CN112381248A - 一种基于深度特征聚类和lstm的配电网故障诊断方法 - Google Patents

一种基于深度特征聚类和lstm的配电网故障诊断方法 Download PDF

Info

Publication number
CN112381248A
CN112381248A CN202011360956.4A CN202011360956A CN112381248A CN 112381248 A CN112381248 A CN 112381248A CN 202011360956 A CN202011360956 A CN 202011360956A CN 112381248 A CN112381248 A CN 112381248A
Authority
CN
China
Prior art keywords
sample
samples
clustering
fault
lstm
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
CN202011360956.4A
Other languages
English (en)
Inventor
黄达文
游林辉
胡峰
孙仝
陈政
张谨立
宋海龙
***
梁铭聪
黄志就
何彧
陈景尚
谭子毅
冯志华
鄢峻雯
李志鹏
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.)
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhaoqing Power Supply Bureau of Guangdong Power Grid 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 Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202011360956.4A priority Critical patent/CN112381248A/zh
Publication of CN112381248A publication Critical patent/CN112381248A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及智能电网技术领域，更具体地，涉及一种基于深度特征聚类和LSTM的配电网故障诊断方法。包括利用卷积神经网络搭建起的特征提取器提取时序数据的高层特征，并对所有数据提取的特征进行半监督聚类，可以为无标签样本获得对应的标签。从中可以确定无标签样本所属的故障类别并加以利用。将不同类型故障的样本使用过采样算法后，使用循环神经网络搭建的分类器进行分类识别，进而实现故障诊断。本发明通过卷积网络搭建的特征提取器和半监督聚类使得无标签数据能够得到利用，与循环神经网络的结合成功利用了样本中多种监测量的时序信号，避免原始数据中包含的时序信息的丢失，有效提升了故障诊断的准确率。

Description

一种基于深度特征聚类和LSTM的配电网故障诊断方法
技术领域
本发明涉及智能电网技术领域，更具体地，涉及一种基于深度特征聚类和LSTM的配电网故障诊断方法。
背景技术
随着科学技术的发展，人工神经网络技术在包括电力行业在内的诸多领域里被广泛应用。基于人工神经网络技术并充分利用配电网实时累积的丰富故障数据，实现对各类故障的辨识与诊断，能够为工作人员处理故障提供更加具体、详实的信息，从而提高故障巡线、定位、排除的效率，对提高用户用电的可靠性意义重大。
然而在以人工神经网络技术实现配电网的过程中，却存在以下问题和难点：
(1)标签故障数据样本少、无标签数据未被充分利用。配电网终端采集监测覆盖不足致使配电网存在大量的感知空白，所获取的故障信息不完备，且电网故障数据涉及到数据安全问题，获得大量的故障数据存在困难。此外，目前相关研究均从故障过程的波形特征出发，如中国专利CN110045227A，公开日为2019.07.23，公开了一种基于随机矩阵与深度学习的配电网故障诊断方法，通过故障诊断模型能够从配电网实时数据中得到有效的故障诊断信息，但是，手工提取特征对故障进行分类，但特征提取难度大、耗时长且繁琐，导致标签故障数据样本少，对各故障类型辨识缺乏典型数据，无标签数据也未得到有效利用。
(2)故障数据样本不平衡。电网中不同类型的故障发生的频率并不一致。某些故障如短路故障在遭遇极端天气等情况下较容易发生，而某些故障则很难出现。造成了数据的不平衡，难以进行充分训练。
(3)时序数据未被有效利用。电网故障特征往往与时序信息紧密相关，但传统神经网络将序列数据的时间相关性割裂开来，丢失了很多重要的信息，难以做到时间相关的分类和预测。
发明内容
本发明为克服上述现有技术中的至少一个缺陷，提供一种基于深度特征聚类和LSTM的配电网故障诊断方法，有效提升了故障诊断的准确率。
为解决上述技术问题，本发明采用的技术方案是：一种基于深度特征聚类和LSTM的配电网故障诊断方法，包括以下步骤：
S1.获取配电网各类故障下典型数据集组成故障样本数据集，并将故障样本数据集按照有无事先经过标注处理分为有标签样本集和无标签样本集；
S2.利用卷积神经网络搭建特征提取器，将有标签样本按照物理量形成的不同集合分别训练卷积网络，得到不同物理量的特征提取器；
S3.无标签样本和有标签样本均将监控时序数据输入特征提取器中，并将每个提取器获得的深度特征合并成为一个完整的特征；
S4.从有标签数据中提取的特征内选择半监督聚类所需要的中心样本即聚类中心，与无标签样本提取的特征进行半监督聚类，为无标签样本打上对应的故障类别标签；
S5.将故障样本数据集中所有的样本进行过采样处理，然后将过采样处理后的数据使用LSTM循环神经网络搭建的分类器进行分类识别，实现故障诊断。
进一步的，所述的特征提取器包括两个一维卷积层、两个一维池化层、一个扁平层、三个Dropout层和三个全连接层。
进一步的，所述的特征提取器采用的一维卷积式为：
Figure BDA0002803962790000021
式中，f为得到的特征序列，s为原始信号，N为原始信号的长度，k为一维卷积核。
进一步的，所述的步骤S4中，半监督聚类采用改进的半监督K均值算法，改进的半监督K均值算法为一种轮盘算法从标签数据集中获得数据作为无标签数据的聚类中心。
进一步的，聚类中心的选取步骤包括：
S411.首先随机在有标签样本集SL中的某一种故障中，随机选取该故障类别中的一个样本深度特征作为初始类中心；
S412.再计算下一个故障类别中的样本深度特征与当前已有类中心的最短距离ρ(y)，然后计算每个样本特征被选取作为下一个聚类中心的概率
Figure BDA0002803962790000031
最后，生成一个属于[0,1]之间的随机数，根据随机数落在的概率区间在当前故障类别中选择一个样本作为新的类中心；
S413.重复步骤S412直到获得全部K个类中心。
进一步的，聚类过程包括以下步骤：
S421.计算其余样本与各个中心的距离，找到距离最短的样本特征，将其分配到距离中心最近的类中；
S422.计算每个类中所有样本特征的均值，作为每个类的新的中心；
S423.再次计算所有样本与新的K个中心的距离，根据对象与类中心距离的大小关系，重新划分所有样本特征到与其类中心距离最小的类中；
S424.重复步骤S422和S423，直至所有类中心不变为止。
进一步的，中心距离的计算采用基于相关系数的距离模式ρp：
Figure BDA0002803962790000032
其中，X＝[x1,x2,...,xn]，Y＝[y1,y2,...,yn]为两个不同样本，
Figure BDA0002803962790000033
为样本按照变量相加得到的平均值。
进一步的，过采样具体包括以下步骤：
S51.确定少数量样本集中的样本xi作为初始样本并计算其k个近邻样本，k为样本的近邻数；
S52.从xi的k个近邻样本中取出第j个近邻样本xi (j)；
S53.生成[0,1]之间的随机数γ，通过下式计算样本的属性值：
Figure BDA0002803962790000034
其中，xSMOTE，n是过采样得到的新样本，xi,n表示初始样本xi的第n个属性值，
Figure BDA0002803962790000035
表示第j个近邻样本的第n个属性值，n∈1，2，···N，j∈1，2，···N。
进一步的，所述的步骤S5中，经过LSTM循环神经网络分类性能采用准确率γ来评价，当所选取的有标签样本集最后训练出的准确率低于设定值，则扩大标签样本集的样本数量；γ为准确率为，表示对每一个随机样本，所预测结果与其实际类型相同的可能概率，即正确分类的样本数量除以所有的样本数量，计算公式为：
Figure BDA0002803962790000041
式中，Npos为正类样本被准确分类的数量；Nneg为负类样本被准确分类的数量。
进一步的，所述的LSTM循环神经网络包括遗忘门、输入门、记忆门和输出门。
与现有技术相比，有益效果是：
(1)本发明通过卷积网络搭建的特征提取器和半监督聚类使得无标签数据能够得到利用。
(2)本发明结合过采样技术减轻了数据不平衡对模型带来的负面影响，提高了故障诊断的准确率。
(3)本发明与循环神经网络的结合成功利用了样本中多种监测量的时序信号，避免原始数据中包含的时序信息的丢失。
附图说明
图1为本发明的方法流程图。
图2为本发明采用的特征提取器结构示意图。
图3为本发明采用LSTM网络时序图。
图4为本发明采用LSTM网络的细胞结构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
如图1所示，一种基于深度特征聚类和LSTM的配电网故障诊断方法，包括以下步骤：
S1.获取配电网各类故障下典型数据集组成故障样本数据集，并将故障样本数据集按照有无事先经过标注处理分为有标签样本集和无标签样本集；
S2.利用卷积神经网络搭建特征提取器，将有标签样本按照物理量形成的不同集合分别训练卷积网络，得到不同物理量的特征提取器；
S3.无标签样本和有标签样本均将监控时序数据输入特征提取器中，并将每个提取器获得的深度特征合并成为一个完整的特征；
S4.从有标签数据中提取的特征内选择半监督聚类所需要的中心样本即聚类中心，与无标签样本提取的特征进行半监督聚类，为无标签样本打上对应的故障类别标签；
S5.将故障样本数据集中所有的样本进行过采样处理，然后将过采样处理后的数据使用LSTM循环神经网络搭建的分类器进行分类识别，实现故障诊断。
如图2所示，所述的特征提取器包括两个一维卷积层、两个一维池化层、一个扁平层、三个Dropout层和三个全连接层。
进一步的，所述的特征提取器采用的一维卷积式为：
Figure BDA0002803962790000051
式中，f为得到的特征序列，s为原始信号，N为原始信号的长度，k为一维卷积核。
具体，所述的步骤S4中，半监督聚类采用改进的半监督K均值算法，改进的半监督K均值算法为一种轮盘算法从标签数据集中获得数据作为无标签数据的聚类中心。
K均值算法是一种高效、快速的动态聚类算法，它通过迭代计算的方式来寻找使得总体误差平方和最小的聚类划分方案可以通过下式计算总体误差平方：
Figure BDA0002803962790000052
Ce度量了所有聚类中心与其类中样本的误差平方。其中，i∈1，2，…，K；K为故障类别的总数；y代表属于类Гi的样本；
Figure BDA0002803962790000053
代表同一个类中所有样本的均值；Ni代表类Гi中含有样本的个数。
半监督聚类能够同时利用有标签和无标签的样本，通过选取有标签样本作为类中心实现半监督聚类。为了防止选取类中心的距离过于接近导致聚类结果收到影响，所述的改进的半监督K均值算法为一种轮盘算法从标签数据集中获得数据作为无标签数据的聚类中心；
聚类中心的选取步骤包括：
S411.首先随机在有标签样本集SL中的某一种故障中，随机选取该故障类别中的一个样本深度特征作为初始类中心；
S412.再计算下一个故障类别中的样本深度特征与当前已有类中心的最短距离ρ(y)，然后计算每个样本特征被选取作为下一个聚类中心的概率
Figure BDA0002803962790000061
最后，生成一个属于[0,1]之间的随机数，根据随机数落在的概率区间在当前故障类别中选择一个样本作为新的类中心；
S413.重复步骤S412直到获得全部K个类中心。
可以看出，与已知中心距离越远的样本成为类中心的概率越大，这样可以避免由于类中心距离过近导致的聚类错误。获得全部类中心后计算全部样本与所有类中心之间的距离，并根据距离划分。
聚类过程包括以下步骤：
S421.计算其余样本与各个中心的距离，找到距离最短的样本特征，将其分配到距离中心最近的类中；
S422.计算每个类中所有样本特征的均值，作为每个类的新的中心；
S423.再次计算所有样本与新的K个中心的距离，根据对象与类中心距离的大小关系，重新划分所有样本特征到与其类中心距离最小的类中；
S424.重复步骤S422和S423，直至所有类中心不变为止。
其中，中心距离的计算采用基于相关系数的距离模式ρp：
Figure BDA0002803962790000062
其中，X＝[x1,x2,...,xn]，Y＝[y1,y2,...,yn]为两个不同样本，
Figure BDA0002803962790000063
为样本按照变量相加得到的平均值。
具体的，过采样具体包括以下步骤：
S51.确定少数量样本集中的样本xi作为初始样本并计算其k个近邻样本，k为样本的近邻数；
S52.从xi的k个近邻样本中取出第j个近邻样本xi (j)；
S53.生成[0,1]之间的随机数γ，通过下式计算样本的属性值：
Figure BDA0002803962790000071
其中，xSMOTE，n是过采样得到的新样本，xi,n表示初始样本xi的第n个属性值，
Figure BDA0002803962790000072
表示第j个近邻样本的第n个属性值，n∈1，2，···N，j∈1，2，···N。
如图3和4所示，对输入的时间序列x，设当前时刻的输入为xt，上一时刻的输入为xt-1，以此类推，前n时刻的输入为xt-n，上一时刻门控单元的状态为Ct-1，则对当前输入的响应输出为ht，此时刻的门控单元状态为Ct。LTSM门控单元含有遗忘门、输入门和输出门，具体计算分别如下：
ft＝σ(Wf×[ht-1,xt]+bf)
it＝σ(Wf×[ht-1,xt]+bi)
Figure BDA0002803962790000073
ot＝σ(Wo×[ht-1,xt]+bo)
式中：ft、it和ot分别为遗忘门、输入门、输出门的状态结果；
Figure BDA0002803962790000074
为变量；Wf、Wi、Wc、Wo为对应的连接权重；bf、bi、bc、bo为对应偏置项；σ为激活函数；[ht-1,xt]表示将2个向量合并。在LSTM中，遗忘门决定Ct-1对Ct的影响程度，输入门决定xt对Ct的影响程度，输出门控制Ct对ht的影响程度；遗忘门、输入门、输出门的状态结果共同决定单元的当前状态及响应输出值，即：
Figure BDA0002803962790000075
Figure BDA0002803962790000076
式中符号
Figure BDA0002803962790000077
表示相同形状向量对应元素相乘。
循环结构网络模型在时序结构上能将时间序列变量的前后输入值在时间维度上关联起来，比一般深度神经网络模型等多了时间关系，更适合于对时间序列变量的处理。电力***本身具有明显的周期特征，其前后输入具有极大的关联性，因此采用LSTM结构模型来构建特征辨识网络对提高故障诊断的准确率有著显著的效果。
进一步的，所述的步骤S5中，经过LSTM循环神经网络分类性能采用准确率γ来评价，当所选取的有标签样本集最后训练出的准确率低于设定值，则扩大标签样本集的样本数量；γ为准确率为，表示对每一个随机样本，所预测结果与其实际类型相同的可能概率，即正确分类的样本数量除以所有的样本数量，计算公式为：
Figure BDA0002803962790000081
式中，Npos为正类样本被准确分类的数量；Nneg为负类样本被准确分类的数量。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，包括以下步骤：
S1.获取配电网各类故障下典型数据集组成故障样本数据集，并将故障样本数据集按照有无事先经过标注处理分为有标签样本集和无标签样本集；
S2.利用卷积神经网络搭建特征提取器，将有标签样本按照物理量形成的不同集合分别训练卷积网络，得到不同物理量的特征提取器；
S3.无标签样本和有标签样本均将监控时序数据输入特征提取器中，并将每个提取器获得的深度特征合并成为一个完整的特征；
S4.从有标签数据中提取的特征内选择半监督聚类所需要的中心样本即聚类中心，与无标签样本提取的特征进行半监督聚类，为无标签样本打上对应的故障类别标签；
S5.将故障样本数据集中所有的样本进行过采样处理，然后将过采样处理后的数据使用LSTM循环神经网络搭建的分类器进行分类识别，实现故障诊断。
2.根据权利要求1所述的基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，所述的特征提取器包括两个一维卷积层、两个一维池化层、一个扁平层、三个Dropout层和三个全连接层。
3.根据权利要求2所述的基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，所述的特征提取器采用的一维卷积式为：
Figure FDA0002803962780000011
式中，f为得到的特征序列，s为原始信号，N为原始信号的长度，k为一维卷积核。
4.根据权利要求1所述的基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，所述的步骤S4中，半监督聚类采用改进的半监督K均值算法，改进的半监督K均值算法为一种轮盘算法从标签数据集中获得数据作为无标签数据的聚类中心。
5.根据权利要求4所述的基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，聚类中心的选取步骤包括：
S411.首先随机在有标签样本集SL中的某一种故障中，随机选取该故障类别中的一个样本深度特征作为初始类中心；
S412.再计算下一个故障类别中的样本深度特征与当前已有类中心的最短距离ρ(y)，然后计算每个样本特征被选取作为下一个聚类中心的概率
Figure FDA0002803962780000021
最后，生成一个属于[0,1]之间的随机数，根据随机数落在的概率区间在当前故障类别中选择一个样本作为新的类中心；
S413.重复步骤S412直到获得全部K个类中心。
6.根据权利要求5所述的基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，聚类过程包括以下步骤：
S421.计算其余样本与各个中心的距离，找到距离最短的样本特征，将其分配到距离中心最近的类中；
S422.计算每个类中所有样本特征的均值，作为每个类的新的中心；
S423.再次计算所有样本与新的K个中心的距离，根据对象与类中心距离的大小关系，重新划分所有样本特征到与其类中心距离最小的类中；
S424.重复步骤S422和S423，直至所有类中心不变为止。
7.根据权利要求6所述的基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，中心距离的计算采用基于相关系数的距离模式ρp：
Figure FDA0002803962780000022
其中，X＝[x1,x2,...,xn]，Y＝[y1,y2,...,yn]为两个不同样本，
Figure FDA0002803962780000023
为样本按照变量相加得到的平均值。
8.根据权利要求6所述的基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，过采样具体包括以下步骤：
S51.确定少数量样本集中的样本xi作为初始样本并计算其k个近邻样本，k为样本的近邻数；
S52.从xi的k个近邻样本中取出第j个近邻样本xi (j)；
S53.生成[0,1]之间的随机数γ，通过下式计算样本的属性值：
Figure FDA0002803962780000031
其中，xSMOTE，n是过采样得到的新样本，xi,n表示初始样本xi的第n个属性值，
Figure FDA0002803962780000032
表示第j个近邻样本的第n个属性值，n∈1，2，···N，j∈1，2，···N。
9.根据权利要求8所述的基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，所述的步骤S5中，经过LSTM循环神经网络分类性能采用准确率γ来评价，当所选取的有标签样本集最后训练出的准确率低于设定值，则扩大标签样本集的样本数量；γ为准确率为，表示对每一个随机样本，所预测结果与其实际类型相同的可能概率，即正确分类的样本数量除以所有的样本数量，计算公式为：
Figure FDA0002803962780000033
式中，Npos为正类样本被准确分类的数量；Nneg为负类样本被准确分类的数量。
10.根据权利要求1至9任一项所述的基于深度特征聚类和LSTM的配电网故障诊断方法，其特征在于，所述的LSTM循环神经网络包括遗忘门、输入门、记忆门和输出门。
CN202011360956.4A 2020-11-27 2020-11-27 一种基于深度特征聚类和lstm的配电网故障诊断方法 Pending CN112381248A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011360956.4A CN112381248A (zh) 2020-11-27 2020-11-27 一种基于深度特征聚类和lstm的配电网故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011360956.4A CN112381248A (zh) 2020-11-27 2020-11-27 一种基于深度特征聚类和lstm的配电网故障诊断方法

Publications (1)

Publication Number Publication Date
CN112381248A true CN112381248A (zh) 2021-02-19

Family

ID=74588498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011360956.4A Pending CN112381248A (zh) 2020-11-27 2020-11-27 一种基于深度特征聚类和lstm的配电网故障诊断方法

Country Status (1)

Country Link
CN (1) CN112381248A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905863A (zh) * 2021-03-19 2021-06-04 青岛檬豆网络科技有限公司 基于K-Means聚类的客户自动分类方法
CN113032917A (zh) * 2021-03-03 2021-06-25 安徽大学 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用***
CN115130385A (zh) * 2022-07-04 2022-09-30 贵州省人民医院 一种时序信号预测分类识别方法及装置
CN115684835A (zh) * 2022-10-28 2023-02-03 贵州电网有限责任公司信息中心 配电网故障诊断方法、装置、设备及存储介质
CN116703165A (zh) * 2023-08-03 2023-09-05 国网山西省电力公司营销服务中心 一种电力计量数据安全风险评估方法及装置
CN117290742A (zh) * 2023-11-27 2023-12-26 北京航空航天大学 一种基于动态聚类的信号时序数据故障诊断方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110617966A (zh) * 2019-09-23 2019-12-27 江南大学 一种基于半监督生成对抗网络的轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110617966A (zh) * 2019-09-23 2019-12-27 江南大学 一种基于半监督生成对抗网络的轴承故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卡蒂克·雷迪·博卡 等: "《基于深度学习的自然语言处理》", 31 May 2020 *
翁楦乔 等: "基于深度特征聚类和 RNN 的电网故障诊断", 《控制工程（网络首发论文）》 *
邵庆祝 等: "基于LSTM模型的配电网单相接地故障辨识方法", 《广东电力》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032917A (zh) * 2021-03-03 2021-06-25 安徽大学 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用***
CN112905863A (zh) * 2021-03-19 2021-06-04 青岛檬豆网络科技有限公司 基于K-Means聚类的客户自动分类方法
CN115130385A (zh) * 2022-07-04 2022-09-30 贵州省人民医院 一种时序信号预测分类识别方法及装置
CN115684835A (zh) * 2022-10-28 2023-02-03 贵州电网有限责任公司信息中心 配电网故障诊断方法、装置、设备及存储介质
CN116703165A (zh) * 2023-08-03 2023-09-05 国网山西省电力公司营销服务中心 一种电力计量数据安全风险评估方法及装置
CN116703165B (zh) * 2023-08-03 2024-01-19 国网山西省电力公司营销服务中心 一种电力计量数据安全风险评估方法及装置
CN117290742A (zh) * 2023-11-27 2023-12-26 北京航空航天大学 一种基于动态聚类的信号时序数据故障诊断方法及***
CN117290742B (zh) * 2023-11-27 2024-03-29 北京航空航天大学 一种基于动态聚类的信号时序数据故障诊断方法及***

Similar Documents

Publication Publication Date Title
CN112381248A (zh) 一种基于深度特征聚类和lstm的配电网故障诊断方法
CN109949317B (zh) 基于逐步对抗学习的半监督图像实例分割方法
CN111967294B (zh) 一种无监督域自适应的行人重识别方法
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
Demirel et al. Zero-shot object detection by hybrid region embedding
Masana et al. Metric learning for novelty and anomaly detection
CN109858390B (zh) 基于端到端时空图学习神经网络的人体骨架行为识别方法
CN109344736B (zh) 一种基于联合学习的静态图像人群计数方法
CN111444939B (zh) 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法
CN112699892A (zh) 一种无监督领域自适应语义分割方法
CN109902564B (zh) 一种基于结构相似性稀疏自编码网络的异常事件检测方法
CN109086770B (zh) 一种基于精准尺度预测的图像语义分割方法及模型
CN111612051B (zh) 一种基于图卷积神经网络的弱监督目标检测方法
CN104573669A (zh) 图像物体检测方法
CN112199536A (zh) 一种基于跨模态的快速多标签图像分类方法和***
CN107301382B (zh) 基于时间依赖约束下深度非负矩阵分解的行为识别方法
CN112784921A (zh) 任务注意力引导的小样本图像互补学习分类算法
CN112464877A (zh) 基于自适应实例分类器细化的弱监督目标检测方法与***
CN114692732A (zh) 一种在线标签更新的方法、***、装置及存储介质
CN107657276B (zh) 一种基于寻找语义类簇的弱监督语义分割方法
Xu et al. Semantic driven attention network with attribute learning for unsupervised person re-identification
CN110111365B (zh) 基于深度学习的训练方法和装置以及目标跟踪方法和装置
CN116643246A (zh) 一种基于内积距离度量的深度聚类雷达脉冲信号分选方法
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
Wang et al. R2-trans: Fine-grained visual categorization with redundancy reduction

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: 20210219