本发明专利技术公开了一种基于电流互感器孪生模型的故障检测方法、装置及介质，包括向目标电流互感器发射激光，并接收与激光相同频率的激光回波；对激光回波进行分析，获得激光回波的特征向量；从特征向量选取训练集，并根据基因分类器对训练集进行处理，获得处理后特征向量；根据处理后特征向量通过目标电流互感器孪生模型对目标电流互感器进行故障检测。本发明专利技术通过分析获得激光回波的特征向量，从特征向量中选取训练集并通过基因分类器对训练集进行处理获得特征向量，将特征向量输入至目标电流互感器孪生模型中对目标电流互感器进行故障检测，通过对特征向量进行处理获得特征向量之间的相关性从而加快了目标电流互感器进行故障检测的速率。障检测的速率。障检测的速率。
【技术实现步骤摘要】
基于电流互感器孪生模型的故障检测方法、装置及介质
[0001]本专利技术属于故障检测
，尤其涉及一种基于电流互感器孪生模型的故障检测方法、装置及介质。
技术介绍
[0002]随着计算机技术和人工智能技术的发展，人工智能算法也逐渐应用到油色谱分析中，例如通过神经网络模型对电流互感器进行故障诊断，但是，当数据过多时，会导致神经网络的结构非常庞大，神经网络训练起来时间太长，效率不高。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0004]本专利技术的主要目的在于提供一种基于电流互感器孪生模型的故障检测方法、装置及介质，旨在解决因数据过多导致神经网络对电流互感器的训练时间过长的技术问题。
[0005]本专利技术的技术方案是：
[0006]一种基于电流互感器孪生模型的故障检测方法，所述方法包括以下步骤：
[0007]向目标电流互感器发射激光，并接收与激光相同频率的激光回波；
[0008]对激光回波进行分析，获得激光回波的特征向量；
[0009]从特征向量选取训练集，并根据基因分类器对训练集进行处理，获得处理后特征向量；
[0010]根据处理后特征向量通过目标电流互感器孪生模型对目标电流互感器进行故障检测。
[0011]所述根据处理后特征向量通过目标电流互感器孪生模型对目标电流互感器进行故障检测的步骤之前，还包括：
[0012]确定处理后特征向量的适应度值，并选取适应度值大于预设适应度值的处理后特征向量作为第一特征向量；
[0013]更新训练集，并根据基因分类器对更新后训练集进行处理，获得待优化特征向量；
[0014]确定待优化特征向量的适应度值，并选取待优化特征向量的适应度值大于预设适应度值待优化特征向量作为第二特征向量；
[0015]在第二特征向量的适应度值大于第一特征向量的适应度值时，根据预设修正算法对第二特征向量进行优化；
[0016]根据优化后的特征向量对预设电流互感器孪生模型进行训练，获得目标电流互感器孪生模型。
[0017]所述在第二特征向量的适应度值大于第一特征向量的适应度值时，根据预设修正算法对第二特征向量进行优化的步骤，包括：
[0018]在第二特征向量的适应度值大于第一特征向量的适应度值时，对第二特征向量的
梯度进行迭代并在梯度小于或等于预设误差时，停止迭代优化；
[0019]在梯度大于预设误差时，对第二特征向量进行反向迭代优化。
[0020]所述在梯度大于预设误差时，对第二特征向量进行反向迭代优化的步骤，包括：
[0021]在梯度大于预设误差时，确定反向迭代函数和步长因子；
[0022]根据第二特征向量、反向迭代函数和步长因子确定目标特征向量；
[0023]将目标特征向量作为第二特征向量，并返回在第二特征向量的适应度值大于第一特征向量的适应度值时，对第二特征向量的梯度进行迭代并在梯度小于或等于预设误差时，停止迭代优化的步骤。
[0024]所述对激光回波进行分析，获得激光回波的特征向量的步骤，包括：
[0025]对激光回波进行分析获得初始工作数据，并将初始工作数据进行矩阵化；
[0026]根据矩阵化的数据确定初始工作数据的特征值；
[0027]确定特征值的使用率，并选取使用率达到预设第一阈值的目标特征值；
[0028]根据目标特征值确定激光回波的待处理特征向量。
[0029]所述从特征向量选取训练集，并根据基因分类器对训练集进行处理，获得处理后特征向量的步骤，包括：
[0030]从特征向量选取训练集，并对训练集进行编码；
[0031]根据适应度函数和编码后训练集确定编码后训练集中各待处理特征向量的适应度值；
[0032]在适应度值未达到预设第二阈值时，根据预设基因重组算法对编码后训练集进行重组，获得重组后的训练集和基因分类器；
[0033]将重组后的训练集作为训练集，返回并对训练集进行编码的步骤；
[0034]在编码次数达到预设次数时，根据基因分类器对训练集进行处理，获得处理后特征向量。
[0035]所述根据处理后特征向量通过目标电流互感器孪生模型对目标电流互感器进行故障检测的步骤之后，还包括：
[0036]对故障检测后的数据进行分析，获得故障变量集，并对故障变量集进行预处理；
[0037]根据常规故障类型对向量机进行训练，并基于二叉树理论对预处理后的故障变量集进行划分；
[0038]根据训练后的向量机从划分后的故障变量集的根节点开始分类；
[0039]在进行分类的向量机等于故障变量集的节点总数时，获得目标电流互感器的故障位置。
[0040]一种基于电流互感器孪生模型的故障检测装置，所述基于电流互感器孪生模型的故障检测装置包括：信息获取模块、信息处理模块和故障检测模块；
[0041]所述信息获取模块，用于向目标电流互感器发射激光，并接收与发射激光相同频率的激光回波；
[0042]所述信息获取模块，还用于对激光回波进行分析，获得激光回波的特征向量；
[0043]所述信息处理模块，用于从所述特征向量选取训练集，并根据基因分类器对训练集进行处理，获得处理后特征向量；
[0044]所述故障检测模块，用于根据所述处理后特征向量通过目标电流互感器孪生模型
对目标电流互感器进行故障检测。
[0045]一种基于电流互感器孪生模型的故障检测设备，所述基于电流互感器孪生模型的故障检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于电流互感器孪生模型的故障检测程序，所述基于电流互感器孪生模型的故障检测程序被所述处理器执行时实现所述的基于电流互感器孪生模型的故障检测方法的步骤。
[0046]一种存储介质，所述存储介质上存储有基于电流互感器孪生模型的故障检测程序，所述基于电流互感器孪生模型的故障检测程序被处理器执行时实现所述的基于电流互感器孪生模型的故障检测方法的步骤。
[0047]本专利技术有益效果是：
[0048]本专利技术公开了一种基于电流互感器孪生模型的故障检测方法、装置及介质，该方法包括：向目标电流互感器发射激光，并接收与激光相同频率的激光回波；对激光回波进行分析，获得激光回波的特征向量；从特征向量选取训练集，并根据基因分类器对训练集进行处理，获得处理后特征向量；根据处理后特征向量通过目标电流互感器孪生模型对目标电流互感器进行故障检测。本专利技术通过分析获得激光回波的特征向量，从特征向量中选取训练集并通过基因分类器对训练集进行处理获得特征向量，将特征向量输入至目标电流互感器孪生模型中对目标电流互感器进行故障检测，通过对特征向量进行处理获得特征向量之间的相关性从而加快了目标电流互感器进行故障检测的速率。
附图说明
[0049]图1是本专利技术实施例方案涉及的硬件运行环境的基于电流互感器孪生模型的故本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于电流互感器孪生模型的故障检测方法，其特征在于，所述方法包括以下步骤：向目标电流互感器发射激光，并接收与激光相同频率的激光回波；对激光回波进行分析，获得激光回波的特征向量；从特征向量选取训练集，并根据基因分类器对训练集进行处理，获得处理后特征向量；根据处理后特征向量通过目标电流互感器孪生模型对目标电流互感器进行故障检测。2.根据权利要求1所述的一种基于电流互感器孪生模型的故障检测方法，其特征在于，所述根据处理后特征向量通过目标电流互感器孪生模型对目标电流互感器进行故障检测的步骤之前，还包括：确定处理后特征向量的适应度值，并选取适应度值大于预设适应度值的处理后特征向量作为第一特征向量；更新训练集，并根据基因分类器对更新后训练集进行处理，获得待优化特征向量；确定待优化特征向量的适应度值，并选取待优化特征向量的适应度值大于预设适应度值待优化特征向量作为第二特征向量；在第二特征向量的适应度值大于第一特征向量的适应度值时，根据预设修正算法对第二特征向量进行优化；根据优化后的特征向量对预设电流互感器孪生模型进行训练，获得目标电流互感器孪生模型。3.根据权利要求2所述的一种基于电流互感器孪生模型的故障检测方法，其特征在于，所述在第二特征向量的适应度值大于第一特征向量的适应度值时，根据预设修正算法对第二特征向量进行优化的步骤，包括：在第二特征向量的适应度值大于第一特征向量的适应度值时，对第二特征向量的梯度进行迭代并在梯度小于或等于预设误差时，停止迭代优化；在梯度大于预设误差时，对第二特征向量进行反向迭代优化。4.根据权利要求3所述的一种基于电流互感器孪生模型的故障检测方法，其特征在于，所述在梯度大于预设误差时，对第二特征向量进行反向迭代优化的步骤，包括：在梯度大于预设误差时，确定反向迭代函数和步长因子；根据第二特征向量、反向迭代函数和步长因子确定目标特征向量；将目标特征向量作为第二特征向量，并返回在第二特征向量的适应度值大于第一特征向量的适应度值时，对第二特征向量的梯度进行迭代并在梯度小于或等于预设误差时，停止迭代优化的步骤。5.根据权利要求1至4中任一项所述的基于电流互感器孪生模型的故障检测方法，其特征在于，所述对激光回波进行分析，获得激光回波的特征向量的步骤，包括：对激光回波进行分析获得初始工作数据，并将初始工作数据进行矩阵化；根据矩阵化的数据确定初始工作数据的特征值；确定特征值的使用率，并选取使用率达到预设第一阈值的目标特征值；根据目标特征值确定激光回波的待处理...
【专利技术属性】
技术研发人员：龙玉江，钱俊凤，李洵，何熙，甘润东，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。