应用深度学习和改进Apriori算法综合的一次设备风险预测的方法技术

本发明专利技术是一种应用深度学习和改进Apriori算法综合的一次设备风险预测的方法。包括有如下步骤：1）深度学习进行预测；2）改进Apriori算法；3）基于MapReduce的并行化Apriori算法的实现；4）将深度学习算法得到的结果和Apriori的结果结合。本发明专利技术所改进的算法，可以自由定义兴趣项、频数阀值，从而提高大量数据挖掘的效率，同时避免无效的输出项目。该特征可从方法输入、输出看出。本发明专利技术采用了深度学习算法对海量设备运行历史数据进行模型学习和预测。本发明专利技术利用分布式并行架构实现改进后的Apriori算法，进一步提升了计算的效率，可保证未来计算规模增大的情况下扩展计算能力，以在准实时的时间范围内给出风险预测结果。

Application of deep learning and improved Apriori algorithm for one device risk prediction

The present invention is a method of using the depth learning and improving the Apriori algorithm to predict the equipment risk. It includes the following steps: 1) deep learning prediction; 2) improve the Apriori algorithm; 3) realize the parallel Apriori algorithm based on MapReduce; 4) combine the results obtained by the deep learning algorithm with the Apriori results. The improved algorithm can freely define interest items and frequency thresholds, thereby improving the efficiency of massive data mining and avoiding invalid output items. This feature can be seen from the input and output of the method. The invention uses the depth learning algorithm to model and predict the historical data of the mass equipment. The invention realizes the improved Apriori algorithm by using distributed parallel architecture, further improves the computation efficiency, and ensures the expanded computing power in the case of increasing future computing scale, so as to provide risk prediction results in a quasi real-time time range.

【技术实现步骤摘要】
应用深度学习和改进Apriori算法综合的一次设备风险预测的方法
本专利技术属于电力调度自动化领域，特别是一种涉及设备风险预测方法，属于应用深度学习和改进Apriori算法综合的一次设备风险预测的方法创新技术。
技术介绍
随着国民经济和电力系统的发展，对电力系统安全可靠运行的要求不断提高，电力系统在线状态监测及状态检修已经成为重要的科学研究和工程应用方向。电力设备在线状态监测可以实时监控电力设备在实际运行状况下的健康状况，为系统的安全稳定运行提供保证。通过利用多种在线监测手段，综合设备的应用环境、气候等因素，对设备状态进行纵向（历史和现状）、横向（同类设备的运行状况）的比较分析，识别故障的早期征兆，并对故障部位、故障严重程度及发展趋势作出判断并预警，确定最佳检修时机，从而实现配电设备全寿命周期管理。随着各类状态监测数据、运行数据、环境数据的增加，如何利用这些数据，对设备未来发生问题的风险进行分析，为计划检修、资源分配等提供指导，成为一个重要的问题。风险是由故障概率和故障后果共同决定的。通过对设备数据、运行数据以及巡检信息等，基于设备状态评估规则进行评估，计算设备的故障风险概率。传统被本文档来自技高网...

【技术保护点】
一种应用深度学习和改进Apriori算法综合的一次设备风险预测的方法,其特征在于包括有如下步骤：1）深度学习进行预测；2）改进

【技术特征摘要】
1.一种应用深度学习和改进Apriori算法综合的一次设备风险预测的方法,其特征在于包括有如下步骤：1）深度学习进行预测；2）改进算法；3）基于MapReduce的并行化Apriori算法的实现；4）将深度学习算法得到的结果和Apriori的结果结合。2.根据权利要求1所述的应用深度学习和改进Apriori算法综合的一次设备风险预测的方法,其特征在于上述步骤1）深度学习进行预测的具体方法如下：建立深度架构，底层是由GBRBM与RBM组成的DBN的架构，用于非监督的特征学习；顶层加入了一个回归层用作预测，在DBN预训练以后，顶层再通过有标签的数据进行BP算法去做参数调整，这种方法要强于以往传统神经网络直接用BP算法做梯度下降调整，直观的原因为：DBN预训练后的参数已经接近于训练好，那么再做BP算法，只需要在已知参数里面进行一个局部的搜索，无论训练与收敛速度都快很多，此深度学习模型的训练步骤如下：11）把设备历史数据进行归一化到[0，1]之间，那么输入向量X便可以表示为：X={xt|it∈T，i∈N}式中：Xti表示为第i类设备在第t时间的归一化后的数据，初始化训练次数、学习速率；12）把向量X作为输入，通过CD过程训练第一层的GBRBM；13）把GBRBM的输出作为上层的RBM的输入，训练RBM；14）把RBM的输出作为上层的RBM的输入，训练RBM；15）重复执行步骤14），直到执行完给定的层数；16）最后一个RBM的输出作为顶层回归层的输入，随机初始化其参数；17）通过监督式BP方法微调这个架构的参数，最后通过训练得出的模型就可以作为预测模型，当给定一组输入向量后，便得到对应设备的预测输出。3.根据权利要求1所述的应用深度学习和改进Apriori算法综合的一次设备风险预测的方法,其特征在于上述步骤2）改进算法的具体方法如下：通过引入兴趣项、频数阀值，来提高挖掘的效率；通过动态挖掘数据关系来计算，改进后较传统算法在时空复杂度上有较大的提高；21）提出兴趣项的各个子集的项频数，具体包括如下步骤：211）输入兴趣项和挖掘事务数据库；212）扫描事务数据库；213）记录各个子集的项频数和数据库中记录的总条数，保存子集；22）找出关联关系，具体包括如下步骤：221）输入和，把转化为222）扫描保存的兴趣项子集，找出频繁项集，删除频数小于的子集223）在频繁项集中，找出置信度大于的关联关系，并输出。4.根据权利要求1所述的应用深度学习和改进Apriori算法综合的一次设备风险预测的方法,其特征...

【专利技术属性】
技术研发人员：梁寿愚，方文崇，黄雄，何超林，朱文，周志烽，
申请(专利权)人：中国南方电网有限责任公司，
类型：发明
国别省市：广东,44