CN115859196A - 基于scgwo-df的智能电表故障诊断方法与*** - Google Patents
基于scgwo-df的智能电表故障诊断方法与*** Download PDFInfo
- Publication number
- CN115859196A CN115859196A CN202310047922.7A CN202310047922A CN115859196A CN 115859196 A CN115859196 A CN 115859196A CN 202310047922 A CN202310047922 A CN 202310047922A CN 115859196 A CN115859196 A CN 115859196A
- Authority
- CN
- China
- Prior art keywords
- wolf
- level
- grade
- iteration
- round
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 45
- 241000282461 Canis lupus Species 0.000 claims abstract description 327
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 34
- 241000160777 Hipparchia semele Species 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 110
- 238000005457 optimization Methods 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 7
- 229930182670 Astin Natural products 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005315 distribution function Methods 0.000 abstract description 2
- 238000007637 random forest analysis Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 102100038591 Endothelial cell-selective adhesion molecule Human genes 0.000 description 2
- 101000882622 Homo sapiens Endothelial cell-selective adhesion molecule Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及故障诊断技术领域,公开了一种基于SCGWO‑DF的智能电表故障诊断方法与***,所述故障诊断方法包括:获取电表的运行数据;以及将所述运行数据输入基于改进灰狼算法的深度森林模型,以输出与所述运行数据相对应的故障类型,其中,所述改进灰狼算法是基于动态权重策略的灰狼算法。本发明通过综合考虑改进灰狼算法的寻优效率、深度森林算法的分类效果和智能电表的故障数据特点,来诊断出电表的各种故障类型(例如,智能电表的小样本数据的故障类型),不仅可提升模型的训练效率,还可极大地提高诊断结果的精度。
Description
技术领域
本发明涉及故障诊断技术领域,具体地涉及一种基于SCGWO-DF的智能电表故障诊断方法与***。
背景技术
智能电表在现代电力***中承担着原始电能数据采集、计量、传输的任务,对电网实现智能化、信息化、自动化都起着重要的支撑作用。通过智能电表这一媒介,现代电力网的关键信息都可以被深度挖掘,因此智能电表正常工作是智能电网高质量运行的关键。
智能电表发生故障时,维修人员的迅速维护对电网的安全稳定运行至关重要,然而实际操作中,维修人员往往会因为无法准确定位电表故障类型,而贻误维修时机,给整个电网运行带来无法估计的损失。
智能电表故障种类繁多,且故障数据的分布具有不平衡的特点。现有的智能电表故障诊断技术主要采用专家***、故障树、决策树、支持向量机模型诊断等方法,然而现有的诊断技术难以挖掘故障数据更深层次的相关性,尤其是针对智能电表中小样本的故障数据,往往会忽视小样本数据的故障特征,导致诊断结果向大类数据倾斜,故障诊断精度较低。
发明内容
本发明的目的是提供一种基于SCGWO-DF的智能电表故障诊断方法与***,其通过综合考虑改进灰狼算法的寻优效率、深度森林算法的分类效果和智能电表的故障数据特点,来诊断出电表的各种故障类型(例如,智能电表的小样本数据的故障类型),不仅可提升模型的训练效率,还可极大地提高诊断结果的精度。
为了实现上述目的,本发明第一方面提供一种故障诊断方法,所述故障诊断方法包括:获取电表的运行数据;以及将所述运行数据输入基于改进灰狼算法的深度森林模型,以输出与所述运行数据相对应的故障类型,其中,所述改进灰狼算法是基于动态权重策略的灰狼算法。
优选地,所述故障诊断方法还包括:通过以下方式获取所述基于改进灰狼算法的深度森林模型:分别采用训练集中的多组运行数据对所述深度森林模型进行多次训练,以获取由各组运行数据训练得到的深度森林模型中的特征参数组;其中,所述多组运行数据至少包括多个故障类型的运行数据,以及所述特征参数组包括多个特征参数;采用验证集对由各组运行数据训练得到的深度森林模型进行验证,以获取由各组运行数据训练得到的深度森林模型的准确度;采用所述改进灰狼算法对所述深度森林模型中的特征参数组进行迭代优化,并将所述深度森林模型的准确度确定为所述改进灰狼算法的目标函数,以获取迭代优化后的特征参数组;以及将所述迭代优化后的特征参数组作为所述深度森林模型的特征参数。
优选地,所述采用所述改进灰狼算法对所述深度森林模型中的特征参数组进行迭代优化,并将所述深度森林模型的准确度确定为所述改进灰狼算法的目标函数包括:基于与排名第一位、第二位、第三位与其他各位的深度森林模型的准确度相对应的特征参数组,分别确定所述改进灰狼算法中的第一等级狼、第二等级狼、第三等级狼与其他等级狼的初始位置矢量;基于所述第一等级狼、所述第二等级狼、所述第三等级狼与所述其他等级狼的初始位置矢量及所述改进灰狼算法,确定第一轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量;基于第一轮次迭代更新后的所述第一等级狼、所述第二等级狼、所述第三等级狼与所述其他等级狼的位置矢量及所述改进灰狼算法,确定第二轮次至第预设数目轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量;以及将第预设数目轮次迭代更新后的第一等级狼的位置矢量确定为所述迭代优化后的特征参数组。
优选地,确定第t轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量包括:基于第t轮次迭代中的第一收敛因子与第二收敛因子组,确定第t轮次迭代中的寻优路径参数组;基于灰狼算法及所述第t轮次迭代中的寻优路径参数组,确定第t轮次迭代中的每个灰狼分别相对于第一等级狼、第二等级狼与第三等级狼的三个位置矢量;基于所述三个位置矢量之和、第一权重、第t-1轮次迭代更新后的每个灰狼的位置矢量及第二权重,确定第t轮次迭代一次更新中的每个灰狼的位置矢量,以获取第t轮次迭代中的多个一次更新的深度森林模型,其中,所述第一权重与所述第二权重与t相关联,t为正整数,以及所述一次更新的深度森林模型的特征参数组对应于第t轮次迭代一次更新中的每个灰狼的位置矢量;采用验证集对所述多个一次更新的深度森林模型进行验证,以获取所述多个一次更新的深度森林模型的准确度;以及将与当前排名第一位、第二位、第三位与其他各位的深度森林模型的准确度相对应的第t轮次迭代更新中的灰狼的位置矢量更新为第t轮次迭代一次更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。
优选地,所述确定第轮次迭代中的每个灰狼分别相对于第一等级狼、第二等级狼与第三等级狼的三个位置矢量包括:基于所述第/>轮次迭代中的寻优路径参数组及下式,确定第/>轮次迭代中的每个灰狼分别相对于第一等级狼、第二等级狼与第三等级狼的三个位置矢量/>:/>
其中,/>分别为第/>轮次迭代更新后的第一等级狼、第二等级狼与第三等级狼的位置,/>为第轮次迭代更新后的每个灰狼的位置,/>且/>为0-1之间的随数,/>且/>为0-1之间的随机数,以及/>且/>为0-1之间的随机数。
其中,为第/>轮次迭代一次更新后的每个灰狼的位置矢量,/>分别为第/>轮次迭代中的每个灰狼分别相对于第一等级狼、第二等级狼与第三等级狼的三个位置矢量,/>为第一权重且/>,/>为第二权重且/>,/>为0-1之间的随机数,以及/>与/>相关联。
优选地,所述确定第t轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量还包括:基于第t轮次迭代一次更新后的第一等级狼的位置矢量、t及预设位置矢量,确定第t轮次迭代二次更新中的每个灰狼的位置矢量,以获取第t轮次迭代中的多个二次更新的深度森林模型,其中,所述二次更新的深度森林模型的特征参数组对应于第t轮次迭代二次更新中的每个灰狼的位置矢量;采用验证集对所述多个二次更新的深度森林模型进行验证,以获取所述多个二次更新的深度森林模型的准确度;以及将与当前排名第一位、第二位、第三位与其他各位的深度森林模型的准确度相对应的第t轮次迭代二次更新中的灰狼的位置矢量更新为第t轮次迭代二次更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。
通过上述技术方案,本发明创造性地首先获取电表的运行数据,然后将所述运行数据输入基于改进灰狼算法的深度森林模型,以输出与所述运行数据相对应的故障类型,其中,所述改进灰狼算法是基于动态权重策略的灰狼算法,由此,本发明通过综合考虑改进灰狼算法的寻优效率、深度森林算法的分类效果和智能电表的故障数据特点,来诊断出电表的各种故障类型(例如,智能电表的小样本数据的故障类型),不仅可提升模型的训练效率,还可极大地提高诊断结果的精度。
本发明第二方面提供一种故障诊断***,所述故障诊断***包括:获取装置,用于获取电表的运行数据;以及输出装置,用于将所述运行数据输入基于改进灰狼算法的深度森林模型,以输出与所述运行数据相对应的故障类型,其中,所述改进灰狼算法是基于动态权重策略的灰狼算法。
有关本发明实施例提供的故障诊断***的具体细节及益处可参阅上述针对故障诊断方法的描述,于此不再赘述。
本发明第三方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现所述的故障诊断方法。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明一实施例提供的故障诊断方法的流程图;
图2是本发明一实施例提供的获取所述基于改进灰狼算法的深度森林模型的流程图;
图3是本发明一实施例提供的对深度森林模型中的特征参数组进行迭代优化的流程图;
图4是本发明一实施例提供的基于SCGWO算法获得迭代优化后的特征参数组的流程图;以及
图5是本发明一实施例提供的基于SCGWO-DF模型的智能电表故障诊断过程的流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明一实施例提供的故障诊断方法的流程图。如图1所示,所述故障诊断方法可包括:步骤S101,获取电表(例如,智能电表)的运行数据;以及步骤S102将所述运行数据输入基于改进灰狼算法的深度森林模型,以输出与所述运行数据相对应的故障类型。其中,所述改进灰狼算法是基于动态权重策略的灰狼算法。
本实施例将深度森林用于智能电表的故障诊断中。智能电表故障数据具有样本不平衡、数据量小的缺点,采用深度森林(DF)模型对其诊断,可以提升诊断的准确率,并且,将改进灰狼算法(SCGWO算法)用于优化基于深度森林的智能电表故障诊断模型(即深度森林模型),不仅可以提升算法的收敛速度,还可实现提升深度森林模型的诊断结果的准确率。
如图2所示,所述故障诊断方法还包括通过步骤S201-S203获取所述基于改进灰狼算法的深度森林模型:步骤S201,分别采用训练集中的多组运行数据对所述深度森林模型进行多次训练,以获取由各组运行数据训练得到的深度森林模型中的特征参数组;其中,所述多组运行数据至少包括多个故障类型的运行数据,以及所述特征参数组包括多个特征参数;步骤S202,采用验证集对由各组运行数据训练得到的深度森林模型进行验证,以获取由各组运行数据训练得到的深度森林模型的准确度;步骤S203,采用所述改进灰狼算法对所述深度森林模型中的特征参数组进行迭代优化,并将所述深度森林模型的准确度确定为所述改进灰狼算法的目标函数,以获取迭代优化后的特征参数组;以及步骤S204,将所述迭代优化后的特征参数组作为所述深度森林模型的特征参数。
下面分别对步骤S201-S204中的各个步骤进行说明。
步骤S201,分别采用训练集中的多组运行数据对所述深度森林模型进行多次训练,以获取由各组运行数据训练得到的深度森林模型中的特征参数组。
其中,所述多组运行数据至少包括多个故障类型的运行数据。所述多组运行数据除了包括多个故障类型的运行数据之外,还可包括正常运行数据。例如,所述多个故障类型可包括:电源故障、通讯故障、始终故障、烧毁故障、ESAM故障、显示故障等中的至少两项。
其中,所述特征参数组包括多个特征参数。所述特征参数组可包括预设数目个特征参数(例如,三个特征参数:级联层级个数、每个层级中随机森林的个数、完全随机森林个数)。
具体地,首先,采集智能电表的运行数据,并根据故障类型对采集数据进行分类,以形成多组运行数据,其中所述多组运行数据至少覆盖多个故障类型的数据。然后,对多组运行数据进行预处理,以删除异常值或缺失值,并对对每组运行数据进行归一化处理。接着,将处理完之后的每组运行数据按照预设比例(例如,7:3的比例)划分到训练集和测试集中,其中,训练集用来训练基于改进灰狼算法的深度森林模型(即SCGWO-DF诊断模型),测试集用来测试训练好的SCGWO-DF诊断模型。
在获取训练集之后,将训练集送入深度森林模型进行训练。具体地,所述训练集中的每组运行数据对深度森林模型进行一次训练,从而可获取相应的深度森林模型中的特征参数组(例如,级联层级个数、每个层级中随机森林的个数、完全随机森林个数)。
步骤S202,采用验证集对由各组运行数据训练得到的深度森林模型进行验证,以获取由各组运行数据训练得到的深度森林模型的准确度。
由各组运行数据训练得到的所述深度森林模型具有通过步骤S201得到的相应的特征参数组,然后通过步骤S202对各个深度森林模型进行验证,以获取具有相应的特征参数组的深度森林模型的准确度。
步骤S203,采用所述改进灰狼算法对所述深度森林模型中的特征参数组进行迭代优化,并将所述深度森林模型的准确度确定为所述改进灰狼算法的目标函数,以获取迭代优化后的特征参数组。
对于步骤S202,所述采用所述改进灰狼算法对所述深度森林模型中的特征参数组进行迭代优化,并将所述深度森林模型的准确度确定为所述改进灰狼算法的目标函数可包括以下步骤S301-S304,如图3所示。
步骤S301,基于与排名第一位、第二位、第三位与其他各位的所述深度森林模型的准确度相对应的特征参数组,分别确定所述改进灰狼算法中的第一等级狼、第二等级狼、第三等级狼与其他等级狼的初始位置矢量。
在通过步骤S201获取由各组运行数据训练得到的所述深度森林模型中的特征参数组与所述深度森林模型的准确度之后,从其中选出排名前三位的深度森林模型的准确度以及与这三个准确度相对应的三个特征参数组。然后,将与排名第一位的深度森林模型的准确度相对应的特征参数组(例如,级联层级个数、每个层级中随机森林的个数、完全随机森林个数)确定为第一等级狼的初始位置矢量的三个分量;将与排名第二位的深度森林模型的准确度相对应的特征参数组(例如,级联层级个数、每个层级中随机森林的个数、完全随机森林个数)确定为第二等级狼的初始位置矢量的三个分量;将与排名第三位的深度森林模型的准确度相对应的特征参数组(例如,级联层级个数、每个层级中随机森林的个数、完全随机森林个数)确定为第三等级狼的初始位置矢量的三个分量。类似地,可从其中选出其他各位的深度森林模型的准确度相对应的各个特征参数组,然后,将各个特征参数组(例如,级联层级个数、每个层级中随机森林的个数、完全随机森林个数)确定为其他等级狼的初始位置矢量的三个分量。
步骤S302,基于所述第一等级狼、所述第二等级狼、所述第三等级狼与所述其他等级狼的初始位置矢量及所述改进灰狼算法,确定第一轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。
采用动态权重策略方法对灰狼位置更新后,对灰狼位置进行最优值的比较,找到准确度(即适应度值)的当前排名第一位(最好)、排名第二位、排名第三位的灰狼的位置,并赋值给,此步骤称之为横向寻优。通过步骤S302对灰狼种群进行横向多维寻优,比较灰狼种群的父代中的各灰狼的适应度值,再依次比较其下各子代中的各灰狼的适应度值(即在各迭代轮次中,比较各个灰狼的适应度值),得到横向搜索空间上的正向候选最优解。
对于步骤S302(或下述步骤S303),确定第t轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量可包括:基于第t轮次迭代中的第一收敛因子与第二收敛因子组,确定第t轮次迭代中的寻优路径参数组;基于灰狼算法及所述第t轮次迭代中的寻优路径参数组,确定第t轮次迭代中的每个灰狼分别相对于第一等级狼、第二等级狼与第三等级狼的三个位置矢量;基于所述三个位置矢量之和、第一权重、第t-1轮次迭代更新后的每个灰狼的位置矢量及第二权重,确定第t轮次迭代一次更新中的每个灰狼的位置矢量,以获取第t轮次迭代中的多个一次更新的深度森林模型,其中,所述第一权重与所述第二权重与t相关联,t为正整数,以及所述一次更新的深度森林模型的特征参数组对应于第t轮次迭代一次更新中的每个灰狼的位置矢量;采用验证集对所述多个一次更新的深度森林模型进行验证,以获取所述多个一次更新的深度森林模型的准确度;以及将与当前排名第一位、第二位、第三位与其他各位的深度森林模型的准确度相对应的第t轮次迭代更新中的灰狼的位置矢量更新为第t轮次迭代一次更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。
下面分别针对确定第t轮次迭代更新后的每个灰狼的位置矢量中的各个步骤进行说明。
其中,max为所述预设数目(即,最大迭代次数),其可根据实际需要进行合理设置,以及e为自然常数。
其次,所述确定第轮次迭代中的每个灰狼分别相对于第一等级狼、第二等级狼与第三等级狼的三个位置矢量包括:基于所述第/>轮次迭代中的寻优路径参数组及下式,确定第/>轮次迭代中的每个灰狼分别相对于第一等级狼、第二等级狼与第三等级狼的三个位置矢量/>:
其中,/>分别为第/>轮次迭代更新后的第一等级狼、第二等级狼与第三等级狼的位置,/>为第轮次迭代更新后的每个灰狼的位置,/>且/>为0-1之间的随数,/>且为0-1之间的随机数,以及/>且/>为0-1之间的随机数。
需要注意的是,在本发明各个实施例中,当t=1时,第t-1轮次迭代更新后的量(例如,每个灰狼的位置)是指初始量(例如,每个灰狼的初始位置)。
其中,为第/>轮次迭代一次更新后的每个灰狼的位置矢量,/>分别为第/>轮次迭代中的每个灰狼分别相对于第一等级狼、第二等级狼与第三等级狼的三个位置矢量,/>为第一权重且/>,/>为第二权重且/>,/>为0-1之间的随机数,以及/>与/>相关联。
在采用动态权重策略方法对灰狼位置更新之后,将第t轮次迭代一次更新中的每个灰狼的位置矢量代入深度森林模型中的特征参数组,从而获取第t轮次迭代中的多个一次更新的深度森林模型,也就是说,所述一次更新的深度森林模型的特征参数组对应于第t轮次迭代一次更新中的每个灰狼的位置矢量。然后,采用验证集对所述多个一次更新的深度森林模型进行验证,以获取所述多个一次更新的深度森林模型的准确度。
将按照降序排列的所述深度森林模型的准确度所对应的第t轮次迭代一次更新中的各个灰狼的位置矢量更新为第t轮次迭代一次更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。
所述确定第t轮次迭代更新中的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量还包括:基于第t轮次迭代一次更新中的第一等级狼的位置矢量、t及预设位置矢量,确定第t轮次迭代二次更新中的每个灰狼的位置矢量,以获取第t轮次迭代中的多个二次更新的深度森林模型,其中,所述二次更新的深度森林模型的特征参数组对应于第t轮次迭代二次更新中的每个灰狼的位置矢量;采用验证集对所述多个二次更新的深度森林模型进行验证,以获取所述多个二次更新的深度森林模型的准确度;以及将与当前排名第一位、第二位、第三位与其他各位的深度森林模型的准确度相对应的第t轮次迭代二次更新中的灰狼的位置矢量更新为第t轮次迭代二次更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。
也就是说,在执行完横向寻优之后,对进行动态反向学习对灰狼位置进行更新,基于灰狼种群的进行纵向多维寻优,比较灰狼种群的父代中的各灰狼的适应度值,再依次比较其下各子代中的各灰狼的适应度值(即在各迭代轮次中,比较各个灰狼的适应度值),得到纵向搜索空间上的正向候选最优解。
具体地,继续采取动态反向方向学习策略,对灰狼位置进行更新。即,基于第t轮次迭代一次更新后的第一等级狼的位置矢量、t及预设位置矢量,确定第t轮次迭代二次更新后的每个灰狼的位置矢量。
然后,将按照降序排列的所述深度森林模型的准确度所对应的第t轮次迭代二次更新中的各个灰狼的位置矢量更新为第t轮次迭代二次更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。比较每个灰狼的适应度值,并选取适应度值前三的粒子的位置分别赋给α、β和δ狼,此步骤称之为纵向寻优。
上述改进灰狼算法引入了动态权重与纵横交叉寻优的方法,可高效准确地优化深度森林模型的关键参数,进而获取精度非常高的深度森林模型。
步骤S303,基于第一轮次迭代更新后的所述第一等级狼、所述第二等级狼、所述第三等级狼与所述其他等级狼的位置矢量及所述改进灰狼算法,确定第二轮次至第预设数目轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。
可将步骤S302得到的第一轮次迭代更新后的所述第一等级狼、所述第二等级狼、所述第三等级狼与所述其他等级狼的位置矢量作为第二轮次迭代中的各个灰狼的初始位置矢量,具体确定各个轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量的过程可参见上文中关于步骤S302的描述。
步骤S304,将第预设数目轮次迭代更新后的第一等级狼的位置矢量确定为所述迭代优化后的特征参数组。
在通过步骤S303获取第预设数目轮次迭代更新后的各等级狼的位置矢量之后,将第预设数目轮次迭代更新后的第一等级狼的位置矢量作为所述迭代优化后的特征参数组(即特征参数组的最优解)。
步骤S203,将所述迭代优化后的特征参数组作为所述深度森林模型的特征参数。
由于通过基于动态权重策略的灰狼算法(即,改进灰狼算法)获得的迭代优化后的特征参数组,进而基于获得的特征参数组确定深度森林模型,由此,可将最终训练得到的深度深林模型称之为基于改进灰狼算法的深度森林模型(SCGWO-DF模型)。
在通过上述过程获得基于改进灰狼算法的深度森林模型之后,在步骤S102中将通过步骤S101获取的电表的运行数据输入上述基于改进灰狼算法的深度森林模型中,从而可输出相应的故障类型。
上述实施例中的改进灰狼算法通过引入位置确定因子w和纵横交叉寻优方法,不仅保证了全局的寻优能力,而且增强了局部搜索能力,可以提升算法的收敛速度。
现以图4为例对基于改进灰狼算法(SCGWO算法)获得迭代优化后的特征参数组的过程进行说明。
步骤S41:设置SCGWO算法的各项参数:目标函数;种群规模;最大迭代次数max。
步骤S42:使用Circle混沌映射进行灰狼种群初始化。
通过Circle混沌映射将(由各组运行数据训练得到的所述深度森林模型中的)特征参数组映射至种群中的某个灰狼的位置,即特征参数组与灰狼的位置一一对应。
步骤S43:计算每个灰狼的适应度值。
采用验证集对由各组运行数据训练得到的所述深度森林模型进行验证,以确定训练得到的各个深度森林模型的准确度,并将该准确度确定为相应灰狼的适应度值。
步骤S44:采用动态权重策略对灰狼种群进行横向多维寻优。
采用动态权重策略方法对灰狼位置更新后,比较灰狼种群的父代中的各灰狼的适应度值,再依次比较其下各子代中的各灰狼的适应度值(即在各迭代轮次中,比较各个灰狼的适应度值),得到横向搜索空间上的正向候选最优解(即位置矢量)。这相当于获取第t轮次迭代中的多个一次更新的深度森林模型,其中,所述一次更新的深度森林模型的特征参数组对应于第t轮次迭代一次更新中的每个灰狼的位置矢量。然后,采用验证集对所述多个一次更新的深度森林模型进行验证,以获取所述多个一次更新的深度森林模型的准确度。
步骤S45:更新α、β、δ狼及其他等级的狼的位置矢量。
基于所述多个一次更新的深度森林模型的准确度,更新α、β、δ狼(第一等级狼、第二等级狼与第三等级狼)及其他等级的狼的位置矢量。
步骤S46:采用动态反向学习策略对灰狼种群进行纵向多维寻优。
采用动态反向学习策略对灰狼位置更新后,比较灰狼种群的父代中的各灰狼的适应度值,再依次比较其下各子代中的各灰狼的适应度值(即在各迭代轮次中,比较各个灰狼的适应度值),得到纵向搜索空间上的正向候选最优解(即位置矢量)。这相当于获取第t轮次迭代中的多个二次更新的深度森林模型,其中,所述二次更新的深度森林模型的特征参数组对应于第t轮次迭代二次更新中的每个灰狼的位置矢量。然后,采用验证集对所述多个二次更新的深度森林模型进行验证,以获取所述多个二次更新的深度森林模型的准确度。
步骤S47:更新α、β、δ狼及其他等级的狼的位置矢量。
基于所述多个一次更新的深度森林模型的准确度,更新α、β、δ狼(第一等级狼、第二等级狼与第三等级狼)及其他等级的狼的位置矢量。
步骤S48:判断t≤max是否成立,若是,则执行步骤S49;否则,执行步骤S411。
步骤S410:t=t+1。
步骤S411:输出α狼的位置及其适应度值。
当到达寻优迭代次数阈值时输出空间最优解。
上述改进灰狼算法(SCGWO)融合了动态权重策略与纵横交叉寻优的灰狼优化算法,不仅保证了全局的寻优能力,而且增强了局部搜索能力,可以加快对深度森林诊断模型参数的优化,进而获取精度非常高的深度森林模型。
现以图5为例对基于SCGWO-DF模型的智能电表故障诊断过程进行说明。
步骤S51:采集智能电表故障数据。
步骤S52:故障类型划分。
智能电表故障类型可包括:电源故障、通讯故障、始终故障、烧毁故障、ESAM故障、显示故障等。将数据按照故障类型进行划分。
步骤S53:异常值、归一化处理。
对数据进行预处理(例如删除异常值或缺失值),然后对每组数据按照下式进行归一化处理:
步骤S54:划分数据集。
将处理之后的数据按照7:3的比例划分训练集和测试集,将训练集送入深度森林模型进行训练,在模型训练时,采用10折交叉验证的方法,以此来保证模型训练的可靠性。其中,训练集用来训练SCGWO-DF诊断模型,测试集用来测试训练好的SCGWO-DF诊断模型。
步骤S55:多粒度扫描。
对数据集进行多粒度扫描。多粒度扫描是为了增强级联森林,为了对特征做更多的处理的一种技术手段。
步骤S56:构建深度森林模型,并设置改进灰狼算法的优化参数与目标参数。
构建深度森林模型,将深度森林模型的级联层级个数、每个层级中随机森林的个数、完全随机森林个数共三个关键参数作为SCGWO算法的优化参数;以每次模型训练的准确度/准确率作为SCGWO的目标函数。
步骤S57:计算第t轮次迭代得到的诊断模型的准确度与优化参数。
步骤S58:判断t>max是否成立,若是,则执行步骤S59;否则,执行步骤S55。
步骤S55- S58是通过SCGWO算法进行迭代,直到满足最大迭代次数,寻优停止。
步骤S59:保存DF模型参数。
输出深度森林(DF)模型的优化后的关键参数。
步骤S510:将DF模型参数代入DF模型以得到训练好的诊断模型。
将SCGWO算法优化得到的三个关键参数带回深度森林,以得到最终的智能电表故障诊断模型(SCGWO-DF模型)。
步骤S511:输出诊断结果。
可将智能电表实时数据简单处理后,输入该诊断模型即可得到该智能电表的运行状态,同时可得到诊断模型的诊断性能。
与现有的深度森林模型的较长时间训练相比,本实施例经过改进灰狼优化算法的不断寻优,可高效准确地优化深度森林的关键参数,最终得到诊断精度较高的深度森林诊断模型,其旨在为提升智能电表故障诊断精度提供解决方案,全面支撑智能电表故障诊断技术在智能电网建设中的规模化应用。
综上所述,本发明创造性地首先获取电表的运行数据,然后将所述运行数据输入基于改进灰狼算法的深度森林模型,以输出与所述运行数据相对应的故障类型,其中,所述改进灰狼算法是基于动态权重策略的灰狼算法,由此,本发明通过综合考虑改进灰狼算法的寻优效率、深度森林算法的分类效果和智能电表的故障数据特点,来诊断出电表的各种故障类型(例如,智能电表的小样本数据的故障类型),不仅可提升模型的训练效率,还可极大地提高诊断结果的精度。
本发明一实施例还提供一种故障诊断***,所述故障诊断***包括:获取装置,用于获取电表的运行数据;以及输出装置,用于将所述运行数据输入基于改进灰狼算法的深度森林模型,以输出与所述运行数据相对应的故障类型,其中,所述改进灰狼算法是基于动态权重策略的灰狼算法。
有关本发明实施例提供的故障诊断***的具体细节及益处可参阅上述针对故障诊断方法的描述,于此不再赘述。
本发明一实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现所述的故障诊断方法。
所述机器可读存储介质包括但不限于相变内存 (相变随机存取存储器的简称,Phase ChangeRandom Access Memory,PRAM,亦称为RCM/PCRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体(Flash Memory)或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (12)
1.一种故障诊断方法,其特征在于,所述故障诊断方法包括:
获取电表的运行数据;以及
将所述运行数据输入基于改进灰狼算法的深度森林模型,以输出与所述运行数据相对应的故障类型,
其中,所述改进灰狼算法是基于动态权重策略的灰狼算法。
2.根据权利要求1所述的故障诊断方法,其特征在于,所述故障诊断方法还包括:通过以下方式获取所述基于改进灰狼算法的深度森林模型:
分别采用训练集中的多组运行数据对所述深度森林模型进行多次训练,以获取由各组运行数据训练得到的深度森林模型中的特征参数组;其中,所述多组运行数据至少包括多个故障类型的运行数据,以及所述特征参数组包括多个特征参数;
采用验证集对由各组运行数据训练得到的深度森林模型进行验证,以获取由各组运行数据训练得到的深度森林模型的准确度;
采用所述改进灰狼算法对所述深度森林模型中的特征参数组进行迭代优化,并将所述深度森林模型的准确度确定为所述改进灰狼算法的目标函数,以获取迭代优化后的特征参数组;以及
将所述迭代优化后的特征参数组作为所述深度森林模型的特征参数。
3.根据权利要求2所述的故障诊断方法,其特征在于,所述采用所述改进灰狼算法对所述深度森林模型中的特征参数组进行迭代优化,并将所述深度森林模型的准确度确定为所述改进灰狼算法的目标函数包括:
基于与排名第一位、第二位、第三位与其他各位的深度森林模型的准确度相对应的特征参数组,分别确定所述改进灰狼算法中的第一等级狼、第二等级狼、第三等级狼与其他等级狼的初始位置矢量;
基于所述第一等级狼、所述第二等级狼、所述第三等级狼与所述其他等级狼的初始位置矢量及所述改进灰狼算法,确定第一轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量;
基于第一轮次迭代更新后的所述第一等级狼、所述第二等级狼、所述第三等级狼与所述其他等级狼的位置矢量及所述改进灰狼算法,确定第二轮次至第预设数目轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量;以及
将第预设数目轮次迭代更新后的第一等级狼的位置矢量确定为所述迭代优化后的特征参数组。
4.根据权利要求3所述的故障诊断方法,其特征在于,确定第t轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量包括:
基于第t轮次迭代中的第一收敛因子与第二收敛因子组,确定第t轮次迭代中的寻优路径参数组;
基于灰狼算法及所述第t轮次迭代中的寻优路径参数组,确定第t轮次迭代中的每个灰狼分别相对于第一等级狼、第二等级狼与第三等级狼的三个位置矢量;
基于所述三个位置矢量之和、第一权重、第t-1轮次迭代更新后的每个灰狼的位置矢量及第二权重,确定第t轮次迭代一次更新中的每个灰狼的位置矢量,以获取第t轮次迭代中的多个一次更新的深度森林模型,其中,所述第一权重与所述第二权重与t相关联,t为正整数,以及所述一次更新的深度森林模型的特征参数组对应于第t轮次迭代一次更新中的每个灰狼的位置矢量;
采用验证集对所述多个一次更新的深度森林模型进行验证,以获取所述多个一次更新的深度森林模型的准确度;以及
将与当前排名第一位、第二位、第三位与其他各位的深度森林模型的准确度相对应的第t轮次迭代更新中的灰狼的位置矢量更新为第t轮次迭代一次更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。
10.根据权利要求4所述的故障诊断方法,其特征在于,所述确定第t轮次迭代更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量还包括:
基于第t轮次迭代一次更新后的第一等级狼的位置矢量、t及预设位置矢量,确定第t轮次迭代二次更新中的每个灰狼的位置矢量,以获取第t轮次迭代中的多个二次更新的深度森林模型,其中,所述二次更新的深度森林模型的特征参数组对应于第t轮次迭代二次更新中的每个灰狼的位置矢量;
采用验证集对所述多个二次更新的深度森林模型进行验证,以获取所述多个二次更新的深度森林模型的准确度;以及
将与当前排名第一位、第二位、第三位与其他各位的深度森林模型的准确度相对应的第t轮次迭代二次更新中的灰狼的位置矢量更新为第t轮次迭代二次更新后的第一等级狼、第二等级狼、第三等级狼与其他等级狼的位置矢量。
11.一种故障诊断***,其特征在于,所述故障诊断***包括:
获取装置,用于获取电表的运行数据;以及
输出装置,用于将所述运行数据输入基于改进灰狼算法的深度森林模型,以输出与所述运行数据相对应的故障类型,
其中,所述改进灰狼算法是基于动态权重策略的灰狼算法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-10中任一项所述的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310047922.7A CN115859196A (zh) | 2023-01-31 | 2023-01-31 | 基于scgwo-df的智能电表故障诊断方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310047922.7A CN115859196A (zh) | 2023-01-31 | 2023-01-31 | 基于scgwo-df的智能电表故障诊断方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115859196A true CN115859196A (zh) | 2023-03-28 |
Family
ID=85657436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310047922.7A Pending CN115859196A (zh) | 2023-01-31 | 2023-01-31 | 基于scgwo-df的智能电表故障诊断方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859196A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090063062A1 (en) * | 2007-08-22 | 2009-03-05 | Yuzo Takamatsu | Fault test apparatus and method for testing semiconductor device under test using fault excitation function |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111245365A (zh) * | 2020-01-09 | 2020-06-05 | 南京工业大学 | 基于动态加权深度森林的光伏组件故障诊断方法 |
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、***及电子装置 |
CN112052934A (zh) * | 2020-09-08 | 2020-12-08 | 江南大学 | 一种基于改进灰狼优化算法的电机轴承故障诊断方法 |
CN113190931A (zh) * | 2021-05-28 | 2021-07-30 | 辽宁大学 | 一种改进灰狼优化dbn-elm的亚健康状态识别方法 |
CN114781573A (zh) * | 2022-03-17 | 2022-07-22 | 上海电机学院 | 一种基于改进灰狼算法优化的变压器故障诊断方法 |
-
2023
- 2023-01-31 CN CN202310047922.7A patent/CN115859196A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090063062A1 (en) * | 2007-08-22 | 2009-03-05 | Yuzo Takamatsu | Fault test apparatus and method for testing semiconductor device under test using fault excitation function |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111245365A (zh) * | 2020-01-09 | 2020-06-05 | 南京工业大学 | 基于动态加权深度森林的光伏组件故障诊断方法 |
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、***及电子装置 |
CN112052934A (zh) * | 2020-09-08 | 2020-12-08 | 江南大学 | 一种基于改进灰狼优化算法的电机轴承故障诊断方法 |
CN113190931A (zh) * | 2021-05-28 | 2021-07-30 | 辽宁大学 | 一种改进灰狼优化dbn-elm的亚健康状态识别方法 |
CN114781573A (zh) * | 2022-03-17 | 2022-07-22 | 上海电机学院 | 一种基于改进灰狼算法优化的变压器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703057B (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN110968069B (zh) | 风力发电机组的故障预测方法、相应的装置及电子设备 | |
CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与*** | |
CN104408907B (zh) | 具有在线优化能力的高速公路交通事件持续时间预测方法 | |
WO2015166637A1 (ja) | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 | |
EP2562901B1 (en) | Unit commitment for wind power generation | |
CN109947652A (zh) | 一种软件缺陷预测的改进排序学习方法 | |
CN105224738B (zh) | Lssvm非高斯脉动风速预测方法 | |
CN113887916A (zh) | 一种配电网线损动态量化评估方法及*** | |
Ruiz et al. | Storms prediction: Logistic regression vs random forest for unbalanced data | |
CN117236278B (zh) | 一种基于数字孪生技术的芯片生产仿真方法及*** | |
WO2015145978A1 (ja) | エネルギー量推定装置、エネルギー量推定方法、及び、記録媒体 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN115980826A (zh) | 一种基于加权的元启发式组合模型的岩爆烈度预测方法 | |
CN116862209B (zh) | 一种新能源汽车充电设施管理方法及*** | |
Yang et al. | Assessment of equipment operation state with improved random forest | |
CN115859196A (zh) | 基于scgwo-df的智能电表故障诊断方法与*** | |
CN117350897A (zh) | 一种考虑空气湿度的转换功率预测的方法和*** | |
CN116433050B (zh) | 应用于农业大数据管理***的异常报警方法及*** | |
CN117408394A (zh) | 电力***的碳排放因子预测方法、装置及电子设备 | |
CN117407665A (zh) | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与*** | |
JP7213018B2 (ja) | 情報出力装置、情報出力方法、およびプログラム | |
Liu et al. | Dynamic security assessment of western Danish power system based on ensemble decision trees | |
CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 |
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: 20230328 |