一种基于预训练模型的电工装备性能预测方法技术

本发明专利技术提供了一种基于预训练模型的电工装备性能预测方法，包括如下步骤：S1、搜集历史设备数据集和目标设备数据集，并建立测试集；S2、选取深度学习网络模型，利用历史设备数据集对选取的深度学习网络模型进行训练；S3、利用搜集的目标设备的数据集，采用模型微调的方法，对预训练模型进行微调；S4、使用测试集测试微调后的模型的预测能力，当预测能力低于设定条件，则重复执行步骤S1

【技术实现步骤摘要】
一种基于预训练模型的电工装备性能预测方法


[0001]本专利技术属于装备性能预测
，尤其是涉及一种基于预训练模型的电工装备性能预测方法。

技术介绍

[0002]随着经济的快速发展，我国工业化水平不断提高，对电工装备的设计和优化提出了更高的要求。现阶段，随着深度学习的不断发展，机器学习的方法不断涌现，研究者们将BP(Back Propagation)神经网络、决策树(Decision Tree,DT)和支持向量机(Support Vector Machine,SVM)等传统机器学习方法应用到装备性能分析与优化中，在保证精准度的同时大大节省了计算时间和计算资源，取得了很好的效果。然而，深度学习往往需要大量的样本进行训练，不能很好地适应低数据量情况，导致模型预测精度较低，限制了其在很多数据有限或样本很珍贵的实际场景中的应用。例如在进行一些新型电工装备的设计时没有样本或只有少量样本可供训练，这就形成了深度学习的“冷启动问题”，要想获得较好的预测结果，需要从头开始，时间成本很高，同时还会耗费很大的人力、物力和财力，这对电工装备设计优化时进行性能预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预训练模型的电工装备性能预测方法，其特征在于，包括如下步骤：S1、搜集历史设备数据集和目标设备数据集，并建立测试集；S2、选取深度学习网络模型，利用历史设备数据集对选取的深度学习网络模型进行训练，以获得电工装备性能预测的预训练模型；S3、利用搜集的目标设备的数据集，采用模型微调的方法，对预训练模型进行微调；S4、使用测试集测试微调后的模型的预测能力，当预测能力低于设定条件，则重复执行步骤S1
‑
S4，当预测能力高于设定条件，则执行步骤S5；S5、利用训练和微调后模型对目标装备进行性能预测。2.根据权利要求1所述的基于预训练模型的电工装备性能预测方法，其特征在于：执行步骤S1的过程中，还需要对搜集的历史设备数据集和目标设备数据集中的数据进行预处理，包括数据的筛选和分类；数据通过筛选清洗掉无效和错误数据；数据通过分类划分为输入变量和输出变量。3.根据权利要求1所述的基于预训练模型的电工装备性能预测方法，其特征在于：步骤S2中，在选取深度学习网络模型时，可选取多个深度学习网络模型，对各个深度学习网络模型训练后，利用测试集对多个训练后的预训练模型进行初步测试，测试预训练模型的准确性，以平均绝对百分比误差和均方根误差作为模型训练结果的评价指标；对比各个神经网络模型的评价指标，选取合适的神经网络模型。4.根据权利要求3所述的基于预训练模型的电工装备性能预测方法，其特征在于：深度学习网络模型包括卷积神经网络模型、深度置信网络模型、长短期记忆网络模型。5.根据权利要求1所述的基于预训练模型的电工装备性能预测方法，其特征在于，步骤S3中，对预训练模型进行微调时，包括以下几种情况；1、数据量少，但数据相似度高；在这种情况下，修改最后几层或最终层的输出类别；2、数据量少，数据相似度低；冻结预训练模型的...

【专利技术属性】
技术研发人员：金亮，宋居恒，杨新生，杨庆新，刘璐，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：