油纸老化模型的训练方法、油纸老化的识别方法及装置制造方法及图纸

本申请涉及一种油纸老化的识别模型的训练方法，包括：获取训练数据，该训练数据包括多个油纸训练样本和多个油纸训练样本分别对应的老化阶段的标签，油纸训练样本包括多个老化阶段的油纸训练样本；利用训练数据，对神经网络模型进行训练，得到目标神经网络模型；该神经网络模型为时间递归型神经网络模型。该训练方法是利用多个老化阶段的油纸训练样本训练的，从而具备识别油纸所处的老化阶段的能力，该训练过程是利用鲸鱼优化算法对时间递归型神经网络进行优化训练的，优化后的时间递归型神经网络模型更契合油纸随着使用时间增长渐渐老化的场景。因此，该训练方法得到的目标神经网络模型对油纸老化的识别会更加准确。经网络模型对油纸老化的识别会更加准确。经网络模型对油纸老化的识别会更加准确。

Training method of oilpaper aging model, identification method and device of oilpaper aging

【技术实现步骤摘要】
油纸老化模型的训练方法、油纸老化的识别方法及装置


[0001]本申请涉及电力设备安全状态
，特别是涉及一种油纸老化模型的训练方法、油纸老化的识别方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]变压器是一种不可缺少的核心部件，在电力系统的发展过程中起着重要的作用。准确的诊断绝缘材料的老化程度及对绝缘材料，尤其是准确诊断运行中的电力设备的油纸绝缘状态，才能够确保电网安全操作。油纸老化即为油纸绝缘状态的老化情况，也可以称之为油纸绝缘老化。变压器油纸的绝缘状态受到热量、电、机械作用、化学试剂的影响。人们普遍认为变压器的使用寿命很大程度上取决于变压器的油纸绝缘老化情况。
[0003]传统方案通常是将变压器中的油纸取出进行聚合度测量，该测量方法准确性较低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种准确性较高用于检测油纸绝缘老化情况的油纸老化模型的训练方法、油纸老化的识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种油纸老化模型的训练方法。该方法包括：获取训练数据，该训练数据包括多个油纸训练样本和多个油纸训练样本分别对应的老化阶段的标签，油纸训练样本包括多个老化阶段的油纸训练样本；利用训练数据，对神经网络模型进行训练，得到目标神经网络模型；该神经网络模型为时间递归型神经网络模型。
[0006]在其中一个实施例中，在利用训练数据，对神经网络模型进行训练，得到目标神经网络模型时，可以执行下面的步骤：将训练数据代入神经网络模型，通过鲸鱼优化算法调整神经网络模型的参数使得神经网络模型的性能指标达到预设条件，从而得到目标神经网络模型。
[0007]在其中一个实施例中，性能指标包括均方差，均方差的最小值对应上述预设条件；在将训练数据代入神经网络模型，通过鲸鱼优化算法调整神经网络模型的参数使得神经网络模型的性能指标达到预设条件，从而得到目标神经网络模型时，可以执行下面的步骤：利用上述鲸鱼优化算法计算得到神经网络模型的均方差的最小值；根据均方差的最小值调整神经网络模型的参数，从而得到目标神经网络模型。
[0008]在其中一个实施例中，上述方法还包括：
[0009]获取测试数据，测试数据包括油纸测试样本和油纸测试样本对应的老化阶段的标签；
[0010]将油纸测试样本代入目标神经网络模型，得到油纸测试样本的预测老化阶段；
[0011]当预测老化阶段与油纸测试样本对应的老化阶段的标签相同时，输出目标神经网络模型；或者
[0012]当预测老化阶段与油纸测试样本对应的老化阶段的标签不同时，对目标神经网络模型进行训练，得到训练后的目标神经网络模型，以及输出训练后的目标神经网络模型。
[0013]在其中一个实施例中，在执行上述当预测老化阶段与油纸测试样本对应的老化阶段的标签不同时，对目标神经网络模型进行训练，得到训练后的目标神经网络模型的步骤时，可以包括：
[0014]利用测试数据对目标神经网络模型进行训练，得到训练后的目标神经网络模型；和/或
[0015]获取新的训练数据，以及利用新的训练数据对目标神经网络模型进行训练，得到训练后的目标神经网络模型。
[0016]第二方面，本申请提供了一种油纸老化的识别方法。该方法包括：获取待处理油纸；利用第一神经网络模型对待处理油纸进行识别，得到待处理油纸的老化阶段的识别结果；第一神经网络模型为时间递归型神经网络模型，且第一神经网络模型是利用多个老化阶段的油纸训练样本和多个油纸训练样本分别对应的老化阶段的标签对第一神经网络模型进行训练得到的。
[0017]上述第一神经网络模型可以是利用第一方面及其任意一种实现方式的方法得到的目标神经网络模型。
[0018]第三方面，本申请还提供了一种油纸老化的识别模型的训练装置。该装置包括能够实现第一方面及其任意一种实现方式的方法的模块。
[0019]在其中一个实施例中，该装置包括：
[0020]获取模块，用于获取训练数据，训练数据包括多个油纸训练样本和多个油纸训练样本分别对应的老化阶段的标签，油纸训练样本包括多个老化阶段的油纸训练样本；
[0021]训练模块，用于利用训练数据，对神经网络模型进行训练，得到目标神经网络模型，神经网络模型为时间递归型神经网络模型。
[0022]第四方面，本申请还提供了一种油纸老化的识别装置。该装置包括能够实现第二方面及其任意一种实现方式的方法的模块。
[0023]在其中一个实施例中，该装置包括：
[0024]获取模块，用于获取待处理油纸；
[0025]处理模块，用于利用第一神经网络模型对待处理油纸进行识别，得到待处理油纸的老化阶段的识别结果；第一神经网络模型为时间递归型神经网络模型，且第一神经网络模型是利用多个老化阶段的油纸训练样本和多个油纸训练样本分别对应的老化阶段的标签对第一神经网络模型进行训练得到的。
[0026]第五方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现第一方面或第二方面及其任意一种实现方式的方法。
[0027]第六方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面或第二方面及其任意一种实现方式的方法。
[0028]第七方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面或第二方面及其任意一种实现方式的方
法。
[0029]上述油纸老化的识别模型的训练方法、油纸老化的识别方法、装置、计算机设备、存储介质和计算机程序产品中，该训练方法是利用多个老化阶段的油纸训练样本训练的，从而具备识别油纸所处的老化阶段的能力，该训练过程是对时间递归型的神经网络模型进行优化训练的，优化后的时间递归型的神经网络模型更契合油纸随着使用时间增长渐渐老化的场景。因此，该训练方法得到的目标神经网络模型对油纸老化的识别会更加准确。
[0030]上述油纸老化的识别方法则因为运用准确性较高的第一神经网络模型，从而具备更高的识别准确性，且识别过程方便快捷。第一神经网络模型是利用多个老化阶段的油纸训练样本训练得到的，从而具备识别油纸所处的老化阶段的能力，该第一神经网络模型是时间递归型的神经网络模型，更契合油纸随着使用时间增长渐渐老化的场景。因此，该第一神经网络模型对油纸老化的识别会更加准确。因此，利用第一神经网络模型进行识别的时候结果也更准确。
附图说明
[0031]图1是本申请实施例适用的一种油纸老化实验平台的示意图。
[0032]图2是本申请实施例的一种油纸老化的识别模型的训练方法的示意图。
[0033]图3是本申请实施例的一种训练过程的示意图。
[0034]图4是本申请实施例的一种目标神经网络模型的测试方法的示意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种油纸老化的识别模型的训练方法，其特征在于，所述方法包括：获取训练数据，所述训练数据包括多个油纸训练样本和所述多个油纸训练样本分别对应的老化阶段的标签，所述油纸训练样本包括多个老化阶段的油纸训练样本；利用所述训练数据，对神经网络模型进行训练，得到目标神经网络模型；所述神经网络模型为时间递归型神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述利用所述训练数据，对神经网络模型进行训练，得到目标神经网络模型，包括：将所述训练数据代入所述神经网络模型，通过鲸鱼优化算法调整所述神经网络模型的参数使得所述神经网络模型的性能指标达到预设条件，从而得到所述目标神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述性能指标包括均方差，所述均方差的最小值对应所述预设条件；所述将所述训练数据代入所述神经网络模型，通过鲸鱼优化算法调整所述神经网络模型的参数使得所述神经网络模型的性能指标达到预设条件，从而得到所述目标神经网络模型，包括：利用所述鲸鱼优化算法计算得到所述神经网络模型的均方差的最小值；根据所述均方差的最小值调整所述神经网络模型的参数，从而得到所述目标神经网络模型。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取测试数据，所述测试数据包括油纸测试样本和所述油纸测试样本对应的老化阶段的标签；将所述油纸测试样本代入所述目标神经网络模型，得到所述油纸测试样本的预测老化阶段；当所述预测老化阶段与所述油纸测试样本对应的老化阶段的标签相同时，输出所述目标神经网络模型；或者当所述预测老化阶段与所述油纸测试样本对应的老化阶段的标签不同时，对所述目标神经网络模型进行训练，得到训练后的所述目标神经网络模型，以及输出所述训练后的目标神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述当所述预测老化阶段与所述油纸测试样本对应的老化阶段的标签不同时，对所述目标神经网络模型进行训练，得到训练...

【专利技术属性】
技术研发人员：乔胜亚，李光茂，朱晨，莫文雄，王勇，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：