【技术实现步骤摘要】
本专利技术涉及箱变和开关柜监测，特别涉及基于ai的数字化台区箱变和开关柜状态综合感知装置。
技术介绍
1、目前已经有使用ai技术来感知箱式变压器和开关柜的状态的相关研究，在电力系统中，智能感知和监测系统可以利用各种传感器和监测设备采集数据，而ai技术可以用来处理这些数据、分析状态，并提供实时的、准确的信息。但是在使用ai技术来感知箱式变压器和开关柜的状态时，可能会面临一些具体的技术问题，例如模型不具有自适应性，不能适应不同环境条件和设备特性。
技术实现思路
1、为了解决以上问题，本专利技术提供了基于ai的数字化台区箱变和开关柜状态综合感知装置。
2、为实现上述目的，本专利技术所采用的技术方案如下：
3、本专利技术公开了基于ai的数字化台区箱变和开关柜状态综合感知装置，包括：
4、数据采集和预处理模块：收集来自不同传感器的多模态数据，对数据进行标注，明确每个数据点对应的状态，对采集到的数据进行清洗，处理缺失值，将不同传感器的数据进行归一化；
5、ai模型模块：结合卷积神经网络和循环神经网络，学习多模态数据；
6、自适应性和泛化能力增强模块：通过领域自适应方法，提高模型对不同环境和设备特性的适应性；
7、多模态数据融合模块：在神经网络中引入多模态数据融合层，将来自不同传感器的信息结合在一起，以提高模型对多源信息的综合利用能力。
8、进一步的：所述数据采集和预处理模块包括：
9、使用传感器收集
10、对采集到的数据进行标注，构建一个标签集y，其中，yj表示第j个数据点的状态，可以是正常或异常；
11、对采集到的数据进行清洗和归一化处理，确保数据的质量和一致性，设x′i表示处理后的第i个传感器的数据，清洗包括处理缺失值、异常值，归一化包括将不同传感器的数据缩放到相同的尺度，公式表示为：
12、
13、其中，mean(xi)表示xi的均值，std(xi)表示xi的标准差；
14、得到经过处理的多模态数据集x′1，x′2，...x′n和对用的标签集y。
15、进一步的：所述ai模型模块包括：
16、设多模态数据集为x′1，x′2，...x′n，其中x′i表示处理后的第i个传感器，对于每个数据点x′i，采用如下网络结构：
17、卷积神经网络模块用于图像数据的特征提取：
18、fi(cnn)＝relu(conv(x′i,wcnn,bcnn))
19、其中，conv(·)表示卷积操作，wcnn和bcnn是卷积的权重和偏置，relu(·)表示激活函数；
20、循环神经网络模块用于处理时许数据：
21、fi(rnn)＝relu(rnn(x′i,wrnn,brnn))
22、其中，rnn(·)表示卷积操作，wrnn和brnn是卷积的权重和偏置，re是lu(·)表示激活函数；
23、全连接层用于将多模态特征融合，用于最终的状态分类：
24、fifc＝relu(fc([fi(cnn),fi(rnn)],wfc,bfc))
25、其中，fc(·)表示全连接操作，[fi(cnn),fi(rnn)]表示将来自cnn和rnn的特征连接在一起；
26、输出层采用softmax激活函数进行状态分类：
27、p(yi)＝softmax(fi(fc)woutpur+boutput)
28、其中，yi表示第i个数据点的状态，p(yi)表示模型预测为各个状态的概率分布。
29、进一步的：所述自适应性和泛化能力增强模块包括：
30、设xs′表示源领域的多模态数据集，xt′表示目标领域的多模态数据集，对应的标签分别为ys和yt；
31、包括：
32、用于对源领域数据进行状态分类的源领域分类器cs:
33、cs＝([fi(cnn),fi(rnn)]
34、用于区分数据来自源领域还是目标领域的领域判别器d：
35、d(fi(fc))
36、最小化领域对抗损失，迫使模型学习到对抗领域的特征：
37、
38、结合源领域分类损失和领域对抗损失，获得总体损失函数。
39、进一步的：所述多模态数据融合模块包括：
40、在神经网络中引入多模态数据融合层，将来自不同传感器的信息有机地结合在一起，定义各传感器提取的特征为fi(cnn)和fi(rnn)，多模态数据融合层的输出为综合的特征表示fi(fuse)，多模态数据融合层：
41、fi(fuse)＝concatenate([fi(cnn),fi(rnn)])
42、融合后的特征传递到全连接层：
43、fifc＝relu(fc([fi(cnn),fi(rnn)],wfc,bfc))
44、其中，fc(·)表示全连接操作，wfc和bfc分别是全连接层的权重和偏置。
45、本专利技术与现有技术相比，所取得的技术进步在于：
46、本专利技术引入了对抗性训练(adversarial training)的方法，通过领域自适应，使得模型更具有适应性，能够在不同环境条件和设备特性下表现出色，对抗性训练可以迫使模型学习到抽象的特征，而不仅仅是记住特定的训练数据，从而提高了模型的泛化能力。
47、本专利技术引入了多模态数据融合层，能够有效整合来自不同传感器的信息，使得模型更全面地理解系统状态，这样的融合策略可以提高模型对多源信息的利用率，增加了模型对不同环境和设备的适应性。
48、本专利技术模型设计中充分考虑了多类别状态，通过深度神经网络结构，能够更准确地对不同状态进行分类，对于数字化台区箱变和开关柜的综合感知尤为重要，因为系统的多样性可能包含多种状态，包括正常和异常。本专利技术通过综合考虑领域自适应和多模态数据融合，具有更强的泛化能力，在实际应用中可能更容易适应新的设备、环境或状态。
49、综上所述，本专利技术通过综合考虑自适应性和泛化能力，以及对多源数据的融合，更好地满足数字化台区箱变和开关柜综合感知的需求，相较于传统方法在适应性和泛化性能上有明显优势。
本文档来自技高网...【技术保护点】
1.基于AI的数字化台区箱变和开关柜状态综合感知装置，其特征在于，包括：
2.根据权利要求1所述的基于AI的数字化台区箱变和开关柜状态综合感知装置，其特征在于，所述数据采集和预处理模块包括：
3.根据权利要求2所述的基于AI的数字化台区箱变和开关柜状态综合感知装置，其特征在于，所述AI模型模块包括：
4.根据权利要求3所述的基于AI的数字化台区箱变和开关柜状态综合感知装置，其特征在于，所述自适应性和泛化能力增强模块包括：
5.根据权利要求4所述的基于AI的数字化台区箱变和开关柜状态综合感知装置，其特征在于，所述多模态数据融合模块包括：
【技术特征摘要】
1.基于ai的数字化台区箱变和开关柜状态综合感知装置，其特征在于，包括：
2.根据权利要求1所述的基于ai的数字化台区箱变和开关柜状态综合感知装置，其特征在于，所述数据采集和预处理模块包括：
3.根据权利要求2所述的基于ai的数字化台区箱变和开关柜状态综合感知装置，其特...
【专利技术属性】
技术研发人员：杨法帅，孙建强，刘发儒，崔卫，逄冬青，
申请(专利权)人：山东北天极能源科技有限公司，
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。