本發(fā)明涉及換電站，特別是涉及一種換電站異常預(yù)測(cè)方法、系統(tǒng)、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著技術(shù)的發(fā)展，換電站得到了廣泛的應(yīng)用；為了保證換電站的運(yùn)營正常，需要對(duì)換電站進(jìn)行異常預(yù)測(cè)。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，特別是卷積神經(jīng)網(wǎng)絡(luò)模型(cnn)在圖像處理和時(shí)序數(shù)據(jù)分析中的成功應(yīng)用，越來越多的研究者開始探索其在換電站異常預(yù)測(cè)中的潛力。然而，卷積神經(jīng)網(wǎng)絡(luò)模型的性能高度依賴于超參數(shù)的選擇，目前的卷積神經(jīng)網(wǎng)絡(luò)模型普遍存在數(shù)據(jù)處理效率低下，難以找到全局最優(yōu)解，從而導(dǎo)致其在對(duì)換電站異常進(jìn)行預(yù)測(cè)時(shí)，會(huì)存在預(yù)測(cè)準(zhǔn)確性較低，在換電站存在異常時(shí)無法及時(shí)預(yù)警。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述技術(shù)問題，提供一種能夠提高預(yù)測(cè)準(zhǔn)確性，提升數(shù)據(jù)處理效率，能夠?qū)Q電站異常進(jìn)行精確監(jiān)控和及時(shí)預(yù)警的換電站異常預(yù)測(cè)方法、系統(tǒng)、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

2、第一方面，本發(fā)明提供一種換電站異常預(yù)測(cè)方法，所述換電站異常預(yù)測(cè)方法包括：

3、獲取換電站的實(shí)時(shí)運(yùn)行數(shù)據(jù)；

4、對(duì)所述實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理；

5、構(gòu)建初始卷積神經(jīng)網(wǎng)絡(luò)模型；

6、使用開普勒優(yōu)化算法對(duì)所述初始卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，以得到卷積神經(jīng)網(wǎng)絡(luò)模型；

7、將預(yù)處理后的實(shí)時(shí)運(yùn)行數(shù)據(jù)輸入所述卷積神經(jīng)網(wǎng)絡(luò)，對(duì)所述換電站進(jìn)行異常預(yù)測(cè)；

8、基于預(yù)測(cè)結(jié)果生成異常報(bào)告。

9、可選地，所述使用開普勒優(yōu)化算法對(duì)所述初始卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，以得到卷積神經(jīng)網(wǎng)絡(luò)模型，包括：

10、確定所述初始卷積神經(jīng)網(wǎng)絡(luò)模型待優(yōu)化的超參數(shù)集合；

11、基于所述超參數(shù)集合，生成超參數(shù)組合；

12、根據(jù)所述超參數(shù)組合得到所述初始卷積神經(jīng)網(wǎng)絡(luò)模型的適應(yīng)度；

13、獲取所述超參數(shù)組合的運(yùn)行體，所述運(yùn)行體包括對(duì)應(yīng)的運(yùn)行數(shù)據(jù)，所述運(yùn)行數(shù)據(jù)包括運(yùn)行體的位置信息、速度信息、加速度信息以及質(zhì)量信息；

14、對(duì)所述超參數(shù)組合所對(duì)應(yīng)的運(yùn)行體的運(yùn)行數(shù)據(jù)進(jìn)行行星運(yùn)動(dòng)模擬更新，以對(duì)所述初始卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行更新；

15、進(jìn)行迭代優(yōu)化，直至所述適應(yīng)度收斂或達(dá)到預(yù)設(shè)迭代次數(shù)，即得到所述卷積神經(jīng)網(wǎng)絡(luò)模型。

16、可選地，所述對(duì)所述超參數(shù)組合所對(duì)應(yīng)的運(yùn)行體的運(yùn)行數(shù)據(jù)進(jìn)行行星運(yùn)動(dòng)模擬更新，以對(duì)所述初始卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行更新，包括：

17、基于所述超參數(shù)組合所對(duì)應(yīng)的運(yùn)行體的運(yùn)行數(shù)據(jù)進(jìn)行行星運(yùn)動(dòng)模擬，并對(duì)所述運(yùn)行數(shù)據(jù)進(jìn)行更新；

18、基于更新后的運(yùn)行數(shù)據(jù)更新對(duì)應(yīng)的超參數(shù)組合，并將更新后的超參數(shù)組合所對(duì)應(yīng)的待優(yōu)化的參數(shù)作為所述初始卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，以完成對(duì)所述初始卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)更新。

19、可選地，所述基于所述超參數(shù)組合所對(duì)應(yīng)的運(yùn)行體的運(yùn)行數(shù)據(jù)進(jìn)行行星運(yùn)動(dòng)模擬，并對(duì)所述運(yùn)行數(shù)據(jù)進(jìn)行更新，包括：

20、基于如下公式對(duì)所述超參數(shù)組合所對(duì)應(yīng)的運(yùn)行體的位置信息進(jìn)行更新：

21、其中，pi為運(yùn)行體更新前的位置信息，pi+1為運(yùn)行體更新后的位置信息，vi為運(yùn)行體的當(dāng)前速度信息，ai為運(yùn)行體的當(dāng)前加速度信息，△t為時(shí)間步長，i為大于等于1的整數(shù)；

22、基于如下公式對(duì)所述超參數(shù)組合所對(duì)應(yīng)的運(yùn)行體的加速度信息進(jìn)行更新：

23、其中，aj為運(yùn)行體更新后的加速度信息，g為引力常數(shù)，mi為運(yùn)行體的當(dāng)前質(zhì)量信息，pi為運(yùn)行體更新前的位置信息，pj為運(yùn)行體更新后的位置信息，i為大于等于1的整數(shù)，j為大于i的整數(shù)；

24、基于如下公式對(duì)所述超參數(shù)組合所對(duì)應(yīng)的運(yùn)行體的速度信息進(jìn)行更新：vi+1＝vi+ai.△t，其中，vi+1為運(yùn)行體更新后的速度，vi為運(yùn)行體的當(dāng)前速度，ai為運(yùn)行體的當(dāng)前加速度信息，△t為時(shí)間步長。

25、可選地，所述將預(yù)處理后的實(shí)時(shí)運(yùn)行數(shù)據(jù)輸入所述卷積神經(jīng)網(wǎng)絡(luò)，對(duì)所述換電站進(jìn)行異常預(yù)測(cè)之后，基于預(yù)測(cè)結(jié)果生成異常報(bào)告之前，還包括：

26、基于所述預(yù)測(cè)結(jié)果判斷所述換電站是否存在異常；

27、若是，則識(shí)別所述換電站的異常類型。

28、可選地，所述異常報(bào)告包括：異常發(fā)生的時(shí)間、異常發(fā)生的地點(diǎn)、異常的類型、異常的運(yùn)行參數(shù)、異常的嚴(yán)重程度、異常的原因及異常的處理措施。

29、可選地，所述基于預(yù)測(cè)結(jié)果生成異常報(bào)告之后，還包括：

30、將預(yù)測(cè)結(jié)果及所述異常報(bào)告進(jìn)行可視化展示；

31、基于所述異常報(bào)告發(fā)出報(bào)警信息。

32、第二方面，本發(fā)明還提供一種換電站異常預(yù)測(cè)系統(tǒng)，所述換電站異常預(yù)測(cè)系統(tǒng)包括：

33、獲取模塊，用于獲取換電站的實(shí)時(shí)運(yùn)行數(shù)據(jù)；

34、預(yù)處理模塊，用于對(duì)所述實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理；

35、模型構(gòu)建模塊，用于構(gòu)建初始卷積神經(jīng)網(wǎng)絡(luò)模型；

36、模型優(yōu)化模塊，用于使用開普勒優(yōu)化算法對(duì)所述初始卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，以得到卷積神經(jīng)網(wǎng)絡(luò)模型；所述卷積神經(jīng)網(wǎng)絡(luò)模型用語基于預(yù)處理后的實(shí)時(shí)運(yùn)行數(shù)據(jù)對(duì)所述換電站進(jìn)行異常預(yù)測(cè)；

37、報(bào)告生成模塊，用于基于預(yù)測(cè)結(jié)果生成異常報(bào)告。

38、第三方面，本發(fā)明還提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如第一方面中所述的換電站異常預(yù)測(cè)方法的步驟。

39、第四方面，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面中所述的換電站異常預(yù)測(cè)方法的步驟。

40、本發(fā)明的上述換電站異常預(yù)測(cè)方法、系統(tǒng)、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)，通過將卷積神經(jīng)網(wǎng)絡(luò)模型的強(qiáng)大特征提取能力和開普勒優(yōu)化算法的高效超參數(shù)優(yōu)化能力，不僅可以提高對(duì)換電站異常的預(yù)測(cè)準(zhǔn)確性，還能顯著提升數(shù)據(jù)處理效率，從而能夠?qū)崿F(xiàn)對(duì)換電站運(yùn)行狀態(tài)的精確監(jiān)控和及時(shí)預(yù)警，降低運(yùn)營成本，提升服務(wù)質(zhì)量。

技術(shù)特征：

1.一種換電站異常預(yù)測(cè)方法，其特征在于，所述換電站異常預(yù)測(cè)方法包括：

2.根據(jù)權(quán)利要求1所述的換電站異常預(yù)測(cè)方法，其特征在于，所述使用開普勒優(yōu)化算法對(duì)所述初始卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，以得到卷積神經(jīng)網(wǎng)絡(luò)模型，包括：

3.根據(jù)權(quán)利要求2所述的換電站異常預(yù)測(cè)方法，其特征在于，所述對(duì)所述超參數(shù)組合所對(duì)應(yīng)的運(yùn)行體的運(yùn)行數(shù)據(jù)進(jìn)行行星運(yùn)動(dòng)模擬更新，以對(duì)所述初始卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行更新，包括：

4.根據(jù)權(quán)利要求3所述的換電站異常預(yù)測(cè)方法，其特征在于，所述基于所述超參數(shù)組合所對(duì)應(yīng)的運(yùn)行體的運(yùn)行數(shù)據(jù)進(jìn)行行星運(yùn)動(dòng)模擬，并對(duì)所述運(yùn)行數(shù)據(jù)進(jìn)行更新，包括：

5.根據(jù)權(quán)利要求4所述的換電站異常預(yù)測(cè)方法，其特征在于，所述將預(yù)處理后的實(shí)時(shí)運(yùn)行數(shù)據(jù)輸入所述卷積神經(jīng)網(wǎng)絡(luò)，對(duì)所述換電站進(jìn)行異常預(yù)測(cè)之后，基于預(yù)測(cè)結(jié)果生成異常報(bào)告之前，還包括：

6.根據(jù)權(quán)利要求5所述的換電站異常預(yù)測(cè)方法，其特征在于，所述異常報(bào)告包括：異常發(fā)生的時(shí)間、異常發(fā)生的地點(diǎn)、異常的類型、異常的運(yùn)行參數(shù)、異常的嚴(yán)重程度、異常的原因及異常的處理措施。

7.根據(jù)權(quán)利要求6所述的換電站異常預(yù)測(cè)方法，其特征在于，所述基于預(yù)測(cè)結(jié)果生成異常報(bào)告之后，還包括：

8.一種換電站異常預(yù)測(cè)系統(tǒng)，其特征在于，所述換電站異常預(yù)測(cè)系統(tǒng)包括：

9.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述方法的步驟。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的方法的步驟。

技術(shù)總結(jié)
本發(fā)明涉及一種換電站異常預(yù)測(cè)方法、系統(tǒng)、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。換電站異常預(yù)測(cè)方法包括：獲取換電站的實(shí)時(shí)運(yùn)行數(shù)據(jù)；對(duì)實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理；構(gòu)建初始卷積神經(jīng)網(wǎng)絡(luò)模型；使用開普勒優(yōu)化算法對(duì)初始卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，以得到卷積神經(jīng)網(wǎng)絡(luò)模型；將預(yù)處理后的實(shí)時(shí)運(yùn)行數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)，對(duì)換電站進(jìn)行異常預(yù)測(cè)；基于預(yù)測(cè)結(jié)果生成異常報(bào)告。本發(fā)明通過將卷積神經(jīng)網(wǎng)絡(luò)模型的強(qiáng)大特征提取能力和開普勒優(yōu)化算法的高效超參數(shù)優(yōu)化能力，不僅可以提高對(duì)換電站異常的預(yù)測(cè)準(zhǔn)確性，還能顯著提升數(shù)據(jù)處理效率，從而能夠?qū)崿F(xiàn)對(duì)換電站運(yùn)行狀態(tài)的精確監(jiān)控和及時(shí)預(yù)警，降低運(yùn)營成本，提升服務(wù)質(zhì)量。

技術(shù)研發(fā)人員：劉迎春,李孝田,高揚(yáng),張磊
受保護(hù)的技術(shù)使用者：北京這房行信息技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23