一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法技術方案

本發明專利技術公開了一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，該方法包括：

【技術實現步驟摘要】
一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法


[0001]本專利技術涉及居配電設備現場檢測領域，具體指一種基于混合密度深度學 習的居配現場檢測系統的任務時序分配方法。

技術介紹

[0002]經濟發展，電力先行，一個地區的經濟發展離不開電力能源的供應。隨 著城市規模擴大與越來越多的人口流向城市，居配電工程規模呈爆發式增長， 對居配電現場檢測實驗的效率也提出了更高的要求。居配工程現場目前主要 針對配電變壓器(干式)、高壓(開關/環網)柜、低壓開關柜等8類設備、 材料進行檢測。現場試驗通常涉及多個設備，并且同一設備也包含多個試驗 項目，考慮到經濟性與便攜性，各試驗模塊數量有限。目前，各試驗模塊均 根據試驗人員經驗進行規劃使用，試驗模塊利用效率較低，且經常出現閑置 情況。因此，亟需一種能夠實現居配現場檢測試驗任務時序分配方法，以提 高居配電現場檢測實驗效率。

技術實現思路

[0003]針對現有居配電設備現場檢測試驗效率較低的問題，本專利技術提供一種基 于混合密度深度學習的居配現場檢測系統的任務時序分配方法，以提高居配 電現場檢測實驗效率。
[0004]為了實現上述目的，本專利技術的一種基于混合密度深度學習的居配現場檢 測系統的任務時序分配方法，包括以下步驟：
[0005]S1：通過手持終端錄入檢測設備及檢測項目需求，并將所錄入檢測設備 及檢測項目需求上傳至中控平臺；
[0006]S2：所述中控平臺根據歷史檢測數據使用混合密度深度學習，給出試驗 任務時序分配最優初始解；<br/>[0007]S3：采用遺傳算法求解最優時序分配，由中控模塊自動排列各檢測設備 的工作順序，切換其工作狀態完成檢測試驗。
[0008]在本專利技術的一個優選實施例中，所述通過手持終端錄入檢測設備及檢測項目需求，并 將所錄入檢測設備及檢測項目需求上傳至中控平臺，具體是：
[0009]試驗人員根據試驗需求，在手持終端上選擇將要檢測設備的型號及試驗項目，并錄入 工作地點及時間，通過無線局域網上傳至中控平臺。
[0010]在本專利技術的一個優選實施例中，所述中控平臺運行于一臺現場移動的服務器上，通過 配置在所述服務器中的居配現場檢測系統軟件實現整個作業現場檢測任務時序分配與試 驗模塊工作狀態自動切換。
[0011]在本專利技術的一個優選實施例中，所述中控平臺根據歷史數據使用混合密度深度學習， 給出試驗任務時序分配最優初始解，具體是：
[0012]中控平臺從服務器的數據庫中提取同一型號檢測設備或者在數據較少時可同時提取 相近型號的檢測設備的歷史檢測數據并將這些歷史檢測數據作為混合密度深度學習訓練 數據集，這些歷史檢測數據包括檢測設備的型號、試驗項目、試驗任務時序分配；
[0013]所述試驗任務時序分配為時間序列預測問題，檢測設備在工作開始后某一時間點執行 某項試驗任務的概率密度表示為如下式(1)，
[0014][0015]式(1)中：p(y|x)為概率密度分布表達式，πn(x,t)為第n個高斯核函數的權重，為 第n個高斯核函數，μ
n
(x,t)為第n個高斯核函數的均值，為第n個高斯核函數的方 差；
[0016]使用最大似然法，通過對數似然函數的最大化來計算式(1)中均值和方差，并將其 作為損失函數，
[0017][0018]由于最大似然法會導致過度擬合，為了解決這一問題，在本專利技術的一個優選實施例中， 在所述損失函數中引入一個基于對抗性訓練的正則化項。
[0019]在本專利技術的一個優選實施例中，所述對抗性訓練是將干擾添加到神經網絡的主要訓練 輸出中，作為對抗性訓練的例子，具體是采用快速梯度符號法快速生成對抗性訓練的例子， 增加的擾動與從輸出層反向傳播到輸入層的梯度符號成比例；同時，為了保持混合網絡訓 練的一致性，將L
?
2正則化加入到損失函數中，式(2)中的損失函數改寫為，
[0020][0021]式中：λ為對抗性例子的權重，表示對抗訓練對損失函數的影響；ε為限制擾動最大 范數的常值；γ為正則化超參數；K為學習權重總數；θ
k
為第k個學習權重。
[0022]由于訓練過程的主要目標是最小化損失函數，為了防止損失函數優化過程中，對數和 分母項的低值和指數項的高值導致出現非數，在本專利技術的一個優選實施例中，采用梯度剪 切通過切斷梯度來防止過大梯度點的出現。
[0023]在本專利技術的一個優選實施例中，所述混合密度深度學習分為如下三個步驟模塊：
[0024]步驟一模塊：將訓練數據集預處理后輸入卷積神經網絡模塊；
[0025]步驟二模塊：卷積神經網絡模塊的輸出經Flatten層壓平為一維數據特征輸入門控循 環單元模塊；門控循環單元模塊學習數據短期和長期依賴性并捕獲其中的時間特征；
[0026]步驟三模塊：全連接神經網絡模塊。
[0027]在本專利技術的一個優選實施例中，所述卷積神經網絡模塊選擇線性修正單元(ReLU)作 為激活函數，在卷積層將前一層的特征映射與濾波器集進行卷積來輸出特征映射，池化層 取輸入值的最大值來創建自己的特征映射并將其應用于每個特征映射，進而構成時序分配 特征向量。
[0028]為防止訓練過程中出現過擬合，在本專利技術的一個優選實施例中，所述卷積神經網絡模 塊輸出數據時隨機丟棄20％的數據。
[0029]在本專利技術的一個優選實施例中，所述門控循環單元模塊選擇線性修正單元作為激活函 數，包括兩個門控循環單元層，確定混合密度深度學習在每個時間間隔內使用的信息量； 每個門控循環單元層由更新門u(t)和復位門r(t)組成，其函數表示分別為式(4)、式(5)、 式(6)和式(7)：
[0030]u(t)＝f[ω
u
x(t)+R
u
h(t
?
1)+b
u
]????????
(4)
[0031]r(t)＝f[ω
r
x(t)+R
r
h(t
?
1)+b
r
]????????
(5)
[0032]h(t)＝(1
?
u(t))e h(t
?
1)+u(t)eh％(t)
???
(6)
[0033]h％(t)＝f[ω
u
x(t)+R
u
(r(t)e h(t
?
1))]???
(7)
[0034]式(4)、式(5)、式(6)和式(7)中：x(t)為當前時刻輸入向量，ω
u
、 ω
r
分別為更新門、復位門學習權重，R
u
、R
r
分別為更新門、復位門的循環參 數，b
u
、b
r
分別為更新門、復位門偏差，h(t)、h(t
?
1)分別為當前時刻及上一 時刻的狀態變量，h％(t本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：包括以下步驟：S1：通過手持終端錄入檢測設備及檢測項目需求，并將所錄入檢測設備及檢測項目需求上傳至中控平臺；S2：所述中控平臺根據歷史檢測數據使用混合密度深度學習，給出試驗任務時序分配最優初始解；S3：采用遺傳算法求解最優時序分配，由中控模塊自動排列各檢測設備的工作順序，切換其工作狀態完成檢測試驗。2.如權利要求1所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：所述通過手持終端錄入檢測設備及檢測項目需求，并將所錄入檢測設備及檢測項目需求上傳至中控平臺，具體是：試驗人員根據試驗需求，在手持終端上選擇將要檢測設備的型號及試驗項目，并錄入工作地點及時間，通過無線局域網上傳至中控平臺。3.如權利要求2所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：所述中控平臺運行于一臺現場移動的服務器上，通過配置在所述服務器中的居配現場檢測系統軟件實現整個作業現場檢測任務時序分配與試驗模塊工作狀態自動切換。4.如權利要求1所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：所述中控平臺根據歷史數據使用混合密度深度學習，給出試驗任務時序分配最優初始解，具體是：中控平臺從服務器的數據庫中提取同一型號檢測設備或者在數據較少時可同時提取相近型號的檢測設備的歷史檢測數據并將這些歷史檢測數據作為混合密度深度學習訓練數據集，這些歷史檢測數據包括檢測設備的型號、試驗項目、試驗任務時序分配；所述試驗任務時序分配為時間序列預測問題，檢測設備在工作開始后某一時間點執行某項試驗任務的概率密度表示為如下式(1)，式(1)中：p(y|x)為概率密度分布表達式，π
n
(x,t)為第n個高斯核函數的權重，為第n個高斯核函數，μ
n
(x,t)為第n個高斯核函數的均值，為第n個高斯核函數的方差；使用最大似然法，通過對數似然函數的最大化來計算式(1)中均值和方差，并將其作為損失函數，5.如權利要求4所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：在所述損失函數中引入一個基于對抗性訓練的正則化項。6.如權利要求5所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：所述對抗性訓練是將干擾添加到神經網絡的主要訓練輸出中，作為對抗性訓練的例子，具體是采用快速梯度符號法快速生成對抗性訓練的例子，增加的擾動與
從輸出層反向傳播到輸入層的梯度符號成比例；同時，為了保持混合網絡訓練的一致性，將L
?
2正則化加入到損失函數中，式(2)中的損失函數改寫為，式中：λ為對抗性例子的權重，表示對抗訓練對損失函數的影響；ε為限制擾動最大范數的常值；γ為正則化超參數；K為學習權重總數；θ
k
為第k個學習權重。7.如權利要求6所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：在本發明的一個優選實施例中，采用梯度剪切通過切斷梯度來防止過大梯度點的出現。8.如權利要求7所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：所述混合密度深度學習分為如下三個步驟模塊：步驟一模塊：將訓練數據集預處理后輸入卷積神經網絡模塊；步驟二模塊：卷積神經網絡模塊的輸出經Flatten層壓平為一維數據特征輸入門控循環單元模塊；門控循環單元模塊學習數據短期和長期依賴性并捕獲其中的時間特征；步驟三模塊：全連接神經網絡模塊。9.如權利要求8所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：所述卷積神經網絡模塊選擇線性修正單元(ReLU)作為激活函數，在卷積層將前一層的特征映射與濾波器集進行卷積來輸出特征映射，池化層取輸入值的最大值來創建自己的特征映射并將其應用于每個特征映射，進而構成時序分配特征向量。10.如權利要求9所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：所述卷積神經網絡模塊輸出數據時隨機丟棄20％的數據。11.如權利要求8所述的一種基于混合密度深度學習的居配現場檢測系統的任務時序分配方法，其特征在于：所述門控循環單元模塊選擇線性修正單元作為激活函數，包括兩個門控循環單元層，確定混合密度深度學習在每個時間間隔內使用的信...

【專利技術屬性】
技術研發人員：倪玉玲，顧穎歆，鮮開強，章勁秋，張昕，鄒云峰，黃茜，周達，張聰，董梅，
申請(專利權)人：國網江蘇省電力有限公司營銷服務中心，
類型：發明
國別省市：