本發(fā)明屬于軟件工程中時(shí)間序列分析領(lǐng)域，具體涉及一種基于維度轉(zhuǎn)換的電力時(shí)序數(shù)據(jù)多標(biāo)簽隱患分類方法。

背景技術(shù)：

1、

2、研究表明，電氣火災(zāi)是可防、可控的。防控電氣火災(zāi)的關(guān)鍵在于對(duì)隱患的及早發(fā)現(xiàn)。在隱患產(chǎn)生的初期，傳感器收集到的電力信號(hào)數(shù)據(jù)如三相電流、三相電壓、電流諧波、溫度等會(huì)發(fā)生變化。因此，通過(guò)監(jiān)測(cè)每個(gè)監(jiān)測(cè)點(diǎn)的電力信號(hào)并捕捉其異常變化，可以挖掘關(guān)鍵信息并對(duì)電氣火災(zāi)隱患進(jìn)行有效發(fā)掘和管理，對(duì)電氣火災(zāi)的預(yù)防和隱患的及時(shí)處理具有重要意義。電力信號(hào)是一維的時(shí)序數(shù)據(jù)信號(hào)，使用計(jì)算機(jī)深度學(xué)習(xí)對(duì)一個(gè)時(shí)間段內(nèi)的多變量時(shí)序數(shù)據(jù)進(jìn)行分析和處理，可以極大地提高對(duì)電氣火災(zāi)隱患識(shí)別的準(zhǔn)確性和分類能力。近年來(lái)，深度學(xué)習(xí)技術(shù)在時(shí)序數(shù)據(jù)分析領(lǐng)域取得了顯著的進(jìn)展，特別是在處理復(fù)雜模式和非線性關(guān)系方面展現(xiàn)出了強(qiáng)大的性能。時(shí)間變化建模作為時(shí)間序列分析的一個(gè)關(guān)鍵問(wèn)題，近些年已經(jīng)得到了深入研究。主要包括傳統(tǒng)時(shí)間序列建模方法，深度學(xué)習(xí)時(shí)間序列建模方法，最近幾年還出現(xiàn)了一些基于transformer的方法。

3、傳統(tǒng)時(shí)間序列建模方法，如arima、holt-winter、prophet，這些方法假設(shè)時(shí)間變化遵循預(yù)定義的模式，然而，現(xiàn)實(shí)世界中的時(shí)間序列變化通常過(guò)于復(fù)雜，無(wú)法被這些預(yù)定義的模式所涵蓋，這限制了這些傳統(tǒng)方法的實(shí)際應(yīng)用性。

4、深度學(xué)習(xí)時(shí)間序列建模方法，如基于mlp、基于tcn、基于rnn的模型。基于mlp的方法沿著時(shí)間維度采用mlp，并將時(shí)間依賴性編碼到mlp層的固定參數(shù)中?；趖cn的方法通過(guò)在時(shí)間維度上滑動(dòng)的卷積核捕捉時(shí)間變化?；趓nn的方法利用遞歸結(jié)構(gòu)，通過(guò)時(shí)間步驟之間的狀態(tài)轉(zhuǎn)換隱式捕捉時(shí)間變化。

5、基于transformer的方法，利用注意力機(jī)制發(fā)現(xiàn)時(shí)間點(diǎn)之間的依賴性。其中autoformer模型引入autocorrelation機(jī)制，基于學(xué)習(xí)到的周期捕捉時(shí)間依賴性，并提出深度分解架構(gòu)。fedformer模型采用混合專家設(shè)計(jì)增強(qiáng)季節(jié)性-趨勢(shì)分解，并提出頻域內(nèi)的稀疏注意力。

6、然而，這些方法存在以下尚未解決的技術(shù)問(wèn)題：

7、傳統(tǒng)時(shí)間序列模型通常假設(shè)數(shù)據(jù)遵循特定的統(tǒng)計(jì)分布，并且對(duì)于復(fù)雜的、非線性的或者非平穩(wěn)的時(shí)間序列數(shù)據(jù)，它們的預(yù)測(cè)能力可能受限。某些模型(如arima)可能需要對(duì)季節(jié)性和趨勢(shì)進(jìn)行額外的假設(shè)和處理。

8、深度學(xué)習(xí)時(shí)間序列模型，其中傳統(tǒng)的mlp在處理時(shí)間序列數(shù)據(jù)時(shí)，通常需要將序列展平為固定長(zhǎng)度的向量，這可能導(dǎo)致時(shí)間依賴性的丟失，尤其是當(dāng)序列長(zhǎng)度變化時(shí)。rnn特別是傳統(tǒng)的lstm和gru可能會(huì)在捕捉長(zhǎng)期依賴關(guān)系時(shí)遇到困難，盡管tcn通過(guò)卷積操作有所改進(jìn)，但仍可能受限于序列長(zhǎng)度和網(wǎng)絡(luò)結(jié)構(gòu)。

9、基于transformer的方法，transformer中的自注意力機(jī)制可能在長(zhǎng)序列上效率不高，因?yàn)樗枰?jì)算序列中所有元素對(duì)之間的關(guān)系；且標(biāo)準(zhǔn)的transformer模型可能不會(huì)顯式地建模時(shí)間序列的周期性。

10、以上方法主要聚焦于對(duì)時(shí)序數(shù)據(jù)未來(lái)的數(shù)值進(jìn)行預(yù)測(cè)。這些方法在處理時(shí)間序列數(shù)據(jù)時(shí)，往往集中于單一的預(yù)測(cè)目標(biāo)，而不是對(duì)數(shù)據(jù)進(jìn)行分類。特別是，它們并未針對(duì)多標(biāo)簽分類問(wèn)題進(jìn)行優(yōu)化，這類問(wèn)題涉及到將時(shí)間序列分配給多個(gè)相關(guān)聯(lián)的類別。此外，這些傳統(tǒng)方法尚未探索將一維時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為二維張量的創(chuàng)新思路。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于維度轉(zhuǎn)換的電力時(shí)序數(shù)據(jù)多標(biāo)簽隱患分類方法，能夠通過(guò)傅里葉變換將一維時(shí)序數(shù)據(jù)轉(zhuǎn)換為二維張量，從而更有效地捕捉數(shù)據(jù)中的周期性和趨勢(shì)信息。由于一個(gè)時(shí)間段內(nèi)的多變量時(shí)序數(shù)據(jù)往往不止包含一個(gè)異常隱患，故本發(fā)明實(shí)現(xiàn)了多標(biāo)簽隱患分類，適用于復(fù)雜的電力場(chǎng)景。通過(guò)實(shí)時(shí)分析從傳感器收集的數(shù)據(jù)，在檢測(cè)到多個(gè)隱患時(shí)發(fā)出預(yù)警。

2、本發(fā)明中，標(biāo)簽包含正常、早期隱患、中期隱患、較大隱患、嚴(yán)重隱患、均衡老化、劣質(zhì)用電設(shè)備、零地混接、接線不規(guī)范、線路老化十類。

3、一種基于維度轉(zhuǎn)換的電力時(shí)序數(shù)據(jù)多標(biāo)簽隱患分類方法，包括以下步驟：

4、(1)采集電氣火災(zāi)相關(guān)的一維時(shí)序數(shù)據(jù)；

5、(2)對(duì)于采集的一維時(shí)序數(shù)據(jù)進(jìn)行預(yù)處理以生成特征數(shù)據(jù)和對(duì)應(yīng)的標(biāo)簽，規(guī)定時(shí)間序列長(zhǎng)度和步長(zhǎng)，并將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集；

6、(3)構(gòu)建分類模型，所述的分類模型包含維度轉(zhuǎn)換模塊、語(yǔ)義注意力模塊、圖卷積網(wǎng)絡(luò)模塊和分類模塊；所述分類模型的工作過(guò)程如下：

7、(3-1)維度轉(zhuǎn)換模塊將預(yù)處理后的一維時(shí)序數(shù)據(jù)通過(guò)傅里葉變換轉(zhuǎn)換為頻率乘周期長(zhǎng)度的二維張量，并從二維張量中提取特征圖；

8、(3-2)語(yǔ)義注意力模塊將提取的特征圖分解為多個(gè)內(nèi)容感知的類別表示；

9、(3-3)圖卷積網(wǎng)絡(luò)模塊將類別表示通過(guò)靜態(tài)圖和動(dòng)態(tài)圖生成類別向量；

10、(3-4)分類模塊將每個(gè)類別向量通過(guò)二分類器來(lái)預(yù)測(cè)其類別得分，然后將所有類別的得分合并以生成最終的多分類結(jié)果；

11、(4)利用訓(xùn)練集對(duì)分類模型進(jìn)行訓(xùn)練，利用測(cè)試集評(píng)估模型的訓(xùn)練效果；

12、(5)將待分類的電力時(shí)序數(shù)據(jù)預(yù)處理后輸入訓(xùn)練好的分類模型，得到多分類結(jié)果。

13、進(jìn)一步地，步驟(1)中，所述的一維時(shí)序數(shù)據(jù)至少包含：剩余電流、基波電流、電流諧波、電壓、電壓諧波、有功功率、溫度等幾十個(gè)特征值。

14、步驟(2)中，對(duì)采集的一維時(shí)序數(shù)據(jù)按預(yù)設(shè)長(zhǎng)度劃分時(shí)間序列，并進(jìn)行缺失值插補(bǔ)，其中，一個(gè)時(shí)間序列中的數(shù)據(jù)對(duì)應(yīng)至少一個(gè)標(biāo)簽。

15、步驟(3-1)中，預(yù)處理后的一維時(shí)序數(shù)據(jù)，通過(guò)傅里葉變換找到其最大的頻率，將一維時(shí)序數(shù)據(jù)長(zhǎng)度除以最大頻率得到數(shù)據(jù)周期，從而將一維數(shù)據(jù)轉(zhuǎn)換為頻率乘周期的二維張量，具體公式為：

16、

17、其中，x1d∈rt*c代表一維時(shí)序數(shù)據(jù)，fft(·)和amp(·)表示傅里葉變換和幅度值的計(jì)算；fft用于計(jì)算輸入的一維時(shí)序數(shù)據(jù)的頻率，amp用于提取頻域中每個(gè)頻率的振幅信息，avg(·)用于對(duì)多特征取平均；{f1,…,fk}，表示經(jīng)過(guò)上述一系列操作之后產(chǎn)生的k個(gè)顯著的頻率；由于頻率的共軛性，只考慮內(nèi)的頻率，進(jìn)而得到}p1,…,pk}，共k個(gè)對(duì)應(yīng)的周期；根據(jù)選取的頻率{f1,…,fk}和對(duì)應(yīng)的周期長(zhǎng)度{p1,…,pk}，之后將一維時(shí)間序列x1d重構(gòu)為多個(gè)二維張量，公式如下:

18、

19、其中，padding(·)是將時(shí)間序列沿著時(shí)間維度進(jìn)行零擴(kuò)展，使其與兼容，pi和fi分別表示變換后的二維張量的行數(shù)和列數(shù)；表示基于頻率fi的第i個(gè)重構(gòu)時(shí)間序列，其中的列和行分別表示對(duì)應(yīng)周期長(zhǎng)度pi下的周期內(nèi)變化和周期間變化；最終根據(jù)選擇的頻率和對(duì)應(yīng)的周期，得到一組二維張量它表示不同周期衍生的k個(gè)不同的時(shí)間二維變化。

20、步驟(3-1)中，得到的二維張量依次進(jìn)行padding(·)操作，使得二維張量的高寬統(tǒng)一為預(yù)設(shè)的值；然后二維張量通過(guò)預(yù)訓(xùn)練resnet101卷積模塊生成特征圖x，進(jìn)而輸入到語(yǔ)義注意力模塊中，其中x∈rh*w*d，h代表特征圖的高，w代表特征圖的寬，d代表通道數(shù)。

21、步驟(3-2)具體過(guò)程為：

22、特征圖x輸入到語(yǔ)義注意力模塊中，語(yǔ)義注意力模塊為每個(gè)可能的對(duì)象類別計(jì)算一個(gè)激活圖m；激活圖是一個(gè)二維數(shù)組，它的每個(gè)元素mc,i,j表示在圖像的特定位置(i,j)上，類別c的激活程度；對(duì)于c個(gè)類別，語(yǔ)義注意力模塊會(huì)生成c個(gè)激活圖，形成一個(gè)激活圖集合m＝[m1,m2,…,mc]，m∈rh*w*c；

23、生成激活圖之后，通過(guò)將激活圖與原始特征圖x′的對(duì)應(yīng)部分加權(quán)求和生成每個(gè)類別的表示vc，公式如下：

24、

25、其中，x′i,j表示對(duì)于特征圖x′中位置(i,j)處對(duì)應(yīng)的特征向量；mc,i,j表示激活圖mc在位置(i,j)處對(duì)應(yīng)的權(quán)重；將mc,i,j與x′i,j對(duì)應(yīng)位置相乘并加權(quán)求和，得到類別c的最終表示vc，c個(gè)類別構(gòu)成了類別向量v＝[v1,v2,…,vc]，v∈rc*d，其中c表示類別數(shù)量，d表示通道數(shù)。

26、步驟(3-3)的具體過(guò)程為：

27、圖卷積網(wǎng)絡(luò)模塊由靜態(tài)圖卷積網(wǎng)絡(luò)和動(dòng)態(tài)圖卷積網(wǎng)絡(luò)兩部分串聯(lián)而成；首先，語(yǔ)義注意力模塊最終生成的類別向量v＝[v1,v2,…,vc]作為輸入向量輸入到靜態(tài)圖卷積網(wǎng)絡(luò)中；靜態(tài)圖卷積網(wǎng)絡(luò)捕捉類別之間的全局粗粒度依賴關(guān)系，輸出h；c是類別的數(shù)量，d1是更新后的特征維度；

28、對(duì)靜態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)的輸出h進(jìn)行全局平均池化以及隨后的卷積層處理得到的全局表示hg；接下將全局表示hg和類別表示h進(jìn)行拼接，形成

29、利用得到的h′計(jì)算動(dòng)態(tài)關(guān)聯(lián)矩陣ad＝δ(wah′)，ad∈rc*c；其中，δ表示sigmoid函數(shù)，權(quán)重矩陣是通過(guò)梯度下降等優(yōu)化算法學(xué)習(xí)得到的；

30、得到動(dòng)態(tài)關(guān)聯(lián)矩陣ad后，使用公式z＝f(adhwd)進(jìn)行動(dòng)態(tài)圖卷積操作，其中，是輸出特征，f(·)是激活函數(shù)；特征矩陣z中每一行對(duì)應(yīng)一個(gè)類別的特征向量。

31、步驟(3-4)的具體過(guò)程為：

32、首先，對(duì)于每個(gè)類別c，使用一個(gè)二元分類器來(lái)預(yù)測(cè)該類別的存在與否，二元分類器為每個(gè)類別輸出一個(gè)得分，這個(gè)得分表示模型對(duì)于該類別存在的置信度，形成得分向量sr；

33、然后，計(jì)算得分向量sm：對(duì)類別特定的激活圖進(jìn)行全局空間池化；對(duì)激活圖的每個(gè)空間位置進(jìn)行聚合，得到單一的全局特征值；將所有類別的全局特征值連接起來(lái)形成得分向量sm；

34、最后，合并得分向量sr和sm，將二者值進(jìn)行平均，形成最終的得分向量s。

35、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

36、本發(fā)明能夠?qū)⒁痪S的電力時(shí)序數(shù)據(jù)根據(jù)傅里葉變換求得的最顯著頻率轉(zhuǎn)換為二維張量，從而更有效地捕捉數(shù)據(jù)中的周期性和趨勢(shì)信息；轉(zhuǎn)換得到的二維張量依次送入語(yǔ)義注意力模塊分解為多個(gè)內(nèi)容感知的類別表示，進(jìn)而送入圖卷積網(wǎng)絡(luò)模塊，經(jīng)過(guò)靜態(tài)圖卷積網(wǎng)絡(luò)捕捉類別之間的全局粗粒度依賴關(guān)系，最后經(jīng)過(guò)動(dòng)態(tài)圖卷積網(wǎng)絡(luò)為每組二維張量構(gòu)建動(dòng)態(tài)關(guān)聯(lián)矩陣并最終得到類別向量；每個(gè)類別向量通過(guò)二分類器來(lái)預(yù)測(cè)其類別得分，然后將所有類別的得分合并以生成最終的得分向量。利用本發(fā)明，能解決電氣電力領(lǐng)域時(shí)序數(shù)據(jù)的多標(biāo)簽隱患分類問(wèn)題。