[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

说明书

本发明公开了一种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，包括：将集成了有监督分类算法和无监督聚类算法的基础分类器库堆叠于深度残差网络，构建堆叠异构残差网络模型；获取初始数据集，并将初始数据集划分为训练集和测试集；利用训练集对构建的堆叠异构残差网络模型进行学习训练；利用测试集对训练完成的堆叠异构残差网络模型进行验证评价，获得分类评价指标，并根据分类评价指标判断到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，获得待测数据的冷却方式推荐结果。本发明实现了冷却方式的快速选择，增强了模型的泛化能力，且明显提高了冷却方式的分类准确率。

技术领域

本发明涉及换流阀控制技术领域，尤其涉及一种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。

背景技术

换流阀是直流输电工程的核心设备，由于换流阀的晶闸管在运行时会产生大量的热，为保证元件的正常使用并防止换流阀老化，需要合理选择冷却方式并设计相应的阀冷却系统。目前，大多数文献集中在对阀冷却系统进行故障分析和改造等方面，而鲜有围绕换流阀冷却方式选择所展开的相关研究。冷却方式的选择一般需调研分析当地气候与水源供给，并分析计算散热效率、成本等来选择最为适宜的冷却方式，并对阀冷却系统进行优化，人为地分析与计算调研数据，会消耗大量的时间与人力成本，此外，通常无法挖掘气候环境、阀冷却系统设备条件间的关联性。

上述难点激发了基于数据驱动下机器学习算法在该应用场合下的可能性，机器学习算法可通过对阀冷却系统的经验案例进行离线分析，来构建冷却方式分类模型，为换流阀冷却方式的选择以及阀冷却系统的最终设计提供参考依据。但针对冷却方式的分类仍然存在以下难点：1）目前获得的人为经验数据集较少，样本间同标签的特征值差异较大，不利于冷却方式分类模型的构建；2）冷却方法分类模型通常采用单个独立分类器，其可解释性与预测精度上可能存在矛盾。

发明内容

基于此，本发明提供一种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，以解决背景技术中的上述至少一个技术问题。

基于上述目的，本发明提供一种基于堆叠异构残差网络的换流阀冷却方式分类方法，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；

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。

优选地，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。