CN110532314A - 高压电器质量检测的方法及终端设备 - Google Patents

高压电器质量检测的方法及终端设备 Download PDF

Info

Publication number
CN110532314A
CN110532314A CN201910814804.8A CN201910814804A CN110532314A CN 110532314 A CN110532314 A CN 110532314A CN 201910814804 A CN201910814804 A CN 201910814804A CN 110532314 A CN110532314 A CN 110532314A
Authority
CN
China
Prior art keywords
data
sample data
voltage electrical
electrical appliances
training
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
Application number
CN201910814804.8A
Other languages
English (en)
Inventor
甄旭
王博
李绍斌
黄秋平
伯桂鹏
***
李方华
陈少功
崔宝婕
张雨卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Maintenance Branch of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910814804.8A priority Critical patent/CN110532314A/zh
Publication of CN110532314A publication Critical patent/CN110532314A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明适用于高压电器质量评估技术领域，提供了一种高压电器质量检测的方法及终端设备，该方法包括：获取高压电器的第一样本数据；对第一样本数据进行预处理，获取第二样本数据；根据第二样本数据对预设分类模型进行迭代训练，获得目标分类模型；获取待检测高压电器的待检测数据；将待检测数据进行预处理后输入目标分类模型，获得待检测高压电器的质量检测结果。通过采用现在数学方法和模型进行分类设计，可以有效地推动高压电器从人工批量制定巡检计划向基于全景状态描述的数据处理及缺陷分析方向发展，有效地通过分类模型的分类处理将不同类型、不同品牌的高压电器的缺陷分布进行智能分类，提高工作效率。

Description

高压电器质量检测的方法及终端设备
技术领域
本发明属于高压电器质量评估技术领域，尤其涉及一种高压电器质量检测的方法及终端设备。
背景技术
随着市场经济的不断发展和电力体制改革的不断深入，对高压电器质量检测的要求也越来越高。断路器、隔离开关等高压电器是变电站中使用最多的电力设备，主要实现关合、开断、保护以及控制等功能。由于断路器、隔离开关等高压电器的使用量大，工作可靠性要求较高，因此对变电所、电场的设计、建立和安全运行的影响均较大。目前，变电站中使用的高压电器种类繁多，品牌不同，性能标准也不一样，以至于运行生产维护中无法合理且具针对性的进行巡检计划安排。随着变电站的数量不断增多，高压电器的数量也越来越多，对高压电器质量检测的工作量也越来越大，现有的人工批量制定巡检计划的方案效率较低，导致巡检工作所需时间较长。
发明内容
有鉴于此，本发明实施例提供了一种高压电器质量检测的方法及终端设备，以解决现有技术中人工批量制定巡检计划的方案效率较低，导致巡检工作所需时间较长的问题。
本发明实施例的第一方面提供了一种高压电器质量检测的方法，包括：
获取高压电器的第一样本数据；
对所述第一样本数据进行预处理，获取第二样本数据；
根据所述第二样本数据对预设分类模型进行迭代训练，获得目标分类模型；
获取待检测高压电器的待检测数据；
将所述待检测数据进行预处理后输入所述目标分类模型，获得所述待检测高压电器的质量检测结果。
在一实施例中，所述获取高压电器的第一样本数据，包括：
获取多种不同的高压电器的缺陷数据作为第一样本数据；
所述对所述第一样本数据进行预处理，获取第二样本数据，包括：
对所述第一样本数据采用ETL工具进行赋值转换和清理，获得第三样本数据，所述第三样本数据包括高压电器的生产厂家数据集合、高压电器的投运时间以及高压电器设备缺陷等级；
将所述第三样本数据中的高压电器的投运时间分别与第一阈值进行比较，确定小于所述第一阈值的数据为第二样本数据。
在一实施例中，在所述对所述第一样本数据进行预处理，获取第二样本数据之前，还包括：
将所述第一样本数据划分为训练数据集和测试数据集；
或者，在所述对所述第一样本数据进行预处理，获取第二样本数据之后，还包括：
将所述第二样本数据划分为训练数据集和测试数据集。
在一实施例中，所述将所述第一样本数据划分为训练数据集和测试数据集或者将所述第二样本数据划分为训练数据集和测试数据集，包括：
将所述第一样本数据或者所述第二样本数据进行N次随机划分，获得N组训练数据集和每组训练数据集对应的测试数据集，所述N大于等于1。
在一实施例中，所述训练数据集和所述测试数据集是两个数据分布一致并且互斥的数据集合。
在一实施例中，所述测试数据集通过分层采样的方式在所述第一样本数据或者所述第二样本数据中进行采样获得，所述第一样本数据或者所述第二样本数据中除所述测试数据集之外的数据为所述训练数据集；
所述训练数据集中的数据比所述测试数据集中的数据多。
在一实施例中，所述第二样本数据中包括经过预处理后的训练数据集和测试数据集；
所述根据所述第二样本数据对预设分类模型进行迭代训练，获得目标分类模型，包括：
将任一组预处理后的训练数据集中的数据对所述预设分类模型的初始神经元节点进行赋值，根据预设的高压电器缺陷等级为所述预设分类模型的目标集合进行赋值，对所述预设分类模型中的训练权重和参数进行重新训练，获取新模型；
将对所述预设分类模型进行训练的训练数据集对应的预处理后的测试数据集输入所述新模型中进行测试，获得测试结果；
检测所述测试结果的分类正确率是否大于或者等于第二阈值；
当所述测试结果的分类正确率大于或者等于第二阈值时，确定所述新模型为目标分类模型；
当所述测试结果的分类正确率小于第二阈值时，获取其它的训练数据集中的数据对所述预设分类模型进行迭代训练，直到获得目标分类模型。
本发明实施例的第二方面提供了一种高压电器质量检测的装置，包括：
获取模块，用于获取高压电器的第一样本数据；
预处理模块，用于对所述第一样本数据进行预处理，获取第二样本数据；
模型训练模块，用于根据所述第二样本数据对预设分类模型进行迭代训练，获得目标分类模型；
所述获取模块，还用于获取待检测高压电器的待检测数据；
分类模块，用于将所述待检测数据进行预处理后输入所述目标分类模型，获得所述待检测高压电器的质量检测结果。
本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述高压电器质量检测的方法所述的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述高压电器质量检测的方法所述的步骤。
本发明实施例与现有技术相比存在的有益效果是：通过对采集高压电器的样本数据，采用现在数学方法和模型进行分类设计，可以有效地推动高压电器从人工批量制定巡检计划向基于全景状态描述的数据处理及缺陷分析方向发展，有效地通过分类模型的分类处理将不同类型、不同品牌的高压电器的缺陷分布进行智能分类，提高工作效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的高压电器质量检测的方法的实现流程示意图；
图2是本发明实施例提供的获得目标分类模型的方法的示意图；
图3是本发明实施例提供的高压电器质量检测的装置的示例图；
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。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发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1为本发明实施例提供的一种高压电器质量检测的方法的实现流程示意图，详述如下。
步骤101，获取高压电器的第一样本数据。
可选的，本步骤可以包括获取多种不同的高压电器的缺陷数据作为第一样本数据。
可选的，高压电器可以为不同厂家设计的不同型号、不同品牌的高压电器。不同型号、不同品牌的高压电器的缺陷数据可能不同，这样可以保证缺陷数据的多样性。
可选的，第一样本数据可以包括高压电器的缺陷数据，高压电器的缺陷数据可以包括设备名称、生产厂家、设备中包含的部件名称、缺陷年份、缺陷类别、缺陷等级、缺陷描述等，其中设备名称可以包括设备的型号以及品牌。
可选的，缺陷等级按照缺陷严重程度越来越大可以包括无缺陷、一般缺陷、重大缺陷以及超大缺陷。其中，超大缺陷作为缺陷等级的最高级，其随时可能导致设备故障，造成严重后果，需要立即进行处理。重大缺陷较超大缺陷的等级小，其虽然不满足运行维护标准，但在短时间内还能运行，需要尽量进行处理。一般缺陷主要是基本不对设备安全以及运行造成影响，需要随时检测以免缺陷扩大。
可选的，在将所述第一样本数据划分为训练数据集和测试数据集，可以包括：将所述第一样本数据进行N次随机划分，获得N组训练数据集和每组训练数据集对应的测试数据集，所述N大于等于1。需要说明的是，所述训练数据集和所述测试数据集是两个数据分布一致并且互斥的数据集合，这样训练数据集和测试数据集中的数据不重复，可以对训练模型和验证模型都达到很好的效果。
可选的，所述测试数据集通过分层采样的方式在所述第一样本数据中进行采样获得，所述第一样本数据中除所述测试数据集之外的数据为所述训练数据集。所述训练数据集中的数据比所述测试数据集中的数据多。
步骤102，对所述第一样本数据进行预处理，获取第二样本数据。
可选的，本步骤可以包括对所述第一样本数据采用ETL工具进行赋值转换和清理，获得第三样本数据，所述第三样本数据包括高压电器的生产厂家数据集合、高压电器的投运时间以及高压电器设备缺陷等级；以及将所述第三样本数据中的高压电器的投运时间分别与第一阈值进行比较，确定小于所述第一阈值的数据为第二样本数据。
可选的，在步骤101中获取的第一样本数据的缺陷数据内容比较庞杂，为了在第一样本中找到值得分析的数据，可以通过ETL工具对需要得到的数据进行赋值转换和清理，以便得到训练后续预设分类模型的数据，例如可以得到数据集合、缺陷等级、投运时间等相关数据。通过ETL工具处理后的数据更具有针对性和合理性，因此可以直接用于预设分类模型的训练。
可选的，在采用ETL工具对第一样本数据进行处理后，可以对获得的第三样本数据进行简单的一次分类，将不符合分类要求的数据进行清理。例如，投运时间超过一定年限的高压设备可以认为是故障设备，直接清理掉，不作为此次缺陷分类对象。第一阈值可以为设定的年限阈值，在本申请中不对第一阈值进行限定，第一阈值的设定可以根据经验设置也可以根据设备的出厂说明确定。
可选的，如果未对第一样本数据进行划分，可以在此时对第二样本数据划分为训练数据集和测试数据集，以便后续对预设分类模型进行训练和甄选。
可选的，将第二样本数据划分为训练数据集和测试数据集时采用的方法与将第一样本数据划分为训练数据集和测试数据集的方法相同，在此不再一一赘述。
步骤103，根据所述第二样本数据对预设分类模型进行迭代训练，获得目标分类模型。
可选的，预设分类模型可以为已经训练好的模型，直接对预设分类模型进行重新训练获得所需的分类模型，而不必从零开始训练一个新模型，这样可以节省大量的人力物力。
一个预训练的源模型是从可用模型中挑选出来的，很多研究机构都发布了基于超大数据集的模型，这些都可以作为源模型的备选者。本方案获取的预设分类模型为带有训练权重的预训练模型。
可选的，如图2所示，本步骤可以包括以下步骤。
步骤201，将任一组预处理后的训练数据集中的数据对所述预设分类模型的初始神经元节点进行赋值，根据预设的高压电器缺陷等级为所述预设分类模型的目标集合进行赋值，对所述预设分类模型中的训练权重和参数进行重新训练，获取新模型。
可选的，步骤201为将训练数据集中的任一组数据输入预设分类模型中进行训练，可以获得新的训练权重和模型中的参数，将训练获得的新的训练权重和参数应用在预设分类模型中可以获得一个新的模型。
步骤202，将对所述预设分类模型进行训练的训练数据集对应的预处理后的测试数据集输入所述新模型中进行测试，获得测试结果。
对获得的新的模型可以进行测试，以便确定新的模型是否符合要求。当新的模型不符合要求时，需要重新训练获得的新模型，直到得出符合要求的模型。
步骤203，检测所述测试结果的分类正确率是否大于或者等于第二阈值。
第二阈值可以为分类正确率阈值，第二阈值可以根据经验或者实际需求获得。
步骤204，当所述测试结果的分类正确率大于或者等于第二阈值时，确定所述新模型为目标分类模型。
步骤205，当所述测试结果的分类正确率小于第二阈值时，获取其它的训练数据集中的数据对所述预设分类模型进行迭代训练，直到获得目标分类模型。
可选的，当训练的新模型不符合要求时，可以进行重新训练，采用训练数据集中的其它组的数据输入新模型，获得新的权重和参数。
为了获得分类正确率较高的目标分类模型，可以将N组不同的训练数据集中的数据对预设分类模型进行调整，从而获得最佳的目标分类模型。
步骤104，获取待检测高压电器的待检测数据。
步骤105，将所述待检测数据进行预处理后输入所述目标分类模型，获得所述待检测高压电器的质量检测结果。
可选的，质量检测结果即为待检测数据经过分类处理后获得的缺陷等级分类。可以根据质量检测结果对待检测高压电器进行有计划地维护，并且可以定期记录高压电器的运行参数，保证及时发现高压电器设备存在的问题和缺陷，进行及时处理。
上述高压电器质量检测的方法，通过对采集高压电器的样本数据，采用现在数学方法和模型进行分类设计，可以有效地推动高压电器从人工批量制定巡检计划向基于全景状态描述的数据处理及缺陷分析方向发展，有效地通过分类模型的分类处理将不同类型、不同品牌的高压电器的缺陷分布进行智能分类，提高工作效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的高压电器质量检测的方法，图3示出了本发明实施例提供的高压电器质量检测的装置的示例图。如图3所示，该装置可以包括：获取模块301、预处理模块302、模型训练模块303和分类模块304。
获取模块301，用于获取高压电器的第一样本数据；
预处理模块302，用于对所述第一样本数据进行预处理，获取第二样本数据；
模型训练模块303，用于根据所述第二样本数据对预设分类模型进行迭代训练，获得目标分类模型；
所述获取模块301，还用于获取待检测高压电器的待检测数据；
分类模块304，用于将所述待检测数据进行预处理后输入所述目标分类模型，获得所述待检测高压电器的质量检测结果。
可选的，所述获取模块301获取高压电器的第一样本数据时，可以包括：获取多种不同的高压电器的缺陷数据作为第一样本数据。
可选的，所述预处理模块302对所述第一样本数据进行预处理，获取第二样本数据时，可以包括：
对所述第一样本数据采用ETL工具进行赋值转换和清理，获得第三样本数据，所述第三样本数据包括高压电器的生产厂家数据集合、高压电器的投运时间以及高压电器设备缺陷等级；
将所述第三样本数据中的高压电器的投运时间分别与第一阈值进行比较，确定小于所述第一阈值的数据为第二样本数据。
可选的，在所述预处理模块302对所述第一样本数据进行预处理，获取第二样本数据之前，所述预处理模块302还用于将所述第一样本数据划分为训练数据集和测试数据集；
或者，在所述预处理模块302对所述第一样本数据进行预处理，获取第二样本数据之后，所述预处理模块302还用于将所述第二样本数据划分为训练数据集和测试数据集。
可以理解的，可以在获取模块301获取高压电器的第一样本数据之后预处理模块302对第一样本数据划分为训练数据集和测试数据集，然后再对第一样本数据进行预处理；也可以在预处理模块302对所述第一样本数据进行预处理，获取第二样本数据之后，再对第二样本数据划分为训练数据集和测试数据集。
可选的，所述预处理模块302将所述第一样本数据划分为训练数据集和测试数据集或者将所述第二样本数据划分为训练数据集和测试数据集，可以包括：
将所述第一样本数据或者所述第二样本数据进行N次随机划分，获得N组训练数据集和每组训练数据集对应的测试数据集，所述N大于等于1。
可选的，所述训练数据集和所述测试数据集是两个数据分布一致并且互斥的数据集合。
可选的，所述测试数据集通过分层采样的方式在所述第一样本数据或者所述第二样本数据中进行采样获得，所述第一样本数据或者所述第二样本数据中除所述测试数据集之外的数据为所述训练数据集；
所述训练数据集中的数据比所述测试数据集中的数据多。
可选的，所述第二样本数据中包括经过预处理后的训练数据集和测试数据集。
所述模型训练模块303根据所述第二样本数据对预设分类模型进行迭代训练，获得目标分类模型时，可以包括：
将任一组预处理后的训练数据集中的数据对所述预设分类模型的初始神经元节点进行赋值，根据预设的高压电器缺陷等级为所述预设分类模型的目标集合进行赋值，对所述预设分类模型中的训练权重和参数进行重新训练，获取新模型；然后将对所述预设分类模型进行训练的训练数据集对应的预处理后的测试数据集输入所述新模型中进行测试，获得测试结果；检测所述测试结果的分类正确率是否大于或者等于第二阈值；当所述测试结果的分类正确率大于或者等于第二阈值时，确定所述新模型为目标分类模型；当所述测试结果的分类正确率小于第二阈值时，获取其它的训练数据集中的数据对所述预设分类模型进行迭代训练，直到获得目标分类模型。
上述高压电器质量检测的装置，通过对采集高压电器的样本数据，采用现在数学方法和模型进行分类设计，可以有效地推动高压电器从人工批量制定巡检计划向基于全景状态描述的数据处理及缺陷分析方向发展，有效地通过分类模型的分类处理将不同类型、不同品牌的高压电器的缺陷分布进行智能分类，提高工作效率。
图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备400包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403，例如高压电器质量检测的程序。所述处理器401执行所述计算机程序403时实现上述高压电器质量检测的方法实施例中的步骤，例如图1所示的步骤101至105，或者图2所示的步骤201至步骤205，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块的功能，例如图3所示模块301至304的功能。
示例性的，所述计算机程序403可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述高压电器质量检测的装置或者终端设备400中的执行过程。例如，所述计算机程序403可以被分割成获取模块301、预处理模块302、模型训练模块303和分类模块304，各模块具体功能如图3所示，在此不再一一赘述。
所述终端设备400可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备400的示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器402也可以是所述终端设备400的外部存储设备，例如所述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备400所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
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，即将所述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***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。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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，所述模块或单元的划分，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***，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。
所述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。
另外，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。
所述集成的模块/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，所述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。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
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)

1.一种高压电器质量检测的方法，其特征在于，包括：
获取高压电器的第一样本数据；
对所述第一样本数据进行预处理，获取第二样本数据；
根据所述第二样本数据对预设分类模型进行迭代训练，获得目标分类模型；
获取待检测高压电器的待检测数据；
将所述待检测数据进行预处理后输入所述目标分类模型，获得所述待检测高压电器的质量检测结果。
2.如权利要求1所述的高压电器质量检测的方法，其特征在于，所述获取高压电器的第一样本数据，包括：
获取多种不同的高压电器的缺陷数据作为第一样本数据；
所述对所述第一样本数据进行预处理，获取第二样本数据，包括：
对所述第一样本数据采用ETL工具进行赋值转换和清理，获得第三样本数据，所述第三样本数据包括高压电器的生产厂家数据集合、高压电器的投运时间以及高压电器设备缺陷等级；
将所述第三样本数据中的高压电器的投运时间分别与第一阈值进行比较，确定小于所述第一阈值的数据为第二样本数据。
3.如权利要求1所述的高压电器质量检测的方法，其特征在于，在所述对所述第一样本数据进行预处理，获取第二样本数据之前，还包括：
将所述第一样本数据划分为训练数据集和测试数据集；
或者，在所述对所述第一样本数据进行预处理，获取第二样本数据之后，还包括：
将所述第二样本数据划分为训练数据集和测试数据集。
4.如权利要求3所述的高压电器质量检测的方法，其特征在于，所述将所述第一样本数据划分为训练数据集和测试数据集或者将所述第二样本数据划分为训练数据集和测试数据集，包括：
将所述第一样本数据或者所述第二样本数据进行N次随机划分，获得N组训练数据集和每组训练数据集对应的测试数据集，所述N大于等于1。
5.如权利要求4所述的高压电器质量检测的方法，其特征在于，所述训练数据集和所述测试数据集是两个数据分布一致并且互斥的数据集合。
6.如权利要求5所述的高压电器质量检测的方法，其特征在于，所述测试数据集通过分层采样的方式在所述第一样本数据或者所述第二样本数据中进行采样获得，所述第一样本数据或者所述第二样本数据中除所述测试数据集之外的数据为所述训练数据集；
所述训练数据集中的数据比所述测试数据集中的数据多。
7.如权利要求1至6中任一项所述的高压电器质量检测的方法，其特征在于，所述第二样本数据中包括经过预处理后的训练数据集和测试数据集；
所述根据所述第二样本数据对预设分类模型进行迭代训练，获得目标分类模型，包括：
将任一组预处理后的训练数据集中的数据对所述预设分类模型的初始神经元节点进行赋值，根据预设的高压电器缺陷等级为所述预设分类模型的目标集合进行赋值，对所述预设分类模型中的训练权重和参数进行重新训练，获取新模型；
将对所述预设分类模型进行训练的训练数据集对应的预处理后的测试数据集输入所述新模型中进行测试，获得测试结果；
检测所述测试结果的分类正确率是否大于或者等于第二阈值；
当所述测试结果的分类正确率大于或者等于第二阈值时，确定所述新模型为目标分类模型；
当所述测试结果的分类正确率小于第二阈值时，获取其它的训练数据集中的数据对所述预设分类模型进行迭代训练，直到获得目标分类模型。
8.一种高压电器质量检测的装置，其特征在于，包括：
获取模块，用于获取高压电器的第一样本数据；
预处理模块，用于对所述第一样本数据进行预处理，获取第二样本数据；
模型训练模块，用于根据所述第二样本数据对预设分类模型进行迭代训练，获得目标分类模型；
所述获取模块，还用于获取待检测高压电器的待检测数据；
分类模块，用于将所述待检测数据进行预处理后输入所述目标分类模型，获得所述待检测高压电器的质量检测结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一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如权利要求1至7任一项所述方法的步骤。
CN201910814804.8A 2019-08-30 2019-08-30 高压电器质量检测的方法及终端设备 Pending CN110532314A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910814804.8A CN110532314A (zh) 2019-08-30 2019-08-30 高压电器质量检测的方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910814804.8A CN110532314A (zh) 2019-08-30 2019-08-30 高压电器质量检测的方法及终端设备

Publications (1)

Publication Number Publication Date
CN110532314A true CN110532314A (zh) 2019-12-03

Family

ID=68665530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910814804.8A Pending CN110532314A (zh) 2019-08-30 2019-08-30 高压电器质量检测的方法及终端设备

Country Status (1)

Country Link
CN (1) CN110532314A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026744A (zh) * 2019-12-11 2020-04-17 新奥数能科技有限公司 一种基于能源站***模型框架的数据治理方法及装置
CN111812118A (zh) * 2020-06-24 2020-10-23 阿丘机器人科技(苏州)有限公司 Pcb检测方法、装置、设备及计算机可读存储介质
CN112563970A (zh) * 2020-12-07 2021-03-26 广东科凯达智能机器人有限公司 一种高压输电线路越障机器人的巡检方法及相关设备
CN112580734A (zh) * 2020-12-25 2021-03-30 深圳市优必选科技股份有限公司 目标检测模型训练方法、***、终端设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598969A (zh) * 2014-11-13 2015-05-06 中国南方电网有限责任公司超高压输电公司检修试验中心 一种基于神经网络的高压电器运行质量评估方法及***
US20190130226A1 (en) * 2017-10-27 2019-05-02 International Business Machines Corporation Facilitating automatic handling of incomplete data in a random forest model
CN109740634A (zh) * 2018-12-11 2019-05-10 中科恒运股份有限公司 分类模型训练方法和终端设备
CN109754068A (zh) * 2018-12-04 2019-05-14 中科恒运股份有限公司 基于深度学习预训练模型的迁移学习方法及终端设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598969A (zh) * 2014-11-13 2015-05-06 中国南方电网有限责任公司超高压输电公司检修试验中心 一种基于神经网络的高压电器运行质量评估方法及***
US20190130226A1 (en) * 2017-10-27 2019-05-02 International Business Machines Corporation Facilitating automatic handling of incomplete data in a random forest model
CN109754068A (zh) * 2018-12-04 2019-05-14 中科恒运股份有限公司 基于深度学习预训练模型的迁移学习方法及终端设备
CN109740634A (zh) * 2018-12-11 2019-05-10 中科恒运股份有限公司 分类模型训练方法和终端设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026744A (zh) * 2019-12-11 2020-04-17 新奥数能科技有限公司 一种基于能源站***模型框架的数据治理方法及装置
CN111812118A (zh) * 2020-06-24 2020-10-23 阿丘机器人科技(苏州)有限公司 Pcb检测方法、装置、设备及计算机可读存储介质
CN112563970A (zh) * 2020-12-07 2021-03-26 广东科凯达智能机器人有限公司 一种高压输电线路越障机器人的巡检方法及相关设备
CN112563970B (zh) * 2020-12-07 2022-07-29 广东科凯达智能机器人有限公司 一种高压输电线路越障机器人的巡检方法及相关设备
CN112580734A (zh) * 2020-12-25 2021-03-30 深圳市优必选科技股份有限公司 目标检测模型训练方法、***、终端设备及存储介质
CN112580734B (zh) * 2020-12-25 2023-12-29 深圳市优必选科技股份有限公司 目标检测模型训练方法、***、终端设备及存储介质

Similar Documents

Publication Publication Date Title
CN110532314A (zh) 高压电器质量检测的方法及终端设备
CN108593260B (zh) 光缆线路故障定位和检测方法及终端设备
CN107450524A (zh) 预测工业设备故障的方法、装置及计算机可读存储介质
CN110991658A (zh) 模型训练方法、装置、电子设备和计算机可读存储介质
CN113159345A (zh) 一种基于融合神经网络模型的电网故障辨识方法及***
CN111160241A (zh) 一种基于深度学习的配电网故障分类方法、***和介质
CN113743674A (zh) 基于深度学习的储能出力预测方法、***、设备及介质
CN111371088A (zh) 一种基于bp神经网络修正svg控制策略的方法及***
CN109656810A (zh) 一种图像算法的调试方法、调试***及终端设备
CN109993387A (zh) 一种基于nlp的自动评分方法及装置、考试***
CN104615537A (zh) 一种图像处理类ip的可约束随机验证方法和装置
CN110968518A (zh) 自动化测试日志文件的分析方法及装置
CN116502149A (zh) 基于电流特征传导的低压配电网户变关系识别方法及***
CN115616412A (zh) 一种储能电池组建模方法、装置、设备及可读存储介质
CN110276852A (zh) 无人机巡检方法及装置
CN115577927A (zh) 基于粗糙集的重要电力用户用电安全评估方法及装置
CN109685120A (zh) 分类模型在有限数据下的快速训练方法和终端设备
CN113807462A (zh) 一种基于ai的网络设备故障原因定位方法及其***
CN116415385A (zh) 风机联调仿真方法、装置、服务器及计算机存储介质
CN113591909A (zh) 电力***的异常检测方法、异常检测装置以及存储介质
CN106341837A (zh) 一种质差话务比例值预测方法及装置
CN113257329A (zh) 一种基于机器学习的存储器故障诊断方法
CN114819169B (zh) 一种矩阵条件数的量子估计方法及装置
CN117455124B (zh) 企业的环保设备监测方法、***、介质及电子设备
CN104240039B (zh) 一种考虑不确定性影响的电力***故障分析方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191203