电力故障检测模型训练方法、检测方法、装置和电子设备与流程

本发明创造涉及电力设备检测领域，特别是涉及一种电力故障检测模型训练方法、检测方法、装置和电子设备。

背景技术：

1、电力设备运行状态关系到供电的可靠性与安全性。随着传感器技术的普及，配电设备的监测数据呈现出多模态、高频率的特点（如电压、电流、温度等），这为故障检测提供了丰富的数据基础。

2、现有的配电系统故障检测技术主要存在两类极端的处理模式：一类是完全依赖边缘终端进行本地计算，受限于边缘设备的存储空间与算力资源，这类方法难以部署复杂的深度学习模型，在面对特征模糊或复杂的疑难故障时，往往因分析深度不足导致漏检或误报，检测精度较低；另一类是完全依赖云端主站进行集中式处理，虽然云端算力强大，但这种模式需要将海量的高频采集数据全量上传，不仅占用了巨大的通信带宽，且网络传输的不可控延迟严重影响了对紧急故障的实时响应能力。

技术实现思路

1、本发明创造实施例提供的电力故障检测模型训练方法、检测方法、装置、电子设备、存储介质和计算机程序产品，以至少解决边缘设备模型对电力设备故障检测准确率低的技术问题。

2、第一方面，本发明提供一种电力故障检测模型训练方法，所述电力故障检测模型训练方法应用于包括云端模型和边缘模型的电力故障检测系统，所述方法包括：

3、将多组数据样本输入所述边缘模型，得到第一故障检测结果，并将所述第一故障检测结果发送至所述云端模型；所述第一故障检测结果包括故障检测的第一推理路径、各个故障状态的第一概率分布和第一故障预测结论；所述数据样本包括电力设备的声音信号、震动信号、图像、温度中的至少一个；

4、将多组数据样本输入所述云端模型，得到第二故障检测结果；所述第二故障检测结果包括故障检测的第二推理路径、各个故障状态的第二概率分布和第三故障预测结论；

5、所述云端模型基于所述第一概率分布和第二概率分布的差异计算第一损失，基于第一故障预测结论和所述数据样本对应的故障标签的差异，计算第二损失，以及基于所述第一推理路径和所述第二推理路径的差异生成指导信息，并发送至所述边缘模型；

6、基于所述第一损失、所述第二损失和所述指导信息更新所述边缘模型。

7、在本发明的一个实施例中，所述云端模型的算力大于所述边缘模型的算力。

8、在本发明的一个实施例中，所述云端模型基于所述第一概率分布和第二概率分布的差异计算第一损失，基于第一故障预测结论和所述数据样本对应的故障标签的差异，计算第二损失，包括：

9、计算所述第一概率分布与所述第二概率分布的kl散度，得到第一损失；

10、对于多组数据样本，统计第一故障结论第一故障预测结论和所述数据样本对应的故障标签相同的预测数量，并将所述多组数据样本与所述预测数量的差，除以多组数据样本的数量，得到第二损失。

11、在本发明的一个实施例中，基于所述第一损失、所述第二损失和所述指导信息更新所述边缘模型，包括：

12、基于所述指导信息对所述第一推理路径进行l次路径推理优化，并得到新的第一故障预测结论；

13、对于每次路径推理优化，将所述第一故障预测结论与所述数据样本对应的故障标签进行对比，得到优化损失；

14、在所述优化损失小于或等于预设损失的次数占比，大于或等于预设比例的情况下，以所述指导信息为基准，并以降低所述第一损失和所述第二损失为目标，对所述边缘模型进行更新。

15、在本发明的一个实施例中，所述方法还包括：

16、在所述优化损失小于或等于预设损失的次数占比，小于预设比例的情况下，所述边缘模型向所述云端模型发送指导信息不合理的响应信息；

17、所述云端模型响应于所述响应信息，重新生成指导信息，并发送至所述边缘模型；

18、所述边缘模型在接收到所述云端模型重新生成的指导信息的情况下，进行二次更新确认。

19、第二方面，本发明提供一种电力故障检测方法，所述方法应用于包括云端模型和边缘模型的电力故障检测系统，所述方法采用上述实施例任一项所述的电力故障检测模型训练方法进行训练，所述方法包括：

20、采集被监测电力设备的运行特征数据；所述运行特征数据包括电力设备的声音信号、震动信号、图像、温度中的至少一个；

21、将所述运行特征数据输入所述边缘模型，得到所述电力设备故障状态的第一概率分布；

22、在所述第一概率分布中的最大值大于或等于预设置信度的情况下，将所述第一概率分布中的最大值对应的设备故障状态确定为第一故障预测结论，并将所述第一故障预测结论确定为所述电力设备的故障检测结果；

23、在所述第一概率分布中的最大值小于预设置信度的情况下，将所述运行特征数据上传至所述云端模型进行深度推理；

24、接收所述云端模型反馈的针对所述运行特征数据的第二故障预测结论，并将所述第二故障预测结论确定为所述电力设备的故障检测结果。

25、第三方面，本发明提供一种电力故障检测模型训练装置，所述电力故障检测模型训练装置应用于包括云端模型和边缘模型的电力故障检测系统，所述电力故障检测模型训练装置包括：

26、边缘模型输出模块，用于将多组数据样本输入所述边缘模型，得到第一故障检测结果，并将所述第一故障检测结果发送至所述云端模型；所述第一故障检测结果包括故障检测的第一推理路径、各个故障状态的第一概率分布和第一故障预测结论；所述数据样本包括电力设备的声音信号、震动信号、图像、温度中的至少一个；

27、云端模型输出模块，用于将多组数据样本输入所述云端模型，得到第二故障检测结果；所述第二故障检测结果包括故障检测的第二推理路径、各个故障状态的第二概率分布和第三故障预测结论；

28、差异计算模块，用于所述云端模型基于所述第一概率分布和第二概率分布的差异计算第一损失，基于第一故障预测结论和所述数据样本对应的故障标签的差异，计算第二损失，以及基于所述第一推理路径和所述第二推理路径的差异生成指导信息，并发送至所述边缘模型；

29、边缘模型更新模块，用于基于所述第一损失、所述第二损失和所述指导信息更新所述边缘模型。

30、第四方面，本发明提供一种电力故障检测装置，所述电力故障检测装置应用于包括云端模型和边缘模型的电力故障检测系统，所述电力故障检测装置包括：

31、数据采集模块，用于采集被监测电力设备的运行特征数据；所述运行特征数据包括电力设备的声音信号、震动信号、图像、温度中的至少一个；

32、概率生成模块，用于将所述运行特征数据输入所述边缘模型，得到所述电力设备故障状态的第一概率分布；

33、第一预测模块，用于在所述第一概率分布中的最大值大于或等于预设置信度的情况下，将所述第一概率分布中的最大值对应的设备故障状态确定为第一故障预测结论，并将所述第一故障预测结论确定为所述电力设备的故障检测结果；

34、云端请求模块，用于在所述第一概率分布中的最大值小于预设置信度的情况下，将所述运行特征数据上传至所述云端模型进行深度推理；

35、第二预测模块，用于接收所述云端模型反馈的针对所述运行特征数据的第二故障预测结论，并将所述第二故障预测结论确定为所述电力设备的故障检测结果。

36、第五方面，本发明提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的电力故障检测模型训练方法和/或电力故障检测方法。

37、第六方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的电力故障检测模型训练方法和/或电力故障检测方法。

38、第七方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，使得计算机执行上述任一项所述的电力故障检测模型训练方法和/或电力故障检测方法。

39、本发明通过提供一种电力故障检测模型训练方法，通过将多组数据样本输入边缘模型，得到第一故障检测结果，并将结果发送至云端模型；同样的，可以将多组数据样本输入至云端模型，得到第二故障检测结果。然后，云端模型可以对比第一故障检测结果和第二故障检测结果的差异，并生成相应的指导信息和损失函数，然后边缘模型可以基于该知道信息，并以降低损失值为目标进行模型更新，得到新的边缘模型，从而可以在一定程度上提升边缘模型对电力故障检测进行预测的准确性。