[发明专利]基于堆叠异构残差网络的换流阀冷却方式分类方法及装置

权利要求书

1.一种基于堆叠异构残差网络的换流阀冷却方式分类方法，其特征在于，包括：

构建堆叠异构残差网络模型；所述堆叠异构残差网络模型包含基础分类器库和深度残差网络，所述基础分类器库由第一数量的有监督分类算法和第二数量的无监督聚类算法组成，用以对输入数据进行一次分类，并将一次分类获得的多元数据集合堆叠至深度残差网络；所述深度残差网络由输入层、包含第三数量的卷积单元和网络底层单元的中间层和输出层组成，用于对所述多元数据集合进行再分类，获得冷却方式分类结果；

获取初始数据集，并将所述初始数据集划分为训练集和测试集；其中，所述初始数据集中包含多个数据样本的多维特征向量和冷却方式标签；

利用所述训练集对构建的所述堆叠异构残差网络模型进行学习训练，获得训练完成的所述堆叠异构残差网络模型；该步骤包括：

将所述训练集输入所以堆叠异构残差网络模型，并通过所述基础分类器库对所述训练集进行初步分类学习，获得多元数据集合；该步骤包括：通过所述基础分类器库中的有监督分类算法对所述训练集进行次折交叉验证，并将每一次交叉验证的结果进行堆叠，获得每一类所述有监督分类算法的置信分数集合；通过所述基础分类器库中的无监督聚类算法对训练集进行次聚类，并将每一次聚类的结果进行堆叠，获得每一类所述无监督聚类算法的置信分数集合；根据各类有监督分类算法和各类无监督聚类算法的置信分数集合，构建多元数据集合；

将所述多元数据集合堆叠至所述深度残差网络，并通过所述深度残差网络进行再分类学习，获取训练好的所述深度残差网络；

基于所述基础分类器库和训练好的所述深度残差网络，获得训练完成的所述堆叠异构残差网络模型；

利用所述测试集对训练完成的所述堆叠异构残差网络模型进行验证评价，获得分类评价指标，并根据所述分类评价指标判断所述堆叠异构残差网络模型是否满足预设分类效果；

在模型满足预设分类效果时，获取待测数据，并利用训练完成的堆叠异构残差网络模型进行冷却方式分类，获得所述待测数据的冷却方式推荐结果。

2.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法，其特征在于，所述获取初始数据集，并将所述初始数据集划分为训练集和测试集，包括：

获取多个数据样本以及多个所述数据样本的冷却方式标签；

从每个所述数据样本中提取气候环境参数和设备条件参数，并根据所述气候环境参数和所述设备条件参数构建多维特征向量；

根据所有数据样本的所述多维特征向量和冷却方式标签构建初始数据集；

将所述初始数据集按照预设比例划分为训练集和测试集。

3.根据权利要求2所述的基于堆叠异构残差网络的换流阀冷却方式分类方法，其特征在于，所述气候环境参数包括平均气温、极端最高气温、极端最低气温、最大日温差、平均气压、最高气压、最低气压、平均相对湿度、平均风速、最大风速、海拔高度；所述设备条件参数包括额定冷却容量、额定进阀流量、冷却塔进塔水温、用电负荷、补水量、喷淋水池容积、设备占地空间。

4.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法，其特征在于，所述将所述多元数据集合堆叠至所述深度残差网络，通过所述深度残差网络进行再分类学习，获取训练好的所述深度残差网络，包括：

设置所述深度残差网络的网络参数向量和初始超参数；

通过所述深度残差网络的输入层获取所述多元数据集合；

通过中间层的卷积单元提取所述多元数据集合的分数特征，并通过所述网络底层单元生成各类冷却方式的置信分数；

根据所述各类冷却方式的置信分数确定每个训练数据的冷却方式预测类别，并根据所述冷却方式预测类别与冷却方式标签获取损失值；

在所述损失值大于预设值时，通过贝叶斯优化调整所述初始超参数；

基于调整后的超参数，通过基于动量的随机梯度下降算法更新所述网络参数向量；

利用所述多元数据集合对更新网络参数向量的所述深度残差网络重新进行训练，直至所述损失值小于等于预设值，保存所述网络参数向量，并获取训练好的所述深度残差网络。