一种基于卷积神经网络的继电保护置缺陷定级方法技术

本发明专利技术涉及继电保护装置缺陷分析技术领域，提供了一种基于卷积神经网络的继电保护置缺陷定级方法。该方法包括：基于某区域电网继电保护运行缺陷记录，对数据进行预处理，得到缺陷定级数据集，通过马尔可夫假设，采用一维卷积层对向量化的文本矩阵进行特征提取，将得到的特征传入全连接神经网络，得到识别向量化的文本预测结果，并通过前向传播梯度，进行预设次数的模型迭代至收敛，获得目标卷积神经网络模型；基于选取的预测参数，将测试集输入目标卷积神经网络模型得到缺陷定级的识别结果。本发明专利技术提高了缺陷记录文本的定级预测结果的分类准确率。分类准确率。分类准确率。

【技术实现步骤摘要】
一种基于卷积神经网络的继电保护置缺陷定级方法


[0001]本专利技术涉及继电保护装置缺陷分析
，尤其涉及一种基于卷积神经网络的继电保护置缺陷定级方法。

技术介绍

[0002]继电保护设备在长期运行过程中，通过巡检、试验等手段记录和积累了大量缺陷文本数据。这些文本数据存入系统后，通常作为记录数据，未能发掘其中蕴含的大量有价值的信息，是设备缺陷等级分类的关键数据。
[0003]但是，大量的设备缺陷等级分类工作需要人工完成，不仅效率较低，工作量大，而且对于某些模糊性较强的亚健康缺陷，常常处于难以精确判断的尴尬局面，因此，分类准确性受到影响。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于卷积神经网络的继电保护置缺陷定级方法，以解决现有技术中缺陷等级分类工作需要人工完成，效率较低、分类准确性差的问题。
[0005]本专利技术提供了一种基于卷积神经网络的继电保护置缺陷定级方法，包括：
[0006]S1.基于某区域电网继电保护运行缺陷记录，对数据进行预处理，得到缺陷定级数据集，其中，所述缺陷定级数据集包括训练集、测试集和验证集；
[0007]S2.通过马尔可夫假设，采用一维卷积层对向量化的文本矩阵进行特征提取，将得到的特征传入全连接神经网络，得到识别向量化的文本预测结果，并通过前向传播梯度，进行预设次数的模型迭代至收敛，获得目标卷积神经网络模型；
[0008]S3.基于选取的预测参数，将所述测试集输入所述目标卷积神经网络模型得到缺陷定级的识别结果。/>[0009]进一步地，所述S1包括：
[0010]S11.基于某区域电网继电保护运行缺陷记录，采用继电保护缺陷词典，去除停用词和无关词汇，并进行向量化处理，形成向量化的文本矩阵，并将所述向量化的文本矩阵分为危急、严重和一般三个缺陷等级；
[0011]S12.利用jieba分词结合专业词典的方法对所述危急、严重和一般三个缺陷等级分别进行分词处理，按照6:2:2划分为所述训练集、测试集和验证集，其中，jieba是基于python编程语言的分词函数包。
[0012]进一步地，所述S2中模型训练包括：batch_size＝128，且预设次数＝10000次。
[0013]进一步地，所述S2包括：
[0014]S21.根据马尔可夫假设，构建3个长度为2，3，4的一维卷积核；
[0015]S22.利用构建的所述一维卷积核，对所述向量文本矩阵进行卷积操作，提取文本中蕴含设定量信息熵的特征部分，将所述特征部分传入所述全连接神经网络，采用sigmoid作为激活函数进行计算，然后采用softmax函数输出向量化的文本所属类别的概率分布，获
得所述识别向量化的文本预测结果；
[0016]S23.基于所述所述识别向量化的文本预测结果，利用交叉熵损失函数，通过前向传播梯度，进行预设次数的模型迭代至收敛，获得所述目标卷积神经网络模型。
[0017]进一步地，所述向量化的文本所属类别的概率分布为范围在[0,1]之间、和为1。
[0018]进一步地，所述交叉熵损失函数包括如下计算式：
[0019][0020]其中，M表示类别的数量，y
ic
表示符号函数，若样本i的真实类别等于c取1，否则取0，p
ic
表示观测样本i属于类别c的概率。
[0021]进一步地，所述S3包括：
[0022]S31.采用准确率，召回率，F1分数，表征目标卷积神经网络模型的预测精度；
[0023]S32.将所述测试集输入所述目标卷积神经网络模型得到缺陷定级的识别结果。
[0024]进一步地，所述模型评价指标的获得包括如下计算式：
[0025][0026][0027][0028]其中，P表示准确率，R表示召回率，F表示F1分数，TP表示正确定级的缺陷文本数量，FP表示错误定级的缺陷文本数量，FN表示未检测到的文本数量。
[0029]本专利技术与现有技术相比存在的有益效果是：
[0030]1、本专利技术采用softmax函数计算，输出向量化的文本所属类别的概率分布，提高了缺陷记录文本的定级预测结果的分类准确率。
[0031]2、本专利技术通过提取文本中蕴含设定量信息熵的特征部分，获得损失函数收敛至预设值，计算速度快，且避免了陷入局部最优解的情况。
[0032]3、本专利技术通过选用准确率，召回率，F1分数一系列模型评价指标参数，使得目标卷积神经网络模型的预测精度得到保障，保证了缺陷能够得到及时处理和上报。
附图说明
[0033]为了更清楚地说明本专利技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0034]图1是本专利技术提供的一种基于卷积神经网络的继电保护置缺陷定级方法的流程图。
具体实施方式
[0035]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具
体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0036]下面将结合附图详细说明本专利技术提供的一种基于卷积神经网络的继电保护置缺陷定级方法。
[0037]图1是本专利技术提供的一种基于卷积神经网络的继电保护置缺陷定级方法的流程图。
[0038]如图1所示，该继电保护置缺陷定级方法包括：
[0039]S1.基于某区域电网继电保护运行缺陷记录，对数据进行预处理，得到缺陷定级数据集，其中，所述缺陷定级数据集包括训练集、测试集和验证集；
[0040]所述S1包括：
[0041]S11.基于某区域电网继电保护运行缺陷记录，采用继电保护缺陷词典，去除停用词和无关词汇，并进行向量化处理，形成向量化的文本矩阵，并将所述向量化的文本矩阵分为危急、严重和一般三个缺陷等级；
[0042]S12.利用jieba分词结合专业词典的方法对所述危急、严重和一般三个缺陷等级分别进行分词处理，按照6:2:2划分为所述训练集、测试集和验证集，其中，jieba是基于python编程语言的分词函数包。
[0043]缺陷定级数据集信息如表1所示：
[0044]数据集训练集测试集验证集合计危急(标签0)9723012901563严重(标签1)7052381881131一般(标签2)7232392421204合计24007787203898
[0045]S2.通过马尔可夫假设，采用一维卷积层对向量化的文本矩阵进行特征提取，将得到的特征传入全连接神经网络，得到识别向量化的文本预测结果，并通过前向传播梯度，进行预设次数的模型迭代至收敛，获得目标卷积神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的继电保护置缺陷定级方法，其特征在于，包括：S1.基于某区域电网继电保护运行缺陷记录，对数据进行预处理，得到缺陷定级数据集，其中，所述缺陷定级数据集包括训练集、测试集和验证集；S2.通过马尔可夫假设，采用一维卷积层对向量化的文本矩阵进行特征提取，将得到的特征传入全连接神经网络，得到识别向量化的文本预测结果，并通过前向传播梯度，进行预设次数的模型迭代至收敛，获得目标卷积神经网络模型；S3.基于选取的预测参数，将所述测试集输入所述目标卷积神经网络模型得到缺陷定级的识别结果。2.根据权利要求1所述的继电保护装置缺陷定级方法，其特征在于，所述S1包括：S11.基于某区域电网继电保护运行缺陷记录，采用继电保护缺陷词典，去除停用词和无关词汇，并进行向量化处理，形成向量化的文本矩阵，并将所述向量化的文本矩阵分为危急、严重和一般三个缺陷等级；S12.利用jieba分词结合专业词典的方法对所述危急、严重和一般三个缺陷等级分别进行分词处理，按照6:2:2划分为所述训练集、测试集和验证集，其中，jieba是基于python编程语言的分词函数包。3.根据权利要求1所述的继电保护装置缺陷定级方法，其特征在于，所述S2中模型训练包括：batch_size＝128，且预设次数＝10000次。4.根据权利要求1所述的继电保护装置缺陷定级方法，其特征在于，所述S2包括：S21.根据马尔可夫假设，构建3个长度为2，3，4的一维卷积核；S22.利用构建的所述一维卷积核，对...

【专利技术属性】
技术研发人员：郑少明，董鹏，杨心平，杜鹃，刘丹，宿洪智，陶畅，王书鸿，薛安成，
申请(专利权)人：国家电网有限公司华北分部，
类型：发明
国别省市：