CN118228200B - 基于多模态模型的电力设备异常识别方法、装置与设备 - Google Patents
基于多模态模型的电力设备异常识别方法、装置与设备 Download PDFInfo
- Publication number
- CN118228200B CN118228200B CN202410651767.4A CN202410651767A CN118228200B CN 118228200 B CN118228200 B CN 118228200B CN 202410651767 A CN202410651767 A CN 202410651767A CN 118228200 B CN118228200 B CN 118228200B
- Authority
- CN
- China
- Prior art keywords
- information
- network
- power equipment
- initial
- target
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
- G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开的实施例公开了基于多模态模型的电力设备异常识别方法、装置与设备。该方法的一具体实施方式包括:对于每个历史设备信息组,执行以下步骤:根据历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息;根据各个训练结果、各个网络权重信息和各个网络结构信息,生成目标网络权重信息和目标网络结构信息;根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络;将目标电力设备信息输入至多模态电力设备异常识别模型中,得到目标电力设备异常识别结果。该实施方式可以准确、高效、快速地对电力设备运行信息进行异常检测,以确定电力设备是否异常。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及基于多模态模型的电力设备异常识别方法、装置与设备。
背景技术
在电力网络中,涉及多种电力设备,分布非常广泛。因此,为了保证电力网络的正常运行,需要对电力设备进行检测,以提前发现异常的电力设备。目前,对电力设备进行异常检测,通常采用的方式为:通过技术人员,定期检测电力设备。
然而,当采用上述方式对电力设备进行异常检测,经常会存在如下技术问题:人工检测存在时间间隔,时效性较低,难以及时检测出异常的电力设备。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于多模态模型的电力设备异常识别方法、装置、电子设备与计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种基于多模态模型的电力设备异常识别方法,该方法包括:获取每个电力设备的历史设备信息组,得到历史设备信息组集,其中,每个历史设备信息组对应有信息标签,历史设备信息包括电力设备运行数据与电力设备外观图像;对于上述历史设备信息组集中的每个历史设备信息组,执行以下步骤:根据上述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息,其中,上述各个初始电力设备异常识别网络的网络结构不同,一个网络权重信息对应一个训练结果,一个网络权重信息对应一个初始电力设备异常识别网络,一个初始电力设备异常识别网络对应一个网络结构信息;根据各个训练结果、上述各个网络权重信息和上述各个网络结构信息,生成目标网络权重信息和目标网络结构信息;根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定,其中,上述目标信息标签是上述历史设备信息组对应的信息标签;将各个多源电力设备异常识别网络融合为多模态电力设备异常识别模型;将目标电力设备信息输入至上述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果。
第二方面,本公开的一些实施例提供了一种基于多模态模型的电力设备异常识别装置,该装置包括:获取单元,被配置成获取每个电力设备的历史设备信息组,得到历史设备信息组集,其中,每个历史设备信息组对应有信息标签,历史设备信息包括电力设备运行数据与电力设备外观图像;构建单元,被配置成对于上述历史设备信息组集中的每个历史设备信息组,执行以下步骤:根据上述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息,其中,上述各个初始电力设备异常识别网络的网络结构不同,一个网络权重信息对应一个训练结果,一个网络权重信息对应一个初始电力设备异常识别网络,一个初始电力设备异常识别网络对应一个网络结构信息;根据各个训练结果、上述各个网络权重信息和上述各个网络结构信息,生成目标网络权重信息和目标网络结构信息;根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定,其中,上述目标信息标签是上述历史设备信息组对应的信息标签;融合单元,被配置成将各个多源电力设备异常识别网络融合为多模态电力设备异常识别模型;输入单元,被配置成将目标电力设备信息输入至上述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于多模态模型的电力设备异常识别方法,可以准确、高效、快速地对电力设备运行信息进行异常检测,以确定电力设备是否异常。具体来说,导致人工划定的运输设备区域不准确的原因在于人工划定的运输设备区域为固定的运输设备区域,在运输设备作业过程中,可能出现不同的电力设备需要存放在不同区域的情况发生。基于此,本公开的一些实施例的基于多模态模型的电力设备异常识别方法,首先,获取每个电力设备的历史设备信息组,得到历史设备信息组集,其中,每个历史设备信息组对应有信息标签,历史设备信息包括电力设备运行数据与电力设备外观图像。由此,可以利用电力设备的历史运行信息,训练电力设备异常识别模型。接着,对于上述历史设备信息组集中的每个历史设备信息组,执行以下步骤:根据上述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息,其中,上述各个初始电力设备异常识别网络的网络结构不同,一个网络权重信息对应一个训练结果,一个网络权重信息对应一个初始电力设备异常识别网络,一个初始电力设备异常识别网络对应一个网络结构信息;根据各个训练结果、上述各个网络权重信息和上述各个网络结构信息,生成目标网络权重信息和目标网络结构信息;根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定,其中,上述目标信息标签是上述历史设备信息组对应的信息标签。由此,使用采集于多个电力设备的历史设备信息组训练各个不同网络结构的模型,可以确定各个模型结构对当前电力设备类型的泛化能力和预测准确率。然后,将各个多源电力设备异常识别网络融合为多模态电力设备异常识别模型。由此,使得所训练的多模态电力设备异常识别模型可以识别各类不同的电力设备。最后,将目标电力设备信息输入至上述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果。由此,可以准确、高效、快速地对电力设备运行信息进行异常检测,以确定电力设备是否异常。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的基于多模态模型的电力设备异常识别方法的一些实施例的流程图;
图2是根据本公开的基于多模态模型的电力设备异常识别装置的一些实施例的流程图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的基于多模态模型的电力设备异常识别方法的一些实施例的流程图。示出了根据本公开的基于多模态模型的电力设备异常识别方法的一些实施例的流程100。该基于多模态模型的电力设备异常识别方法,包括以下步骤:
步骤101,获取每个电力设备的历史设备信息组,得到历史设备信息组集。
在一些实施例中,基于多模态模型的电力设备异常识别方法的执行主体(例如,计算设备)可以通过有线连接或无线连接的方式获取每个电力设备的历史设备信息组,得到历史设备信息组集。其中,每个历史设备信息组对应有信息标签,历史设备信息包括电力设备运行数据与电力设备外观图像。其中,上述历史设备信息组的历史虚拟电厂数据包括:电力设备运行数据、电力设备外观图像、运行数据标签与设备外观图像标签。电力设备可以是各种电力设备,例如,发电设备、输变电设备、用电设备、电力电子设备等。上述信息标签可以是表征对应的历史设备信息组中各个历史设备信息来源的信息文本标签。例如,一个历史设备信息组对应的数据源标签是“发电设备”,可以表征上述历史设备信息组来源于发电设备。再例如,一个历史设备信息组对应的数据源标签是“输变电设备”,可以表征上述历史设备信息组来源于输变电设备。例如,电力设备运行数据可以包括:电力设备负载值,电力设备最大运行电压、最大运行电流等。运行数据标签可以表示电力设备运行数据是否异常。
实践中,上述执行主体可以通过以下步骤获取每个电力设备的历史设备信息组:
第一步,获取上述电力设备在预设时间段内的初始设备信息组。预设时间段可以是指历史时间段。一个初始设备信息对应一个时间粒度。
第二步,对上述初始设备信息组包括的各个初始设备信息进行异常信息检测,以生成异常信息标签组。异常信息检测包括:空值检测、异常离散数据检测等。之后,可以将存在空值/异常离散数据的初始设备信息对应的信息标签确定为异常信息标签。
第三步,对上述初始设备信息组中的各个异常初始设备信息进行数据修复处理,以生成修复初始设备信息组。其中,上述各个异常初始设备信息中的异常初始设备信息对应上述异常信息标签组中的异常信息标签。例如,数据修复处理可以是指填充空值/修复异常值等操作。
第四步,对上述修复初始设备信息组包括的各个修复初始设备信息进行重采样处理,得到采样修复初始设备信息组。重采样的方法:主要是最近邻法、双线性内插法以及三次卷积内插法。
第五步,对上述采样修复初始设备信息组包括的各个采样修复初始设备信息进行降噪处理,得到降噪初始设备信息组,作为历史设备信息组。降噪处理的方法可以包括:数据清洗、滤波方法、集成方法。
步骤102,对于上述历史设备信息组集中的每个历史设备信息组,执行以下步骤:
步骤1021,根据上述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息。
在一些实施例中,上述执行主体可以根据上述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息。其中,上述各个初始电力设备异常识别网络的网络结构不同,一个网络权重信息对应一个训练结果,一个网络权重信息对应一个初始电力设备异常识别网络,一个初始电力设备异常识别网络对应一个网络结构信息。初始电力设备异常识别网络可以是指未经训练的神经网络模型。例如,初始电力设备异常识别网络可以是DCN(Deep & Cross Network)模型或transformer模型,也可以是YoLoV8模型。
实践中,上述执行主体可以通过以下步骤对各个初始电力设备异常识别网络进行模型训练:
第一步,将上述历史设备信息组中每个历史设备信息包括的电力设备运行数据与电力设备外观图像组合为设备信息样本数据,得到设备信息样本数据组。
第二步,对于上述各个初始电力设备异常识别网络中的每个初始电力设备异常识别网络,执行以下训练步骤:
第一训练步骤,将设备信息样本数据组中的至少一个设备信息样本数据输入至初始电力设备异常识别网络中,得到至少一个设备信息样本数据中的每个设备信息样本数据对应的初始电力设备异常识别结果。初始电力设备异常识别结果包括:电力设备运行数据识别结果与电力设备外观图像识别结果。
第二训练步骤,根据至少一个初始电力设备异常识别结果与至少一个设备信息样本数据对应的运行数据标签与设备外观图像标签,确定模型损失值。即,可以通过预设的损失函数,确定每个电力设备运行数据识别结果与对应的运行数据标签之间的数据损失值,以及确定每个电力设备外观图像识别结果与对应的设备外观图像标签之间的图像损失值。将每个设备信息样本数据对应的数据损失值与图像损失值的和确定为模型损失值。
第三训练步骤,根据模型损失值,确定初始电力设备异常识别网络是否达到预设优化目标。即,确定模型损失值是否小于等于预设阈值。若模型损失值小于等于预设阈值,则初始电力设备异常识别网络达到预设优化目标。
第四训练步骤,响应于确定初始电力设备异常识别网络达到上述预设优化目标,执行以下调整步骤:
第一,将初始电力设备异常识别网络确定为电力设备异常识别网络。
第二,对上述电力设备异常识别网络进行调整处理,以生成网络权重信息和网络结构信息。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤对上述电力设备异常识别网络进行调整处理:
第一步,对上述电力设备异常识别网络进行逐层权重导出处理,以生成初始网络层权重信息序列。其中,上述初始网络层权重信息序列中的每个初始网络层权重信息包括各个神经元权重,上述各个神经元权重对应有神经元位置信息。
第二步,对于上述初始网络层权重信息序列中的每个初始网络层权重信息,执行以下处理步骤:
第一,根据上述初始网络层权重信息包括的各个神经元权重,生成初始权重调整值。例如,可以将各个神经元权重的平均值确定为初始权重调整值
第二,根据初始权重调整值,生成权重调整值。可以将初始权重调整值确定为权重调整值。
第三,基于初始权重调整值,执行以下结构调整步骤:
1、从初始网络层权重信息中选择满足预设权重条件的神经元权重作为目标神经元权重,得到目标神经元权重组。预设权重条件可以是指神经元权重大于等于初始权重调整值。
2、删除电力设备异常识别网络中目标神经元权重组对应的各个模型神经元,得到更新电力设备异常识别网络。
3、对更新电力设备异常识别网络进行验证,以生成验证损失值。例如,可以通过验证数据集,对更新电力设备异常识别网络进行验证,以生成验证损失值。
第三步,响应于确定验证损失值大于电力设备异常识别网络对应的模型损失值,以及结构调整步骤的执行次数大于预设执行次数,对更新电力设备异常识别网络进行权重导出处理,以生成网络权重信息。
第四步,根据更新电力设备异常识别网络,生成网络结构信息。即,可以将更新电力设备异常识别网络的各层网络层的结构信息确定为网络结构信息。
由此,通过迭代地对模型进行结构调整和验证,确保调整后的模型仍然保持或提高预测精度,降低了模型的复杂度和计算需求,进而有效降低了模型任务过程中的算力需求,且保持模型原有的预测性能。
步骤1022,根据各个训练结果、上述各个网络权重信息和上述各个网络结构信息,生成目标网络权重信息和目标网络结构信息。
在一些实施例中,上述执行主体可以根据各个训练结果、上述各个网络权重信息和上述各个网络结构信息,生成目标网络权重信息和目标网络结构信息。
实践中,上述执行主体可以通过以下步骤生成目标网络权重信息和目标网络结构信息:
第一步,从上述各个训练结果中选择满足上述目标信息标签对应的信息条件的训练结果作为目标训练结果。信息条件可以是:训练结果对应的模型损失值最小。
第二步,将上述目标训练结果对应的网络权重信息确定为目标网络权重信息。
第三步,将上述目标训练结果对应的网络结构信息确定为目标网络结构信息。
步骤1023,根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定。
在一些实施例中,上述执行主体可以根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定。其中,上述目标信息标签是上述历史设备信息组对应的信息标签。
实践中,上述执行主体可以通过以下步骤构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定:
第一步,确定上述目标训练结果对应的初始电力设备异常识别网络。
第二步,按照上述目标网络结构信息,对上述初始电力设备异常识别网络进行结构调整,以对初始电力设备异常识别网络进行更新。即,可以将初始电力设备异常识别网络的网络结构信息调整为目标网络结构信息。
第三步,按照上述目标网络权重信息,对更新后的初始电力设备异常识别网络进行赋权处理,以构建多源电力设备异常识别网络。即,可以将更新后的初始电力设备异常识别网络中的各个权重替换为目标网络权重信息包括的权重。
第四步,将上述多源电力设备异常识别网络与上述目标信息标签进行绑定。
步骤103,将各个多源电力设备异常识别网络融合为多模态电力设备异常识别模型。
在一些实施例中,上述执行主体可以将各个多源电力设备异常识别网络融合为多模态电力设备异常识别模型。
步骤104,将目标电力设备信息输入至上述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果。
在一些实施例中,上述执行主体可以将目标电力设备信息输入至上述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果。多模态电力设备异常识别模型可以包括用于识别各类电力设备的电力设备异常识别模型。例如,电力设备异常识别模型可以是预先训练的以电力设备信息为输入,以电力设备异常识别结果为输出的神经网络模型。例如,电力设备异常识别模型可以是YoLoV8模型。目标电力设备信息可以是当前获取的某一电力设备的设备信息,可以包括:电力设备运行数据与电力设备外观图像。即,可以根据目标电力设备信息对应的信息标签,将目标电力设备信息输入至上述多模态电力设备异常识别模型中对应的电力设备异常识别模型中,得到目标电力设备异常识别结果。目标电力设备异常识别结果可以表示目标电力设备信息是否存在异常。
可选地,响应于确定上述目标电力设备异常识别结果表征电力设备异常,将上述目标电力设备异常识别结果发送至相关联的电力设备异常处理终端。
在一些实施例中,上述执行主体可以响应于确定上述目标电力设备异常识别结果表征电力设备异常,将上述目标电力设备异常识别结果发送至相关联的电力设备异常处理终端。电力设备异常处理终端可以是指对异常的电力设备进行异常处理的终端。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种基于多模态模型的电力设备异常识别装置的一些实施例,这些基于多模态模型的电力设备异常识别装置实施例与图1所示的那些方法实施例相对应,该基于多模态模型的电力设备异常识别装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的基于多模态模型的电力设备异常识别装置200包括:获取单元201、构建单元202、融合单元203和输入单元204。其中,获取单元201,被配置成获取每个电力设备的历史设备信息组,得到历史设备信息组集,其中,每个历史设备信息组对应有信息标签,历史设备信息包括电力设备运行数据与电力设备外观图像;构建单元202,被配置成对于上述历史设备信息组集中的每个历史设备信息组,执行以下步骤:根据上述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息,其中,上述各个初始电力设备异常识别网络的网络结构不同,一个网络权重信息对应一个训练结果,一个网络权重信息对应一个初始电力设备异常识别网络,一个初始电力设备异常识别网络对应一个网络结构信息;根据各个训练结果、上述各个网络权重信息和上述各个网络结构信息,生成目标网络权重信息和目标网络结构信息;根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定,其中,上述目标信息标签是上述历史设备信息组对应的信息标签;融合单元203,被配置成将各个多源电力设备异常识别网络融合为多模态电力设备异常识别模型;输入单元204,被配置成将目标电力设备信息输入至上述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果。
可以理解的是,该基于多模态模型的电力设备异常识别装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于基于多模态模型的电力设备异常识别装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如计算设备)300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取每个电力设备的历史设备信息组,得到历史设备信息组集,其中,每个历史设备信息组对应有信息标签,历史设备信息包括电力设备运行数据与电力设备外观图像;对于上述历史设备信息组集中的每个历史设备信息组,执行以下步骤:根据上述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息,其中,上述各个初始电力设备异常识别网络的网络结构不同,一个网络权重信息对应一个训练结果,一个网络权重信息对应一个初始电力设备异常识别网络,一个初始电力设备异常识别网络对应一个网络结构信息;根据各个训练结果、上述各个网络权重信息和上述各个网络结构信息,生成目标网络权重信息和目标网络结构信息;根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定,其中,上述目标信息标签是上述历史设备信息组对应的信息标签;将各个多源电力设备异常识别网络融合为多模态电力设备异常识别模型;将目标电力设备信息输入至上述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括:获取单元、构建单元、融合单元和输入单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,输入单元还可以被描述为“将目标电力设备信息输入至上述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种基于多模态模型的电力设备异常识别方法,包括:
获取每个电力设备的历史设备信息组,得到历史设备信息组集,其中,每个历史设备信息组对应有信息标签,历史设备信息包括电力设备运行数据与电力设备外观图像、运行数据标签与设备外观图像标签;
对于所述历史设备信息组集中的每个历史设备信息组,执行以下步骤:
根据所述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息,其中,所述各个初始电力设备异常识别网络的网络结构不同,一个网络权重信息对应一个训练结果,一个网络权重信息对应一个初始电力设备异常识别网络,一个初始电力设备异常识别网络对应一个网络结构信息;
根据各个训练结果、所述各个网络权重信息和所述各个网络结构信息,生成目标网络权重信息和目标网络结构信息;
根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定,其中,所述目标信息标签是所述历史设备信息组对应的信息标签;
将各个多源电力设备异常识别网络融合为多模态电力设备异常识别模型;
将目标电力设备信息输入至所述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果;
其中,根据所述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息,包括:
第一步,将所述历史设备信息组中每个历史设备信息包括的电力设备运行数据与电力设备外观图像组合为设备信息样本数据,得到设备信息样本数据组;
第二步,对于所述各个初始电力设备异常识别网络中的每个初始电力设备异常识别网络,执行以下训练步骤:
第一训练步骤,将设备信息样本数据组中的至少一个设备信息样本数据输入至初始电力设备异常识别网络中,得到至少一个设备信息样本数据中的每个设备信息样本数据对应的初始电力设备异常识别结果;
第二训练步骤,根据至少一个初始电力设备异常识别结果与至少一个设备信息样本数据对应的运行数据标签与设备外观图像标签,确定模型损失值;
第三训练步骤,根据模型损失值,确定初始电力设备异常识别网络是否达到预设优化目标;
第四训练步骤,响应于确定初始电力设备异常识别网络达到所述预设优化目标,执行以下调整步骤:将初始电力设备异常识别网络确定为电力设备异常识别网络;对所述电力设备异常识别网络进行调整处理,以生成网络权重信息和网络结构信息;
其中,对所述电力设备异常识别网络进行调整处理,包括:
对所述电力设备异常识别网络进行逐层权重导出处理,以生成初始网络层权重信息序列,其中,所述初始网络层权重信息序列中的每个初始网络层权重信息包括各个神经元权重,所述各个神经元权重对应有神经元位置信息;
对于所述初始网络层权重信息序列中的每个初始网络层权重信息,执行以下处理步骤:
根据所述初始网络层权重信息包括的各个神经元权重,生成初始权重调整值;
根据初始权重调整值,生成权重调整值;
基于初始权重调整值,执行以下结构调整步骤:
从初始网络层权重信息中选择满足预设权重条件的神经元权重作为目标神经元权重,得到目标神经元权重组;
删除电力设备异常识别网络中目标神经元权重组对应的各个模型神经元,得到更新电力设备异常识别网络;
对更新电力设备异常识别网络进行验证,以生成验证损失值;
响应于确定验证损失值大于电力设备异常识别网络对应的模型损失值,以及结构调整步骤的执行次数大于预设执行次数,对更新电力设备异常识别网络进行权重导出处理,以生成网络权重信息;
根据更新电力设备异常识别网络,生成网络结构信息。
2.根据权利要求1所述的方法,其中,所述获取每个电力设备的历史设备信息组,包括:
获取所述电力设备在预设时间段内的初始设备信息组;
对所述初始设备信息组包括的各个初始设备信息进行异常信息检测,以生成异常信息标签组;
对所述初始设备信息组中的各个异常初始设备信息进行数据修复处理,以生成修复初始设备信息组,其中,所述各个异常初始设备信息中的异常初始设备信息对应所述异常信息标签组中的异常信息标签;
对所述修复初始设备信息组包括的各个修复初始设备信息进行重采样处理,得到采样修复初始设备信息组;
对所述采样修复初始设备信息组包括的各个采样修复初始设备信息进行降噪处理,得到降噪初始设备信息组,作为历史设备信息组。
3.根据权利要求1所述的方法,其中,所述根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定,包括:
确定所述目标训练结果对应的初始电力设备异常识别网络;
按照所述目标网络结构信息,对所述初始电力设备异常识别网络进行结构调整,以对初始电力设备异常识别网络进行更新;
按照所述目标网络权重信息,对更新后的初始电力设备异常识别网络进行赋权处理,以构建多源电力设备异常识别网络;
将所述多源电力设备异常识别网络与所述目标信息标签进行绑定。
4.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述目标电力设备异常识别结果表征电力设备异常,将所述目标电力设备异常识别结果发送至相关联的电力设备异常处理终端。
5.一种基于多模态模型的电力设备异常识别装置,应用于如权利要求1所述的方法,包括:
获取单元,被配置成获取每个电力设备的历史设备信息组,得到历史设备信息组集,其中,每个历史设备信息组对应有信息标签,历史设备信息包括电力设备运行数据与电力设备外观图像;
构建单元,被配置成对于所述历史设备信息组集中的每个历史设备信息组,执行以下步骤:根据所述历史设备信息组,对各个初始电力设备异常识别网络进行模型训练,以生成各个网络权重信息和各个网络结构信息,其中,所述各个初始电力设备异常识别网络的网络结构不同,一个网络权重信息对应一个训练结果,一个网络权重信息对应一个初始电力设备异常识别网络,一个初始电力设备异常识别网络对应一个网络结构信息;根据各个训练结果、所述各个网络权重信息和所述各个网络结构信息,生成目标网络权重信息和目标网络结构信息;根据目标网络权重信息和目标网络结构信息,构建多源电力设备异常识别网络,以及将多源电力设备异常识别网络和目标信息标签进行绑定,其中,所述目标信息标签是所述历史设备信息组对应的信息标签;
融合单元,被配置成将各个多源电力设备异常识别网络融合为多模态电力设备异常识别模型;
输入单元,被配置成将目标电力设备信息输入至所述多模态电力设备异常识别模型中,得到目标电力设备异常识别结果。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410651767.4A CN118228200B (zh) | 2024-05-24 | 2024-05-24 | 基于多模态模型的电力设备异常识别方法、装置与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410651767.4A CN118228200B (zh) | 2024-05-24 | 2024-05-24 | 基于多模态模型的电力设备异常识别方法、装置与设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118228200A CN118228200A (zh) | 2024-06-21 |
CN118228200B true CN118228200B (zh) | 2024-07-30 |
Family
ID=91513763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410651767.4A Active CN118228200B (zh) | 2024-05-24 | 2024-05-24 | 基于多模态模型的电力设备异常识别方法、装置与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118228200B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN119420046B (zh) * | 2025-01-07 | 2025-06-10 | 深圳供电局有限公司 | 电网信息展示方法、装置、电子设备和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612018A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于多源异构数据融合的地下管廊监测方法和系统 |
CN112414462A (zh) * | 2020-11-16 | 2021-02-26 | 贵州电网有限责任公司 | 一种变压器负载状况监控中多级异常数据处理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463594A (zh) * | 2021-11-19 | 2022-05-10 | 中国华能集团清洁能源技术研究院有限公司 | 多模态深度学习的发电设备异常一体化识别方法及设备 |
CN117034180B (zh) * | 2023-10-10 | 2023-12-22 | 国网湖北省电力有限公司武汉供电公司 | 电力通信设备数据异常检测方法、系统及存储介质 |
CN117934897A (zh) * | 2023-12-11 | 2024-04-26 | 广东电网有限责任公司 | 一种设备异常检测方法、装置、设备以及存储介质 |
-
2024
- 2024-05-24 CN CN202410651767.4A patent/CN118228200B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612018A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于多源异构数据融合的地下管廊监测方法和系统 |
CN112414462A (zh) * | 2020-11-16 | 2021-02-26 | 贵州电网有限责任公司 | 一种变压器负载状况监控中多级异常数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118228200A (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091617A (zh) | 联邦学习建模优化方法、电子设备、存储介质及程序产品 | |
US20240127795A1 (en) | Model training method, speech recognition method, device, medium, and apparatus | |
CN118228200B (zh) | 基于多模态模型的电力设备异常识别方法、装置与设备 | |
CN115062877A (zh) | 电力设备材料信息调整方法、装置、设备和计算机介质 | |
CN112419179B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN116823984A (zh) | 元素布局信息生成方法、装置、设备、介质和程序产品 | |
CN114170342B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113240108B (zh) | 模型训练方法、装置和电子设备 | |
CN117994014A (zh) | 价值信息生成方法、装置、电子设备和计算机可读介质 | |
CN117112869A (zh) | 物品分类结果生成方法、装置、设备、介质和程序产品 | |
WO2023179291A1 (zh) | 图像修复方法、装置、设备、介质及产品 | |
CN116340632A (zh) | 对象推荐方法、装置、介质及电子设备 | |
CN112734962B (zh) | 考勤信息生成方法、装置、计算机设备和可读存储介质 | |
CN117978363B (zh) | 区域相关数据信息流转方法、装置、电子设备和介质 | |
CN117520410B (zh) | 业务数据处理方法、装置、电子设备和计算机可读介质 | |
CN118245341B (zh) | 业务模型的切换方法、装置、电子设备和计算机可读介质 | |
CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
CN115952830B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN116452770B (zh) | 三维模型重建方法、装置、设备和介质 | |
CN118747538B (zh) | 基于联邦学习的虚拟电厂数据交互方法、设备与介质 | |
CN117993709B (zh) | 价值风险信息生成方法、装置、设备和计算机可读介质 | |
CN118229143A (zh) | 数据核算方法、装置、电子设备和计算机可读介质 | |
CN112488942B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN117112490A (zh) | 目标模型文件生成方法、价值信息生成方法和装置 | |
CN117541403A (zh) | 一种风险数据库构建方法、装置、电子设备和可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |