(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111437452.2 (22)申请日 2021.11.30 (65)同一申请的已公布的文献号 申请公布号 CN 113850028 A (43)申请公布日 2021.12.28 (73)专利权人 中南大学 地址 410012 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 刘嘉文　伍珣　于天剑　李凯迪　 李红佗　赵俊栋　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 代理人 曾志鹏 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 刘天晓 (54)发明名称 基于堆叠异构残差网络的换流阀冷却方式 分类方法及装置 (57)摘要 本发明公开了一种基于堆叠异构残差网络 的换流阀冷却方式分类方法及装置， 包括： 将集 成了有监督分类算法和无监督聚类算法的基础 分类器库堆叠于深度残差网络， 构建堆叠异构残 差网络模型； 获取初始数据集， 并将初始数据集 划分为训练集和测试集； 利用训练集对构建的堆 叠异构残差网络模型进行学习训练； 利用测试集 对训练完成的堆叠异构残差网络模型进行验证 评价， 获得分类评价指标， 并根据分类评价指标 判断到模型满足预设分类效果时， 获取待测数 据， 并利用训练完成的堆叠异构残差网络模型进 行冷却方式分类， 获得待测数据的冷却方式推荐 结果。 本发明实现了冷却方式的快速选择， 增强 了模型的泛化能力， 且明显提高了冷却方式的分 类准确率。 权利要求书3页 说明书14页 附图3页 CN 113850028 B 2022.03.04 CN 113850028 B 1.一种基于堆叠异构残差网络的换流阀冷却方式分类方法， 其特 征在于， 包括： 构建堆叠异构残差网络模型； 所述堆叠异构残差网络模型包含基础 分类器库和深度残 差网络， 所述基础分类器库由第一数量的有监督分类算法和 第二数量的无监督聚类算法组 成， 用以对输入数据进行一次分类， 并将一次分类获得的多元数据集合堆叠至深度残差网 络； 所述深度残差网络由输入层、 包含第三数量的卷积单元和网络底层单元 的中间层和输 出层组成， 用于对所述多元 数据集合进行再分类， 获得冷却方式分类结果； 获取初始数据集， 并将所述初始数据集划分为训练集和测试集； 其中， 所述初始数据集 中包含多个数据样本的多维特 征向量和冷却方式标签； 利用所述训练集对构建的所述堆叠异构残差网络模型进行学习训练， 获得训练完成的 所述堆叠异构残差网络模型； 该步骤 包括： 将所述训练集输入所以堆叠异构残差网络模型， 并通过所述基础 分类器库对所述训练 集进行初步分类学习， 获得多 元数据集合； 该步骤包括： 通过所述基础分类器库中的有监督 分类算法对所述训练集进行 次 折交叉验证， 并将每一次交叉验证的结果进行堆叠， 获 得每一类所述有监督分类算法的置信分数集合； 通过所述基础分类器库中的无监督聚类算 法对训练集进行 次聚类， 并将每一次聚类 的结果进行堆叠， 获得每一类所述无监督聚类 算法的置信 分数集合； 根据各类有监督分类算法和各类无监督聚类算法的置信 分数集合， 构建多元 数据集合； 将所述多元数据集合堆叠至所述深度残差网络， 并通过所述深度残差网络进行再分类 学习， 获取训练好的所述深度残差网络； 基于所述基础分类器库和训练好的所述深度残差网络， 获得训练完成的所述堆叠异构 残差网络模型； 利用所述测试集对训练完成的所述堆叠异构残差网络模型进行验证评价， 获得分类评 价指标， 并根据所述分类评价指标判断所述堆叠异构残差网络模型是否满足预设分类效 果； 在模型满足预设分类效果时， 获取待测数据， 并利用训练完成的堆叠异构残差网络模 型进行冷却方式分类， 获得 所述待测数据的冷却方式推荐结果。 2.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法， 其特征 在于， 所述获取初始数据集， 并将所述初始数据集划分为训练集和 测试集， 包括： 获取多个数据样本以及多个所述数据样本的冷却方式标签； 从每个所述数据样本中提取气候环境参数和设备条件参数， 并根据所述气候环境参数 和所述设备 条件参数构建多维特 征向量； 根据所有数据样本的所述多维特 征向量和冷却方式标签构建初始数据集； 将所述初始数据集按照预设比例划分为训练集和 测试集。 3.根据权利要求2所述的基于堆叠异构残差网络的换流阀冷却方式分类方法， 其特征 在于， 所述气候环境参数包括平均气温、 极端最高气温、 极端最低气温、 最大日温差、 平均气 压、 最高气 压、 最低气压、 平均相对湿度、 平均风速、 最大风速、 海拔高度； 所述设备条件参数 包括额定冷却容量、 额定进阀流量、 冷却塔进塔水温、 用电负荷、 补水量、 喷淋水池容积、 设 备占地空间。 4.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法， 其特征权　利　要　求　书 1/3 页 2 CN 113850028 B 2在于， 所述将所述多元数据集合堆叠至所述深度残差网络， 通过所述深度残差网络进行再 分类学习， 获取训练好的所述深度残差网络， 包括： 设置所述深度残差网络的网络参数向量和初始超参数； 通过所述深度残差网络的输入层获取 所述多元 数据集合； 通过中间层的卷积单元提取所述多元数据集合的分数特征， 并通过所述网络底层单元 生成各类冷却方式的置信分数； 根据所述各类冷却方式的置信分数确定每个训练数据的冷却方式预测类别， 并根据 所 述冷却方式预测类别与冷却方式标签获取损失值； 在所述损失值大于预设值时， 通过贝叶斯优化调整所述初始超参数； 基于调整后的超参数， 通过基于动量的随机梯度下降算法更新所述网络参数向量； 利用所述多元数据集合对更新网络参数向量的所述深度残差网络重新进行训练， 直至 所述损失值小于等于预设值， 保存所述网络参数向量， 并获取训练好的所述深度残差网络 。 5.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法， 其特征 在于， 所述利用所述测试集对训练完成的所述堆叠异构残差网络模型进行验证评价， 获得 分类评价指标， 并根据所述分类评价指标判断模型 是否满足预设 分类效果， 包括： 将所述测试集输入训练完成的所述堆叠异构残差网络模型， 以获取模型输出的冷却方 式分类结果； 根据所述冷却方式分类结果和冷却方式标签 计算各项分类评价指标； 根据所述各项分类评价指标计算整体评价指标， 并检测所述整体评价指标是否达到预 设指标阈值； 若所述整体评价指标达到预设指标阈值， 则确定模型满足预设分类效果； 否则， 确定模 型不满足预设 分类效果。 6.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法， 其特征 在于， 所述基础分类器库中的有监督分类算法包括基于线性核函数 的支持向量机、 基于高 斯核函数的支持向量机、 朴素贝叶斯模 型、 随机森林算法、 K临近值算法和判别子空间法； 无 监督聚类算法包括K中心聚类、 基于密度的空间聚类和谱聚类。 7.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法， 其特征 在于， 所述深度残差网络中的卷积单元包含卷积层、 批量归一化层和残差层各两层， 网络底 层单元包含全连接层和激活函数层。 8.一种基于堆叠异构残差网络的换流阀冷却方式分类装置， 其特 征在于， 包括： 模型构建模块， 用于构建堆叠异构残差网络模型； 所述堆叠异构残差网络模型包含基 础分类器库和深度残差网络， 所述基础分类器库由第一数量的有监督分类算法和 第二数量 的无监督聚类算法组成， 用以对输入数据进行一次分类， 并将一次分类获得 的多元数据集 合堆叠至深度残差网络； 所述深度残差网络由输入层、 包含第三数量的卷积单元和网络底 层单元的中间层和输出层组成， 用于对所述多元数据集合进行再分类， 获得冷却方式分类 结果； 数据集处理模块， 用于获取初始数据集， 并将所述初始数据集划分为训练集和测试集； 其中， 所述初始数据集中包 含多个数据样本的多维特 征向量和冷却方式标签； 模型训练模块， 用于利用所述训练集对构建的所述堆叠异构残差网络模型进行学习训权　利　要　求　书 2/3 页 3 CN 113850028 B 3