[发明专利]一种基于深度网络模型的本安设备放电能量的预测方法

权利要求书

1.一种基于深度网络模型的本安设备放电能量的预测方法，其特征在于：包括以下步骤：

步骤一、采集本质安全电路的参数：

分别获取n组不同本质安全电路的参数x_f-i和y(t)_g-i，x_f-i表示第i组本质安全电路第f个收集参数，y(t)_g-i表示第i组本质安全电路第g个测量参数，所述本质安全电路包括电阻、电容以及电感，1≤i≤n，1≤f≤k，1≤g≤m，n、k、m均为不小于3的正整数；

步骤二、数据集筛选：剔除数据集的噪声；

步骤三、计算放电能量：

将放电时间T划分为N个采样时刻，1≤t≤N，计算机根据公式

计算第t个采样时刻第i组本质安全电路的放电能量W(t)_i，表示拟合系数，W_1i表示，η表示温度修正系数，φ_i表示时间衰减因子，t_dal表示时延时间，L_i表示第i组本质安全电路的等效电感，I_i(t)表示第i组本质安全电路在t时刻的电感电流，T_i表示第i组本质安全电路的放电时间，E_i表示电源电压，α_i表示电路系数，T_t表示t时刻的检测到的环境温度，T_set表示温度阈值，β_i表示折扣系数，μ表示第一时延系数，b表示第二时延系数，U表示电弧电压；

步骤四、构建放电能量预测模块：

步骤401、以x_f-i和y(t)_g-i中任意三个参数作为矩阵元素构建第i组本质安全电路在t时刻的三维图像Q_xy-i，最终得到三维图像数据集W，其中矩阵元素包括y(t)_g-i中至少一个参数，矩阵元素包括x_f-i中至多两个参数；

步骤402、将t时刻的三维图像Q_xy-i输入卷积神经网络，通过卷积神经网络提取t时刻的三维图像Q_xy-i的图像特征，得到特征向量，将特征向量划分为训练集、测试集和验证集；

步骤403：选取网络模型，定义网络模型的目标函数，将训练集作为网络模型输入，将第i组本质安全电路在t+l时刻的W(t+l)_i作为输出值，进行样本学习，求解网络模型最优参数从而完成网络模型训练；

步骤404：预测模型训练完成后，输入测试集，进行预测模型评估，从而建立放电能量预测模块；

步骤五、获取预测模型的输入：

步骤501：获取待测本安设备的收集参数x和测量参数y；

步骤502：按照步骤401获得待测本安设备的三维图像数据集，并基于特征提取获取待测本安设备的特征向量；

步骤503；将待测本安设备的特征向量作为放电能量预测模块的输入，通过放电能量预测模块输出待测本安设备在t+l时刻的W(t+l)_i；

步骤六、判断待测本安设备在t+l时刻的W(t+l)_i是否处于危险区间，若是，则报警。

2.按照权利要求1所述的一种基于深度网络模型的本安设备放电能量的预测方法，其特征在于：步骤403中网络模型训练的损失函数其中L₁＝L(z,s,θ)，L₁表示三重边际损失函数，z表示表示训练集中数据，s表示z对应的样本标签，θ表示网络模型的参数，表示损失权重，L₂表示时间损失函数，λ表示调和系数，A表示网络模型卷积核,p表示网络模型的层数，q表示网络模型每一层的卷积核个数，κ表示权重，Δ(z,s)表示网络模型的预测值与真实值的差值。