一种异构融合组网设备数据分析方法技术

本发明专利技术公开了一种异构融合组网设备数据分析方法包括：获取分析时段内采集得到的异构融合组网设备数据，并对数据进行预处理；对预处理后的数据进行特征提取获得特征参数，将特征参数进行降维得到特征向量；训练基于LSTM的设备状态预测模型，将特征向量输入预测模型进行异构融合组网设备状态趋势预测；通过图像技术将异构融合组网设备状态趋势预测结果进行可视化展示；本发明专利技术能够对采集的异构融合组网设备数据进行分析，并对异构融合组网设备状态趋势进行预测，可以精确的预测异构融合组网设备数据实时上传云端备份进行分析，对输电线路的研究具有深远的意义。的研究具有深远的意义。的研究具有深远的意义。

【技术实现步骤摘要】
一种异构融合组网设备数据分析方法


[0001]本专利技术涉及输电线路
，具体为一种异构融合组网设备数据分析方法。

技术介绍

[0002]随着物联网技术在输电线路领域的逐步应用，使得对输电线路异构融合组网设备的全面监测成为了可能，在工业制造领域，为了改进流程控制成本，传统的方法是以事先知道研究对象的特性为前提，然后根据对象的特性加以闭环控制，从而使输出特性符合要求；现有的制造流程建模方法和自动控制方法都是通过这种方式，根据少量有价值的数据进行研究的；但是现实生活中很多的系统过于复杂，没有相对应的理论知识作为支撑，其特性和行为不能被理解和掌握，传统的方法不能发挥作用；Jim Gray提出以数据为中心的研究方法，面对复杂的工业生产系统，通过对系统的复杂行为进行信息化，将系统的运行过程产生的大量数据进行采集和保存，通过对这些数据的研究，解决现有的实验手段不能处理的复杂问题。
[0003]目前，对异构融合组网设备的监测主要是采集异构融合组网设备的实时数据并进行上传云端备份，而无相应的对采集的数据进行分析的步骤。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：无相应的对采集的异构融合组网设备数据进行分析的方法而导致结果偏差较大、准确率较低的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种异构融合组网设备数据分析方法，包括：获取分析时段内采集得到的异构融合组网设备数据，并对所述数据进行预处理；对所述预处理后的数据进行特征提取获得特征参数，将所述特征参数进行降维得到特征向量；训练基于LSTM的设备状态预测模型，将所述特征向量输入所述预测模型进行异构融合组网设备状态趋势预测；通过图像技术将所述异构融合组网设备状态趋势预测结果进行可视化展示。
[0008]作为本专利技术所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述异构融合组网设备数据包括设备的参数和答复指令。
[0009]作为本专利技术所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述预处理过程包括偏差数据检测、缺失值处理和噪声数据光滑处理。
[0010]作为本专利技术所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述偏差数据检测包括构建概率分布评估模型，应用所述概率分布评估模型检测出所述异构融合组网设备数据的离群点，将所述离群点对应的值作为偏差数据；
[0011]所述缺失值处理包括全局常量自动填充、中心度量自动填充、同组均值自动填充和最有可能值自动填充；
[0012]所述噪声数据光滑处理包括将所述异构融合组网设备数据中有噪声的变量拟合成一条直线或曲线，用所述直线或所述曲线上的值替代所述异构融合组网设备数据中有噪声的变量。
[0013]作为本专利技术所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述特征参数的获取包括，
[0014]利用Spark工具针对所述预处理后的数据进行数据特征提取；
[0015]将提取到的特征数据输入至自编码器中，利用自编码器对输入的数据进行处理，获取数据特征参数。
[0016]作为本专利技术所述的异构融合组网设备数据分析方法的一种优选方案，其中：还包括，
[0017]对清洗后的异构融合组网设备数据进行特征提取获得特征参数后，通过离群点检测算法对特征参数进行离群点检测，获得噪声数据，从特征参数中去除所述噪声数据。
[0018]作为本专利技术所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述特征向量的获取包括，
[0019]通过sigmoid激活函数对获取的所述特征参数进行非线性映射，将输入映射到[0,1]之间；
[0020]所述激活函数的计算包括，
[0021][0022]其中，h(x)表示激活函数的输出，x表示激活函数的输入；
[0023]将所述激活函数的输出输入到池化层，对特征数据进行降维处理得到特征向量。
[0024]作为本专利技术所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述设备状态预测模型包括，
[0025]在基于LSTM的设备状态预测模型的输入门将所述特征向量的数据序列进行保存；
[0026]所述设备状态预测模型的输入门i
t
的构建包括，
[0027]i
t
＝σ(u
i
·
x
t
+w
i
·
s
t
‑1)
[0028]c
t
＝tanh(u
c
·
x
t
+w
c
·
s
t
‑1)
[0029]y
t
＝f
t
*y
t
‑1+i
t
*c
t
[0030]其中，σ表示sigmoid激活函数，u
i
和u
c
均表示当前输入x
t
的权重系数，x
t
表示当前的输入，w
i
和w
c
均表示历史输入s
t
‑1的权重系数，s
t
‑1表示历史输入，c
t
表示输入门单元tan函数的输出，y
t
表示更新后的细胞状态，y
t
‑1表示未更新时的细胞状态，f
t
表示遗忘门；
[0031]利用基于LSTM的设备状态预测模型的遗忘门进行选择性遗忘对记忆状态进行更新；
[0032]所述遗忘门的构建包括，
[0033]f
t
＝σ(u
f
·
x
t
+w
f
·
s
t
‑1)
[0034]其中，u
f
表示当前输入x
t
的权重系数，w
f
表示历史输入s
t
‑1的权重系数；
[0035]所述遗忘门保留重要信息后，基于LSTM的设备状态预测模型的输出门更新状态得
到下一时刻的数据；
[0036]所述输出门的构建包括，
[0037]o
t
＝σ(u
o
·
x
t
+w
o
·
s
t
‑1)
[0038]s
t
＝o
t
·
tanh(c
t
)
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异构融合组网设备数据分析方法，其特征在于，包括：获取分析时段内采集得到的异构融合组网设备数据，并对所述数据进行预处理；对所述预处理后的数据进行特征提取获得特征参数，将所述特征参数进行降维得到特征向量；训练基于LSTM的设备状态预测模型，将所述特征向量输入所述预测模型进行异构融合组网设备状态趋势预测；通过图像技术将所述异构融合组网设备状态趋势预测结果进行可视化展示。2.如权利要求1所述的异构融合组网设备数据分析方法，其特征在于：所述异构融合组网设备数据包括设备的参数和答复指令。3.如权利要求2所述的异构融合组网设备数据分析方法，其特征在于：所述预处理过程包括偏差数据检测、缺失值处理和噪声数据光滑处理。4.如权利要求3所述的异构融合组网设备数据分析方法，其特征在于：所述偏差数据检测包括构建概率分布评估模型，应用所述概率分布评估模型检测出所述异构融合组网设备数据的离群点，将所述离群点对应的值作为偏差数据；所述缺失值处理包括全局常量自动填充、中心度量自动填充、同组均值自动填充和最有可能值自动填充；所述噪声数据光滑处理包括将所述异构融合组网设备数据中有噪声的变量拟合成一条直线或曲线，用所述直线或所述曲线上的值替代所述异构融合组网设备数据中有噪声的变量。5.如权利要求4所述的异构融合组网设备数据分析方法，其特征在于：所述特征参数的获取包括，利用Spark工具针对所述预处理后的数据进行数据特征提取；将提取到的特征数据输入至自编码器中，利用自编码器对输入的数据进行处理，获取数据特征参数。6.如权利要求5所述的异构融合组网设备数据分析方法，其特征在于：还包括，对清洗后的异构融合组网设备数据进行特征提取获得特征参数后，通过离群点检测算法对特征参数进行离群点检测，获得噪声数据，从特征参数中去除所述噪声数据。7.如权利要求6所述的异构融合组网设备数据分析方法，其特征在于：所述特征向量的获取包括，通过sigmoid激活函数对获取的所述特征参数进行非线性映射，将输入映射到[0,1]之间；所述激活函数的计算包括，其中，h(x)表示激活函数的输出，x表示激活函数的输入；将所述激活函数的输出输入到池化层，对特征数据进行降维处理得到特征向量。8.如权利要求1～7任一所述的异构融合组网设备数据分析方法，其特征在于：所述设备状态预测模型包括，在基于LSTM的设备状态预测模型的输入门将所述特征向量的数据序列进行保存；
所述设备状态预测模型的输入门i
t
的构建包括，i
t
＝σ(u
i
·
x
t
+w
i
·
s
t
‑1)c
t
＝tanh(u
c
·
x
t
+w
c
·
s
t
‑1)y
t
＝f
t
*...

【专利技术属性】
技术研发人员：胡丽，付诚，孙严智，刘宇明，崔晨，边吉，温泉，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：