【技术实现步骤摘要】
本专利技术属于软件工程中时间序列分析领域，具体涉及一种基于维度转换的电力时序数据多标签隐患分类方法。
技术介绍
1、
2、研究表明，电气火灾是可防、可控的。防控电气火灾的关键在于对隐患的及早发现。在隐患产生的初期，传感器收集到的电力信号数据如三相电流、三相电压、电流谐波、温度等会发生变化。因此，通过监测每个监测点的电力信号并捕捉其异常变化，可以挖掘关键信息并对电气火灾隐患进行有效发掘和管理，对电气火灾的预防和隐患的及时处理具有重要意义。电力信号是一维的时序数据信号，使用计算机深度学习对一个时间段内的多变量时序数据进行分析和处理，可以极大地提高对电气火灾隐患识别的准确性和分类能力。近年来，深度学习技术在时序数据分析领域取得了显著的进展，特别是在处理复杂模式和非线性关系方面展现出了强大的性能。时间变化建模作为时间序列分析的一个关键问题，近些年已经得到了深入研究。主要包括传统时间序列建模方法，深度学习时间序列建模方法，最近几年还出现了一些基于transformer的方法。
3、传统时间序列建模方法，如arima、holt-winter、prophet，这些方法假设时间变化遵循预定义的模式，然而，现实世界中的时间序列变化通常过于复杂，无法被这些预定义的模式所涵盖，这限制了这些传统方法的实际应用性。
4、深度学习时间序列建模方法，如基于mlp、基于tcn、基于rnn的模型。基于mlp的方法沿着时间维度采用mlp，并将时间依赖性编码到mlp层的固定参数中。基于tcn的方法通过在时间维度上滑动的卷积核捕捉时
5、基于transformer的方法，利用注意力机制发现时间点之间的依赖性。其中autoformer模型引入autocorrelation机制，基于学习到的周期捕捉时间依赖性，并提出深度分解架构。fedformer模型采用混合专家设计增强季节性-趋势分解，并提出频域内的稀疏注意力。
6、然而，这些方法存在以下尚未解决的技术问题：
7、传统时间序列模型通常假设数据遵循特定的统计分布，并且对于复杂的、非线性的或者非平稳的时间序列数据，它们的预测能力可能受限。某些模型(如arima)可能需要对季节性和趋势进行额外的假设和处理。
8、深度学习时间序列模型，其中传统的mlp在处理时间序列数据时，通常需要将序列展平为固定长度的向量，这可能导致时间依赖性的丢失，尤其是当序列长度变化时。rnn特别是传统的lstm和gru可能会在捕捉长期依赖关系时遇到困难，尽管tcn通过卷积操作有所改进，但仍可能受限于序列长度和网络结构。
9、基于transformer的方法，transformer中的自注意力机制可能在长序列上效率不高，因为它需要计算序列中所有元素对之间的关系；且标准的transformer模型可能不会显式地建模时间序列的周期性。
10、以上方法主要聚焦于对时序数据未来的数值进行预测。这些方法在处理时间序列数据时，往往集中于单一的预测目标，而不是对数据进行分类。特别是，它们并未针对多标签分类问题进行优化，这类问题涉及到将时间序列分配给多个相关联的类别。此外，这些传统方法尚未探索将一维时间序列数据转换为二维张量的创新思路。
技术实现思路
1、本专利技术提供了一种基于维度转换的电力时序数据多标签隐患分类方法，能够通过傅里叶变换将一维时序数据转换为二维张量，从而更有效地捕捉数据中的周期性和趋势信息。由于一个时间段内的多变量时序数据往往不止包含一个异常隐患，故本专利技术实现了多标签隐患分类，适用于复杂的电力场景。通过实时分析从传感器收集的数据，在检测到多个隐患时发出预警。
2、本专利技术中，标签包含正常、早期隐患、中期隐患、较大隐患、严重隐患、均衡老化、劣质用电设备、零地混接、接线不规范、线路老化十类。
3、一种基于维度转换的电力时序数据多标签隐患分类方法，包括以下步骤：
4、(1)采集电气火灾相关的一维时序数据；
5、(2)对于采集的一维时序数据进行预处理以生成特征数据和对应的标签，规定时间序列长度和步长，并将数据划分为训练集和测试集；
6、(3)构建分类模型，所述的分类模型包含维度转换模块、语义注意力模块、图卷积网络模块和分类模块；所述分类模型的工作过程如下：
7、(3-1)维度转换模块将预处理后的一维时序数据通过傅里叶变换转换为频率乘周期长度的二维张量，并从二维张量中提取特征图；
8、(3-2)语义注意力模块将提取的特征图分解为多个内容感知的类别表示；
9、(3-3)图卷积网络模块将类别表示通过静态图和动态图生成类别向量；
10、(3-4)分类模块将每个类别向量通过二分类器来预测其类别得分，然后将所有类别的得分合并以生成最终的多分类结果；
11、(4)利用训练集对分类模型进行训练，利用测试集评估模型的训练效果；
12、(5)将待分类的电力时序数据预处理后输入训练好的分类模型，得到多分类结果。
13、进一步地，步骤(1)中，所述的一维时序数据至少包含：剩余电流、基波电流、电流谐波、电压、电压谐波、有功功率、温度等几十个特征值。
14、步骤(2)中，对采集的一维时序数据按预设长度划分时间序列，并进行缺失值插补，其中，一个时间序列中的数据对应至少一个标签。
15、步骤(3-1)中，预处理后的一维时序数据，通过傅里叶变换找到其最大的频率，将一维时序数据长度除以最大频率得到数据周期，从而将一维数据转换为频率乘周期的二维张量，具体公式为：
16、
17、其中，x1d∈rt*c代表一维时序数据，fft(·)和amp(·)表示傅里叶变换和幅度值的计算；fft用于计算输入的一维时序数据的频率，amp用于提取频域中每个频率的振幅信息，avg(·)用于对多特征取平均；{f1,…,fk}，表示经过上述一系列操作之后产生的k个显著的频率；由于频率的共轭性，只考虑内的频率，进而得到}p1,…,pk}，共k个对应的周期；根据选取的频率{f1,…,fk}和对应的周期长度{p1,…,pk}，之后将一维时间序列x1d重构为多个二维张量，公式如下:
18、
19、其中，padding(·)是将时间序列沿着时间维度进行零扩展，使其与兼容，pi和fi分别表示变换后的二维张量的行数和列数；表示基于频率fi的第i个重构时间序列，其中的列和行分别表示对应周期长度pi下的周期内变化和周期间变化；最终根据选择的频率和对应的周期，得到一组二维张量它表示不同周期衍生的k个不同的时间二维变化。
20、步骤(3-1)中，得到的二维张量依次进行padding(·)操作，使得二维张量的高宽统一为预设的值；然后二维张量通过预训练resnet101卷积模块生成特征图x，进而输入到语义注意力模块中，其中x∈rh本文档来自技高网...
【技术保护点】
1.一种基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(1)中，所述的一维时序数据至少包含：剩余电流、基波电流、电流谐波、电压、电压谐波、有功功率、温度这些特征值。
3.根据权利要求1所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(2)中，对采集的一维时序数据按预设长度划分时间序列，并进行缺失值插补，其中，一个时间序列中的数据对应至少一个标签。
4.根据权利要求1所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(3-1)中，预处理后的一维时序数据，通过傅里叶变换找到其最大的频率，将一维时序数据长度除以最大频率得到数据周期，从而将一维数据转换为频率乘周期的二维张量，具体公式为：
5.根据权利要求4所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(3-1)中，得到的二维张量依次进行Padding(·)操作，使得二维张量的高宽统一为预设的值；然后二维张量通过预训练R
6.根据权利要求5所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(3-2)具体过程为：
7.根据权利要求6所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(3-3)的具体过程为：
8.根据权利要求7所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(3-4)的具体过程为：
...【技术特征摘要】
1.一种基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(1)中，所述的一维时序数据至少包含：剩余电流、基波电流、电流谐波、电压、电压谐波、有功功率、温度这些特征值。
3.根据权利要求1所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(2)中，对采集的一维时序数据按预设长度划分时间序列，并进行缺失值插补，其中，一个时间序列中的数据对应至少一个标签。
4.根据权利要求1所述的基于维度转换的电力时序数据多标签隐患分类方法，其特征在于，步骤(3-1)中，预处理后的一维时序数据，通过傅里叶变换找到其最大的频率，将一维时序数据长度除以最大频率得到数据周期，从而将一维数据转换为频率乘周期的...
【专利技术属性】
技术研发人员：智晨，汪星源，单立辉，张涛，尹建伟，
申请(专利权)人：浙江大学，
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。