CN111259947A - 一种基于多模态学习的电力***故障预警方法和*** - Google Patents
一种基于多模态学习的电力***故障预警方法和*** Download PDFInfo
- Publication number
- CN111259947A CN111259947A CN202010030009.2A CN202010030009A CN111259947A CN 111259947 A CN111259947 A CN 111259947A CN 202010030009 A CN202010030009 A CN 202010030009A CN 111259947 A CN111259947 A CN 111259947A
- Authority
- CN
- China
- Prior art keywords
- fault
- feature
- model
- log
- characteristic
- 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
Images
Classifications
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
- G06F16/1815—Journaling file systems
-
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多模态学习的电力***故障预警方法和***,基于电力信息***的数据库、网络等异常的运行故障记录,进行数据库、网络异常相关联的典型数据特征的分析,构建***日志故障特征库;基于***的网络数据标签,针对该***进行特征归类,构建基于分类算法的***健康画像;基于知识库与推理机的原理,进行知识库与推理机的高速和高精度决策,通过对电力信息***故障的关系分析,针对不同的故障类型提出处理策略;针对***故障处理模型进行同一时间多类型故障训练,进行故障预测模型的泛化增强;进行电力信息***的预测故障实时告警。本发明通过多模态学习等机器学习技术构建***故障预测模型,实现***隐患预测,提高运维效率。
Description
技术领域
本发明涉及电力资源管理技术领域,具体涉及一种基于多模态学习的电力***故障预警方法和***。
背景技术
随着电力网络信息化的发展,信息技术已经深入到电力生产的各个环节。电力信息***在运行过程中会产生大量的日志数据,包括***网络连接状态、数据库状态等***运行日志以及设备运行参数等业务相关日志。如果对这些海量日志的分析与评价不及时,信息挖掘不准确,可能会造成严重的电力安全事故,因此在电力信息***运维过程中,针对海量日志数据进行实时有效分析显得尤为必要。传统的电力信息***运维方式对于日志数据利用不够,价值挖掘不够充分,缺少对电力信息***在出现故障前主动预警机制,基于传统的数据分析方法处理时往往会出现由于处理算法单一、资源分配不合理等导致的数据处理速度不及时和效率低下等问题,严重影响了日志数据的处理和分析,目前积蓄针对电力信息***日志数据的高效快速处理,实现对***运行的隐患和故障的智能预警。
发明内容
为解决上述现有技术的中的不足,本发明的目的在于克服现有不足,提供一种基于多模态学习的电力***故障预警方法和***,为***智能决策提供依据,通过多模态学习等机器学习技术构建***故障预测模型,实现***隐患预测,提高运维效率。
本发明公开了一种基于多模态学习的电力***故障预警方法,包括:
基于电力信息***的数据库、网络等异常的运行故障记录,进行数据库、网络等异常相关联的典型数据特征的分析,且针对性提出异常的高效特征表示方法,构建***日志故障特征库;
采用深度神经网络结构,且基于电力信息***的网络数据标签,针对该***进行特征归类,构建基于分类算法的***健康画像;
基于知识库与推理机的原理,进行知识库与推理机的高速和高精度决策,通过对电力信息***故障的关系分析,针对不同的故障类型提出处理策略,基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理;
基于多模态多任务机器技术,进行训练任务的通用迁移,且采用多任务学习,针对***故障处理模型进行同一时间多类型故障训练,进行故障预测模型的泛化增强;基于随机森林预测模型,再结合深度特征学习技术提取的日志特征向量进行***故障预测模型的训练,进行电力信息***的预测故障实时告警。
作为上述方案的进一步优化,所述构建***日志故障特征库基于特征选择构建,所述特征选择包括如下步骤:
计算电力***日志故障产生的所有有效特征,设置为n,基于n个特征构建特征全集,设为2n,即2n为所述电力***日志故障的特征全集;
基于电力***日志故障的特征全集,基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置;
设置一评估函数,基于该评估函数进行存储放置的特征子集进行函数评估,且将函数评估的结果与结束准则进行对比;
若评估结果优于结束准则,结束当前操作,并记录当前评估结果对应的特征子集作为备选特征子集;若评估结果差于结束准则,基于搜索策略重新筛选特征子集,并进行评估。
作为上述方案的进一步优化,所述构建基于分类算法的***健康画像,利用存储于电力***服务器的海量日志以及数据库存储的数据进行分析和挖掘,针对分析和挖掘结果进行***Tag,所述Tag包括网络异常连接、数据库数据异常以及***运行错误。
作为上述方案的进一步优化,所述***故障处理模型的构建包括如下:
模型参数进行初始化,确定模型参数的初始值,且在模型参数进行模型训练过程中进行取样,对模型训练的动态变化进行监控;
基于深度卷积神经网络进行电力信息***的故障处理模型的构建;
基于已经构建完成的***故障处理模型,通过对模型的参数变化轨迹,初始参数设置,超参数设置以及利用凸优化方法调优的认知,进行***故障处理模型的优化处理。
作为上述方案的进一步优化,基于电力***多模态的日志数据,构建基于有效距离的多模态特征选择模型,具体如下:
设电力***存在K个模态,电力***故障日志的特征训练样本Xk=[x1 k,x2 k,…xc k]B∈Rc×d为第k个模态的训练样本数据;A=[a1,a2,…ai…ac]B∈Rc代表类别号;ai为第i个样本的类别标号;
设Lk∈Rd为第k个任务的线性函数的权重向量,且L=[l1,l1,…,lK]∈Rd×K为对应权重矩阵,且设置lj为L的行,为K个模态中第j个特征向量;
基于有效距离的多模态特征选择模型如下所示:
其中,||L||2,1为权重矩阵L的l2,1范数,进行lj的l2范数的和运算;α、β为正的常量。
作为上述方案的进一步优化,所述***故障预测模型的构建如下:
基于皮尔逊相关系数算法,进行相关性判别,计算公式如下所示:
上式中,Var(X)为X的方差,Var(Y)是Y的方差,Cov(X,Y)是X、Y的协方差;
期望值采用E(X)=μ与E(Y)=v表示,则两个随机变量X、Y之间的协方差定义为:
Cov(X,Y)=E((X-μ)(Y-v)) (3)
基于上式,皮尔逊相关系数采用协方差反应两个变量线性相关时取值最大的特性反应两个变量之间的关联程度。
作为上述方案的进一步优化,所述***故障预测模型的构建还包括如下:
基于随机森林算法,将灰度关联算法进行集成,进行电力***日志的相似集预测;
基于计算的相似集进行故障预测,对随机森林算法的计算准确度进行增强;
垂直分割输入的数据,进行基于随机森林算法的任务训练的并行性,将输入地数据提高复用率,增大随机森林算法的执行速率。
本发明还公开了一种基于多模态学习的电力***故障预警***,包括如下模块:
特征库构建模块,用于基于电力信息***的数据库、网络等异常的运行故障记录,进行数据库、网络等异常相关联的典型数据特征的分析,且针对性提出异常的高效特征表示方法,构建***日志故障特征库;
画像机制构建模块,用于采用深度神经网络结构,且基于电力信息***的网络数据标签,针对该***进行特征归类,构建基于分类算法的***健康画像;
故障处理构建模块,用于基于知识库与推理机的原理,进行知识库与推理机的高速和高精度决策,通过对电力信息***故障的关系分析,针对不同的故障类型提出处理策略,基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理;
故障预测构建模块,用于基于多模态多任务机器技术,进行训练任务的通用迁移,且采用多任务学习,针对***故障处理模型进行同一时间多类型故障训练,进行故障预测模型的泛化增强;基于随机森林预测模型,再结合深度特征学习技术提取的日志特征向量进行***故障预测模型的训练,进行电力信息***的预测故障实时告警。
作为上述方案的进一步优化,所述特征库构建模块还包括如下单元:
特征全集构建单元,用于计算电力***日志故障产生的所有有效特征,设置为n,基于n个特征构建特征全集,设为2n,即2n为所述电力***日志故障的特征全集;
特征子集筛选单元,用于基于电力***日志故障的特征全集,基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置;
函数评估单元,用于设置一评估函数,基于该评估函数进行存储放置的特征子集进行函数评估,且将函数评估的结果与结束准则进行对比;
若评估结果优于结束准则,结束当前操作,并记录当前评估结果对应的特征子集作为备选特征子集;
若评估结果差于结束准则,基于搜索策略重新筛选特征子集,并进行评估。
本发明采用上述的技术方案,与现有技术相比,一种基于多模态学习的电力***故障预警方法和***,具有以下技术效果:
1.本发明通过采集电力信息***的故障日志,构建***日志故障特征库,基于深度神经网络构建***健康画像,再通过对电力信息***故障的关系分析进行针对性策略提出,进行快速定位故障的建模准备需求,再基于多模态多任务机器技术,针对***故障处理模型进行同一时间多类型故障训练,结合深度特征学习技术提取的日志特征向量进行***故障预测模型的训练,进行电力信息***的预测故障实时告警。
2.本发明基于电力***日志故障的特征全集,进行筛选,获取有效的特征子集,再通过对特征子集进行函数评估,比预设规则优则选取,差则进行新一轮的特征子集选取和评估,保障了构建特征库的特征集始终为最优特征集,为后续进行数据建模提供了有效的保障依据。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本发明的一种基于多模态学习的电力***故障预警方法的***流程图;
图2为本发明的一种基于多模态学习的电力***故障预警***的结构框图;
图3为本发明的一种基于多模态学习的电力***故障预警***的特征库构建模块图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1-3所示,本发明实施例公开了一种基于多模态学习的电力***故障预警方法,包括如下步骤:
基于电力信息***的数据库、网络等异常的运行故障记录,进行数据库、网络等异常相关联的典型数据特征的分析,且针对性提出异常的高效特征表示方法,构建***日志故障特征库;
具体的,构建***日志故障特征库基于特征选择构建,特征选择包括如下步骤:
计算电力***日志故障产生的所有有效特征,设置为n,基于n个特征构建特征全集,设为2n,即2n为所述电力***日志故障的特征全集;
基于电力***日志故障的特征全集,基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置;
本发明实施例优选采用随机搜索,其主要通过在进行筛选计算过程中,将特征选择问题与遗传算法、模拟退火算法、随机产生序列选择算法等过程进行有机结合,且本发明的搜索策略包括但不限于采用随机搜索,还包括完全搜索和启发式搜索;
设置一评估函数,基于该评估函数进行存储放置的特征子集进行函数评估,且将函数评估的结果与结束准则进行对比;
具体的,评估函数包括过滤式和封装式,过滤式方法与后续学习无关,一般直接利用训练数据的统计性能评估特征,速度快,但与后续学习算法的性能上有一定的偏差,一般用作预处理;
封装式方法直接采用后续的学习算法的损失函数来评估特征子集,偏差小但计算量大,其实质上是一个分类器;
若评估结果优于结束准则,结束当前操作,并记录当前评估结果对应的特征子集作为备选特征子集;若评估结果差于结束准则,基于搜索策略重新筛选特征子集,并进行评估;
采用深度神经网络结构,且基于电力信息***的网络数据标签,针对该***进行特征归类,构建基于分类算法的***健康画像;
具体的,构建基于分类算法的***健康画像,利用存储于电力***服务器的海量日志以及数据库存储的数据进行分析和挖掘,针对分析和挖掘结果进行***Tag,所述Tag包括网络异常连接、数据库数据异常以及***运行错误;
更具体的,电力信息***某一维度特征的提取即***健康画像的生产过程,可以分为以下几步:
1).***建模,指确定提取的***特征维度和需要使用到的数据源;
2).数据收集,通过数据收集工具,如Flume或自己写的脚本程序,把需要使用的数据统一存放到Hadoop集群;
3).数据清理,数据清理的过程通常位于Hadoop集群,也有可能与数据收集同时进行,这一步的主要工作,是把收集到各种来源、杂乱无章的数据进行字段提取,得到关注的目标特征;
4).模型训练,有些特征可能无法直接从数据清理得到,那么可以通过收集到的已知特征进行学习和预测;
5).属性预测,利用训练得到的模型和***的已知特征,预测***的未知特征;
6).数据合并,把用户通过各种数据源提取的特征进行合并,并给出一定的可信度;
7).数据分发,对于合并后的结果数据,分发到***决策引擎平台,提供数据决策支持;
通过基于分类算法进行***健康画像的构建,不仅体现日志事件的时序性和关联性,更有利于后续的分析与挖掘;
基于知识库与推理机的原理,进行知识库与推理机的高速和高精度决策,通过对电力信息***故障的关系分析,针对不同的故障类型提出处理策略,基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理;
***故障处理模型的构建包括如下:
模型参数进行初始化,确定模型参数的初始值,且在模型参数进行模型训练过程中进行取样,对模型训练的动态变化进行监控;
基于深度卷积神经网络进行电力信息***的故障处理模型的构建;
基于已经构建完成的***故障处理模型,通过对模型的参数变化轨迹,初始参数设置,超参数设置以及利用凸优化方法调优的认知,进行***故障处理模型的优化处理;
基于多模态多任务机器技术,进行训练任务的通用迁移,且采用多任务学习,针对***故障处理模型进行同一时间多类型故障训练,进行故障预测模型的泛化增强;基于随机森林预测模型,再结合深度特征学习技术提取的日志特征向量进行***故障预测模型的训练,进行电力信息***的预测故障实时告警;
具体的,基于电力***多模态的日志数据,构建基于有效距离的多模态特征选择模型,具体如下:
设电力***存在K个模态,电力***故障日志的特征训练样本Xk=[x1 k,x2 k,…xc k]B∈Rc×d为第k个模态的训练样本数据;A=[a1,a2,…ai…ac]B∈Rc代表类别号;ai为第i个样本的类别标号;
设Lk∈Rd为第k个任务的线性函数的权重向量,且L=[l1,l1,…,lK]∈Rd×K为对应权重矩阵,且设置lj为L的行,为K个模态中第j个特征向量;
基于有效距离的多模态特征选择模型如下所示:
其中,||L||2,1为权重矩阵L的l2,1范数,进行lj的l2范数的和运算;α、β为正的常量。
作为上述方案的进一步优化,所述***故障预测模型的构建如下:
基于皮尔逊相关系数算法,进行相关性判别,计算公式如下所示:
上式中,Var(X)为X的方差,Var(Y)是Y的方差,Cov(X,Y)是X、Y的协方差;
期望值采用E(X)=μ与E(Y)=v表示,则两个随机变量X、Y之间的协方差定义为:
Cov(X,Y)=E((X-μ)(Y-v)) (3)
基于上式,皮尔逊相关系数采用协方差反应两个变量线性相关时取值最大的特性反应两个变量之间的关联程度;
***故障预测模型的构建还包括如下:
基于随机森林算法,将灰度关联算法进行集成,进行电力***日志的相似集预测;
基于计算的相似集进行故障预测,对随机森林算法的计算准确度进行增强;
垂直分割输入的数据,进行基于随机森林算法的任务训练的并行性,将输入地数据提高复用率,增大随机森林算法的执行速率;
基于随机森林算法,通过计算每个特征值的信息增益比,采用垂直数据分割的方式,将目标因素分别与每个特征因素相结合形成一个新的RDD;
然后在每个抽样周期中,不复制抽样的数据,只是将被抽样的数据的索引放到一个表中,然后将DSI和特征因素分发到各个节点,计算任务只需要通过DSI查找相应的特征数据即可进行计算,不仅提高了算法执行过程中数据的并行度,又能减少数据复制,同时提高了处理速度;
本发明实施例还公开一种基于多模态学习的电力***故障预警***,包括如下模块:
特征库构建模块,用于基于电力信息***的数据库、网络等异常的运行故障记录,进行数据库、网络等异常相关联的典型数据特征的分析,且针对性提出异常的高效特征表示方法,构建***日志故障特征库;
特征库构建模块还包括如下单元:
特征全集构建单元,用于计算电力***日志故障产生的所有有效特征,设置为n,基于n个特征构建特征全集,设为2n,即2n为所述电力***日志故障的特征全集;
特征子集筛选单元,用于基于电力***日志故障的特征全集,基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置;
函数评估单元,用于设置一评估函数,基于该评估函数进行存储放置的特征子集进行函数评估,且将函数评估的结果与结束准则进行对比;
若评估结果优于结束准则,结束当前操作,并记录当前评估结果对应的特征子集作为备选特征子集;
若评估结果差于结束准则,基于搜索策略重新筛选特征子集,并进行评估;
画像机制构建模块,用于采用深度神经网络结构,且基于电力信息***的网络数据标签,针对该***进行特征归类,构建基于分类算法的***健康画像;
故障处理构建模块,用于基于知识库与推理机的原理,进行知识库与推理机的高速和高精度决策,通过对电力信息***故障的关系分析,针对不同的故障类型提出处理策略,基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理;
故障预测构建模块,用于基于多模态多任务机器技术,进行训练任务的通用迁移,且采用多任务学习,针对***故障处理模型进行同一时间多类型故障训练,进行故障预测模型的泛化增强;基于随机森林预测模型,再结合深度特征学习技术提取的日志特征向量进行***故障预测模型的训练,进行电力信息***的预测故障实时告警;
本***还包括用于进行***故障日志采集的日志采集模块;
具体的,本实施例提出了一种基于多模态学习的电力***故障预警***,针对电力***的故障日志进行特征提取,通过深度神经网络算法进行***故障预测模型的构建,便于进行运维人员对于电力信息***的监控;
更具体的,运维人员基于电力信息***管理进行用户管理,进行具体的用户权限分配;电力信息***基于日志采集模块进行***的日志收集并存储,形成原始日志数据特征库;并基于特征全集构建单元进行特征全集的构建,再通过已构建好的特征全集筛选特征子集,基于已经筛选完备的特征子集,进行函数评估:若评估结果优于结束准则,结束当前操作,并记录当前评估结果对应的特征子集作为备选特征子集;若评估结果差于结束准则,基于搜索策略重新筛选特征子集,并进行评估;形成有利于后续建模的特征库;再基于电力信息***的网络数据标签,构建基于算法分类的***健康画像,不仅可以提现日志事件的时序性和关联性,更有利于后续的分析与挖掘;最后通过构建故障处理构建以及故障预测构建,采用同一时间多类型故障的方式进行模型训练,形成成熟的***故障预测模型;通过多模态学习等机器学习技术构建***故障预测模型,实现***隐患预测,提高运维效率,同时也大大减轻了运维人员的***压力。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于多模态学习的电力***故障预警方法,其特征在于,包括:
基于电力信息***的数据库、网络等异常的运行故障记录,进行数据库、网络异常相关联的典型数据特征的分析,且针对性提出异常的高效特征表示方法,构建***日志故障特征库;
采用深度神经网络结构,且基于电力信息***的网络数据标签,针对该***进行特征归类,构建基于分类算法的***健康画像;
基于知识库与推理机的原理,进行知识库与推理机的高速和高精度决策,通过对电力信息***故障的关系分析,针对不同的故障类型提出处理策略,基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理;
基于多模态多任务机器技术,进行训练任务的通用迁移,且采用多任务学习,针对***故障处理模型进行同一时间多类型故障训练,进行故障预测模型的泛化增强;基于随机森林预测模型,再结合深度特征学习技术提取的日志特征向量进行***故障预测模型的训练,进行电力信息***的预测故障实时告警。
2.根据权利要求1所述的一种基于多模态学习的电力***故障预警方法,其特征在于,所述构建***日志故障特征库基于特征选择构建,所述特征选择包括如下步骤:
计算电力***日志故障产生的所有有效特征,设置为n,基于n个特征构建特征全集,设为2n,即2n为所述电力***日志故障的特征全集;
基于电力***日志故障的特征全集,基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置;
设置一评估函数,基于该评估函数进行存储放置的特征子集进行函数评估,且将函数评估的结果与结束准则进行对比;
若评估结果优于结束准则,结束当前操作,并记录当前评估结果对应的特征子集作为备选特征子集;若评估结果差于结束准则,基于搜索策略重新筛选特征子集,并进行评估。
3.根据权利要求1所述的一种基于多模态学习的电力***故障预警方法,其特征在于,所述构建基于分类算法的***健康画像,利用存储于电力***服务器的海量日志以及数据库存储的数据进行分析和挖掘,针对分析和挖掘结果进行***Tag,所述Tag包括网络异常连接、数据库数据异常以及***运行错误。
4.根据权利要求1所述的一种基于多模态学习的电力***故障预警方法,其特征在于,所述***故障处理模型的构建包括如下:
模型参数进行初始化,确定模型参数的初始值,且在模型参数进行模型训练过程中进行取样,对模型训练的动态变化进行监控;
基于深度卷积神经网络进行电力信息***的故障处理模型的构建;
基于已经构建完成的***故障处理模型,通过对模型的参数变化轨迹,初始参数设置,超参数设置以及利用凸优化方法调优的认知,进行***故障处理模型的优化处理。
5.根据权利要求1所述的一种基于多模态学习的电力***故障预警方法,其特征在于,基于电力***多模态的日志数据,构建基于有效距离的多模态特征选择模型,具体如下:
设电力***存在K个模态,电力***故障日志的特征训练样本Xk=[x1 k,x2 k,…xc k]B∈Rc ×d为第k个模态的训练样本数据;A=[a1,a2,…ai…ac]B∈Rc代表类别号;ai为第i个样本的类别标号;
设Lk∈Rd为第k个任务的线性函数的权重向量,且L=[l1,l1,…,lK]∈Rd×K为对应权重矩阵,且设置lj为L的行,为K个模态中第j个特征向量;
基于有效距离的多模态特征选择模型如下所示:
其中,||L||2,1为权重矩阵L的l2,1范数,进行lj的l2范数的和运算;α、β为正的常量。
7.根据权利要求6所述的一种基于多模态学习的电力***故障预警方法,其特征在于,所述***故障预测模型的构建还包括如下:
基于随机森林算法,将灰度关联算法进行集成,进行电力***日志的相似集预测;
基于计算的相似集进行故障预测,对随机森林算法的计算准确度进行增强;
垂直分割输入的数据,进行基于随机森林算法的任务训练的并行性,将输入地数据提高复用率,增大随机森林算法的执行速率。
8.一种基于多模态学习的电力***故障预警***,其特征在于,包括如下模块:
特征库构建模块,用于基于电力信息***的数据库、网络等异常的运行故障记录,进行数据库、网络等异常相关联的典型数据特征的分析,且针对性提出异常的高效特征表示方法,构建***日志故障特征库;
画像机制构建模块,用于采用深度神经网络结构,且基于电力信息***的网络数据标签,针对该***进行特征归类,构建基于分类算法的***健康画像;
故障处理构建模块,用于基于知识库与推理机的原理,进行知识库与推理机的高速和高精度决策,通过对电力信息***故障的关系分析,针对不同的故障类型提出处理策略,基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理;
故障预测构建模块,用于基于多模态多任务机器技术,进行训练任务的通用迁移,且采用多任务学习,针对***故障处理模型进行同一时间多类型故障训练,进行故障预测模型的泛化增强;基于随机森林预测模型,再结合深度特征学习技术提取的日志特征向量进行***故障预测模型的训练,进行电力信息***的预测故障实时告警。
9.根据权利要求8所述的一种基于多模态学习的电力***故障预警***,其特征在于,所述特征库构建模块还包括如下单元:
特征全集构建单元,用于计算电力***日志故障产生的所有有效特征,设置为n,基于n个特征构建特征全集,设为2n,即2n为所述电力***日志故障的特征全集;
特征子集筛选单元,用于基于电力***日志故障的特征全集,基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置;
函数评估单元,用于设置一评估函数,基于该评估函数进行存储放置的特征子集进行函数评估,且将函数评估的结果与结束准则进行对比;
若评估结果优于结束准则,结束当前操作,并记录当前评估结果对应的特征子集作为备选特征子集;
若评估结果差于结束准则,基于搜索策略重新筛选特征子集,并进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010030009.2A CN111259947A (zh) | 2020-01-13 | 2020-01-13 | 一种基于多模态学习的电力***故障预警方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010030009.2A CN111259947A (zh) | 2020-01-13 | 2020-01-13 | 一种基于多模态学习的电力***故障预警方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111259947A true CN111259947A (zh) | 2020-06-09 |
Family
ID=70953132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010030009.2A Pending CN111259947A (zh) | 2020-01-13 | 2020-01-13 | 一种基于多模态学习的电力***故障预警方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259947A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111879397A (zh) * | 2020-09-01 | 2020-11-03 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
CN111967623A (zh) * | 2020-08-12 | 2020-11-20 | 国网四川省电力公司信息通信公司 | 一种具备智能运维功能的通信运行管理*** |
CN112269821A (zh) * | 2020-10-30 | 2021-01-26 | 内蒙古电力(集团)有限责任公司乌海超高压供电局 | 一种基于大数据的电力设备状态分析方法 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息***健康度评估方法及其评估*** |
CN112383052A (zh) * | 2020-11-16 | 2021-02-19 | 国网电子商务有限公司 | 基于电力物联网的电网故障修复方法和装置 |
CN112488541A (zh) * | 2020-12-04 | 2021-03-12 | 深圳先进技术研究院 | 面向工地用电设备多模态故障预警方法及*** |
CN112565422A (zh) * | 2020-12-04 | 2021-03-26 | 杭州佳速度产业互联网有限公司 | 一种对电力物联网故障数据的识别方法、***和存储介质 |
CN112667464A (zh) * | 2020-12-22 | 2021-04-16 | 国网甘肃省电力公司 | 一种信息***状态智能化分析方法、***及设备 |
CN113159071A (zh) * | 2021-04-20 | 2021-07-23 | 复旦大学 | 一种跨模态图像-文本关联异常检测方法 |
CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测*** |
CN113283462A (zh) * | 2021-03-24 | 2021-08-20 | 国网四川省电力公司电力科学研究院 | 一种基于改进idnn模型的二次***故障定位方法 |
CN113887820A (zh) * | 2021-10-20 | 2022-01-04 | 国网浙江省电力有限公司 | 电力现货业务***故障预测的方法、装置、计算机设备和存储介质 |
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN117572159A (zh) * | 2024-01-17 | 2024-02-20 | 成都英华科技有限公司 | 基于大数据分析的电力故障检测方法及*** |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336791A (zh) * | 2013-06-06 | 2013-10-02 | 湖州师范学院 | 基于Hadoop的粗糙集快速属性约简方法 |
CN103336790A (zh) * | 2013-06-06 | 2013-10-02 | 湖州师范学院 | 基于Hadoop的邻域粗糙集快速属性约简方法 |
CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和*** |
CN105701596A (zh) * | 2015-12-24 | 2016-06-22 | 国家电网公司 | 一种基于大数据技术的配网抢修精益化方法以及管理*** |
CN106503439A (zh) * | 2016-10-21 | 2017-03-15 | 国网福建省电力有限公司 | 一种基于数据挖掘的采集故障预警***的方法 |
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN108875895A (zh) * | 2018-06-08 | 2018-11-23 | 荆楚理工学院 | 一种基于粗糙集和群智能的特征选择方法 |
CN108875795A (zh) * | 2018-05-28 | 2018-11-23 | 哈尔滨工程大学 | 一种基于Relief和互信息的特征选择算法 |
CN109147279A (zh) * | 2018-10-19 | 2019-01-04 | 燕山大学 | 一种基于车联网的驾驶员疲劳驾驶监测预警方法及*** |
CN109344972A (zh) * | 2018-10-12 | 2019-02-15 | 南京邮电大学 | 一种基于特征可信度的高效特征选择方法 |
CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及*** |
CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息***故障定位***及方法 |
CN109754110A (zh) * | 2017-11-03 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 一种牵引变流器故障的预警方法及*** |
CN110110905A (zh) * | 2019-04-17 | 2019-08-09 | 华电国际电力股份有限公司十里泉发电厂 | 一种基于cnn的电力设备故障判断预警方法,终端及可读存储介质 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨***故障预测方法 |
CN110457193A (zh) * | 2019-07-30 | 2019-11-15 | 深圳供电局有限公司 | 基于电力信息***运维数据的健康画像展示方法及其*** |
CN110659173A (zh) * | 2018-06-28 | 2020-01-07 | 中兴通讯股份有限公司 | 一种运维***及方法 |
-
2020
- 2020-01-13 CN CN202010030009.2A patent/CN111259947A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336791A (zh) * | 2013-06-06 | 2013-10-02 | 湖州师范学院 | 基于Hadoop的粗糙集快速属性约简方法 |
CN103336790A (zh) * | 2013-06-06 | 2013-10-02 | 湖州师范学院 | 基于Hadoop的邻域粗糙集快速属性约简方法 |
CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和*** |
CN105701596A (zh) * | 2015-12-24 | 2016-06-22 | 国家电网公司 | 一种基于大数据技术的配网抢修精益化方法以及管理*** |
CN106503439A (zh) * | 2016-10-21 | 2017-03-15 | 国网福建省电力有限公司 | 一种基于数据挖掘的采集故障预警***的方法 |
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN109754110A (zh) * | 2017-11-03 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 一种牵引变流器故障的预警方法及*** |
CN108875795A (zh) * | 2018-05-28 | 2018-11-23 | 哈尔滨工程大学 | 一种基于Relief和互信息的特征选择算法 |
CN108875895A (zh) * | 2018-06-08 | 2018-11-23 | 荆楚理工学院 | 一种基于粗糙集和群智能的特征选择方法 |
CN110659173A (zh) * | 2018-06-28 | 2020-01-07 | 中兴通讯股份有限公司 | 一种运维***及方法 |
CN109344972A (zh) * | 2018-10-12 | 2019-02-15 | 南京邮电大学 | 一种基于特征可信度的高效特征选择方法 |
CN109147279A (zh) * | 2018-10-19 | 2019-01-04 | 燕山大学 | 一种基于车联网的驾驶员疲劳驾驶监测预警方法及*** |
CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及*** |
CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息***故障定位***及方法 |
CN110110905A (zh) * | 2019-04-17 | 2019-08-09 | 华电国际电力股份有限公司十里泉发电厂 | 一种基于cnn的电力设备故障判断预警方法,终端及可读存储介质 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨***故障预测方法 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN110457193A (zh) * | 2019-07-30 | 2019-11-15 | 深圳供电局有限公司 | 基于电力信息***运维数据的健康画像展示方法及其*** |
Non-Patent Citations (1)
Title |
---|
叶婷婷等: "基于有效距离的多模态特征选择", vol. 29, no. 7, pages 658 - 664 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967623A (zh) * | 2020-08-12 | 2020-11-20 | 国网四川省电力公司信息通信公司 | 一种具备智能运维功能的通信运行管理*** |
CN111879397A (zh) * | 2020-09-01 | 2020-11-03 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
CN112269821A (zh) * | 2020-10-30 | 2021-01-26 | 内蒙古电力(集团)有限责任公司乌海超高压供电局 | 一种基于大数据的电力设备状态分析方法 |
CN112383052A (zh) * | 2020-11-16 | 2021-02-19 | 国网电子商务有限公司 | 基于电力物联网的电网故障修复方法和装置 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息***健康度评估方法及其评估*** |
CN112565422B (zh) * | 2020-12-04 | 2022-07-22 | 杭州佳速度产业互联网有限公司 | 一种对电力物联网故障数据的识别方法、***和存储介质 |
CN112565422A (zh) * | 2020-12-04 | 2021-03-26 | 杭州佳速度产业互联网有限公司 | 一种对电力物联网故障数据的识别方法、***和存储介质 |
CN112488541A (zh) * | 2020-12-04 | 2021-03-12 | 深圳先进技术研究院 | 面向工地用电设备多模态故障预警方法及*** |
CN112667464A (zh) * | 2020-12-22 | 2021-04-16 | 国网甘肃省电力公司 | 一种信息***状态智能化分析方法、***及设备 |
CN113283462A (zh) * | 2021-03-24 | 2021-08-20 | 国网四川省电力公司电力科学研究院 | 一种基于改进idnn模型的二次***故障定位方法 |
CN113283462B (zh) * | 2021-03-24 | 2022-09-20 | 国网四川省电力公司电力科学研究院 | 一种基于改进idnn模型的二次***故障定位方法 |
CN113159071A (zh) * | 2021-04-20 | 2021-07-23 | 复旦大学 | 一种跨模态图像-文本关联异常检测方法 |
CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测*** |
CN113887820A (zh) * | 2021-10-20 | 2022-01-04 | 国网浙江省电力有限公司 | 电力现货业务***故障预测的方法、装置、计算机设备和存储介质 |
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN116704266B (zh) * | 2023-07-28 | 2023-10-31 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN117572159A (zh) * | 2024-01-17 | 2024-02-20 | 成都英华科技有限公司 | 基于大数据分析的电力故障检测方法及*** |
CN117572159B (zh) * | 2024-01-17 | 2024-03-26 | 成都英华科技有限公司 | 基于大数据分析的电力故障检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259947A (zh) | 一种基于多模态学习的电力***故障预警方法和*** | |
CN111027615B (zh) | 基于机器学习的中间件故障预警方法和*** | |
US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
CN111199361A (zh) | 基于模糊推理理论的电力信息***健康评估方法及*** | |
CN112256761A (zh) | 一种基于电梯全生命周期的大数据挖掘和故障预测方法 | |
CN112257937B (zh) | 一种基于大数据技术的配电网故障预测***及方法 | |
CN112884452A (zh) | 一种智能运维多源数据采集可视化分析*** | |
CN111666978A (zh) | 一种it***运维大数据的智能故障预警*** | |
WO2024027487A1 (zh) | 基于智能运维场景的健康度评价方法及装置 | |
CN117785858A (zh) | 一种基于大数据的信息数据管理方法及*** | |
CN116069674B (zh) | 一种用于等级测评的安全评估方法及*** | |
CN115186935B (zh) | 一种机电设备非线性故障预测方法及*** | |
CN115034128A (zh) | 一种智慧风电场智慧风电场风电机组评价方法 | |
CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
CN111221704B (zh) | 一种确定办公管理应用***运行状态的方法及*** | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Duan et al. | Data mining technology for structural health monitoring | |
CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升*** | |
CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 | |
CN118195589A (zh) | 基于大数据和人工智能的设备维护方法 | |
CN114022108A (zh) | 基于数据驱动的设备管理策略自动生成方法和*** | |
CN117931340A (zh) | 一种多维度能源数据的分析展示方法及终端 | |
CN116681400A (zh) | 一种基于大数据的智能管理*** | |
CN117520407A (zh) | 极端天气条件下输电线路故障诱因挖掘方法和装置 | |
CN118228143A (zh) | 一种基于深度迁移学习的轴承新增故障诊断方法 |
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 |