一种基于1D-CNN的异常数据判别方法及系统技术方案

本发明专利技术公开了一种基于1D

【技术实现步骤摘要】
一种基于1D
‑
CNN的异常数据判别方法及系统


[0001]本专利技术涉及低压电流互感器检定数据判别
，更具体地，涉及一种基于1D
‑
CNN的异常数据判别方法及系统。

技术介绍

[0002]低压电流互感器用于0.4kV配电线路中的电能计量。为了保证电能贸易结算的公平公正，低压电流互感器必须经检定合格后才能在现场进行安装和投运。随着我国经济的快速发展，各个地区对电力的需求与日俱增，计量用低压电流互感器的使用量也同步迅速增加。传统的手工方式检定低压电流互感器，工作效率较低，运营成本较高，难以保证检定标准和检定结果的高度一致。针对流水线研制特定的核查标准，同正常试品一样上流水线检定，并根据其在流水线上的检定数据和控制图反映流水线计量性能，使流水线的测量过程始终处于受控状态，给计量监督工作提供了强有力的数据支撑。
[0003]现有技术的控制图方法用于工业生产及开发应用，而现在控制图方法也广泛地应用于大范围的服务和辅助活动中。其主要用途是提供一种手段，以评估生产运行或管理过程是否处于“统计控制状态”。最初建立的控制图方法用于工业生产及开发应用，而现在控制图方法也广泛地应用于大范围的服务和辅助活动中。
[0004]因此，需要一种技术，以实现对低压电流互感器测量结果的异常数据进行判别。

技术实现思路

[0005]本专利技术技术方案提供一种基于1D
‑
CNN的异常数据判别方法及系统，以解决如何对低压电流互感器测量结果的计量数据进行判别。/>[0006]为了解决上述问题，本专利技术提供了一种基于1D
‑
CNN的异常数据判别方法，所述方法包括：
[0007]建立一维卷积神经网络模型，确定所述一维积神经网络模型的结构；
[0008]对所述一维卷积神经网络模型进行训练，基于训练后的所述一维卷积神经网络模型判别样本数据中的初始异常数据；
[0009]对所述初始异常数据进行精度评估，基于评估结果，确定最终异常数据。
[0010]优选地，所述一维积神经网络模型包括：卷积层、池化层和全连接层；
[0011]所述卷积层通过训练得到满足损失函数最小的一组最优卷积核，基于所述最优卷积核进行样本数据的特征提取，获取提取特征；
[0012]通过池化层从所述卷积层中提取出所述样本数据的特征提取中的主要特征；
[0013]通过池化层确定所述卷积层中提取的所述提取特征的主要特征；
[0014]通过所述全连接层对所述主要特征进行处理，输出样本数据的分类结果。
[0015]优选地，所述卷积层的运算公式为：
[0016][0017]f
r
(z)＝max(z,0)
ꢀꢀ
(2)
[0018]公式(1)中：f
r
为激活函数ReLu函数，X∈R
d
为输入，d为输入数据特征的个数，*表示一维卷积运算；表示由卷积核生成的第j个特征映射，j∈[1,n
c
]，n
c
表示卷积核个数(多个卷积核可生成多个特征映射，并联后构成卷积层)；卷积核为一个权值矩阵，其中m为卷积核尺寸，对于时间序列，m表示提取时序特征的局部时间窗宽度；b为偏置；这里采用深度学习界主流激活函数ReLu，它可以加速模型收敛，增强模型的稀疏表示。
[0019]公式(2)中：f
r
(z)为激活函数，z表示激活函数的输入，用于对经卷积运算后的数据进行非线性化。
[0020]优选地，所述池化层的运算公式为：
[0021][0022][0023]池化(pooling)运算如公式(3)所示，用于捕捉卷积层序列特征的最有用信息，形成池化层。池化运算通常分为平均池化和最大池化，本文采用最大池化(max
‑
pooling)，可将序列长度减半，表示池化层的第k个特征，表示卷积层的第2k
‑
1个特征，表示卷积层的第2k个特征，表示卷积层的特征。当最后一次采用池化运算时，采用全局最大池化(global max
‑
pooling)，如式(4)所示，捕获最有用全局时序信息，序列长度缩减为1，表示最后一层池化层的输出。
[0024]优选地，所述全连接层的运算公式为：
[0025]a
fc
＝f
r
(a
p,last
W
fc
+b)
ꢀꢀ
(5)
[0026]公式(5)中，f
r
为激活函数ReLu函数，W
fc
∈R
nfc
为全连接层的权重矩阵，a
p,last
为最后一层池化层的输出，a
fc
为全连接层的输出，b为偏置，对于二分类问题，输出单元数为2，经全连接层将样本数据的分类结果进行输出。
[0027][0028]f
σ
(z)＝1/(1+e
‑
z
)
ꢀꢀ
(7)
[0029]公式(6)中：f
σ
为sigmoid激活函数，a
fc
为全连接层的输出，W
fc
为权重，b为偏置，激活函数f
r
(z)为sigmoid函数。最终输出分类结果id函数。最终输出分类结果表示属于不同类别的概率；
[0030]公式(7)中：z为激活函数的输入。
[0031]优选地，所述卷积层为双卷积层，所述卷积层的卷积核尺寸为3，卷积核个数为128，激活函数为Relu函数；
[0032]所述全连接层包括128个神经元。
[0033]优选地，所述对所述一维卷积神经网络模型进行训练，包括：
[0034]将样本数据按预设的比例分为训练集、验证集以及测试集；
[0035]通过所述训练集对所述一维卷积神经网络模型的参数进行优化；所述参数包括：卷积核参数偏置b,全连接层参数权重W
fc
；
[0036]通过所述验证集对所述一维卷积神经网络模型的超参数进行调整；所述超参数包括：学习率、分批输入的尺寸、所述一维积神经网络模型的结构。
[0037]基于本专利技术的另一方面，本专利技术提供一种基于1D
‑
CNN的异常数据判别系统，所述系统包括：
[0038]初始单元，用于建立一维卷积神经网络模型，确定所述一维积神经网络模型的结构；
[0039]训练单元，用于对所述一维卷积神经网络模型进行训练，基于训练后的所述一维卷积神经网络模型判别样本数据中的初始异常数据；
[0040]结果单元，用于对所述初始异常数据进行精度评估，基于评估结果，确定最终异常数据。
[0041]优选地，所述一维积神经网络模型包括：卷积层、池化层和全连接层；
[0042]所述卷积层通过训练得到满足损失函数最小的一组最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于1D
‑
CNN的异常数据判别方法，所述方法包括：建立一维卷积神经网络模型，确定所述一维积神经网络模型的结构；对所述一维卷积神经网络模型进行训练，基于训练后的所述一维卷积神经网络模型判别样本数据中的初始异常数据；对所述初始异常数据进行精度评估，基于评估结果，确定最终异常数据。2.根据权利要求1所述的方法，所述一维积神经网络模型包括：卷积层、池化层和全连接层；所述卷积层通过训练得到满足损失函数最小的一组最优卷积核，基于所述最优卷积核进行样本数据的特征提取，获取提取特征；通过池化层从所述卷积层中提取出所述样本数据的特征提取中的主要特征；通过池化层确定所述卷积层中提取的所述提取特征的主要特征；通过所述全连接层对所述主要特征进行处理，输出样本数据的分类结果。3.根据权利要求2所述的方法，所述卷积层的运算公式为：f
r
(z)＝max(z,0)
ꢀꢀꢀꢀ
(2)公式(1)中：f
r
为激活函数ReLu函数，X∈R
d
为输入，d为输入数据特征的个数，*表示一维卷积运算；表示由卷积核生成的第j个特征映射，j∈[1,n
c
]，n
c
表示卷积核个数，卷积核为一个权值矩阵，b为偏置；公式(2)中：f
r
(z)为激活函数，z表示激活函数的输入，用于对经卷积运算后的数据进行非线性化。4.根据权利要求2所述的方法，所述池化层的运算公式为：算公式为：公式(3)中：表示池化层的第k个特征，表示卷积层的第2k
‑
1个特征，表示卷积层的第2k个特征，表示卷积层的特征；公式(4)中：表示卷积层的特征，表示最后一层池化层的输出。5.根据权利要求2所述的方法，所述全连接层的运算公式为：a
fc
＝f
r
(a
p,last
W
fc
+b)
ꢀꢀꢀꢀ
(5)公式(5)中，f
r
为激活函数ReLu函数，W
fc
∈R
nfc
为全连接层的权重矩阵，a
p,last
为最后一层池化层的输出，a
fc
为全连接层的输出，b为偏置，对于二分类问题，输出单元数为2，经全连接层将样本数据的分类结果进行输出；f
σ
(z)＝1/(1+e
‑
z
)
ꢀꢀꢀꢀ
(7)公式(6)中：f
σ
为sigmoid激活函数，a
fc
为全连接层的输出，W
fc
为权重，b为偏置，激活函数f
r
(z)为sigmoid函数。最终输出分类结果(z)为sigmoid函数。最终输出分类结果表示属于不同类别的概率；
公式(7)中：z为激活函数的输入。6.根据权利要求2所述的方法，所述卷积层为双卷积层，所述卷积层的卷积核尺寸为3，卷积核个数为128，激活函数为Relu函数；所述全连接层包括128个神经元。7.根据权利要求1所述的方法，所述对所述一维卷积神经网络模型进行训练，包括：将样本数据按预设的比例分为训练集、验证集以及测试集；通过所述训练集对所述一维卷积神经网络模型的参数进行优化；所述参数包括：卷积核参数偏置b,全连接层参数权重W
fc
；通过所述验证集对所述一维卷积神经网络模型的超参数进行调整；所述超参数包括：学习率、分批输入的尺寸、所述一维积神经网络模型的结构。8.一种基于1D
‑
CNN的异...

【专利技术属性】
技术研发人员：王雪，肖睿，李亮波，雷民，胡翔，周峰，王海燕，古雄，姚腾，殷小东，姜春阳，吴良科，杨洪，
申请(专利权)人：中国电力工程顾问集团中南电力设计院有限公司湖北省计量测试技术研究院，
类型：发明
国别省市：