CN111666984B - 一种基于迁移学习的过电压智能识别方法 - Google Patents
一种基于迁移学习的过电压智能识别方法 Download PDFInfo
- Publication number
- CN111666984B CN111666984B CN202010429675.3A CN202010429675A CN111666984B CN 111666984 B CN111666984 B CN 111666984B CN 202010429675 A CN202010429675 A CN 202010429675A CN 111666984 B CN111666984 B CN 111666984B
- Authority
- CN
- China
- Prior art keywords
- overvoltage
- layer
- convolution
- extraction
- network
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Analysis (AREA)
Abstract
本发明提供一种基于迁移学习的过电压智能识别方法,包括下列步骤:S1、采集过电压波形数据,形成过电压波形图数据库;S2、构建过电压特征提取基础模型,基于ImageNet训练数据库,实现所述过电压特征提取基础模型的学习训练;S3、保存训练好的所述过电压特征提取基础模型中的配制参数,在所述过电压特征提取基础模型的基础上建立过电压迁移学习模型;S4、基于所述过电压波形图数据库,实现所述过电压迁移学习模型的学习训练;S5、通过训练后的过电压迁移学习模型实现过电压波形图的分类识别。
Description
技术领域
本发明涉及电网过电压智能识别技术领域,尤其涉及一种基于迁移学习的过电压智能识别方法。
背景技术
传统的过电压分类模型往往是基于仿真数据库建立,对各类仿真波形的特征提取与分类识别效果上佳,而对采集于变电站中的实测过电压数据(非标准且受到各种干扰影响)的关键特征提取能力与分类准确率则会大幅降低,然而利用实测过电压数据训练具有相对较高适应能力的过电压特征提取与分类模型却存在以下两大难题:1、由于过电压数据量不足,导致模型结构简单,所提取的特征肤浅片面,容易以偏概全,模型应用价值降低;2、如果强制复杂化模型结构以提取深度特征,由于现阶段采集获得的过电压数据库数据不足,难以满足网络参数训练要求,产生过拟合,模型训练失去意义。
发明内容
本发明的目的在于提供一种基于迁移学习的过电压智能识别方法,能够满足变电站实测过电压的时域波形识别要求,以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的:一种基于迁移学习的过电压智能识别方法,包括下列步骤:
S1、采集过电压波形数据,形成过电压波形图数据库;
S2、构建过电压特征提取基础模型,基于ImageNet训练数据库,实现所述过电压特征提取基础模型的学习训练;
S3、保存训练好的所述过电压特征提取基础模型中的配制参数,在所述过电压特征提取基础模型的基础上建立过电压迁移学习模型;
S4、基于所述过电压波形图数据库,实现所述过电压迁移学习模型的学习训练;
S5、通过训练后的过电压迁移学习模型实现过电压波形图的分类识别。
优选的,所述过电压特征提取基础模型包括卷积特征提取网络、逻辑修正网络、分类识别网络。
优选的,所述卷积特征提取网络包括全卷积层、深度卷积提取层、逐点卷积提取层,所述全卷积层的输出接入所述深度卷积提取层的输入,所述深度卷积提取层的输出接入所述逐点卷积提取层的输入,且所述深度卷积提取层、逐点卷积提取层之间交错搭建;
所述全卷积层用于实现图像特征信息的完全扫描;
所述深度卷积提取层用于图像特征信息的滤波;
所述逐点卷积提取层用于实现图像特征信息的组合。
优选的,所述逻辑修正网络包括平均池化层以及卷积修正层,所述逐点卷积提取层的输出接入所述平均池化层的输入,所述平均池化层的输出接入所述卷积修正层的输入,所述平均池化层以及卷积修正层用于实现图像特征信息的降维。
优选的,所述分类识别网络包括第一softmax分类器,所述卷积修正层的输出接入所述第一softmax分类器的输入,所述第一softmax分类器用于实现所述ImageNet训练数据库的分类识别。
优选的,建立过电压迁移学习模型的过程包括:
保留所述卷积特征提取网络、所述逻辑修正网络,将所述分类识别网络修改为带有全连接层以及第二softmax分类器的浅层神经网络,所述逻辑修正网络的输出接入所述全连接层的输入,所述全连接层的输出接入所述第二softmax分类器的输入,所述第二softmax分类器用于实现所述过电压波形图数据库的分类识别。
优选的,所述过电压迁移学习模型的学习训练过程包括:
将所述过电压波形图数据库依次输入所述卷积特征提取网络、所述逻辑修正网络后获得过电压特征集;
将所述过电压特征集输入全连接层以及第二softmax分类器进行学习训练,获得过电压波形分类识别结果。
与现有技术相比,本发明达到的有益效果如下:
本发明提供的一种基于迁移学习的过电压智能识别方法,引入迁移学习的思想,利用大型数据库ImageNet训练过电压特征提取基础模型,然后导入过电压数据库完成基础模型微调,实现过电压特征提取迁移学习模型构建,其对过电压波形具有较好的识别效果。
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优选实施例,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为本发明提供的一种基于迁移学习的过电压智能识别方法的流程图;
图2为本发明提供的过电压特征提取基础模型示意图;
图3为本发明提供的过电压迁移学习模型示意图。
图中,1卷积特征提取网络,2逻辑修正网络,3分类识别网络,4浅层神经网络。
具体实施方式
为了更好理解本发明技术内容,下面提供具体实施例,并结合附图对本发明做进一步的说明。
参见图1至图3,一种基于迁移学习的过电压智能识别方法,包括下列步骤:
S1、在变电站设置过电压在线监测装置,采集过电压波形数据,形成过电压波形图数据库;
S2、构建过电压特征提取基础模型,基于ImageNet训练数据库,实现所述过电压特征提取基础模型的学习训练;
所述过电压特征提取基础模型包括卷积特征提取网络1、逻辑修正网络2、分类识别网络3;
其中卷积特征提取网络1一共有27层,包括全卷积层、深度卷积提取层、逐点卷积提取层,全卷积层为第一层,所述全卷积层用于实现图像特征信息的完全扫描,而不会发生信息遗漏,所述全卷积层的输出接入所述深度卷积提取层的输入,所述深度卷积提取层的输出接入所述逐点卷积提取层的输入,所述深度卷积提取层、逐点卷积提取层共有13组,并且深度卷积提取层、逐点卷积提取层之间交错搭建,其深度卷积提取层、逐点卷积提取层二者的结构具体如表1:
表1
所述深度卷积提取层用于图像特征信息的滤波,从而实现对每个输入通道执行单通道特征提取,逐点卷积提取层创建深度卷积提取层的线性叠加,通过上述过程能极大减少计算量和模型大小,便于增加模型层数,放大网络计算能力与特征提取能力,提高模型特征挖掘能力与效率。
具体的,所述逻辑修正网络2包括平均池化层以及卷积修正层,所述逐点卷积提取层的输出接入所述平均池化层的输入,所述平均池化层的输出接入所述卷积修正层的输入,所述平均池化层以及卷积修正层用于实现图像特征信息的降维,其所述平均池化层具体参数如表2:
表2
层 | 28th | 输入尺寸 | 1×4×4×256 |
类型 | 平均池化 | 核函数尺寸 | [1,4,4,1] |
步长 | [1,2,2,1] | 输出尺寸 | 1×1×1×256 |
具体的,所述分类识别网络3包括第一softmax分类器,所述卷积修正层的输出接入所述第一softmax分类器的输入,第一softmax分类器的分类结果由下式进行计算:
其中θj是分类器中的参数,y是对应于输入向量x的输出类。输入x被分配给具有最高概率t的类y。m为所采用的ImageNet训练数据库数据的总类别。
并且第一softmax分类器中内置有以下损失函数:
本实施例中采用ImageNet训练数据库对过电压特征提取基础模型进行学习训练,ImageNet训练数据库中包含训练集1281167个图片数据,测试集50000个图片,共1001个分类,根据所采用的训练数据集,不断修正过电压特征提取基础模型结构参数,结合批量随机梯度下降梯度下降算法,迭代计算梯度并更新θ值,最小化J(θ),实现模型内部卷积特征提取网络1,逻辑修正网络2,以及分类识别网络3参数最优配置,完成过电压特征提取基础模型训练
S3、保存训练好的所述过电压特征提取基础模型中的配制参数,在所述过电压特征提取基础模型的基础上建立过电压迁移学习模型,而建立过电压迁移学习模型的过程包括:
保留所述卷积特征提取网络1、所述逻辑修正网络2,使得所述过电压迁移学习模型中的所述卷积特征提取网络1的参数与所述过电压特征提取基础模型的所述卷积特征提取网络1一致;
所述过电压迁移学习模型中的所述逻辑修正网络2的参数与所述过电压特征提取基础模型的所述逻辑修正网络2一致,然后舍弃原分类识别网络3,并将所述分类识别网络3修改为带有全连接层以及第二softmax分类器的浅层神经网络4,所述逻辑修正网络2的输出接入所述全连接层的接入,所述全连接层的输出接入所述第二softmax分类器的输入。
其中全连接层的输出表征为:
y=W*x+b
其中w表示权重参数矩阵,b是全连接层中的偏差项。
第二softmax分类器的分类结果由下式进行计算:
其中θj是分类器中的参数,y是对应于输入向量x的输出类。输入x被分配给具有最高概率t的类y。m为实测过电压训练数据库数据的总类别
并且第二softmax分类器中内置有以下损失函数:
S4、以所述过电压波形图数据库作为输入数据,将过电压波形图数据库传入固化的卷积特征提取网络1与逻辑修正网络2,不断实现特征提取,获得过电压特征集,利用实测过电压训练数据集不断训练并调整更新浅层神经网络4内部结构参数,迭代计算梯度并更新值θ,最小化J(θ),实现该浅层神经网络4参数最优配置,该过程不涉及固化的卷积特征提取网络1与逻辑修正网络2,以此完成过电压迁移学习模型训练。
S5、通过训练后的过电压迁移学习模型实现过电压波形图的分类识别。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (2)
1.一种基于迁移学习的过电压智能识别方法,其特征在于,包括下列步骤:
S1、采集过电压波形数据,形成过电压波形图数据库;
S2、构建过电压特征提取基础模型,基于ImageNet训练数据库,实现所述过电压特征提取基础模型的学习训练;
S3、保存训练好的所述过电压特征提取基础模型中的配制参数,在所述过电压特征提取基础模型的基础上建立过电压迁移学习模型;
S4、基于所述过电压波形图数据库,实现所述过电压迁移学习模型的学习训练;
S5、通过训练后的过电压迁移学习模型实现过电压波形图的分类识别;
所述过电压特征提取基础模型包括卷积特征提取网络、逻辑修正网络、分类识别网络;
所述卷积特征提取网络包括全卷积层、深度卷积提取层、逐点卷积提取层,所述全卷积层的输出接入所述深度卷积提取层的输入,所述深度卷积提取层的输出接入所述逐点卷积提取层的输入,且所述深度卷积提取层、逐点卷积提取层之间交错搭建;
所述全卷积层用于实现图像特征信息的完全扫描;
所述深度卷积提取层用于图像特征信息的滤波;
所述逐点卷积提取层用于实现图像特征信息的组合;
所述逻辑修正网络包括平均池化层以及卷积修正层,所述逐点卷积提取层的输出接入所述平均池化层的输入,所述平均池化层的输出接入所述卷积修正层的输入,所述平均池化层以及卷积修正层用于实现图像特征信息的降维;
所述分类识别网络包括第一softmax分类器,所述卷积修正层的输出接入所述第一softmax分类器的输入,所述第一softmax分类器用于实现所述ImageNet训练数据库的分类识别;
建立过电压迁移学习模型的过程包括:
保留所述卷积特征提取网络、所述逻辑修正网络,将所述分类识别网络修改为带有全连接层以及第二softmax分类器的浅层神经网络,所述逻辑修正网络的输出接入所述全连接层的输入,所述全连接层的输出接入所述第二softmax分类器的输入,所述第二softmax分类器用于实现所述过电压波形图数据库的分类识别。
2.根据权利要求1所述的一种基于迁移学习的过电压智能识别方法,其特征在于,所述过电压迁移学习模型的学习训练过程包括:
将所述过电压波形图数据库依次输入所述卷积特征提取网络、所述逻辑修正网络后获得过电压特征集;
将所述过电压特征集输入全连接层以及第二softmax分类器进行学习训练,获得过电压波形分类识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010429675.3A CN111666984B (zh) | 2020-05-20 | 2020-05-20 | 一种基于迁移学习的过电压智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010429675.3A CN111666984B (zh) | 2020-05-20 | 2020-05-20 | 一种基于迁移学习的过电压智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666984A CN111666984A (zh) | 2020-09-15 |
CN111666984B true CN111666984B (zh) | 2023-08-25 |
Family
ID=72384130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010429675.3A Active CN111666984B (zh) | 2020-05-20 | 2020-05-20 | 一种基于迁移学习的过电压智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666984B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406496B (zh) * | 2021-05-26 | 2023-02-28 | 广州市香港科大***研究院 | 基于模型迁移的电池容量预测方法、***、装置及介质 |
CN114305446A (zh) * | 2021-12-25 | 2022-04-12 | 肇庆星网医疗科技有限公司 | 一种基于人工智能的心房颤动检测方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359693A (zh) * | 2018-10-24 | 2019-02-19 | 国网上海市电力公司 | 一种电能质量扰动分类方法 |
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
CN109597396A (zh) * | 2018-11-26 | 2019-04-09 | 国网湖北省电力有限公司电力科学研究院 | 一种基于大数据流及迁移学习的配变故障在线诊断方法 |
CN110147777A (zh) * | 2019-05-24 | 2019-08-20 | 合肥工业大学 | 一种基于深度迁移学习的绝缘子类别检测方法 |
CN110263863A (zh) * | 2019-06-24 | 2019-09-20 | 南京农业大学 | 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法 |
CN110399796A (zh) * | 2019-09-02 | 2019-11-01 | 国网上海市电力公司 | 一种基于改进深度学习算法的电能质量扰动识别方法 |
CN110705456A (zh) * | 2019-09-29 | 2020-01-17 | 华南理工大学 | 一种基于迁移学习的微型电机异常检测方法 |
WO2020077693A1 (zh) * | 2018-10-17 | 2020-04-23 | 深圳市微埃智能科技有限公司 | 基于迁移学习的焊接工艺参数推荐方法、装置及机器人 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
-
2020
- 2020-05-20 CN CN202010429675.3A patent/CN111666984B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020077693A1 (zh) * | 2018-10-17 | 2020-04-23 | 深圳市微埃智能科技有限公司 | 基于迁移学习的焊接工艺参数推荐方法、装置及机器人 |
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
CN109359693A (zh) * | 2018-10-24 | 2019-02-19 | 国网上海市电力公司 | 一种电能质量扰动分类方法 |
CN109597396A (zh) * | 2018-11-26 | 2019-04-09 | 国网湖北省电力有限公司电力科学研究院 | 一种基于大数据流及迁移学习的配变故障在线诊断方法 |
CN110147777A (zh) * | 2019-05-24 | 2019-08-20 | 合肥工业大学 | 一种基于深度迁移学习的绝缘子类别检测方法 |
CN110263863A (zh) * | 2019-06-24 | 2019-09-20 | 南京农业大学 | 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法 |
CN110399796A (zh) * | 2019-09-02 | 2019-11-01 | 国网上海市电力公司 | 一种基于改进深度学习算法的电能质量扰动识别方法 |
CN110705456A (zh) * | 2019-09-29 | 2020-01-17 | 华南理工大学 | 一种基于迁移学习的微型电机异常检测方法 |
Non-Patent Citations (1)
Title |
---|
集成迁移学习的轴件表面缺陷实时检测;冯毅雄等;《计算机集成制造***》;20191215(第12期);第223-232页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111666984A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106910185B (zh) | 一种基于cnn深度学习的dbcc分类模型构建方法 | |
CN105760821B (zh) | 基于核空间的分类聚集稀疏表示的人脸识别方法 | |
CN111723738B (zh) | 一种基于迁移学习的煤岩壳质组显微图像分类方法及*** | |
CN110399821B (zh) | 基于人脸表情识别的顾客满意度获取方法 | |
CN102855491B (zh) | 一种基于网络中心性的脑功能磁共振图像分类方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN111666984B (zh) | 一种基于迁移学习的过电压智能识别方法 | |
CN107610087A (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN104598885B (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN107480649A (zh) | 一种基于全卷积神经网络的指纹汗孔提取方法 | |
CN107633511A (zh) | 一种基于自编码神经网络的风机视觉检测*** | |
CN105844221A (zh) | 一种基于Vadaboost筛选特征块的人脸表情识别方法 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN106897669A (zh) | 一种基于一致迭代多视角迁移学习的行人再辨识方法 | |
CN107203752A (zh) | 一种联合深度学习和特征二范数约束的人脸识别方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN111709397A (zh) | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 | |
CN107392251A (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
CN111415099A (zh) | 一种基于多分类BP-Adaboost的贫困生认定方法 | |
Yue et al. | Face recognition based on histogram equalization and convolution neural network | |
CN110516526A (zh) | 一种基于特征原型度量学习的小样本目标识别方法 | |
CN115564194A (zh) | 智能电网的计量异常诊断信息生成模型构建方法及*** | |
CN107862384A (zh) | 一种配电网负荷分类模型的建立方法 | |
CN106709480A (zh) | 基于加权强度pcnn模型的分块人脸识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |