[发明专利]基于深度自编码网络的能源路由设备在线动态感知方法

权利要求书

1.一种基于深度自编码网络的能源路由设备在线动态感知方法，其特征在于，该动态感知方法包括离线模型训练和在线状态感知两部分，离线模型训练时，利用同类型能源路由设备从开始使用至完全故障过程中的各项历史监测数据对深度自编码网络进行训练，计算能源路由设备的状态特征指标Y，并存储训练完成的深度自编码网络模型；在线状态感知过程包括如下步骤：

步骤1：采集能源路由设备在实际运行过程中的指标参数，并将所采集的指标参数进行归类和存储；

步骤2：对采集和存储的数据进行边缘计算处理，得到能源路由设备在运行过程中的状态特征向量；

步骤3：使用离线模型训练过程中训练完成的深度自编码网络模型对状态特征向量进行检测，计算状态监测指标V，与状态特征指标Y进行比较，判断能源路由设备目前状态；

步骤4：若能源路由设备发生故障，则将能源路由设备从开始使用至发生故障期间的数据添加至历史运行数据库中，并对深度自编码网络进行新一轮的训练，重新计算状态特征指标Y；若能源路由设备未发生故障，则继续进行下一轮监测过程。

2.根据权利要求1所述的基于深度自编码网络的能源路由设备在线动态感知方法，其特征在于，所述深度自编码网络训练步骤如下：

S21：数据存储中心选取能源路由设备正常运行状态下的监测数据建立数据集，对数据进行归一化处理并分为训练数据集和测试数据集；

S22：确定深度自编码网络模型中的隐藏层数和输入层节点个数，建立具有5个隐藏层和5个输入层节点的深度自编码网络，设置输入层神经元节点数为输入训练数据集中数据的维数，完成对深度自编码网络模型的初步建立；

S23：基于无监督学习的方法，使用S21中的训练数据集通过堆叠自动编码器对S22中建立的深度自编码网络模型进行预训练；

S24：预训练完成之后，使用训练数据集中对整个深度自编码网络进行有监督的反向微调，以增强识别性能；

S25：完成对深度自编码网络模型的反向微 调后，即可得到能源路由设备的深度自编码网络模型，运用测试数据集计算重构误差，并使用测试数据集对深度自编码网络模型进行测试。

3.根据权利要求1所述的基于深度自编码网络的能源路由设备在线动态感知方法，其特征在于，所述状态特征指标Y的计算公式如下：

其中，状态特征指标Y为概率密度函数为f(x)的随机变量的下α分位点，α为函数f(x)在区间上与x轴围成图形的面积，α的取值范围为；式中，f(x)为核密度函数；

所述核密度函数表达式如下：

式中，为核函数宽带系数；N表示原始输入信号的维度；表示原始输入信号x的第k维分量；为高斯核函数，

所述高斯核函数表达式如下：

。

4.根据权利要求1所述的基于深度自编码网络的能源路由设备在线动态感知方法，其特征在于，步骤1中所述指标参数为振动频率、温度、电压、电流和压力。

5.根据权利要求1所述的基于深度自编码网络的能源路由设备在线动态感知方法，其特征在于，步骤2中所述边缘计算处理包括如下步骤：

S31：数据归一化处理，并剔除噪声和干扰数据；

S32：提取低频和高频特征向量；

S33：采用主成分分析的方法对特征向量进行降维处理。