CN115047262A - 基于电能质量数据的设备异常状态通用识别方法 - Google Patents
基于电能质量数据的设备异常状态通用识别方法 Download PDFInfo
- Publication number
- CN115047262A CN115047262A CN202210444472.0A CN202210444472A CN115047262A CN 115047262 A CN115047262 A CN 115047262A CN 202210444472 A CN202210444472 A CN 202210444472A CN 115047262 A CN115047262 A CN 115047262A
- Authority
- CN
- China
- Prior art keywords
- state
- abnormal
- data
- target
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 125
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000002372 labelling Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 61
- 238000001228 spectrum Methods 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007429 general method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种基于电能质量数据的设备异常状态通用识别方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:获取训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与训练完成的识别模型对应的模型准确率。通过训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型。在存在预测状态类型为异常状态的情况下,将与异常状态相匹配的状态标签作为待校验状态类型,并基于标注准确率和模型准确率,通过累计概率分布计算,得到与待校验状态类型对应的异常概率。对异常概率进行有效性校验,并基于有效性校验结果确定目标电力设备是否异常,大大提高了确定目标电力设备是否异常的有效性。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种基于电能质量数据的设备异常状态通用识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电能质量监测技术的发展,常常需要对部署在电网线路中的各个电力设备的状态进行检测,从而确保电网的正常运行。
在传统技术中,通过对故障电力设备的故障波形特征进行分析,确定故障电力设备的故障类型。然后,基于该故障类型,识别待检测的电力设备是否出现该故障类型,若没有,则确定待检测的电力设备状态正常。
然而,该故障类型无法识别出不同的故障状态,即,无法对待检测电力设备的状态进行有效识别。因此,存在对电力设备异常状态的确定的有效性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种基于电能质量数据的设备异常状态通用识别方法、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,本申请提供了一种基于电能质量数据的设备异常状态通用识别方法。所述方法包括:
获取对目标电力设备采集得到的多个目标数据;其中,所述目标数据为所述目标电力设备在目标时间段内的电能质量数据;
获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与所述训练完成的识别模型对应的模型准确率;
确定与各目标数据分别对应的目标频谱图,并通过所述训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型;
在存在预测状态类型为异常状态的情况下,将与所述异常状态相匹配的状态标签作为待校验状态类型,并基于所述标注准确率和所述模型准确率,通过累计概率分布计算,得到与所述待校验状态类型对应的异常概率;
对所述异常概率进行有效性校验,并基于有效性校验结果确定所述目标电力设备是否异常。
第二方面,本申请还提供了一种基于电能质量数据的设备异常状态通用识别装置。所述装置包括:
第一获取模块,用于获取对目标电力设备采集得到的多个目标数据;其中,所述目标数据为所述目标电力设备在目标时间段内的电能质量数据;
第二获取模块,用于获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与所述训练完成的识别模型对应的模型准确率;
状态识别模块,用于确定与各目标数据分别对应的目标频谱图,并通过所述训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型;
计算模块,用于在存在预测状态类型为异常状态的情况下,将与所述异常状态相匹配的状态标签作为待校验状态类型,并基于所述标注准确率和所述模型准确率,通过累计概率分布计算,得到与所述待校验状态类型对应的异常概率;
确定模块,用于对所述异常概率进行有效性校验,并基于有效性校验结果确定所述目标电力设备是否异常
第三方面,本申请还提供了一种计算机设备。所述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:
获取对目标电力设备采集得到的多个目标数据;其中,所述目标数据为所述目标电力设备在目标时间段内的电能质量数据;
获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与所述训练完成的识别模型对应的模型准确率;
确定与各目标数据分别对应的目标频谱图,并通过所述训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型;
在存在预测状态类型为异常状态的情况下,将与所述异常状态相匹配的状态标签作为待校验状态类型,并基于所述标注准确率和所述模型准确率,通过累计概率分布计算,得到与所述待校验状态类型对应的异常概率;
对所述异常概率进行有效性校验,并基于有效性校验结果确定所述目标电力设备是否异常。
第四方面,本申请还提供了一种计算机可读存储介质。所述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:
获取对目标电力设备采集得到的多个目标数据;其中,所述目标数据为所述目标电力设备在目标时间段内的电能质量数据;
获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与所述训练完成的识别模型对应的模型准确率;
确定与各目标数据分别对应的目标频谱图,并通过所述训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型;
在存在预测状态类型为异常状态的情况下,将与所述异常状态相匹配的状态标签作为待校验状态类型,并基于所述标注准确率和所述模型准确率,通过累计概率分布计算,得到与所述待校验状态类型对应的异常概率;
对所述异常概率进行有效性校验,并基于有效性校验结果确定所述目标电力设备是否异常。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,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:
获取对目标电力设备采集得到的多个目标数据;其中,所述目标数据为所述目标电力设备在目标时间段内的电能质量数据;
获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与所述训练完成的识别模型对应的模型准确率;
确定与各目标数据分别对应的目标频谱图,并通过所述训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型;
在存在预测状态类型为异常状态的情况下,将与所述异常状态相匹配的状态标签作为待校验状态类型,并基于所述标注准确率和所述模型准确率,通过累计概率分布计算,得到与所述待校验状态类型对应的异常概率;
对所述异常概率进行有效性校验,并基于有效性校验结果确定所述目标电力设备是否异常。
上述基于电能质量数据的设备异常状态通用识别方法、装置、计算机设备、存储介质和计算机程序产品,通过获取对目标电力设备采集得到的多个目标数据;其中,该目标数据为该目标电力设备在目标时间段内的电能质量数据。获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与该训练完成的识别模型对应的模型准确率。确定与各目标数据分别对应的目标频谱图,并通过该训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型,实现了对多种状态的准确识别。在存在预测状态类型为异常状态的情况下,直接将与该异常状态相匹配的状态标签作为待校验状态类型,并基于该标注准确率和该模型准确率,通过累计概率分布计算,得到与该待校验状态类型对应的异常概率。这样,从识别模型和标注两个维度共同确定待校验状态类型的异常概率,大大提升了异常概率的准确性。通过对该异常概率进行有效性校验,确保了各个待校验状态类型分别对应的异常概率的有效性。再基于各个不同待校验状态类型分别对应的有效性校验结果,能够对该目标电力设备是否异常进行有效的判定,大大提高了确定目标电力设备是否异常的有效性。
附图说明
图1为一个实施例中基于电能质量数据的设备异常状态通用识别方法的应用环境图;
图2为一个实施例中基于电能质量数据的设备异常状态通用识别方法的流程示意图;
图3为一个实施例中频谱图示意图;
图4为一个实施例中蝴蝶网络的示意图;
图5为一个实施例中获取用于状态识别的训练完成的识别模型步骤的流程示意图;
图6为一个实施例中MobileNets网络结构的示意图;
图7为一个实施例中构建样本库的步骤的流程示意图;
图8为另一个实施例中基于电能质量数据的设备异常状态通用识别方法的流程示意图;
图9为一个实施例中基于电能质量数据的设备异常状态通用识别装置的结构框图;
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。
本申请实施例提供的基于电能质量数据的设备异常状态通用识别方法,可以应用于如图1所示的应用环境中。其中,数据库102通过网络与计算机设备104进行通信。数据存储***可以存储计算机设备104需要处理的数据。数据存储***可以集成在计算机设备104上,也可以放在云上或其他网络服务器上。计算机设备104获取对目标电力设备采集得到的多个目标数据;其中,该目标数据为该目标电力设备在目标时间段内的电能质量数据。计算机设备104获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与该训练完成的识别模型对应的模型准确率。计算机设备104确定与各目标数据分别对应的目标频谱图,并通过该训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型。在存在预测状态类型为异常状态的情况下,计算机设备104将与该异常状态相匹配的状态标签作为待校验状态类型,并基于该标注准确率和该模型准确率,通过累计概率分布计算,得到与该待校验状态类型对应的异常概率。计算机设备104对该异常概率进行有效性校验,并基于有效性校验结果确定该目标电力设备是否异常,并将该目标电力设备异常所表征的结果上传至数据库102中。其中,数据库102部署在边缘端,即为虚拟数据库。该计算机设备104可以是终端或服务器。其中,终端可以但不限于个人计算机、笔记本电脑、智能手机、平板电脑等。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。
在一个实施例中,如图2所示,提供了一种基于电能质量数据的设备异常状态通用识别方法,以该方法应用于图1中的计算机设备104为例进行说明,包括以下步骤:
步骤S202,获取对目标电力设备采集得到的多个目标数据;其中,该目标数据为该目标电力设备在目标时间段内的电能质量数据。
其中,电能质量数据是三相电压数据,该三相电压数据可看做波形时序数据。
具体地,计算机设备确定对目标电力设备进行采集的目标时间段,并对各个目标时刻分别进行采集,得到与各个目标采集时刻分别对应的目标数据。其中,该计算机设备可以是具备采集数据、分析数据功能的装置,比如可以为电能质量监测平台或者电能质量监测点等,具体不作限定。
步骤S204,获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与该训练完成的识别模型对应的模型准确率。
其中,识别模型是采用深度卷积神经网络识别图像特征,其网络架构采用MobileNets提取频谱能量图深层次的特征,将不同层次的深层次特征分别与上采样后的浅层特征进行连接,并生成特征图对样本图片中存在的目标进行多尺度识别。其中,状态识别是用于识别电力设备的状态,该状态可以为正常状态、三相短路、单相接地短路、两相短路、两相接地短路、开合闸等状态。其中,正常状态对应为正常状态标签,三相短路对应为三相短路状态标签、单相接地短路对应为单相接地短路状态标签、两相短路对应为两相短路标签、两相接地短路对应为两相接地短路标签、开合闸对应为开合闸标签。其中,训练标签可以是正常状态标签、三相短路状态标签、单相接地短路状态标签、两相短路标签、两相接地短路标签、开合闸标签中的一种。该训练标签用于对样本数据的状态进行标识。其中,标注准确率表征对样本电力设备所对应的状态标签进行正确标注的概率。模型准确率表征该训练完成的识别模型识别正确的概率。
具体地,计算机设备获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率。计算机设备确定与该训练完成的识别模型对应的模型准确率。
需要说明的是,该标注准确率可以表征标签标注维度的正确率,即用于训练的训练数据的标签是否是正确的、以及用于测试的测试数据的标签是否是正确的。该模型准确率可以表征模型维度的正确率,即识别模型的结果是否正确。
步骤S206,确定与各目标数据分别对应的目标频谱图,并通过该训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型。
其中,目标频谱图是将A、B、C三相电压采样点的频谱图进行合并所生成的频谱。其中,预测状态类型表征目标电力设备的状态,该预测状态类型可以是正常状态类型、三相短路类型、单相接地短路类型、两相短路类型、两相接地短路类型、开合闸类型等。
具体地,计算机设备对各个目标数据分别进行短期快速傅里叶处理,得到与各个目标数据分别对应的目标频谱图。计算机设备将各个目标频谱图分别输入至训练完成的识别模型中,得到与各个目标频谱图分别对应的预测状态类型。
例如,对于t1时刻的目标数据X,目标数据X是由A、B、C三相电压的采样点组成,计算机设备分别对每相电压进行短期快速傅里叶处理,得到各相电压分别对应的频谱图a、b、c。其中,频谱图a、频谱图b、频谱图c均是按照一个周波周期绘制得到的,且三个频谱图均处于同一坐标系。计算机设备按序将频谱图a、b、c进行拼接,生成目标频谱图,如图3所示的目标频谱图即是将三相电压分别对应的频谱图进行拼接得到的。
其中,短期快速傅里叶是基于库里-图基快速傅里叶变化算法的时域抽取算法的,即将采样信号x(n)(采样长度为N(2,…,n)进行短期离散傅里叶变化:
其中,k=0至N-1。
然后,对采样信号作如下步骤:首先,将长度为N的采样信息x(n)分解为N1和N2的两个短序列,其中,N1为原采样信号的奇数项,N2为原采样信号的偶数项。然后,假设计算机设备每个周波的采样点为8点,则采用蝴蝶网络快速傅里叶计算方法进行计算,从而得到各相电压分别对应的频谱图。其中,蝴蝶网络计算示意图如图4所示,其中,旋转因子为
需要说明的是,每个目标频谱图对应一个预测状态类型,而每个目标数据对应一个目标频谱图,很显然,每个目标数据对应一个预测状态类型。
步骤S208,在存在预测状态类型为异常状态的情况下,将与该异常状态相匹配的状态标签作为待校验状态类型,并基于该标注准确率和该模型准确率,通过累计概率分布计算,得到与该待校验状态类型对应的异常概率。
其中,预测状态类型可以是正常状态类型、三相短路类型、单相接地短路类型、两相短路类型、两相接地短路类型、开合闸类型等状态,其中,对于预测状态类型不是表征为正常状态的预测状态类型,直接视为异常状态。其中,状态标签用于对数据状态进行标识。
具体地,计算机设备获取各个目标频谱图分别对应的预测状态类型,并对各个预测状态类型进行异常状态的判定。在存在至少两种预测状态类型均为异常状态的情况下,计算机设备将与该异常状态相匹配的状态标签作为待校验状态类型,并确定相同的待校验状态类型所对应的目标频谱图的频谱数量。对于每种待校验状态类型,计算机设备基于与相应待校验状态类型对应的频谱数量、该标注准确率、模型准确率、通过累计概率分布计算,得到与相应待校验状态类型对应的异常概率。在存在一种预测状态类型异常状态的情况下,计算机设备将与该异常状态相匹配的状态标签作为待校验状态类型,并确定待校验状态类型的频谱数量。计算机设备基于与待校验状态类型对应的频谱数量、该标注准确率、模型准确率,通过累计概率分布计算,得到与待校验状态类型对应的异常概率。
需要说明的是,由于表征异常状态的预测状态类型即为待校验状态类型,因此,存在至少两种预测状态类型均为异常状态的情况,相当于,存在至少两种待校验状态类型的情况。存在一种预测状态类型为异常状态的情况,相当于,存在一种待校验状态类型的情况。
例如,现有100个目标频谱图,且每个目标频谱图对应一种异常状态类型。其中,存在3种预测状态类型,即,第一种预测状态类型为正常状态类型(正常状态类型所对应的频谱数量为20个),其与之匹配的状态标签为正常标签;第二种预测状态类型为三相短路类型(三相短路类型所对应的频谱数量为60个),其与之匹配的状态标签为三相短路标签;第三种预测状态类型为单相接地短路类型(单相接地短路类型所对应的频谱数量为20个),其与之匹配的状态标签为单相接地短路标签。因此,三相短路类型和单相接地短路类型均为待校验状态类型。对于待校验状态类型为三相短路类型的情况,计算机设备确定三相短路类型所对应的频谱数量,即60个。计算机设备基于与三相短路类型对应的频谱数量、标注准确率、模型准确率,通过累计概率分布计算,得到与待校验状态类型为三相短路类型对应的异常概率P1。对于待校验状态类型为单相接地短路类型的情况,计算机设备确定单相接地短路类型所对应的频谱数量,即20个。计算机设备基于与单相接地短路类型对应的频谱数量、标注准确率、模型准确率,通过累计概率分布计算,得到与待校验状态类型为单相接地短路类型对应的异常概率P2。
步骤S210,对该异常概率进行有效性校验,并基于有效性校验结果确定该目标电力设备是否异常。
其中,有效性校验用于校验异常概率是否有效,也就是说,有效性校验结果表征有效,则确定异常概率是有效的,则该目标电力设备为异常状态,即目标电力设备异常。
具体地,计算机设备对与待校验状态类型对应的异常概率进行有效性校验,得到与待校验状态类型对应的有效性校验结果。在存在有效性校验结果表征有效的情况下,确定目标电力设备异常,并计算机设备将目标电力设备异常所表征的结果上传至数据库,该数据库部署在边缘端,以实现边缘检测。
需要说明的是,本申请通过计算机设备实时获取目标数据,并基于该目标数据能够实时识别出该目标电力设备是否异常,并将该目标电力设备是否异常所表征的结果发送至边缘端的数据库,避免了海量数据上传至边缘端的数据库进行处理,大大降低了边缘端的数据库的计算压力,能够更快更好的识别目标电力设备的状态。
例如,存在两种待校验状态类型,分别为三相短路类型和单相接地短路类型。其中,三相短路类型的异常概率P1,单相接地短路的异常概率P2。在至少存在异常概率P1所对应的有效性校验结果、异常概率P2所对应的有效性校验结果中的一个有效性校验结果表征有效,则确定目标电力设备异常。
上述基于电能质量数据的设备异常状态通用识别方法中,通过获取对目标电力设备采集得到的多个目标数据;其中,该目标数据为该目标电力设备在目标时间段内的电能质量数据。获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与该训练完成的识别模型对应的模型准确率。确定与各目标数据分别对应的目标频谱图,并通过该训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型,实现了对多种状态的准确识别。在存在预测状态类型为异常状态的情况下,直接将与该异常状态相匹配的状态标签作为待校验状态类型,并基于该标注准确率和该模型准确率,通过累计概率分布计算,得到与该待校验状态类型对应的异常概率。这样,从识别模型和标注两个维度共同确定待校验状态类型的异常概率,大大提升了异常概率的准确性。通过对该异常概率进行有效性校验,确保了各个待校验状态类型分别对应的异常概率的有效性。再基于各个不同待校验状态类型分别对应的有效性校验结果,能够对该目标电力设备是否异常进行有效的判定,大大提高了确定目标电力设备是否异常的有效性。
在一个实施例中,如图5所示,该获取用于状态识别的训练完成的识别模型,包括:
步骤S502,获取对样本电力设备采集得到的训练数据,该训练数据为该样本电力设备处于异常状态时的电能质量数据。
其中,该训练数据携带有训练标签,该训练标签可以是正常状态标签、三相短路状态标签、单相接地短路状态标签、两相短路标签、两相接地短路标签、开合闸标签。
具体地,计算机设备对多个样本电力设备进行多次采集得到训练数据。其中,所有训练数据均表征样本电力设备处于异常状态的数据。各个训练数据均携带有与各个训练数据分别对应的训练标签。
步骤S504,确定与各个训练数据分别对应的训练频谱图,并基于该训练频谱图,构建样本库。
具体地,计算机设备对各个训练数据分别进行短期快速傅里叶处理,得到与各个训练数据分别对应的训练频谱图。计算机设备确定扩充频谱图,其中,所述扩充频谱图可以是基于正常波形生成的、或者基于噪声数据生成的等,具体不作限定。计算机设备基于训练频谱图、扩充频谱图,确定样本频谱图,并基于各个样本频谱图构建样本库。其中,样本库存储有多个样本频谱图。其中,扩充频谱也有与之对应的训练标签。因此,每个样本频谱图均对应一个训练标签。
步骤S506,构建初始的识别模型,并通过该样本库对该初始的识别模型进行训练,得到训练完成的识别模型。
具体地,计算机设备基于电力设备的数据特征,确定与数据特征相匹配的MobileNets网络。终端基于与数据特征相匹配的MobileNets网络构建初始的识别模型,并基于样本库中的各个样本训练频谱图、以及与各个样本频谱图对应的训练标签,对初始的识别模型进行训练,得到训练完成的识别模型。
其中,与数据特征相匹配的MobileNets网络结构具体如图6所示,其中,包含有两种结构,涉及到卷积层(conv)、归一处理(BN)、激活函数(ReLU)、可分离卷积层(DepthwiseConv)。其中,该结构参数如表1所示:
表1结构参数
在本实施例中,基于多个表征样本电力设备为异常状态的训练数据,构建用于训练初始的识别模型的样本库,确保了包含有多种状态的样本频谱图,大大增加了样本频谱图的信息量。这样,基于信息量丰富的样本库得到的识别模型,能够用于多种状态的检测,从而,能够确保对目标电力设备状态确定的有效性。
在一个实施例中,如图7所示,该基于该训练频谱图,构建样本库,包括:
步骤S702,对各个训练数据进行波形识别,得到波形识别结果,并将波形识别结果表征为存在正常波形的训练数据作为待截取数据。
其中,训练数据是三相电压数据,其中,每相电压的表达式均可以用电磁波的表达式进行表示。其中,三相电压可以用波形表征。
具体地,计算机设备对各个训练数据进行波形识别,得到与各个训练数据对应的波形识别结果。计算机设备基于各个波形识别结果对训练数据进行筛选,得到波形识别结果表征为存在正常波形的训练数据。计算机设备将波形识别结果表征为存在正常波形的训练数据作为待截取数据。
步骤S704,从该待截取数据中截取正常波形,并确定与该正常波形对应的标准训练频谱图。
具体地,计算机设备通过对待截取数据进行截取,得到与各个待截取数据分别对应的正常波形。计算机设备对各个正常波形分别进行短期快速傅里叶处理,得到与各个正常波形分别对应的标准训练频谱图。
需要说明的是,根据行业标准数据采集设备的使用技术要求,当采集功能被触发时会保留故障前的波形。其中,该故障前的波形包括正常波形。进一步地,为了确保样本库的有效性,可以控制标准训练频谱图的数量与训练频谱图的比例保持在3:7。
步骤S706,获取噪声数据,并基于该噪声数据,构建新增电能质量数据。
具体地,计算机设备确定噪声类型,并获取与噪声类型对应的噪声数据。计算机设备基于该噪声数据构建新增电能质量数据。
例如,计算机设备模拟在30个周波,每个周波采样1024个点,并确定噪声类型为白噪声。计算机设备确定与白噪声对应的噪声数据,并基于噪声数据确定各相电压数据,基于各相电压数据构建新增电能质量数据。比如,该新增电能质量数据XA,B,C(t)的表达式如下:
其中,t为时刻,r*为白噪声。
步骤S708,确定与该新增电能质量数据对应的新增训练频谱图。
具体地,计算机设备对各个新增电能质量数据分别进行短期快速傅里叶处理,得到与各个新增电能质量数据分别对应的新增训练频谱图。
步骤S710,将该训练频谱图、该标准训练频谱图、该新增训练频谱图均作为样本频谱图,并基于该样本频谱图构建样本库。
具体地,计算机设备将该训练频谱图、该标准训练频谱图、该新增训练频谱图均作为样本频谱图。计算机设备分别对训练频谱图进行不同预设倍数的复制,得到各个复制频谱图,并将该复制频谱图作为样本频谱图。计算机设备基于各个样本频谱图构建样本库。例如,预设倍数可以是6倍、4倍、2倍等。
在本实施例中,通过各个正常波形确定与各个正常波形对应的标准训练频谱图、以及通过各个噪声数据确定与各个噪声数据对应的新增训练频谱图。这样,能够极大地扩充样本库,确保了样本库中样本频谱图的多样性,有利于提高识别模型对目标电力设备状态识别的准确性。
在一个实施例中,该确定与该训练完成的识别模型对应的模型准确率,包括:获取对样本电力设备采集得到的测试数据,该测试数据为该样本电力设备处于异常状态时的电能质量数据。确定与该测试数据对应的测试标签,该测试标签表征样本电力设备的状态类型。确定与该测试数据对应的测试频谱图,并通过该训练完成的识别模型对该测试频谱图进行状态识别,得到与该测试数据对应的训练状态类型。基于该测试标签和该训练状态类型,确定与该训练完成的识别模型对应的模型准确率。
其中,测试标签可以是正常状态标签、三相短路状态标签、单相接地短路状态标签、两相短路标签、两相接地短路标签、开合闸标签。
具体地,计算机设备对多个样本电力设备进行多次采集得到的测试数据,并确定与各个测试数据分别对应的测试标签。计算机设备对各个测试数据分别进行短期快速傅里叶处理,得到与各个测试数据分别对应的测试频谱图。计算机设备获取训练完成的识别模型,并基于各个测试频谱图和该训练完成的识别模型,确定与各个测试频谱图分别对应的训练状态类型,并确定与训练状态类型对应的待校验标签。其中,该待校验标签可以是正常状态标签、三相短路状态标签、单相接地短路状态标签、两相短路标签、两相接地短路标签、开合闸标签。计算机设备基于各个测试频谱图分别对应的待校验标签和测试标签,确定与该训练完成的识别模型对应的模型准确率。
例如,对于每个测试频谱图,计算机设备将与相应测试频谱图所对应的待校验标签和测试标签进行比较,得到比较结果,并确定比较结果的第一数量。计算机设备基于各个测试频谱图分别对应的比较结果,将表征待校验标签和测试标签一致的比较结果作为目标结果,并确定目标结果的第二数量。计算机设备基于第一数量和第二数量确定初始准确率。如,可以将第二数量除以第一数量得到初始准确率。在初始准确率大于或等于预定阈值的情况下,将该初始准确率作为模型准确率。
其中,该测试数据和训练数据的比例可以根据实际需求进行配置,比如1:9。其中,预定阈值用于检测训练完成的识别模型是否达到识别标准,当初始准确率越大于预设阈值,训练完成的识别模型就越标准。
在本实施例中,通过测试数据对训练完成的识别模型进行状态识别,能够确定与训练数据对应的训练状态类型。这样,基于各个训练状态类型和测试标签,能够进一步校验训练完成的识别模型的准确性和有效性,从而,有利于对目标电力设备的异常状态进行有效且准确性高的识别。
在一个实施例中,该基于该标注准确率和该模型准确率,通过累计概率分布计算,得到与该待校验状态类型对应的异常概率,包括:将该模型准确率和该标注准确率的乘积,作为状态概率,该状态概率表征正确识别状态的概率。确定与该待校验状态类型对应的目标频谱图的目标数量。基于该状态概率和该目标数量,进行累计概率分布计算,确定与该待校验状态类型对应的异常概率。
具体地,计算机设备确定待校验状态类型的种类数量,并确定目标频谱的总频谱数量。计算机设备确定各种待校验状态类型分别对应的目标频谱图的频谱数量。计算机设备将该标注准确率和该模型准确率的乘积,作为状态概率,并将一个单位数量减去状态概率得到状态错误概率。对于每种待校验状态类型,计算机设备基于与相应待校验状态类型对应的频谱数量和总频谱数量、状态概率和状态错误率,通过累计概率分布计算,得到与相应待校验状态类型对应的异常概率。其中,该累计概率分布视为二项分布。
例如,令待校验状态类型为i,则状态概率为Pi,且令待校验状态类型对应的频谱类型的频谱数量为m,总频谱数量为n。则根据如下公式进行累计概率分布计算:
其中,总频谱数量n可是做抽样次数,可以根据需要提前预设抽样初值。
在本实施例中,通过模型准确率和标注准确率确定用于累计概率分布的概率,这样,从识别模型和标注两个维度共同确定待校验状态类型的异常概率,大大提升了异常概率的准确性。
在一个实施例中,该对该异常概率进行有效性校验,包括:将与待校验状态类型对应的异常概率与概率阈值进行比较,得到有效性校验结果。
具体地,计算机设备获取待校验状态类型所对应的异常概率,并将异常概率与概率阈值进行比较,得到有效性校验结果。若异常概率大于概率阈值时,则确定有效性校验结果表征通过。若异常概率小于或等于概率阈值时,则确定有效性校验结果表征不通过。在有效性校验结果表征通过的情况下,确定目标电力设备存在异常。
例如,在存在至少两种待校验状态类型的情况下,若存在至少一个有效校验结果表征通过时,确定目标电力设备存在异常。如,待校验状态类型为i,令阈值概率为0.95,模型准确率为0.9,标注准确率Plabel(i),则Pi=0.9X Plabel(i),则表征通过的有效校验结果可以表征如下:
在本实施例中,通过对该异常概率进行有效性校验,确保了各个待校验状态类型分别对应的异常概率的有效性。再基于有效性校验结果确定该目标电力设备是否异常,大大提高了确定目标电力设备是否异常的有效性。
为了便于更加清楚的了解本申请的技术方案,提供了一个更为详细实施例进行描述。如图8所示,具体地实施步骤如下:
步骤一:计算机设备对多个样本电力设备进行多次采集得到训练数据(即对应图中波形时序数据),计算机设备中的电压频谱能量图模块对各个训练数据分别进行短期快速傅里叶处理,得到与各个训练数据分别对应的训练频谱图。计算机设备中的异常波形样本库模块对各个训练数据进行波形识别,得到与各个训练数据对应的波形识别结果。计算机设备中的异常波形样本库模块基于各个波形识别结果对训练数据进行筛选,得到波形识别结果表征为存在正常波形的训练数据。计算机设备中的异常波形样本库模块将波形识别结果表征为存在正常波形的训练数据作为待截取数据。计算机设备中的异常波形样本库模块通过对待截取数据进行截取,得到与各个待截取数据分别对应的正常波形。计算机设备中的电压频谱能量模块对各个正常波形分别进行短期快速傅里叶处理,得到与各个正常波形分别对应的标准训练频谱图(即对应图中历史数据)。计算机设备中的异常波形样本库模块确定噪声类型,并获取与噪声类型对应的噪声数据。基于该噪声数据构建新增电能质量数据。计算机设备中的电压频谱能量模块对各个新增电能质量数据分别进行短期快速傅里叶处理,得到与各个新增电能质量数据分别对应的新增训练频谱图。计算机设备中的异常波形样本库模块将该训练频谱图、该标准训练频谱图、该新增训练频谱图均作为样本频谱图,并基于样本频谱图构建样本库。计算机设备中的卷积神经网络模块基于电力设备的数据特征,确定与数据特征相匹配的MobileNets网络。计算机设备中的卷积神经网络模块基于与数据特征相匹配的MobileNets网络构建初始的识别模型,并基于样本库中的各个样本训练频谱图、以及与各个样本频谱图对应的训练标签,对初始的识别模型进行训练(即对应图中机器学习),得到训练完成的识别模型。
步骤二:计算机设备对多个样本电力设备进行多次采集得到的测试数据,并确定与各个测试数据分别对应的测试标签。计算机设备中的异常波形样本库模块对各个测试数据分别进行短期快速傅里叶处理,得到与各个测试数据分别对应的测试频谱图。计算机设备中的卷积神经网络模块获取训练完成的识别模型,并基于各个测试频谱图和该训练完成的识别模型,确定与各个测试频谱图分别对应的训练状态类型,并确定与训练状态类型对应的待校验标签。其中,该待校验标签可以是正常状态标签、三相短路状态标签、单相接地短路状态标签、两相短路标签、两相接地短路标签、开合闸标签。计算机设备中的卷积神经网络模块基于各个测试频谱图分别对应的待校验标签和测试标签,确定与该训练完成的识别模型对应的模型准确率。
步骤三:计算机设备确定对目标电力设备进行采集的目标时间段,并对各个目标时刻分别进行采集,得到与各个目标采集时刻分别对应的目标数据(即对应图中实时数据)。计算机设备中的异常识别模块获取由卷积神经网络模块发送的用于状态识别的训练完成的识别模型(即对应图中预训练模型)、以及与该训练完成的识别模型对应的模型准确率。计算机设备中的异常识别模块获取由异常波形样本库模块发送的训练标签中各个状态标签分别对应的标注准确率(即对应图中样本标注准确概率)。计算机设备中的电压频谱能量图模块对各个目标数据分别进行短期快速傅里叶处理,得到与各个目标数据分别对应的目标频谱图,并发送至异常识别模块。计算机设备中的异常识别模块将各个目标频谱图分别输入至训练完成的识别模型中,得到与各个目标频谱图分别对应的预测状态类型。
步骤四:计算机设备中的异常识别模块获取各个目标频谱图分别对应的预测状态类型,并对各个预测状态类型进行异常状态的判定,并将与异常状态相匹配的状态标签作为待校验状态类型。计算机设备中的异常识别模块确定待校验状态类型的种类数量,并确定目标频谱的总频谱数量。计算机设备中的异常识别模块确定各种待校验状态类型分别对应的目标频谱图的频谱数量。计算机设备中的异常识别模块将该标注准确率和该模型准确率的乘积,作为状态概率,并将一个单位数量减去状态概率得到状态错误概率。对于每种待校验状态类型,计算机设备中的异常识别模块基于与相应待校验状态类型对应的频谱数量和总频谱数量、状态概率和状态错误率,通过累计概率分布计算,得到与相应待校验状态类型对应的异常概率。计算机设备中的异常识别模块获取待校验状态类型所对应的异常概率,并将异常概率与概率阈值进行比较,得到有效性校验结果。若异常概率大于概率阈值时,则确定有效性校验结果表征通过。若异常概率小于或等于概率阈值时,则确定有效性校验结果表征不通过。在有效性校验结果表征通过的情况下,确定目标电力设备存在异常,并进行异常预警。
在本实施例中,通过获取对目标电力设备采集得到的多个目标数据;其中,该目标数据为该目标电力设备在目标时间段内的电能质量数据。获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与该训练完成的识别模型对应的模型准确率。确定与各目标数据分别对应的目标频谱图,并通过该训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型,实现了对多种状态的准确识别。在存在预测状态类型为异常状态的情况下,直接将与该异常状态相匹配的状态标签作为待校验状态类型,并基于该标注准确率和该模型准确率,通过累计概率分布计算,得到与该待校验状态类型对应的异常概率。这样,从识别模型和标注两个维度共同确定待校验状态类型的异常概率,大大提升了异常概率的准确性。通过对该异常概率进行有效性校验,确保了各个待校验状态类型分别对应的异常概率的有效性。再基于各个不同待校验状态类型分别对应的有效性校验结果,能够对该目标电力设备是否异常进行有效的判定,大大提高了确定目标电力设备是否异常的有效性。此外,通过自学习样本库中的样本频谱图,能够达到工程可应用的识别率,具备强大的通用性能和泛化性能,可低成本大规模推广至工程应用。
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基于电能质量数据的设备异常状态通用识别方法的基于电能质量数据的设备异常状态通用识别装置。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基于电能质量数据的设备异常状态通用识别装置实施例中的具体限定可以参见上文中对于基于电能质量数据的设备异常状态通用识别方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种基于电能质量数据的设备异常状态通用识别装置,包括:第一获取模块902、第二获取模块904、状态识别模块906、计算模块908和确定模块910,其中:
第一获取模块902,用于获取对目标电力设备采集得到的多个目标数据;其中,该目标数据为该目标电力设备在目标时间段内的电能质量数据。
第二获取模块904,用于获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与该训练完成的识别模型对应的模型准确率。
状态识别模块906,用于确定与各目标数据分别对应的目标频谱图,并通过该训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型。
计算模块908,用于在存在预测状态类型为异常状态的情况下,将与该异常状态相匹配的状态标签作为待校验状态类型,并基于该标注准确率和该模型准确率,通过累计概率分布计算,得到与该待校验状态类型对应的异常概率。
确定模块910,用于对该异常概率进行有效性校验,并基于有效性校验结果确定该目标电力设备是否异常。
在一个实施例中,该第二获取模块904,用于获取对样本电力设备采集得到的训练数据,该训练数据为该样本电力设备处于异常状态时的电能质量数据。确定与各个训练数据分别对应的训练频谱图,并基于该训练频谱图,构建样本库。构建初始的识别模型,并通过该样本库对该初始的识别模型进行训练,得到训练完成的识别模型。
在一个实施例中,该第二获取模块904,用于对各个训练数据进行波形识别,得到波形识别结果,并将波形识别结果表征为存在正常波形的训练数据作为待截取数据。从该待截取数据中截取正常波形,并确定与该正常波形对应的标准训练频谱图。获取噪声数据,并基于该噪声数据,构建新增电能质量数据。确定与该新增电能质量数据对应的新增训练频谱图。将该训练频谱图、该标准训练频谱图、该新增训练频谱图均作为样本频谱图,并基于该样本频谱图构建样本库。
在一个实施例中,该第二获取模块904,用于获取对样本电力设备采集得到的测试数据,该测试数据为该样本电力设备处于异常状态时的电能质量数据;确定与该测试数据对应的测试标签,该测试标签表征样本电力设备的状态类型。确定与该测试数据对应的测试频谱图,并通过该训练完成的识别模型对该测试频谱图进行状态识别,得到与该测试数据对应的训练状态类型。基于该测试标签和该训练状态类型,确定与该训练完成的识别模型对应的模型准确率。
在一个实施例中,该计算模块908,用于将该模型准确率和该标注准确率的乘积,作为状态概率,该状态概率表征正确识别状态的概率。确定与该待校验状态类型对应的目标频谱图的目标数量。对该状态概率和该目标数量进行累计概率分布计算,确定与该待校验状态类型对应的异常概率。
在一个实施例中,该确定模块910,用于将与待校验状态类型对应的异常概率与概率阈值进行比较,得到有效性校验结果。
上述基于电能质量数据的设备异常状态通用识别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***总线连接,通信接口通过输入/输出接口连接到***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***、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***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基于电能质量数据的设备异常状态通用识别数据。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基于电能质量数据的设备异常状态通用识别方法。
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。
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、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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)
1.一种基于电能质量数据的设备异常状态通用识别方法,其特征在于,所述方法包括:
获取对目标电力设备采集得到的多个目标数据;其中,所述目标数据为所述目标电力设备在目标时间段内的电能质量数据;
获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与所述训练完成的识别模型对应的模型准确率;
确定与各目标数据分别对应的目标频谱图,并通过所述训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型;
在存在预测状态类型为异常状态的情况下,将与所述异常状态相匹配的状态标签作为待校验状态类型,并基于所述标注准确率和所述模型准确率,通过累计概率分布计算,得到与所述待校验状态类型对应的异常概率;
对所述异常概率进行有效性校验,并基于有效性校验结果确定所述目标电力设备是否异常。
2.根据权利要求1所述的方法,其特征在于,所述获取用于状态识别的训练完成的识别模型,包括:
获取对样本电力设备采集得到的训练数据,所述训练数据为所述样本电力设备处于异常状态时的电能质量数据;
确定与各个训练数据分别对应的训练频谱图,并基于所述训练频谱图,构建样本库;
构建初始的识别模型,并通过所述样本库对所述初始的识别模型进行训练,得到训练完成的识别模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述训练频谱图,构建样本库,包括:
对各个训练数据进行波形识别,得到波形识别结果,并将波形识别结果表征为存在正常波形的训练数据作为待截取数据;
从所述待截取数据中截取正常波形,并确定与所述正常波形对应的标准训练频谱图;
获取噪声数据,并基于所述噪声数据,构建新增电能质量数据;
确定与所述新增电能质量数据对应的新增训练频谱图;
将所述训练频谱图、所述标准训练频谱图、所述新增训练频谱图均作为样本频谱图,并基于所述样本频谱图构建样本库。
4.根据权利要求1所述的方法,其特征在于,所述确定与所述训练完成的识别模型对应的模型准确率,包括:
获取对样本电力设备采集得到的测试数据,所述测试数据为所述样本电力设备处于异常状态时的电能质量数据;
确定与所述测试数据对应的测试标签,所述测试标签表征样本电力设备的状态类型;
确定与所述测试数据对应的测试频谱图,并通过所述训练完成的识别模型对所述测试频谱图进行状态识别,得到与所述测试数据对应的训练状态类型;
基于所述测试标签和所述训练状态类型,确定与所述训练完成的识别模型对应的模型准确率。
5.根据权利要求1所述的方法,其特征在于,所述基于所述标注准确率和所述模型准确率,通过累计概率分布计算,得到与所述待校验状态类型对应的异常概率,包括:
将所述模型准确率和所述标注准确率的乘积,作为状态概率,所述状态概率表征正确识别状态的概率;
确定与所述待校验状态类型对应的目标频谱图的目标数量;
对所述状态概率和所述目标数量进行累计概率分布计算,确定与所述待校验状态类型对应的异常概率。
6.根据权利要求1所述的方法,其特征在于,所述对所述异常概率进行有效性校验,包括:
将与待校验状态类型对应的异常概率与概率阈值进行比较,得到有效性校验结果。
7.一种基于电能质量数据的设备异常状态通用识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取对目标电力设备采集得到的多个目标数据;其中,所述目标数据为所述目标电力设备在目标时间段内的电能质量数据;
第二获取模块,用于获取用于状态识别的训练完成的识别模型、以及训练标签中各个状态标签分别对应的标注准确率,并确定与所述训练完成的识别模型对应的模型准确率;
状态识别模块,用于确定与各目标数据分别对应的目标频谱图,并通过所述训练完成的识别模型对各目标频谱图分别进行状态识别,得到对应的预测状态类型;
计算模块,用于在存在预测状态类型为异常状态的情况下,将与所述异常状态相匹配的状态标签作为待校验状态类型,并基于所述标注准确率和所述模型准确率,通过累计概率分布计算,得到与所述待校验状态类型对应的异常概率;
确定模块,用于对所述异常概率进行有效性校验,并基于有效性校验结果确定所述目标电力设备是否异常。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444472.0A CN115047262A (zh) | 2022-04-26 | 2022-04-26 | 基于电能质量数据的设备异常状态通用识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444472.0A CN115047262A (zh) | 2022-04-26 | 2022-04-26 | 基于电能质量数据的设备异常状态通用识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115047262A true CN115047262A (zh) | 2022-09-13 |
Family
ID=83156986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210444472.0A Pending CN115047262A (zh) | 2022-04-26 | 2022-04-26 | 基于电能质量数据的设备异常状态通用识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115047262A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188962A (zh) * | 2023-04-27 | 2023-05-30 | 南方电网数字电网研究院有限公司 | 电能计量装置的错误识别方法、装置和计算机设备 |
-
2022
- 2022-04-26 CN CN202210444472.0A patent/CN115047262A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188962A (zh) * | 2023-04-27 | 2023-05-30 | 南方电网数字电网研究院有限公司 | 电能计量装置的错误识别方法、装置和计算机设备 |
CN116188962B (zh) * | 2023-04-27 | 2023-09-19 | 南方电网数字电网研究院有限公司 | 电能计量装置的错误识别方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447592B (zh) | 每个特征描述符的在线个性化服务 | |
CN113852603B (zh) | 网络流量的异常检测方法、装置、电子设备和可读介质 | |
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN113409284B (zh) | 电路板故障检测方法、装置、设备以及存储介质 | |
US20200065664A1 (en) | System and method of measuring the robustness of a deep neural network | |
CN116167010B (zh) | 具有智能迁移学习能力的电力***异常事件快速识别方法 | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
US9613271B2 (en) | Determining severity of a geomagnetic disturbance on a power grid using similarity measures | |
CN113723861A (zh) | 异常用电行为检测方法、装置、计算机设备和存储介质 | |
CN113537151A (zh) | 图像处理模型的训练方法及装置、图像处理方法及装置 | |
CN115047262A (zh) | 基于电能质量数据的设备异常状态通用识别方法 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
US11762730B2 (en) | Selection of outlier-detection programs specific to dataset meta-features | |
Rieke et al. | Improved statistical test for nonstationarity using recurrence time statistics | |
CN116226770A (zh) | 一种时间序列数据异常检测方法及装置 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN113657623B (zh) | 电力设备状态诊断效果确定方法、装置、终端及存储介质 | |
EP3850495A1 (en) | Computer-implemented method and electronic device for detecting influential components in a netlist representing an electrical circuit | |
CN118094410A (zh) | 非侵入式负荷分类方法、装置、计算机设备和存储介质 | |
CN115267614B (zh) | 一种用于智能变压器的检测方法及*** | |
CN117971689A (zh) | 脚本质量测试方法、装置、设备和存储介质 | |
CN117132847A (zh) | 基于域泛化的电力表记破损图像自标注模型训练方法 | |
CN115758100A (zh) | 变压器铁芯夹件断线预警方法、装置和计算机设备 | |
CN116087702A (zh) | 电连接器的寿命评估方法、装置、设备和存储介质 |
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 |