一种异构融合组网设备数据分析方法与流程

1.本发明涉及输电线路技术领域，具体为一种异构融合组网设备数据分析方法。


背景技术：

2.随着物联网技术在输电线路领域的逐步应用，使得对输电线路异构融合组网设备的全面监测成为了可能，在工业制造领域，为了改进流程控制成本，传统的方法是以事先知道研究对象的特性为前提，然后根据对象的特性加以闭环控制，从而使输出特性符合要求；现有的制造流程建模方法和自动控制方法都是通过这种方式，根据少量有价值的数据进行研究的；但是现实生活中很多的系统过于复杂，没有相对应的理论知识作为支撑，其特性和行为不能被理解和掌握，传统的方法不能发挥作用；jim gray提出以数据为中心的研究方法，面对复杂的工业生产系统，通过对系统的复杂行为进行信息化，将系统的运行过程产生的大量数据进行采集和保存，通过对这些数据的研究，解决现有的实验手段不能处理的复杂问题。
3.目前，对异构融合组网设备的监测主要是采集异构融合组网设备的实时数据并进行上传云端备份，而无相应的对采集的数据进行分析的步骤。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述存在的问题，提出了本发明。
6.因此，本发明解决的技术问题是：无相应的对采集的异构融合组网设备数据进行分析的方法而导致结果偏差较大、准确率较低的问题。
7.为解决上述技术问题，本发明提供如下技术方案：一种异构融合组网设备数据分析方法，包括：获取分析时段内采集得到的异构融合组网设备数据，并对所述数据进行预处理；对所述预处理后的数据进行特征提取获得特征参数，将所述特征参数进行降维得到特征向量；训练基于lstm的设备状态预测模型，将所述特征向量输入所述预测模型进行异构融合组网设备状态趋势预测；通过图像技术将所述异构融合组网设备状态趋势预测结果进行可视化展示。
8.作为本发明所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述异构融合组网设备数据包括设备的参数和答复指令。
9.作为本发明所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述预处理过程包括偏差数据检测、缺失值处理和噪声数据光滑处理。
10.作为本发明所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述偏差数据检测包括构建概率分布评估模型，应用所述概率分布评估模型检测出所述异构融合组网设备数据的离群点，将所述离群点对应的值作为偏差数据；
11.所述缺失值处理包括全局常量自动填充、中心度量自动填充、同组均值自动填充和最有可能值自动填充；
12.所述噪声数据光滑处理包括将所述异构融合组网设备数据中有噪声的变量拟合成一条直线或曲线，用所述直线或所述曲线上的值替代所述异构融合组网设备数据中有噪声的变量。
13.作为本发明所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述特征参数的获取包括，
14.利用spark工具针对所述预处理后的数据进行数据特征提取；
15.将提取到的特征数据输入至自编码器中，利用自编码器对输入的数据进行处理，获取数据特征参数。
16.作为本发明所述的异构融合组网设备数据分析方法的一种优选方案，其中：还包括，
17.对清洗后的异构融合组网设备数据进行特征提取获得特征参数后，通过离群点检测算法对特征参数进行离群点检测，获得噪声数据，从特征参数中去除所述噪声数据。
18.作为本发明所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述特征向量的获取包括，
19.通过sigmoid激活函数对获取的所述特征参数进行非线性映射，将输入映射到[0,1]之间；
[0020]
所述激活函数的计算包括，
[0021][0022]
其中，h(x)表示激活函数的输出，x表示激活函数的输入；
[0023]
将所述激活函数的输出输入到池化层，对特征数据进行降维处理得到特征向量。
[0024]
作为本发明所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述设备状态预测模型包括，
[0025]
在基于lstm的设备状态预测模型的输入门将所述特征向量的数据序列进行保存；
[0026]
所述设备状态预测模型的输入门i
t
的构建包括，
[0027]it
＝σ(ui·
x
t
+wi·st-1
)
[0028]ct
＝tanh(uc·
x
t
+wc·st-1
)
[0029]yt
＝f
t
*y
t-1
+i
t
*c
t
[0030]
其中，σ表示sigmoid激活函数，ui和uc均表示当前输入x
t
的权重系数，x
t
表示当前的输入，wi和wc均表示历史输入s
t-1
的权重系数，s
t-1
表示历史输入，c
t
表示输入门单元tan函数的输出，y
t
表示更新后的细胞状态，y
t-1
表示未更新时的细胞状态，f
t
表示遗忘门；
[0031]
利用基于lstm的设备状态预测模型的遗忘门进行选择性遗忘对记忆状态进行更新；
[0032]
所述遗忘门的构建包括，
[0033]ft
＝σ(uf·
x
t
+wf·st-1
)
[0034]
其中，uf表示当前输入x
t
的权重系数，wf表示历史输入s
t-1
的权重系数；
[0035]
所述遗忘门保留重要信息后，基于lstm的设备状态预测模型的输出门更新状态得
到下一时刻的数据；
[0036]
所述输出门的构建包括，
[0037]ot
＝σ(uo·
x
t
+wo·st-1
)
[0038]st
＝o
t
·
tanh(c
t
)
[0039]
其中，uo表示当前输入x
t
的权重系数，wo表示历史输入s
t-1
的权重系数，s
t
表示设备状态预测模型的总输出值。
[0040]
作为本发明所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述图像技术的可视化展示包括，
[0041]
通过深度学习可视化工具上传原始图像，利用所述异构融合组网设备状态神经网络模型识别图像；
[0042]
将识别过程中所述神经网络模型的卷积核以及原图像在经过卷积之后所形成的图像变化及相应参数传输给深度学习可视化工具，并进行展示。
[0043]
作为本发明所述的异构融合组网设备数据分析方法的一种优选方案，其中：所述预测结果的评估包括，
[0044]
将均方根误差rmse、平均绝对误差mae以及拟合优度r2作为评估指标，具体的计算包括，
[0045][0046][0047][0048]
其中，m表示训练集总容量，fi表示网络预测值，yi表示实际测试值，表示实际值取平均。
[0049]
本发明的有益效果：本发明能够对采集的异构融合组网设备数据进行分析，通过训练基于lstm的设备状态预测模型，对异构融合组网设备状态趋势进行预测，建模简单，计算复杂度低；并且本发明可以精确的预测异构融合组网设备数据并实时上传云端备份进行分析，对输电线路的研究具有深远的意义。
附图说明
[0050]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0051]
图1为本发明一个实施例提供的一种异构融合组网设备数据分析方法的整体流程图；
[0052]
图2为本发明一个实施例提供的一种异构融合组网设备数据分析方法的进行异构
融合组网设备状态趋势预测的流程示意图。
具体实施方式
[0053]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0054]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0055]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0056]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0057]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0058]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0059]
实施例1
[0060]
参照图1～2为本发明的一个实施例，提供了一种异构融合组网设备数据分析方法，包括：
[0061]
s1：获取分析时段内采集得到的异构融合组网设备数据，并对数据进行预处理。需要说明的是：
[0062]
异构融合组网设备数据包括设备的参数和答复指令；
[0063]
进一步的，预处理过程包括偏差数据检测、缺失值处理和噪声数据光滑处理；
[0064]
应说明的，偏差数据检测包括构建概率分布评估模型，应用概率分布评估模型检测出异构融合组网设备数据的离群点，将离群点对应的值作为偏差数据；缺失值处理包括全局常量自动填充、中心度量自动填充、同组均值自动填充和最有可能值自动填充；噪声数据光滑处理包括将异构融合组网设备数据中有噪声的变量拟合成一条直线或曲线，用直线或曲线上的值替代异构融合组网设备数据中有噪声的变量。
[0065]
s2：对预处理后的数据进行特征提取获得特征参数，将特征参数进行降维得到特征向量。需要说明的是：
[0066]
特征参数的获取包括利用spark工具针对预处理后的数据进行数据特征提取；将提取到的特征数据输入至自编码器中，利用自编码器对输入的数据进行处理，获取数据特征参数；
[0067]
应说明的，对清洗后的异构融合组网设备数据进行特征提取获得特征参数后，通过离群点检测算法对特征参数进行离群点检测，获得噪声数据，从特征参数中去除噪声数据；
[0068]
进一步的，特征向量的获取包括通过sigmoid激活函数对获取的特征参数进行非线性映射，将输入映射到[0,1]之间；
[0069]
激活函数的计算包括，
[0070][0071]
其中，h(x)表示激活函数的输出，x表示激活函数的输入；
[0072]
将函数的输出输入到池化层，对特征数据进行降维处理得到特征向量。
[0073]
s3：训练基于lstm的设备状态预测模型，将特征向量输入预测模型进行异构融合组网设备状态趋势预测。需要说明的是：
[0074]
设备状态预测模型包括，
[0075]
在基于lstm的设备状态预测模型的输入门将特征向量的数据序列进行保存；
[0076]
设备状态预测模型的输入门i
t
的构建包括，
[0077]it
＝σ(ui·
x
t
+wi·st-1
)
[0078]ct
＝tanh(uc·
x
t
+wc·st-1
)
[0079]yt
＝f
t
*y
t-1
+i
t
*c
t
[0080]
其中，σ表示sigmoid激活函数，ui和uc均表示当前输入x
t
的权重系数，x
t
表示当前的输入，wi和wc均表示历史输入s
t-1
的权重系数，s
t-1
表示历史输入，c
t
表示输入门单元tan函数的输出，y
t
表示更新后的细胞状态，y
t-1
表示未更新时的细胞状态，f
t
表示遗忘门；
[0081]
进一步的，利用基于lstm的设备状态预测模型的遗忘门进行选择性遗忘对记忆状态进行更新；
[0082]
遗忘门的构建包括，
[0083]ft
＝σ(uf·
x
t
+wf·st-1
)
[0084]
其中，uf表示当前输入x
t
的权重系数，wf表示历史输入s
t-1
的权重系数；
[0085]
更进一步的，遗忘门保留重要信息后，基于lstm的设备状态预测模型的输出门更新状态得到下一时刻的数据；
[0086]
输出门的构建包括，
[0087]ot
＝σ(uo·
x
t
+wo·st-1
)
[0088]st
＝o
t
·
tanh(c
t
)
[0089]
其中，uo表示当前输入x
t
的权重系数，wo表示历史输入s
t-1
的权重系数，s
t
表示设备状态预测模型的总输出值。
[0090]
s4：通过图像技术将异构融合组网设备状态趋势预测结果进行可视化展示。需要说明的是：
[0091]
图像技术的可视化展示包括通过深度学习可视化工具上传原始图像，利用异构融
合组网设备状态神经网络模型识别图像；将识别过程中神经网络模型的卷积核以及原图像在经过卷积之后所形成的图像变化及相应参数传输给深度学习可视化工具，并进行展示；
[0092]
进一步的，将均方根误差rmse、平均绝对误差mae以及拟合优度r2作为评估指标，具体的计算包括，
[0093][0094][0095][0096]
其中，m表示训练集总容量，fi表示网络预测值，yi表示实际测试值，表示实际值取平均；
[0097]
应说明的，本发明能够对采集的异构融合组网设备数据进行分析，并对异构融合组网设备状态趋势进行预测，可以精确的预测异构融合组网设备数据实时上传云端备份进行分析，对输电线路的研究具有深远的意义。
[0098]
实施例2
[0099]
该实施例不同于第一个实施例的是，提供了一种异构融合组网设备数据分析方法的验证测试，为对本方法中采用的技术效果加以验证说明。
[0100]
以某异构融合组网设备为例，需要对计算机的配置进行设定，系统：windows xp以上，内存：512m以上，硬盘：10g以上，显示器和显卡：必须支持1024x768,75hz，24位真彩显示，网卡：10/100m；然后获取分析时段内采集得到的异构融合组网设备数据，并对数据进行预处理，对预处理后的数据进行特征提取获得特征参数，将特征参数进行降维得到特征向量，将特征向量输入预测模型进行异构融合组网设备状态趋势预测，所得到的预测准确率如表1所示。
[0101]
表1：异构融合组网设备分析准确率和处理时长。
[0102]
实验编号12345分析准确率89％87％92％93％90％处理时长0.85ms0.82ms0.87ms0.89ms0.80ms
[0103]
从表1可以看出，在控制变量的情况下本发明提供的方法对于分析准确率有较佳的提升，并且对于处理时长也在缩短；因此本发明提供的方法对于预测异构融合组网设备数据的分析有着不错的效果，对输电线路的研究具有深远的意义。
[0104]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。