System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力故障预测,尤其涉及一种电力通信网故障预测方法、装置、设备及存储介质。
技术介绍
1、目前常见的电力通信网故障预测方法有基于机器学习、基于统计分析、基于物理模型和基于数据挖掘等方法。基于机器学习的方法通过分析历史数据和特征,建立预测模型并分析故障分类和预测,采用支持向量机、随机森林和神经网络等方法,其特点是能够处理大规模数据、具有一定的预测准确性和实时性。
2、现有的基于机器学习的网络故障预测方法追求准确性的提高,导致模型的复杂度较高,需要较大的计算资源和存储空间,增加了部署和运行的成本。
技术实现思路
1、针对现有技术存在的问题,本专利技术提供一种电力通信网故障预测方法、装置、设备及存储介质。
2、第一方面,本专利技术提供一种电力通信网故障预测方法,包括:
3、基于改进的mobilenet网络,从预处理后的当前时刻的电力通信网的数据中提取用于故障预测的特征;
4、将所述用于故障预测的特征输入双向gru网络,预测所述当前时刻的下一时刻所述电力通信网的故障情况;
5、其中,所述改进的mobilenet网络的任一卷积层中的每个通道均包括多个不同尺度的卷积核,所述双向gru网络的参数基于沙猫群算法确定,所述改进的mobilenet网络基于所述电力通信网的历史数据训练得到,所述双向gru网络基于所述改进的mobilenet网络的输出以及所述电力通信网的历史故障情况训练得到。
6、可选地,所述改进的mob
7、在任意一次训练中,基于任一通道激活的卷积核个数和所述任一通道中每个激活的卷积核的特征矩阵,确定所述任一通道的卷积核活性值;
8、在所述任一卷积层的第一比值小于所述任一卷积层的卷积核激活比的情况下,增加第一通道激活的卷积核个数,所述第一通道为所述任一卷积层中卷积核活性值最高的通道;
9、在所述任一卷积层的第一比值大于所述任一卷积层的卷积核激活比的情况下,减少第二通道激活的卷积核个数,所述第二通道为所述任一卷积层中激活的卷积核数大于1且卷积核活性值最低的通道;
10、在所述改进的mobilenet网络的每一卷积层的第一比值都等于所述每一卷积层的卷积核激活比的情况下,完成所述改进的mobilenet网络的训练;
11、其中,所述第一比值为所有通道激活的卷积核数量与所有通道的卷积核总数之间的比值。
12、可选地,所述基于任一通道激活的卷积核个数和所述任一通道中每个激活的卷积核的特征矩阵,确定所述任一通道的卷积核活性值,包括:
13、基于以下公式确定所述任一通道的卷积核活性值:
14、
15、其中,activity(k)表示所述任一通道的卷积核活性值,nk表示所述任一通道激活的卷积核个数,vi表示所述任一通道第i个卷积核的特征矩阵平铺得到的一维向量,||||2表示l2范数运算。
16、可选地,所述任一卷积层的卷积核激活比基于所述任一卷积层中的每个通道的卷积核总数确定。
17、可选地,所述任一卷积层的卷积核激活比基于以下公式确定:
18、α=ω[σ(w*n+b)+λr(w)]+β
19、其中,α表示所述任一卷积层的卷积核激活比,ω和β的取值之和为1,β的取值为所述任一卷积层中的每个通道的卷积核总数的倒数,σ(·)表示sigmoid激活函数,λ表示正则化参数,r(·)表示l2正则化项,w表示可学习的权值矩阵,b表示可学习的偏置向量,n的取值为所述任一卷积层中的每个通道的卷积核总数。
20、可选地,所述双向gru网络的参数的确定方式,包括:
21、基于所述沙猫群算法的最大迭代次数与所述沙猫群算法的当前迭代次数,确定所述沙猫群算法的当前迭代对应的自适应加权因子;
22、基于所述自适应加权因子对所述沙猫群算法的搜索过程进行改进,并基于改进后的所述沙猫群算法确定所述双向gru网络的学习率、隐藏层层数、批大小和层神经元数。
23、可选地,所述基于所述沙猫群算法的最大迭代次数与所述沙猫群算法的当前迭代次数,确定所述沙猫群算法的当前迭代对应的自适应加权因子,包括:
24、基于以下公式确定所述自适应加权因子:
25、
26、其中,μ表示所述沙猫群算法的当前迭代对应的自适应加权因子,t表示所述沙猫群算法的当前迭代次数,tmax表示所述沙猫群算法的最大迭代次数。
27、第二方面,本专利技术还提供一种电力通信网故障预测装置,包括:
28、提取模块,用于基于改进的mobilenet网络,从预处理后的当前时刻的电力通信网的数据中提取用于故障预测的特征;
29、预测模块,用于将所述用于故障预测的特征输入双向gru网络,预测所述当前时刻的下一时刻所述电力通信网的故障情况;
30、其中,所述改进的mobilenet网络的任一卷积层中的每个通道均包括多个不同尺度的卷积核,所述双向gru网络的参数基于沙猫群算法确定,所述改进的mobilenet网络基于所述电力通信网的历史数据训练得到,所述双向gru网络基于所述改进的mobilenet网络的输出以及所述电力通信网的历史故障情况训练得到。
31、第三方面,本专利技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述第一方面所述的电力通信网故障预测方法。
32、第四方面,本专利技术还提供一种非暂态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如上所述第一方面所述的电力通信网故障预测方法。
33、本专利技术提供的电力通信网故障预测方法、装置、设备及存储介质,通过改进的mobilenet网络从电力通信网的数据中提取用于故障预测的多尺度特征,然后将多尺度特征输入双向gru网络,对电力通信网的故障情况进行预测,在保证故障预测结果准确性的同时,降低了模型的复杂度,节省了部署和运行的成本。
本文档来自技高网...【技术保护点】
1.一种电力通信网故障预测方法,其特征在于,包括:
2.根据权利要求1所述的电力通信网故障预测方法,其特征在于,所述改进的MobileNet网络的训练方式,包括:
3.根据权利要求2所述的电力通信网故障预测方法,其特征在于,所述基于任一通道激活的卷积核个数和所述任一通道中每个激活的卷积核的特征矩阵,确定所述任一通道的卷积核活性值,包括:
4.根据权利要求2所述的电力通信网故障预测方法,其特征在于,所述任一卷积层的卷积核激活比基于所述任一卷积层中的每个通道的卷积核总数确定。
5.根据权利要求4所述的电力通信网故障预测方法,其特征在于,所述任一卷积层的卷积核激活比基于以下公式确定:
6.根据权利要求1所述的电力通信网故障预测方法,其特征在于,所述双向GRU网络的参数的确定方式,包括:
7.根据权利要求6所述的电力通信网故障预测方法,其特征在于,所述基于所述沙猫群算法的最大迭代次数与所述沙猫群算法的当前迭代次数,确定所述沙猫群算法的当前迭代对应的自适应加权因子,包括:
8.一种电力通信网故障预测装置,其
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述电力通信网故障预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电力通信网故障预测方法。
...【技术特征摘要】
1.一种电力通信网故障预测方法,其特征在于,包括:
2.根据权利要求1所述的电力通信网故障预测方法,其特征在于,所述改进的mobilenet网络的训练方式,包括:
3.根据权利要求2所述的电力通信网故障预测方法,其特征在于,所述基于任一通道激活的卷积核个数和所述任一通道中每个激活的卷积核的特征矩阵,确定所述任一通道的卷积核活性值,包括:
4.根据权利要求2所述的电力通信网故障预测方法,其特征在于,所述任一卷积层的卷积核激活比基于所述任一卷积层中的每个通道的卷积核总数确定。
5.根据权利要求4所述的电力通信网故障预测方法,其特征在于,所述任一卷积层的卷积核激活比基于以下公式确定:
6.根据权利要求1所述的电力通信网故障预...
【专利技术属性】
技术研发人员:冯国礼,王宁,陈丽洁,关瑾瑜,杨海波,张立中,李晓波,马润,孙倩,
申请(专利权)人:国网宁夏电力有限公司信息通信公司,
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。