗时的第二权重；根据第一权重和第二权重，对各个灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个灭磁电路的目标灭磁耗时。
在一个示例性的实施例中，该灭磁电路确定装置还包括灭磁电路维护模块，用于获取目标灭磁电路中各个元器件对应的型号；根据目标灭磁电路中各个元器件对应的型号，生成灭磁电路维护工单；将灭磁电路维护工单发送至维护终端；维护终端用于根据灭磁电路维护工单，对待维护的灭磁电路中的元器件进行更换。
上述灭磁电路确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储灭磁电路的测量数据、灭磁耗时数据等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种灭磁电路确定方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种灭磁电路确定方法，其特征在于，所述方法包括：
采集不同型号的灭磁电路的测量数据；各个所述灭磁电路的测量数据包括各个所述灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；
分别将各个所述灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时；
对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时；
从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
2.根据权利要求1所述的方法，其特征在于，所述预先训练的灭磁耗时预测模型通过下述方式训练得到：
采集不同型号的样本灭磁电路的测量数据；各个所述样本灭磁电路的测量数据包括各个所述样本灭磁电路在所述第一电路状态下的第一测量数据，以及在所述第二电路状态下的第二测量数据；
对所述样本灭磁电路的测量数据进行预处理，得到预处理后的测量数据，作为所述样本灭磁电路的样本测量数据；
对所述样本测量数据进行划分，得到训练数据集和验证数据集；
根据所述训练数据集和所述验证数据集，对待训练的灭磁耗时预测模型进行训练，得到所述预先训练的灭磁耗时预测模型。
3.根据权利要求2所述的方法，其特征在于，所述训练数据集包括第一样本测量数据，所述验证数据集包括第二样本测量数据；
所述根据所述训练数据集和所述验证数据集，对待训练的灭磁耗时预测模型进行训练，得到所述预先训练的灭磁耗时预测模型，包括：
将所述第一样本测量数据，输入到待训练的灭磁耗时预测模型，得到与所述第一样本测量数据对应的第一预测灭磁耗时；
获取与所述第一样本测量数据对应的第一真实灭磁耗时，根据所述第一预测灭磁耗时与所述第一真实灭磁耗时之间的差异，对所述待训练的灭磁耗时预测模型进行迭代训练，得到第一灭磁耗时预测模型；
根据所述验证数据集，对所述第一灭磁耗时预测模型进行调整，得到第二灭磁耗时预测模型，作为所述预先训练的灭磁耗时预测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一预测灭磁耗时与所述第一真实灭磁耗时之间的差异，对所述待训练的灭磁耗时预测模型进行迭代训练，得到第一灭磁耗时预测模型，包括：
根据所述第一预测灭磁耗时与所述第一真实灭磁耗时之间的差异，得到第一损失值；
根据所述第一损失值，对所述待训练的灭磁耗时预测模型的模型参数进行调整；
将调整后的灭磁耗时预测模型作为待训练的灭磁耗时预测模型，并跳转至所述将所述第一样本测量数据，输入到待训练的灭磁耗时预测模型，得到与所述第一样本测量数据对应的第一预测灭磁耗时的步骤，直到满足预设结束条件；
将满足所述预设结束条件的训练后的灭磁耗时预测模型，作为所述第一灭磁耗时预测模型。
5.根据权利要求3所述的方法，其特征在于，所述根据所述验证数据集，对所述第一灭磁耗时预测模型进行调整，得到第二灭磁耗时预测模型，包括：
将所述第二样本测量数据，输入到所述第一灭磁耗时预测模型，得到与所述第二样本测量数据对应的第二预测灭磁耗时；
获取与所述第二样本测量数据对应的第二真实灭磁耗时，根据所述第二样本预测灭磁耗时与所述第二真实灭磁耗时之间的差异，得到所述第一灭磁耗时预测模型的预测精确度；
在所述预测精确度小于预设精确度的情况下，根据所述第二样本预测灭磁耗时与所述第二真实灭磁耗时之间的差异，得到第二损失值；
根据所述第二损失值，对所述第一灭磁耗时预测模型进行再次训练，得到训练后的第一灭磁耗时预测模型，作为所述第二灭磁耗时预测模型。
6.根据权利要求1所述的方法，其特征在于，所述对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时，包括：
确定所述第一灭磁耗时的第一权重和所述第二灭磁耗时的第二权重；
根据所述第一权重和所述第二权重，对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时。
7.根据权利要求1至6任一项所述的方法，其特征在于，在从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路之后，还包括：
获取所述目标灭磁电路中各个元器件对应的型号；
根据所述目标灭磁电路中各个元器件对应的型号，生成灭磁电路维护工单；
将所述灭磁电路维护工单发送至维护终端；所述维护终端用于根据所述灭磁电路维护工单，对待维护的灭磁电路中的元器件进行更换。
8.一种灭磁电路确定装置，其特征在于，所述装置包括：
电路数据采集模块，用于采集不同型号的灭磁电路的测量数据；各个所述灭磁电路的测量数据包括各个所述灭磁电路在第一电路状态下的第一测量数据，以及在第二电路状态下的第二测量数据；
初始耗时确定模块，用于分别将各个所述灭磁电路的测量数据，输入到预先训练的灭磁耗时预测模型，得到各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时；
目标耗时确定模块，用于对各个所述灭磁电路对应的第一灭磁耗时和第二灭磁耗时进行融合处理，得到各个所述灭磁电路的目标灭磁耗时；
目标电路确定模块，用于从各个所述灭磁电路中，筛选出所述目标灭磁耗时最小的灭磁电路，作为目标灭磁电路。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311514563.8A CN117669449A (zh) | 2023-11-14 | 2023-11-14 | 灭磁电路确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311514563.8A CN117669449A (zh) | 2023-11-14 | 2023-11-14 | 灭磁电路确定方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117669449A true CN117669449A (zh) | 2024-03-08 |
Family
ID=90078047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311514563.8A Pending CN117669449A (zh) | 2023-11-14 | 2023-11-14 | 灭磁电路确定方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117669449A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010005451A1 (en) * | 2008-07-11 | 2010-01-14 | Data Security, Inc. | Apparatus and method for in-field magnetic measurements |
| WO2019215473A1 (en) * | 2018-05-10 | 2019-11-14 | Olympus Corporation | Multisensor data fusion systems and methods |
| WO2020143304A1 (zh) * | 2019-01-07 | 2020-07-16 | 平安科技（深圳）有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
| CN111800041A (zh) * | 2020-08-06 | 2020-10-20 | 广东电网有限责任公司电力科学研究院 | 一种恒功率灭磁装置、方法、存储介质及终端设备 |
| EP3789923A1 (en) * | 2019-09-06 | 2021-03-10 | ASML Netherlands B.V. | Method for increasing certainty in parameterized model predictions |
| GB202105993D0 (en) * | 2021-04-27 | 2021-06-09 | Hirst Magnetic Instruments Ltd | Method and apparatus for mapping the open circuit demagnetisation curve of a sample of magnetic material to a closed circuit demagnetisation curve |
| JP6956241B1 (ja) * | 2020-08-25 | 2021-11-02 | 三菱電機エンジニアリング株式会社 | 風力発電装置、学習装置および推論装置 |
| WO2021237949A1 (zh) * | 2020-05-29 | 2021-12-02 | 复旦大学 | 基于动量空间色散关系的关键参数的量测方法和系统 |
| WO2022165074A1 (en) * | 2021-01-27 | 2022-08-04 | SeeQC, Inc. | Cryogenic classical superconducting circuitry for error correction in quantum computing |
| CN115580187A (zh) * | 2022-10-20 | 2023-01-06 | 华能吉林发电有限公司九台电厂 | 一种用于同步发电机的灭磁方式评估方法及系统 |
| US20230070938A1 (en) * | 2021-09-09 | 2023-03-09 | Melexis Technologies Sa | Magnetic sensor devices, systems and methods, and a force sensor |
| CN116068393A (zh) * | 2023-01-18 | 2023-05-05 | 清华大学 | 永磁同步电机转子失磁故障预警方法 |
-
2023
- 2023-11-14 CN CN202311514563.8A patent/CN117669449A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010005451A1 (en) * | 2008-07-11 | 2010-01-14 | Data Security, Inc. | Apparatus and method for in-field magnetic measurements |
| WO2019215473A1 (en) * | 2018-05-10 | 2019-11-14 | Olympus Corporation | Multisensor data fusion systems and methods |
| WO2020143304A1 (zh) * | 2019-01-07 | 2020-07-16 | 平安科技（深圳）有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
| EP3789923A1 (en) * | 2019-09-06 | 2021-03-10 | ASML Netherlands B.V. | Method for increasing certainty in parameterized model predictions |
| WO2021237949A1 (zh) * | 2020-05-29 | 2021-12-02 | 复旦大学 | 基于动量空间色散关系的关键参数的量测方法和系统 |
| CN111800041A (zh) * | 2020-08-06 | 2020-10-20 | 广东电网有限责任公司电力科学研究院 | 一种恒功率灭磁装置、方法、存储介质及终端设备 |
| JP6956241B1 (ja) * | 2020-08-25 | 2021-11-02 | 三菱電機エンジニアリング株式会社 | 風力発電装置、学習装置および推論装置 |
| WO2022165074A1 (en) * | 2021-01-27 | 2022-08-04 | SeeQC, Inc. | Cryogenic classical superconducting circuitry for error correction in quantum computing |
| GB202105993D0 (en) * | 2021-04-27 | 2021-06-09 | Hirst Magnetic Instruments Ltd | Method and apparatus for mapping the open circuit demagnetisation curve of a sample of magnetic material to a closed circuit demagnetisation curve |
| US20230070938A1 (en) * | 2021-09-09 | 2023-03-09 | Melexis Technologies Sa | Magnetic sensor devices, systems and methods, and a force sensor |
| CN115580187A (zh) * | 2022-10-20 | 2023-01-06 | 华能吉林发电有限公司九台电厂 | 一种用于同步发电机的灭磁方式评估方法及系统 |
| CN116068393A (zh) * | 2023-01-18 | 2023-05-05 | 清华大学 | 永磁同步电机转子失磁故障预警方法 |
Non-Patent Citations (4)
| Title |
|---|
| BULAT P. V等: "Possibilities of Amplifying the Electromagnetic Field at the Poles of the Microwave Discharge Initiator to form Discharges with a Developed Streamer Structure", JOURNAL OF ENGINEERING PHYSICS AND THERMOPHYSICS, 15 August 2023 (2023-08-15) * |
| 吴跨宇;杨涛;: "灭磁仿真计算与灭磁回路性能参数校核分析", 浙江电力, no. 05, 25 May 2010 (2010-05-25) * |
| 吴龙;刘为群;闫伟;牟伟;: "大型汽轮发电机灭磁能容量仿真研究", 大电机技术, no. 02, 15 March 2011 (2011-03-15) * |
| 辛峰;臧卫平;赵一萌;李基成;: "ESA-1型SiC非线性电阻灭磁装置在线监测系统的研制及应用", 中国水利水电科学研究院学报, no. 01, 15 March 2010 (2010-03-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652368B (zh) | 一种数据处理方法及相关产品 | |
| US11514308B2 (en) | Method and apparatus for machine learning | |
| KR20190117713A (ko) | 신경망 아키텍처 최적화 | |
| JP2019212206A (ja) | ニューラルネットワーク軽量化装置、情報処理装置、ニューラルネットワーク軽量化方法およびプログラム | |
| CN111047563B (zh) | 一种应用于医学超声图像的神经网络构建方法 | |
| JP6931624B2 (ja) | 学習支援装置および学習支援方法 | |
| US8639643B2 (en) | Classification of a document according to a weighted search tree created by genetic algorithms | |
| CN113486584B (zh) | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 | |
| Cheng et al. | Tuning configuration of apache spark on public clouds by combining multi-objective optimization and performance prediction model | |
| CN117149293B (zh) | 一种操作系统个性化配置方法 | |
| JP2019159888A (ja) | 機械学習システム | |
| CN117318052A (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
| CN117669449A (zh) | 灭磁电路确定方法、装置、计算机设备和存储介质 | |
| CN115576502B (zh) | 一种数据存储的方法、装置、电子设备以及存储介质 | |
| Cao et al. | A self-braking symbiotic organisms search algorithm for bi-objective reentrant hybrid flow shop scheduling problem | |
| CN114826951B (zh) | 服务自动降级方法、装置、计算机设备和存储介质 | |
| Xu et al. | New reduction algorithm based on decision power of decision table | |
| CN117909797A (zh) | 电力建设企业电力应急能力预测方法、装置和计算机设备 | |
| CN114996010B (zh) | 面向移动边缘环境下的智能服务保障方法 | |
| US20230185791A1 (en) | Prioritized data cleaning | |
| CN118130508A (zh) | 励磁浇筑母线质量检测方法、装置和计算机设备 | |
| CN118035696A (zh) | 发电机组同期脉冲响应性能确定方法、装置和计算机设备 | |
| CN116049711A (zh) | 高压直流输电系统故障检测方法、装置和计算机设备 | |
| CN116780515A (zh) | 用电量预测方法、装置、计算机设备及存储介质 | |
| CN118157211A (zh) | 静态变频装置参数预测方法、装置和计算机设备 |
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 |