一种卷积神经网络模型构建方法技术

本发明专利技术涉及一种卷积神经网络模型构建方法，包括以下步骤：收集配电网线路相关的数据；对配电网线路相关的数据进行预处理；构建卷积神经网络模型，并基于预处理后的配电网线路相关的的数据，对卷积神经网络模型进行训练；对训练后的卷积神经网络模型进行轻量化压缩处理。本发明专利技术的方法可以将传统的卷积神经网络模型进行压缩和提速，在基本不影响模型准确性的前提下，具体表现为：模型的体积有所降低，更便于传输和部署；模型的运行速度更快；模型运行时所占用的计算资源更小。时所占用的计算资源更小。时所占用的计算资源更小。

【技术实现步骤摘要】
一种卷积神经网络模型构建方法


[0001]本申请涉及配电网故障预测
，尤其涉及一种卷积神经网络模型构建方法。

技术介绍

[0002]随着5G时代的到来，越来越多的数据和信息被各类智能终端所收集和处理，以开发更加智能化的应用。其中，对图像类数据的处理和识别能力决定了图像类应用的上限。
[0003]研究表明，深度学习，特别是卷积神经网络的方法在图像识别领域取得了较好的成绩。由于深度学习方法是一种自适应算法，它不需要人为进行大量的特征工程，这不但减小了人工工作量，而且有效避免了特征选取不当导致的模型效果的不理想。顾名思义，卷积神经网络就是主要由卷积层进行特征提取与结果计算的一类神经网络；而卷积层实质上是一系列特征滤波器的组合，用以提取图像中的不同特征。
[0004]通过对现有的关于卷积神经网络的研究成果进行分析发现，尽管该类模型在图像识别领域取得了接近人类的成绩，但其一个最大的不足之处在于对资源的消耗。具体来说，现有的卷积神经网络模型的大小动辄在几百兆左右，而且模型的训练需要在性能更加优异的GPU、TPU上进行，尽管这样，其训练时长也是以天或者周为单位进行统计的，训练时长过长。
[0005]如此庞大的模型不但在存储、传输方面占用更多的资源，而且如果模型的计算周期较长，无法满足实时性要求，其在某些场景下的应用效果将会大打折扣。

技术实现思路

[0006]本申请提供了一种卷积神经网络模型构建方法，以解决现有技术的模型不但在存储、传输方面占用更多的资源，而且计算周期较长，无法满足实时性要求的问题。
[0007]本申请采用的技术方案如下：
[0008]本专利技术提供了一种卷积神经网络模型构建方法，包括以下步骤：
[0009]收集配电网线路相关的数据；
[0010]对配电网线路相关的数据进行预处理；
[0011]构建卷积神经网络模型，并基于预处理后的配电网线路相关的的数据，对所述卷积神经网络模型进行训练；
[0012]对所述训练后的卷积神经网络模型进行轻量化压缩处理。
[0013]进一步地，对所述训练后的模型进行轻量化压缩处理之后，还包括：
[0014]基于所述预处理后的配电网线路相关的的数据对所述卷积神经网络模型的池化层分段进行最大池化处理。
[0015]进一步地，所述分段分为线路运行故障阶段和线路运行正常阶段。
[0016]进一步地，所述基于所述预处理后的配电网线路相关的的数据对所述卷积神经网络模型的池化层分段进行最大池化处理之后，还包括：
[0017]利用预处理后的配电网线路相关的的数据，对最大池化处理后的卷积神经网络模型进行二次训练。
[0018]进一步地，配电网线路相关的数据包括：
[0019]配电网线路的网架结构、历史运行数据和历史故障检修数据。
[0020]进一步地，对所述训练后的模型进行轻量化压缩处理，包括：
[0021]对所述训练后的模型进行轻量化的低精度轻量化和/或模型剪枝压缩处理。
[0022]采用本申请的技术方案的有益效果如下：
[0023]本专利技术的一种卷积神经网络模型构建方法，包括以下步骤：收集配电网线路相关的数据；对配电网线路相关的数据进行预处理；构建卷积神经网络模型，并基于预处理后的配电网线路相关的的数据，对卷积神经网络模型进行训练；对训练后的卷积神经网络模型进行轻量化压缩处理。
[0024]本专利技术由于采用了轻量化技术，使得卷积神经网络模型的大小进一步缩小，响应时间进一步提升，模型的资源消耗得以降低；与此同时，采用的分段最大池化技术，能够捕获网架设备之间的拓扑特征信息，从而提升故障预测的效果。
附图说明
[0025]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术一实施例的一种卷积神经网络模型构建方法的流程图；
[0027]图2为本专利技术一实施例的一种卷积神经网络模型构建方法中的一个典型的卷积神经网络结构图。
具体实施方式
[0028]下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
[0029]根据
技术介绍
可以知道，现有技术如此庞大的模型不但在存储、传输方面占用更多的资源，而且如果模型的计算周期较长，无法满足实时性要求，其在某些场景下的应用效果将会大打折扣。因此，研究对模型进行轻量化处理的技术，使其可以在保证一定精确率的前提下，减小资源占用，提升响应速度，具有非常重要的意义。
[0030]参见图1和图2。
[0031]本申请提供的一种卷积神经网络模型构建方法，包括以下步骤：
[0032]S01：收集配电网线路相关的数据；
[0033]其中，配电网线路相关的数据包括：配电网线路的网架结构、历史运行数据和历史故障检修数据。
[0034]配电网故障预测主要针对的是具有较长发展周期的趋势性故障、具有累积效应的故障及具一定统计规律的故障等,它以当前设备或系统的状态为起点,结合已知测试对象
的结构特性、运行参数、气象因素、环境条件及历史数据等,对其未来的状态进行预测,从而预知配电网风险,提前检修或预案,保障配电网稳定安全运行。
[0035]S02：对配电网线路相关的数据进行预处理；
[0036]预处理的目标是使收集到的数据更加的规范，以便于模型的利用。常用的预处理手段包括：缺失值的处理，包括缺失值的填充、删除；异常值的处理，包括异常值的识别、删除、更改；不一致值的处理，包括将不一致值统一化，例如：对单位不一致的情况进行统一化处理等。
[0037]预处理后的数据能够便于模型更容易识别出不同类样本之间的特点。
[0038]S03：构建卷积神经网络模型，并基于预处理后的配电网线路相关的的数据，对所述卷积神经网络模型进行训练；
[0039]图1为一个基本的卷积神经网络模型结构图。从图中可以看出，卷积神经网络模型包括卷积层、池化层、非线形单元、全连接层。每一层的主要作用如下所述：
[0040]1)卷积层：是卷积神经网络的核心，又称为特征提取层，主要用于提取图像的特征。其由一组卷积核组成，并且卷积核的权重值可以根据目标函数自动学习更新。
[0041]2)池化层：又称为下采样层，一般在连续的两层卷积层之间进行降维操作，能够有效减少模型参数量以及减轻网络的过拟合现象，一般有最大池化层(Max Pool ing)和平均池化层(Average Pooling)等。
[0042]3)非线形单元：由非线性激活函数构成，根据其特性分为饱和非线性激活函数，如S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络模型构建方法，其特征在于，包括以下步骤：收集配电网线路相关的数据；对配电网线路相关的数据进行预处理；构建卷积神经网络模型，并基于预处理后的配电网线路相关的的数据，对所述卷积神经网络模型进行训练；对所述训练后的卷积神经网络模型进行轻量化压缩处理。2.根据权利要求1所述的卷积神经网络模型构建方法，其特征在于，对所述训练后的模型进行轻量化压缩处理之后，还包括：基于所述预处理后的配电网线路相关的的数据对所述卷积神经网络模型的池化层分段进行最大池化处理。3.根据权利要求2所述的卷积神经网络模型构建方法，其特征在于，所述分段分为线路运行故障阶段和线路运行正常阶段。4....

【专利技术属性】
技术研发人员：聂鼎，宋忧乐，范黎涛，施冬明，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：