一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法技术方案

本发明专利技术公开了一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，该方法包括：

【技术实现步骤摘要】
一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法


[0001]本专利技术涉及居配电设备现场检测领域，具体指一种基于混合密度深度学 习的居配现场检测系统的任务时序分配方法。

技术介绍

[0002]经济发展，电力先行，一个地区的经济发展离不开电力能源的供应。随 着城市规模扩大与越来越多的人口流向城市，居配电工程规模呈爆发式增长， 对居配电现场检测实验的效率也提出了更高的要求。居配工程现场目前主要 针对配电变压器(干式)、高压(开关/环网)柜、低压开关柜等8类设备、 材料进行检测。现场试验通常涉及多个设备，并且同一设备也包含多个试验 项目，考虑到经济性与便携性，各试验模块数量有限。目前，各试验模块均 根据试验人员经验进行规划使用，试验模块利用效率较低，且经常出现闲置 情况。因此，亟需一种能够实现居配现场检测试验任务时序分配方法，以提 高居配电现场检测实验效率。

技术实现思路

[0003]针对现有居配电设备现场检测试验效率较低的问题，本专利技术提供一种基 于混合密度深度学习的居配现场检测系统的任务时序分配方法，以提高居配 电现场检测实验效率。
[0004]为了实现上述目的，本专利技术的一种基于混合密度深度学习的居配现场检 测系统的任务时序分配方法，包括以下步骤：
[0005]S1：通过手持终端录入检测设备及检测项目需求，并将所录入检测设备 及检测项目需求上传至中控平台；
[0006]S2：所述中控平台根据历史检测数据使用混合密度深度学习，给出试验 任务时序分配最优初始解；<br/>[0007]S3：采用遗传算法求解最优时序分配，由中控模块自动排列各检测设备 的工作顺序，切换其工作状态完成检测试验。
[0008]在本专利技术的一个优选实施例中，所述通过手持终端录入检测设备及检测项目需求，并 将所录入检测设备及检测项目需求上传至中控平台，具体是：
[0009]试验人员根据试验需求，在手持终端上选择将要检测设备的型号及试验项目，并录入 工作地点及时间，通过无线局域网上传至中控平台。
[0010]在本专利技术的一个优选实施例中，所述中控平台运行于一台现场移动的服务器上，通过 配置在所述服务器中的居配现场检测系统软件实现整个作业现场检测任务时序分配与试 验模块工作状态自动切换。
[0011]在本专利技术的一个优选实施例中，所述中控平台根据历史数据使用混合密度深度学习， 给出试验任务时序分配最优初始解，具体是：
[0012]中控平台从服务器的数据库中提取同一型号检测设备或者在数据较少时可同时提取 相近型号的检测设备的历史检测数据并将这些历史检测数据作为混合密度深度学习训练 数据集，这些历史检测数据包括检测设备的型号、试验项目、试验任务时序分配；
[0013]所述试验任务时序分配为时间序列预测问题，检测设备在工作开始后某一时间点执行 某项试验任务的概率密度表示为如下式(1)，
[0014][0015]式(1)中：p(y|x)为概率密度分布表达式，πn(x,t)为第n个高斯核函数的权重，为 第n个高斯核函数，μ
n
(x,t)为第n个高斯核函数的均值，为第n个高斯核函数的方 差；
[0016]使用最大似然法，通过对数似然函数的最大化来计算式(1)中均值和方差，并将其 作为损失函数，
[0017][0018]由于最大似然法会导致过度拟合，为了解决这一问题，在本专利技术的一个优选实施例中， 在所述损失函数中引入一个基于对抗性训练的正则化项。
[0019]在本专利技术的一个优选实施例中，所述对抗性训练是将干扰添加到神经网络的主要训练 输出中，作为对抗性训练的例子，具体是采用快速梯度符号法快速生成对抗性训练的例子， 增加的扰动与从输出层反向传播到输入层的梯度符号成比例；同时，为了保持混合网络训 练的一致性，将L
‑
2正则化加入到损失函数中，式(2)中的损失函数改写为，
[0020][0021]式中：λ为对抗性例子的权重，表示对抗训练对损失函数的影响；ε为限制扰动最大 范数的常值；γ为正则化超参数；K为学习权重总数；θ
k
为第k个学习权重。
[0022]由于训练过程的主要目标是最小化损失函数，为了防止损失函数优化过程中，对数和 分母项的低值和指数项的高值导致出现非数，在本专利技术的一个优选实施例中，采用梯度剪 切通过切断梯度来防止过大梯度点的出现。
[0023]在本专利技术的一个优选实施例中，所述混合密度深度学习分为如下三个步骤模块：
[0024]步骤一模块：将训练数据集预处理后输入卷积神经网络模块；
[0025]步骤二模块：卷积神经网络模块的输出经Flatten层压平为一维数据特征输入门控循 环单元模块；门控循环单元模块学习数据短期和长期依赖性并捕获其中的时间特征；
[0026]步骤三模块：全连接神经网络模块。
[0027]在本专利技术的一个优选实施例中，所述卷积神经网络模块选择线性修正单元(ReLU)作 为激活函数，在卷积层将前一层的特征映射与滤波器集进行卷积来输出特征映射，池化层 取输入值的最大值来创建自己的特征映射并将其应用于每个特征映射，进而构成时序分配 特征向量。
[0028]为防止训练过程中出现过拟合，在本专利技术的一个优选实施例中，所述卷积神经网络模 块输出数据时随机丢弃20％的数据。
[0029]在本专利技术的一个优选实施例中，所述门控循环单元模块选择线性修正单元作为激活函 数，包括两个门控循环单元层，确定混合密度深度学习在每个时间间隔内使用的信息量； 每个门控循环单元层由更新门u(t)和复位门r(t)组成，其函数表示分别为式(4)、式(5)、 式(6)和式(7)：
[0030]u(t)＝f[ω
u
x(t)+R
u
h(t
‑
1)+b
u
]ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0031]r(t)＝f[ω
r
x(t)+R
r
h(t
‑
1)+b
r
]ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0032]h(t)＝(1
‑
u(t))e h(t
‑
1)+u(t)eh％(t)
ꢀꢀꢀ
(6)
[0033]h％(t)＝f[ω
u
x(t)+R
u
(r(t)e h(t
‑
1))]ꢀꢀꢀ
(7)
[0034]式(4)、式(5)、式(6)和式(7)中：x(t)为当前时刻输入向量，ω
u
、 ω
r
分别为更新门、复位门学习权重，R
u
、R
r
分别为更新门、复位门的循环参 数，b
u
、b
r
分别为更新门、复位门偏差，h(t)、h(t
‑
1)分别为当前时刻及上一 时刻的状态变量，h％(t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：包括以下步骤：S1：通过手持终端录入检测设备及检测项目需求，并将所录入检测设备及检测项目需求上传至中控平台；S2：所述中控平台根据历史检测数据使用混合密度深度学习，给出试验任务时序分配最优初始解；S3：采用遗传算法求解最优时序分配，由中控模块自动排列各检测设备的工作顺序，切换其工作状态完成检测试验。2.如权利要求1所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述通过手持终端录入检测设备及检测项目需求，并将所录入检测设备及检测项目需求上传至中控平台，具体是：试验人员根据试验需求，在手持终端上选择将要检测设备的型号及试验项目，并录入工作地点及时间，通过无线局域网上传至中控平台。3.如权利要求2所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述中控平台运行于一台现场移动的服务器上，通过配置在所述服务器中的居配现场检测系统软件实现整个作业现场检测任务时序分配与试验模块工作状态自动切换。4.如权利要求1所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述中控平台根据历史数据使用混合密度深度学习，给出试验任务时序分配最优初始解，具体是：中控平台从服务器的数据库中提取同一型号检测设备或者在数据较少时可同时提取相近型号的检测设备的历史检测数据并将这些历史检测数据作为混合密度深度学习训练数据集，这些历史检测数据包括检测设备的型号、试验项目、试验任务时序分配；所述试验任务时序分配为时间序列预测问题，检测设备在工作开始后某一时间点执行某项试验任务的概率密度表示为如下式(1)，式(1)中：p(y|x)为概率密度分布表达式，π
n
(x,t)为第n个高斯核函数的权重，为第n个高斯核函数，μ
n
(x,t)为第n个高斯核函数的均值，为第n个高斯核函数的方差；使用最大似然法，通过对数似然函数的最大化来计算式(1)中均值和方差，并将其作为损失函数，5.如权利要求4所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：在所述损失函数中引入一个基于对抗性训练的正则化项。6.如权利要求5所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述对抗性训练是将干扰添加到神经网络的主要训练输出中，作为对抗性训练的例子，具体是采用快速梯度符号法快速生成对抗性训练的例子，增加的扰动与
从输出层反向传播到输入层的梯度符号成比例；同时，为了保持混合网络训练的一致性，将L
‑
2正则化加入到损失函数中，式(2)中的损失函数改写为，式中：λ为对抗性例子的权重，表示对抗训练对损失函数的影响；ε为限制扰动最大范数的常值；γ为正则化超参数；K为学习权重总数；θ
k
为第k个学习权重。7.如权利要求6所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：在本发明的一个优选实施例中，采用梯度剪切通过切断梯度来防止过大梯度点的出现。8.如权利要求7所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述混合密度深度学习分为如下三个步骤模块：步骤一模块：将训练数据集预处理后输入卷积神经网络模块；步骤二模块：卷积神经网络模块的输出经Flatten层压平为一维数据特征输入门控循环单元模块；门控循环单元模块学习数据短期和长期依赖性并捕获其中的时间特征；步骤三模块：全连接神经网络模块。9.如权利要求8所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述卷积神经网络模块选择线性修正单元(ReLU)作为激活函数，在卷积层将前一层的特征映射与滤波器集进行卷积来输出特征映射，池化层取输入值的最大值来创建自己的特征映射并将其应用于每个特征映射，进而构成时序分配特征向量。10.如权利要求9所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述卷积神经网络模块输出数据时随机丢弃20％的数据。11.如权利要求8所述的一种基于混合密度深度学习的居配现场检测系统的任务时序分配方法，其特征在于：所述门控循环单元模块选择线性修正单元作为激活函数，包括两个门控循环单元层，确定混合密度深度学习在每个时间间隔内使用的信...

【专利技术属性】
技术研发人员：倪玉玲，顾颖歆，鲜开强，章劲秋，张昕，邹云峰，黄茜，周达，张聪，董梅，
申请(专利权)人：国网江苏省电力有限公司营销服务中心，
类型：发明
国别省市：