[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114418409A - 一种基于多个神经网络的设备安全风险的评估方法及装置 - Google Patents

一种基于多个神经网络的设备安全风险的评估方法及装置 Download PDF

Info

Publication number
CN114418409A
CN114418409A CN202210074481.5A CN202210074481A CN114418409A CN 114418409 A CN114418409 A CN 114418409A CN 202210074481 A CN202210074481 A CN 202210074481A CN 114418409 A CN114418409 A CN 114418409A
Authority
CN
China
Prior art keywords
equipment
neural networks
prediction result
evaluation
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210074481.5A
Other languages
English (en)
Inventor
卢建刚
汤怿
周安
杨云帆
吴迪
王相茗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202210074481.5A priority Critical patent/CN114418409A/zh
Publication of CN114418409A publication Critical patent/CN114418409A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多个神经网络的设备安全风险的评估方法及装置，所述方法包括：获取设备的测量数据，并利用所述测量数据分别与每个神经网络进行评估训练，构建得到多个设备安全性评估模型；重复对每个所述设备安全性评估模型进行系数调整操作，生成对应综合评估模型；利用多个所述综合评估模型与预设的运行数据进行安全风险评估计算，得到计算结果，所述预设的运行数据为设备在运行时实时采集的状态数据；基于计算结果确定设备安全风险。本发明可以采集设备的测量数据，并利用测量数据对多个神经网络进行评估训练和权重分配，从而可以提高模型的评估准确率，并且设置多个评估模型可以适配更多不同的设备，进一步提高评估的灵活性和实用性。

Description

一种基于多个神经网络的设备安全风险的评估方法及装置
技术领域
本发明涉及设备安全风险的评估技术领域，尤其涉及一种基于多个神经网络的设备安全风险的评估方法及装置。
背景技术
电力行业与人们的生活水平息息相关，时代的发展与科技的进步使得越来越多的电力设备投人到电网系统中，使得电网结构越发显得庞大复杂。同时，各种不确定的风险诸如外力因素、操作因素、设备因素及管理因素也影响着电网的安全稳定运行，增加了电网的运营风险。
为了让各个设备的安全正常地工作，以使电网安全稳定地运行，目前常用的方法是在运行过程中记录各个设备的运行数据，再利用训练好的模型进行安全风险的评估。
但目前常用的预测评估方法有如下技术问题：由于设备的种类较多，而单一的训练模型难以适配多种不同的设备，导致评估预测的结果与实际不符，降低了准确率。
发明内容
本发明提出一种基于多个神经网络的设备安全风险的评估方法及装置，所述方法可以采用多个模型进行协同预测评估，不但可以适配不同种类的设备，也可以提高评估预测的准确率。
本发明实施例的第一方面提供了一种基于多个神经网络的设备安全风险的评估方法，所述方法包括：
获取设备的测量数据，并利用所述测量数据分别与每个神经网络进行评估训练，构建得到多个设备安全性评估模型；
重复对每个所述设备安全性评估模型进行系数调整操作，生成对应综合评估模型；
利用多个所述综合评估模型与预设的运行数据进行安全风险评估计算，得到计算结果，其中，所述预设的运行数据为设备在运行时实时采集的状态数据；
基于计算结果确定设备安全风险。
在第一方面的一种可能的实现方式中，所述系数调整操作具体为：
分别确定每个所述设备安全性评估模型的预测结果与给定标签的损失值；
利用所述预测结果和所述给定标签的损失值初始化计算每个所述设备安全性评估模型的初始调整系数；
将所述预测结果与所述初始调整系数相乘得到预测结果中间值，计算所述预测结果中间值与所述预测结果的支持度，对支持度进行归一化处理得到归一化支持度；
将所述归一化支持度与预设的学习率相乘得到更新调整系数，直到所述预测结果和所述给定标签的损失值的损失总和值小于预设损失阈值。
在第一方面的一种可能的实现方式中，所述初始调整系数的计算如下式所示：
Figure BDA0003483340610000021
Figure BDA0003483340610000022
其中，
Figure BDA0003483340610000023
表示第i个神经网络模型的预测结果；
Figure BDA0003483340610000024
表示第i个神经网络模型的预测结果对应的给定标签的损失值；
Si表示第i个神经网络模型的预测结果与第i个神经网络模型的预测结果对应的给定标签的损失值的计算结果；
Figure BDA0003483340610000025
表示第i个神经网络模型的初始调整系数。
在第一方面的一种可能的实现方式中，所述归一化支持度的计算如下式所示：
Figure BDA0003483340610000026
Figure BDA0003483340610000027
Figure BDA0003483340610000031
其中，
Figure BDA0003483340610000032
为预测结果中间值，Sup表示用来计算两个向量的支持度；Ci为归一化支持度，N表示预设神经网络个数。
在第一方面的一种可能的实现方式中，所述更新调整系数的计算如下式所示：
Figure BDA0003483340610000033
其中，
Figure BDA0003483340610000034
表示更新调整系数；η表示学习率。
在第一方面的一种可能的实现方式中，所述η＝0.01。
在第一方面的一种可能的实现方式中，所述预测结果和所述给定标签的损失值的损失总和计算如下式所示：
Figure BDA0003483340610000035
其中，SSE表示计算损失的一种方法；
Figure BDA0003483340610000036
表示设定阈值；
所述综合评估模型如下式所示：
Figure BDA0003483340610000037
f为综合评估模型。
在第一方面的一种可能的实现方式中，所述神经网络包括卷积神经网络、完全卷积神经网络、自编码器、残差网络、短长时记忆网络、门控递归单元或概率神经网络。
在第一方面的一种可能的实现方式中，所述测量数据包括电网设备在正常运行时采集的数据及电网设备存在异常时采集的数据。
本发明实施例的第二方面提供了一种基于多个神经网络的设备安全风险的评估装置，所述装置包括：
评估训练模块，用于获取设备的测量数据，并利用所述测量数据分别与每个神经网络进行评估训练，构建得到多个设备安全性评估模型；
系数调整模块，用于重复对每个所述设备安全性评估模型进行系数调整操作，生成对应综合评估模型；
计算模块，用于利用多个所述综合评估模型与预设的运行数据进行安全风险评估计算，得到计算结果，其中，所述预设的运行数据为设备在运行时实时采集的状态数据；
确定模块，用于基于计算结果确定设备安全风险。
相比于现有技术，本发明实施例提供的基于多个神经网络的设备安全风险的评估方法及装置，其有益效果在于：本发明可以采集设备的测量数据，并利用测量数据对多个神经网络进行评估训练和权重分配，从而可以提高模型的评估准确率，并且设置多个评估模型可以适配更多不同的设备，进一步提高评估的灵活性和实用性，增加模型功能。
附图说明
图1是本发明一实施例提供的一种基于多个神经网络的设备安全风险的评估方法的流程示意图；
图2是本发明一实施例提供的一种基于多个神经网络的设备安全风险的评估方法的操作流程图；
图3是本发明一实施例提供的一种基于多个神经网络的设备安全风险的评估装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前常用的预测评估方法有如下技术问题：由于设备的种类较多，而单一的训练模型难以适配多种不同的设备，导致评估预测的结果与实际不符，降低了准确率。
为了解决上述问题，下面将通过以下具体的实施例对本申请实施例提供的一种基于多个神经网络的设备安全风险的评估方法进行详细介绍和说明。
参照图1，示出了本发明一实施例提供的一种基于多个神经网络的设备安全风险的评估方法的流程示意图。
其中，作为示例的，所述基于多个神经网络的设备安全风险的评估方法，可以包括：
S11、获取设备的测量数据，并利用所述测量数据分别与每个神经网络进行评估训练，构建得到多个设备安全性评估模型。
在一实施例中，所述测量数据包括电网设备在正常运行时采集的数据及电网设备存在异常时采集的数据。
在另一实施例中，所述神经网络包括卷积神经网络、完全卷积神经网络、自编码器、残差网络、短长时记忆网络、门控递归单元或概率神经网络。
在应用时，可以将测量数据输入至每个神经网络中，再对每个神经网络进行评估训练，以得到对应的设备安全性评估模型。
S12、重复对每个所述设备安全性评估模型进行系数调整操作，生成对应综合评估模型。
在实际操作中，由于不同的设备安全性评估模型的权重不同，为了提高评估的准确率，可以对每个设备安全性评估模型进行系数调整操作，从而可以让各个设备安全性评估模型相互协调工作并适配不同的设备，以提高评估的实用性和灵活性。
在一可选的实施例中，所述系数调整操作可以包括以下子步骤：
子步骤S121、分别确定每个所述设备安全性评估模型的预测结果与给定标签的损失值。
子步骤S122、利用所述预测结果和所述给定标签的损失值初始化计算每个所述设备安全性评估模型的初始调整系数。
具体地，所述初始调整系数的计算如下式所示：
Figure BDA0003483340610000061
Figure BDA0003483340610000062
其中，
Figure BDA0003483340610000063
表示第i个神经网络模型的预测结果；
Figure BDA0003483340610000064
表示第i个神经网络模型的预测结果对应的给定标签的损失值；
Si表示第i个神经网络模型的预测结果与第i个神经网络模型的预测结果对应的给定标签的损失值的计算结果；
Figure BDA0003483340610000065
表示第i个神经网络模型的初始调整系数。
子步骤S123、将所述预测结果与所述初始调整系数相乘得到预测结果中间值，计算所述预测结果中间值与所述预测结果的支持度，对支持度进行归一化处理得到归一化支持度。
具体地，所述归一化支持度的计算如下式所示：
Figure BDA0003483340610000066
Figure BDA0003483340610000067
Figure BDA0003483340610000068
其中，
Figure BDA0003483340610000069
为预测结果中间值，Sup表示用来计算两个向量的支持度；Ci为归一化支持度，N表示预设神经网络个数。
子步骤S124、将所述归一化支持度与预设的学习率相乘得到更新调整系数，直到所述预测结果和所述给定标签的损失值的损失总和值小于预设损失阈值。
具体地，所述更新调整系数的计算如下式所示：
Figure BDA00034833406100000610
其中，
Figure BDA00034833406100000611
表示更新调整系数；η表示学习率。
可选地，所述η＝0.01。
在其中一种的实施例中，所述预测结果和所述给定标签的损失值的损失总和计算如下式所示：
Figure BDA0003483340610000071
其中，SSE表示计算损失的一种方法；
Figure BDA0003483340610000072
表示设定阈值；
所述综合评估模型如下式所示：
Figure BDA0003483340610000073
f为综合评估模型。
在实际操作中，可以先计算每个网络模型的预测结果与给定标签的损失，初始化每个网络模型的初始调整系数；将每个网络的预测结果与对应的网络调整系数相乘得到预测结果中间值，计算该中间值与网络预测结果的支持度，对支持度进行归一化处理得到归一化支持度；将归一化支持度乘以预设的学习率得到更新调整系数；然后重复上述步骤，将更新调整系数分别与每个网络的预测结果相乘得到预测结果中间值，直到设备安全风险综合评估值和给定标签的损失降到一定阈值时停止，得到目标调整系数，进而根据目标调整系数确定最终的设备安全性综合评估模型，以最终的设备安全性综合评估模型为综合评估模型。
S13、利用多个所述综合评估模型与预设的运行数据进行安全风险评估计算，得到计算结果，其中，所述预设的运行数据为设备在运行时实时采集的状态数据。
在设备运行是，可以实时采集设备的状态数据，该状态数据可以包括设备的运行时间、运行频率、功率、信号传输路径等等关于设备状态的数据。最后，可以将状态数据输入至综合评估模型中，由综合评估模型进行对应的安全风险评估计算。
在一可选的实施例中，可以在采集测量数据时同步采集运行数据，以提高数据采集效率。
S14、基于计算结果确定设备安全风险。
最后，可以基于计算结果确定设备安全风险。
可选地，可以根据计算的数值大小确定设备的安全风险。例如，数值最高，风险越大，数值越小，风险越小。
参照图2，示出了本发明一实施例提供的一种基于多个神经网络的设备安全风险的评估方法的操作流程图。
具体地，首先获取设备的测量数据以及运行时的运行数据，然后利用测量数据对多个神经网络进行评估训练，将每个神经网络训练成对应的设备安全性综合评估模型，将多个设备安全性综合评估模型进行综合并调整每个设备安全性综合评估模型的权重，以生成对应的综合评估模型，最后将运行数据输入至综合评估模型中，供综合评估模型进行风险评估计算，以确定设备的安全风险。
在本实施例中，本发明实施例提供了一种基于多个神经网络的设备安全风险的评估方法，其有益效果在于：本发明可以采集设备的测量数据，并利用测量数据对多个神经网络进行评估训练和权重分配，从而可以提高模型的评估准确率，并且设置多个评估模型可以适配更多不同的设备，进一步提高评估的灵活性和实用性，增加模型功能。
本发明实施例还提供了一种基于多个神经网络的设备安全风险的评估装置，参见图3，示出了本发明一实施例提供的一种基于多个神经网络的设备安全风险的评估装置的结构示意图。
其中，作为示例的，所述基于多个神经网络的设备安全风险的评估装置可以包括：
评估训练模块301，用于获取设备的测量数据，并利用所述测量数据分别与每个神经网络进行评估训练，构建得到多个设备安全性评估模型；
系数调整模块302，用于重复对每个所述设备安全性评估模型进行系数调整操作，生成对应综合评估模型；
计算模块303，用于利用多个所述综合评估模型与预设的运行数据进行安全风险评估计算，得到计算结果，其中，所述预设的运行数据为设备在运行时实时采集的状态数据；
确定模块304，用于基于计算结果确定设备安全风险。
可选地，所述系数调整模块还用于：
分别确定每个所述设备安全性评估模型的预测结果与给定标签的损失值；
利用所述预测结果和所述给定标签的损失值初始化计算每个所述设备安全性评估模型的初始调整系数；
将所述预测结果与所述初始调整系数相乘得到预测结果中间值，计算所述预测结果中间值与所述预测结果的支持度，对支持度进行归一化处理得到归一化支持度；
将所述归一化支持度与预设的学习率相乘得到更新调整系数，直到所述预测结果和所述给定标签的损失值的损失总和值小于预设损失阈值。
可选地，所述初始调整系数的计算如下式所示：
Figure BDA0003483340610000091
Figure BDA0003483340610000092
其中，
Figure BDA0003483340610000093
表示第i个神经网络模型的预测结果；
Figure BDA0003483340610000094
表示第i个神经网络模型的预测结果对应的给定标签的损失值；
Si表示第i个神经网络模型的预测结果与第i个神经网络模型的预测结果对应的给定标签的损失值的计算结果；
Figure BDA0003483340610000095
表示第i个神经网络模型的初始调整系数。
可选地，所述归一化支持度的计算如下式所示：
Figure BDA0003483340610000096
Figure BDA0003483340610000097
Figure BDA0003483340610000098
其中，
Figure BDA0003483340610000099
为预测结果中间值，Sup表示用来计算两个向量的支持度；Ci为归一化支持度，N表示预设神经网络个数。
可选地，所述更新调整系数的计算如下式所示：
Figure BDA00034833406100000910
其中，
Figure BDA00034833406100000911
表示更新调整系数；η表示学习率。
可选地，所述η＝0.01。
可选地，可选地，所述系数调整模块还用于：
Figure BDA0003483340610000101
其中，SSE表示计算损失的一种方法；
Figure BDA0003483340610000102
表示设定阈值；
所述综合评估模型如下式所示：
Figure BDA0003483340610000103
f为综合评估模型。
可选地，所述神经网络包括卷积神经网络、完全卷积神经网络、自编码器、残差网络、短长时记忆网络、门控递归单元或概率神经网络。
可选地，所述测量数据包括电网设备在正常运行时采集的数据及电网设备存在异常时采集的数据。
进一步的，本申请实施例还提供了一种电子设备，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述实施例所述的基于多个神经网络的设备安全风险的评估方法。
进一步的，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的基于多个神经网络的设备安全风险的评估方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于多个神经网络的设备安全风险的评估方法，其特征在于，所述方法包括：
获取设备的测量数据，并利用所述测量数据分别与每个神经网络进行评估训练，构建得到多个设备安全性评估模型；
重复对每个所述设备安全性评估模型进行系数调整操作，生成对应综合评估模型；
利用多个所述综合评估模型与预设的运行数据进行安全风险评估计算，得到计算结果，其中，所述预设的运行数据为设备在运行时实时采集的状态数据；
基于计算结果确定设备安全风险。
2.根据权利要求1所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述系数调整操作具体为：
分别确定每个所述设备安全性评估模型的预测结果与给定标签的损失值；
利用所述预测结果和所述给定标签的损失值初始化计算每个所述设备安全性评估模型的初始调整系数；
将所述预测结果与所述初始调整系数相乘得到预测结果中间值，计算所述预测结果中间值与所述预测结果的支持度，对支持度进行归一化处理得到归一化支持度；
将所述归一化支持度与预设的学习率相乘得到更新调整系数，直到所述预测结果和所述给定标签的损失值的损失总和值小于预设损失阈值。
3.根据权利要求2所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述初始调整系数的计算如下式所示：
Figure FDA0003483340600000011
Figure FDA0003483340600000021
其中，
Figure FDA0003483340600000022
表示第i个神经网络模型的预测结果；
Figure FDA0003483340600000023
表示第i个神经网络模型的预测结果对应的给定标签的损失值；
Si表示第i个神经网络模型的预测结果与第i个神经网络模型的预测结果对应的给定标签的损失值的计算结果；
Figure FDA0003483340600000024
表示第i个神经网络模型的初始调整系数。
4.根据权利要求3所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述归一化支持度的计算如下式所示：
Figure FDA0003483340600000025
Figure FDA0003483340600000026
Figure FDA0003483340600000027
其中，
Figure FDA0003483340600000028
为预测结果中间值，Sup表示用来计算两个向量的支持度；Ci为归一化支持度，N表示预设神经网络个数。
5.根据权利要求4所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述更新调整系数的计算如下式所示：
Figure FDA0003483340600000029
其中，
Figure FDA00034833406000000210
表示更新调整系数；η表示学习率。
6.根据权利要求5所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述η＝0.01。
7.根据权利要求5所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述预测结果和所述给定标签的损失值的损失总和计算如下式所示：
Figure FDA0003483340600000031
其中，SSE表示计算损失的一种方法；
Figure FDA0003483340600000033
表示设定阈值；
所述综合评估模型如下式所示：
Figure FDA0003483340600000032
t为综合评估模型。
8.根据权利要求1-7任意一项所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述神经网络包括卷积神经网络、完全卷积神经网络、自编码器、残差网络、短长时记忆网络、门控递归单元或概率神经网络。
9.根据权利要求1-7任意一项所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述测量数据包括电网设备在正常运行时采集的数据及电网设备存在异常时采集的数据。
10.一种基于多个神经网络的设备安全风险的评估装置，其特征在于，所述装置包括：
评估训练模块，用于获取设备的测量数据，并利用所述测量数据分别与每个神经网络进行评估训练，构建得到多个设备安全性评估模型；
系数调整模块，用于重复对每个所述设备安全性评估模型进行系数调整操作，生成对应综合评估模型；
计算模块，用于利用多个所述综合评估模型与预设的运行数据进行安全风险评估计算，得到计算结果，其中，所述预设的运行数据为设备在运行时实时采集的状态数据；
确定模块，用于基于计算结果确定设备安全风险。
CN202210074481.5A 2022-01-21 2022-01-21 一种基于多个神经网络的设备安全风险的评估方法及装置 Pending CN114418409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210074481.5A CN114418409A (zh) 2022-01-21 2022-01-21 一种基于多个神经网络的设备安全风险的评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210074481.5A CN114418409A (zh) 2022-01-21 2022-01-21 一种基于多个神经网络的设备安全风险的评估方法及装置

Publications (1)

Publication Number Publication Date
CN114418409A true CN114418409A (zh) 2022-04-29

Family

ID=81275093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210074481.5A Pending CN114418409A (zh) 2022-01-21 2022-01-21 一种基于多个神经网络的设备安全风险的评估方法及装置

Country Status (1)

Country Link
CN (1) CN114418409A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169234A (zh) * 2022-07-17 2022-10-11 无锡格策电气有限公司 一种基于大数据分析的电力网络可靠性评估方法
CN115688558A (zh) * 2022-09-15 2023-02-03 吉林金域医学检验所有限公司 检验设备状态评估方法、装置、计算机设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040205037A1 (en) * 2003-04-10 2004-10-14 Thomas Mrziglod Method for training neural networks
CN103095494A (zh) * 2012-12-31 2013-05-08 北京邮电大学 一种电力通信网风险评估方法
CN103150635A (zh) * 2013-03-29 2013-06-12 广东电网公司 电力设备运维方法
CN103514566A (zh) * 2013-10-15 2014-01-15 国家电网公司 一种风险控制系统及方法
CN104766137A (zh) * 2015-03-27 2015-07-08 中国人民解放军信息工程大学 一种基于证据理论的网络安全态势预测方法
CN105913450A (zh) * 2016-06-22 2016-08-31 武汉理工大学 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统
CN107766929A (zh) * 2017-05-05 2018-03-06 平安科技（深圳）有限公司 模型分析方法及装置
CN108108520A (zh) * 2017-11-29 2018-06-01 海南电网有限责任公司电力科学研究院 一种基于神经网络集成的输电线路雷害风险预测模型
CN109359469A (zh) * 2018-10-16 2019-02-19 上海电力学院 一种工业控制系统的信息安全风险评估方法
CN112712214A (zh) * 2021-01-15 2021-04-27 中国人民解放军军事科学院国防科技创新研究院 海事搜救对象轨迹预测方法、系统、装置和存储介质
CN113030633A (zh) * 2020-12-01 2021-06-25 国家电网有限公司 基于ga-bp神经网络的配电网故障大数据分析方法和系统
CN113705973A (zh) * 2021-07-30 2021-11-26 广东电网有限责任公司东莞供电局 一种基于神经网络学习的电网安全风险在线评估方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040205037A1 (en) * 2003-04-10 2004-10-14 Thomas Mrziglod Method for training neural networks
CN103095494A (zh) * 2012-12-31 2013-05-08 北京邮电大学 一种电力通信网风险评估方法
CN103150635A (zh) * 2013-03-29 2013-06-12 广东电网公司 电力设备运维方法
CN103514566A (zh) * 2013-10-15 2014-01-15 国家电网公司 一种风险控制系统及方法
CN104766137A (zh) * 2015-03-27 2015-07-08 中国人民解放军信息工程大学 一种基于证据理论的网络安全态势预测方法
CN105913450A (zh) * 2016-06-22 2016-08-31 武汉理工大学 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统
CN107766929A (zh) * 2017-05-05 2018-03-06 平安科技（深圳）有限公司 模型分析方法及装置
CN108108520A (zh) * 2017-11-29 2018-06-01 海南电网有限责任公司电力科学研究院 一种基于神经网络集成的输电线路雷害风险预测模型
CN109359469A (zh) * 2018-10-16 2019-02-19 上海电力学院 一种工业控制系统的信息安全风险评估方法
CN113030633A (zh) * 2020-12-01 2021-06-25 国家电网有限公司 基于ga-bp神经网络的配电网故障大数据分析方法和系统
CN112712214A (zh) * 2021-01-15 2021-04-27 中国人民解放军军事科学院国防科技创新研究院 海事搜救对象轨迹预测方法、系统、装置和存储介质
CN113705973A (zh) * 2021-07-30 2021-11-26 广东电网有限责任公司东莞供电局 一种基于神经网络学习的电网安全风险在线评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张龙妹 等: "城市交通时间预测的混合神经网络模型", 西安科技大学学报, vol. 41, no. 5, 30 September 2021 (2021-09-30), pages 921 - 928 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169234A (zh) * 2022-07-17 2022-10-11 无锡格策电气有限公司 一种基于大数据分析的电力网络可靠性评估方法
CN115169234B (zh) * 2022-07-17 2023-09-15 无锡格策电气有限公司 一种基于大数据分析的电力网络可靠性评估方法
CN115688558A (zh) * 2022-09-15 2023-02-03 吉林金域医学检验所有限公司 检验设备状态评估方法、装置、计算机设备及存储介质
CN115688558B (zh) * 2022-09-15 2023-12-22 吉林金域医学检验所有限公司 检验设备状态评估方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN104392390B (zh) 一种基于topsis模型的智能变电站二次设备评估方法
US8041597B2 (en) Self-calibrating outlier model and adaptive cascade model for fraud detection
CN114418409A (zh) 一种基于多个神经网络的设备安全风险的评估方法及装置
CN106126944B (zh) 一种电力变压器顶层油温区间预测方法及系统
CN114444608B (zh) 数据集质量评估方法及装置、电子设备及存储介质
CN116306798A (zh) 一种超短时风速预测方法及系统
CN116736214A (zh) 一种cvt稳定性评估方法和系统
CN114583767B (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
CN112949201B (zh) 一种风速预测方法、装置、电子设备及存储介质
CN110322342A (zh) 借贷风险预测模型的构建方法、系统及借贷风险预测方法
CN117330963B (zh) 储能电站故障检测方法、系统及设备
CN116192665B (zh) 数据处理方法、装置、计算机设备及存储介质
CN112346995B (zh) 一种基于银行业的测试风险预估模型的构建方法及装置
CN117233638A (zh) 锂电池soh的检测方法、装置、电子设备及存储介质
CN110212585A (zh) 基于统计分析的风电机组运行可靠性预测方法、装置及风电机组
CN112733729B (zh) 模型训练、回归分析的方法、装置、存储介质和设备
CN109884548A (zh) 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法
CN106709598B (zh) 一种基于单类样本的电压稳定性预测判断方法
CN113378453A (zh) 一种基于深度信念网络的智能电能表失效率在线预计方法
CN112529303A (zh) 基于模糊决策的风险预测方法、装置、设备和存储介质
CN111898802A (zh) 一种基于深度神经网络的电网灾情评估方法
CN114722061B (zh) 数据处理方法及装置、设备、计算机可读存储介质
CN117354053B (zh) 一种基于大数据的网络安全保护方法
CN114676797B (zh) 一种模型精度的计算方法、装置和计算机可读存储介质
CN115688318A (zh) 一种高压开关设备的机械寿命预测方法、系统及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination