基于安全准则调控框架的深度学习电源终端检测优化方法与流程

1.本发明涉及电源领域、检测领域及大数据领域，具体为基于安全准则调控框架的深度学习电源终端检测优化方法。


背景技术：

2.电源终端设备的安全检测一直饱受关注，处于良好工作状态电源终端能够维持工作设备稳定，不被破坏等。但是如果当电源终端设备处于一种非正常工作状态时，不仅可能会造成贵重的设备损坏，甚至还有可能造成对人民生命安全的威胁。但现有技术无法检测整个运行环境，从而对电源终端设备运行是否正常做出判定。因此急需一种更加智能，全面且基于重要安全准则的电源终端监测方法。


技术实现要素：

3.为解决上述技术问题，本发明提出了基于安全准则调控框架的深度学习电源终端检测优化方法，能够智能，全面且保存重要安全准则的进行电源终端安全裕度监测。
4.为实现上述目的，本发明采取的技术方案是：
5.基于安全准则调控框架的深度学习电源终端检测优化方法，具体包括以下步骤：
6.1)电源输入输出端参数提取；
7.将整个系统对目标标签值有影响的特征进行提取；
8.2)特征处理；
9.对提取后的特征值进行归一化处理，并且利用数据插值，数据增强进行数据类别平衡，此外提出特征项梯度理论，调整各项特征权重；
10.3)基于安全准则的网络架构设计；
11.在最后一层隐藏层与输出层之间基于电源终端安全准则调控框架添加一层新的激活函数，用来保留基于安全准则的重要安全特征；
12.4)神经网络预测；
13.对输入值进行预测，并且采用召回危险样本概率表达公式作为主要评估指标；
14.5)输出判定项；
15.对预测值进行输出，并根据输出值采取相应的操作，其中当最终输出值为危险时，管控程序立即接管全部设备并断开电源等，而当最终输出值为警告状态时，则进行提醒，修正，重新预测等操作。
16.作为本发明进一步改进，所述步骤2)中特征项梯度理论表示为：
17.因此本次提出一种特征项梯度理论，其实现公式如下：
[0018][0019]
其中，n为将输入特征项扩展后数量，当计算为小数时，则向上取证书，n为输入特征项的种类数量，k为特征重要排名，第一梯队为最重要特征，其他依次往后，p，α则为调节
超参；
[0020]
通过公式(1)按梯度重要度对输入的特征参数数量进行调节，当取关键部位的温度最重要时，p取0.5，α取0时，则在神经网络架构第一层中，输入电源终端温度作为9个神经元输入，若实时电源转化率作为第二特征项，则取7个神经元输入。
[0021]
作为本发明进一步改进，所述步骤3)中新的激活函数表示为：在最后一层隐藏层与输出层之间基于电源终端安全准则调控框架添加一层新的激活函数；
[0022]
该激活函数表示如下：
[0023][0024]
f2＝x(3)
[0025]
f3＝x(4)
[0026]
其中，k为1，xk表示在步骤s2中所定义的重要梯度理论中最重要的特征，表示最重要的特征的初始值即初始输入值，未经过归一化的输入值，也即初始输入神经元前的值，已经不属于基本的安全准则内，x隐藏层中的值，θ2表示最后一层隐藏层warning的置信度，θ3表示最后一层隐藏层safe的置信度，f1代表θ1的激活函数，f2代表θ2的激活函数，f3代表θ3的激活函数。
[0027]
作为本发明进一步改进，所述步骤4)中召回危险样本概率表达公式表示为：
[0028]
召回危险样本概率表达公式表示为：
[0029][0030]
与现有技术相比，本发明的有益效果为：
[0031]
1.本技术提供的一种基于安全准则调控框架的深度学习电源终端检测优化方法对电源终端整个系统进行参数监控，保证了全体设备可控与安全性；
[0032]
2.本技术提供的一种基于安全准则调控框架的深度学习电源终端检测优化方法对采用深度学习对电源终端进行安全裕度预测，提升了判定的准确性与速度；
[0033]
3.本技术提供的一种基于安全准则调控框架的深度学习电源终端检测优化方法对网络架构进行重要调整，保证在参数传递迭代过程中，安全准则特征保留不丢失，大大保证了整个设备的安全裕度。
附图说明
[0034]
图1是根据本技术实施例提供的一种基于安全准则调控框架的深度学习电源终端检测优化方法流程图；
[0035]
图2是根据本技术实施例提供的一种基于安全准则调控框架的深度学习电源终端检测优化方法网络架构示意图。
具体实施方式
[0036]
下面结合附图与具体实施方式对本发明作进一步详细描述：
[0037]
如图1所示为本技术提供的基于安全准则调控框架的深度学习电源终端检测优化
方法流程图。
[0038]
步骤s1：电源输入输出端参数提取。
[0039]
首先对输入电源的电压，频率，电流，负载进行监测管控，并作为特征项提取。此外，对于电源终端的工作状态，其中包括电流、电压、关键部位的温度、实时电源转化率，此外设备附近是否存在漏电现象，上述均作为特征项进行提取监测等。
[0040]
步骤s2：特征处理。
[0041]
在步骤s1中对于特征影响参数进行了监控，并将其进行输出保存。首先为了避免维度不统一的问题，对于各项输入的参数值进行归一化处理。
[0042]
本次申请中由于所采用的是数据集是来自整个电源终端系统，因此对于安全标签的数据值其数据量是满足的。但标签值为警告和危险的数据较少，并且在实际操作过程中，较难的去大量提取，因此在本次申请中采用数据插值的方式去获得更多的数据，此外对危险以及警告的数据进行有重复的训练，从而平衡数据集之间的不平衡。
[0043]
在电源终端安全监测中，参数值之间存在着权重不匹配问题，且根据每个实际应用场景，参数值的重要性也有可能发生变化，例如在一些任务中，保证设备的运行为最优先选项，宁可发生一些损坏。而可能在其他大部分场景中，安全正常运行是最重要的。
[0044]
因此本次提出一种特征项梯度理论，其实现公式如下：
[0045][0046]
其中，n为将输入特征项扩展后数量，当计算为小数时，则向上取证书，n为输入特征项的种类数量，k为特征重要排名，第一梯队为最重要特征，其他依次往后。p，α则为调节超参。
[0047]
通过公式1则可以按梯度重要度对输入的特征参数数量进行调节，例如当取关键部位的温度最重要时，p取0.5，α取0时，则在神经网络架构第一层中，输入电源终端温度作为9个神经元输入。若实时电源转化率作为第二特征项，则取7个神经元输入。以此来增加重要特征得影响力。
[0048]
步骤s3：基于安全准则的网络架构设计。
[0049]
如图2所示为本技术提供的基于安全准则调控框架的深度学习电源终端检测优化方法网络架构示意图。
[0050]
本次申请采用bp神经网络架构进行分类任务，其中第一层输入层在步骤s2中给出基于特征项梯度理论。参与权重更新的隐藏层最后一层为类别置信度。其中输入层与隐藏层之间均采用relu激活函数，以保证反向迭代时，表特征有一定影响力。
[0051]
本次申请提出在最后一层隐藏层与输出层之间基于电源终端安全准则调控框架添加一层新的激活函数。
[0052]
该激活函数表示如下：
[0053][0054]
f2＝x(3)
[0055]
f3＝x(4)
[0056]
其中，k为1，xk表示在步骤s2中所定义的重要梯度理论中最重要的特征，表示最重要的特征的初始值即初始输入值(未经过归一化的输入值)，也即初始输入神经元前的值，已经不属于基本的安全准则内。x隐藏层中的值，θ2表示最后一层隐藏层warning的置信度。θ3表示最后一层隐藏层safe的置信度。f1代表θ1的激活函数。f2代表θ2的激活函数。f3代表θ3的激活函数。
[0057]
上述阐述了本次申请中基于重要特征安全准则的激活函数设计。下例以关键部位的温度为重要特征，并且将其列为第一梯度特征解释。在很多实际使用过程当中，关键部位的温度是作为一项最基本的安全准则来评估整体系统的安全性的，即关键部位的值必须处于一定范围内，当他的值异常，整个系统便是不安全不可控的。而在深度学习网络结构中，如果按照以往的方式进行学习预测，关键部位的温其特征浅层表现很容易被更新迭代消失在网络当中，以至于到最后一层置信度输出时，其已经失去了物理意义。因此在本技术中，作为最重要的特征(第一梯队特征)，利用公式2,保留其物理意义，即其必须符合安全准则。
[0058]
步骤s4：神经网络预测。
[0059]
在步骤s2以及步骤s3中，完成了输入特征值的处理，网络架构的确定以及激活函数的选择。在步骤s4中则需要对神经网络模型进行训练评估。
[0060]
在本次申请的网络结构中，对模型的训练即对权重的更新只存在于输入层与最后一层隐藏层之间。并且评估指标针对于隐藏层的最后一层即图2中的类别置信度网络层。
[0061]
本次申请应用场景为电源终端检测，因此所关注的选项应为对危险样本的召回率，即危险样本被判定为其他样本的概率较低，以保证整个模型的可行性。
[0062]
召回危险样本概率表达公式表示为：
[0063][0064]
其中，re为危险样本召回率，m为被正确分类并且为标签值为危险的样本数量。m为标签值为危险的样本的总数量。
[0065]
当整个模型的召回率精度较高即可完成训练，进行模型搭建与应用。
[0066]
步骤s5：输出判定项。
[0067]
在上述步骤中，完成了基于安全准则的网络架构设计并且完成了模型的训练。在步骤s4中对数据集的最终预测。因此在本步骤对预测值进行输出，并根据输出值采取相应的操作。
[0068]
其中，当最终输出值为危险时，管控程序立即断开电源，并且断开与电源终端相关的电路，此外利用广播发出警告，让操作人员撤现场区域。
[0069]
而当最终输出值为警告状态时，则也对操作人员发出信息，提醒操作人员进行检查，排除造成警告状态的原因，并且此时降低整个设备的电压，电流。降低后对特征进行重新判定，查看是否能够使得神经网络预测值回归正常，进而解除警告状态。
[0070]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

技术特征：
1.基于安全准则调控框架的深度学习电源终端检测优化方法，其特征在于，具体包括以下步骤：1)电源输入输出端参数提取；将整个系统对目标标签值有影响的特征进行提取；2)特征处理；对提取后的特征值进行归一化处理，并且利用数据插值，数据增强进行数据类别平衡，此外提出特征项梯度理论，调整各项特征权重；3)基于安全准则的网络架构设计；在最后一层隐藏层与输出层之间基于电源终端安全准则调控框架添加一层新的激活函数，用来保留基于安全准则的重要安全特征；4)神经网络预测；对输入值进行预测，并且采用召回危险样本概率表达公式作为主要评估指标；5)输出判定项；对预测值进行输出，并根据输出值采取相应的操作，其中当最终输出值为危险时，管控程序立即接管全部设备并断开电源等，而当最终输出值为警告状态时，则进行提醒，修正，重新预测等操作。2.根据权利要求1所述的基于安全准则调控框架的深度学习电源终端检测优化方法，其特征在于:所述步骤2)中特征项梯度理论表示为：因此本次提出一种特征项梯度理论，其实现公式如下：其中，n为将输入特征项扩展后数量，当计算为小数时，则向上取证书，n为输入特征项的种类数量，k为特征重要排名，第一梯队为最重要特征，其他依次往后,p，α则为调节超参；通过公式(1)按梯度重要度对输入的特征参数数量进行调节，当取关键部位的温度最重要时，p取0.5，α取0时，则在神经网络架构第一层中，输入电源终端温度作为9个神经元输入,若实时电源转化率作为第二特征项，则取7个神经元输入。3.根据权利要求1所述的基于安全准则调控框架的深度学习电源终端检测优化方法，其特征在于:所述步骤3)中新的激活函数表示为：在最后一层隐藏层与输出层之间基于电源终端安全准则调控框架添加一层新的激活函数；该激活函数表示如下：f2＝x (3)f3＝x (4)
其中，k为1，x
k
表示在步骤s2中所定义的重要梯度理论中最重要的特征，表示最重要的特征的初始值即初始输入值，未经过归一化的输入值，也即初始输入神经元前的值，已经不属于基本的安全准则内，x隐藏层中的值，θ2表示最后一层隐藏层warning的置信度，θ3表示最后一层隐藏层safe的置信度，f1代表θ1的激活函数，f2代表θ2的激活函数，f3代表θ3的激活函数。4.根据权利要求1所述的基于安全准则调控框架的深度学习电源终端检测优化方法，其特征在于：所述步骤4)中召回危险样本概率表达公式表示为：召回危险样本概率表达公式表示为：

技术总结
基于安全准则调控框架的深度学习电源终端检测优化方法，首先提取电源输入输出端参数作为特征项，然后以工作状态作为标签值而进行深度学习。此外在本次网络结构中，为了保留原有重要安全的准则，不因为网络迭代而丢失该特征，对原有网络架构激活函数重新设定。与传统对于电源终端安全检测只能采用单一传感器监测或者物理测量。这种监控方式更全面，并且对于多因素多耦合的情况适用性强。于多因素多耦合的情况适用性强。于多因素多耦合的情况适用性强。


技术研发人员：王辉 季磊 周坤
受保护的技术使用者：扬州乐军电子科技有限公司
技术研发日：2023.07.06
技术公布日：2023/10/15