局部放电分类模型可解释性方法的选择方法、装置及设备与流程

本技术涉及局部放电，特别是涉及一种局部放电分类模型可解释性方法的选择方法、装置及设备。

背景技术：

1、随着电力实业的飞快发展以及电网的高速扩张，需要越来越多的新技术来支持和维护电网的运行安全。电网的安全稳定运行是可靠供电的基础，电网一旦发生故障，不仅损坏电力设备，停止供电，影响人民正常生产和生活，严重时还会危害公共安全，造成重大经济损失和不良社会影响。

2、局部放电通常是指电力设备绝缘体内部或绝缘表面局部电场集中产生的放电过程，在放电过程中，会伴随着声、光、热和化学反应等现象，在局部放电的作用下，会加剧电力设备绝缘材料的老化，最终导致绝缘击穿发生故障，因此，检测局部放电信号是电力设备绝缘状态评估及故障定位的关键，直接关系到电力设备的检修及维护方案的制定，进而影响到电力系统的稳定运行，对局部放电信号进行分类，可以根据采集到的局部放电信号诊断现场电力设备的绝缘状况。

3、为了提高局部放电故障类型诊断效率和准确率，目前多使用机器学习和人工智能技术对变电设备进行在线检测及评估。在人工智能迅速发展和应用的背景下，向用户解释算法输出的结果变得至关重要，称为事后可解释性方法。通过研究事后可解释性方法，可以理解模型做出的决策，找出偏差出现的原因，从而提升模型的性能；还可以帮助用户理解人工智能所做出的决策，提高结果可信度，使得用户能够更有效地使用模型。然而当前可解释性方法众多，范围广泛，且不同的可解释性方法适用于不同的场景，很难选择合适的解释局部放电分类模型的可解释性方法。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够快速确定局部放电分类模型可解释性方法的局部放电分类模型可解释性方法的选择方法、装置及设备。

2、第一方面，本技术提供了一种局部放电分类模型可解释性方法的选择方法。该方法包括：

3、获取不同神经网络体系结构下的局部放电分类模型，并利用多种可解释性方法对各种局部放电分类模型进行解释，获得每种可解释性方法对应的解释信息，解释信息用于表征各种局部放电分类模型中各属性特征对于局部放电分类结果的贡献程度；

4、获取每种局部放电分类模型对应的预设可解释性结果，并针对每一种可解释性方法，将可解释性方法对应的解释信息与各种局部放电分类模型对应的预设可解释性结果比较，获得比较结果；

5、根据比较结果，选择多种可解释性方法中的目标可解释性方法。

6、在其中一个实施例中，获取每种局部放电分类模型对应的预设可解释性结果，包括：

7、对不同故障类型下局部放电特高频数据进行特征提取，得到多种属性特征的初始特征数据；

8、基于不同故障类型下的初始特征数据，获取各属性特征和故障类型的关联度，并基于关联度，获得各属性特征中至少一个目标属性特征；

9、针对每一个目标属性特征，对初始特征数据中目标属性特征对应的特征数据进行扰动，获得目标属性特征对应的扰动特征数据，并结合初始特征数据和扰动特征数据，确定各局部放电分类模型对应的预设可解释性结果。

10、在其中一个实施例中，结合初始特征数据和扰动特征数据，确定各局部放电分类模型对应的预设可解释性结果，包括：

11、结合初始特征数据、扰动特征数据和局部放电分类模型，确定目标属性特征对于局部放电分类模型的目标贡献程度；

12、针对每一种局部放电分类模型，通过每一个目标属性特征对于局部放电分类模型的目标贡献程度，对各目标贡献程度进行排序，得到局部放电分类模型中各目标属性特征的目标排序结果，目标排序结果用于表征局部放电分类模型对应的预设可解释性结果。

13、在其中一个实施例中，将可解释性方法对应的解释信息与各种局部放电分类模型对应的预设可解释性结果比较，获得比较结果，包括：

14、针对每一种局部放电分类模型，将解释信息中局部放电分类模型对应的解释子信息与预设可解释性结果比较，得到比较子结果，解释子信息用于表征一种局部放电分类模型中各属性特征对于局部放电分类结果的贡献程度；

15、将可解释性方法的解释信息中各种局部放电分类模型对应的比较子结果取均值，获得可解释性方法的比较结果。

16、在其中一个实施例中，将解释信息中局部放电分类模型对应的解释子信息与预设可解释性结果比较，得到比较子结果，包括：

17、获取解释子信息和预设可解释性结果的相似程度；

18、根据相似程度，得到比较子结果。

19、在其中一个实施例中，获取解释子信息和预设可解释性结果的相似程度，包括：

20、根据解释子信息中各属性特征对于局部放电分类结果的贡献程度，判断解释子信息中各目标属性特征的排序结果；

21、根据排序结果和预设可解释性结果中的目标排序结果，获取相似程度。

22、第二方面，本技术还提供了一种局部放电分类模型可解释性方法的选择装置。该装置包括：

23、获取模块，用于获取不同神经网络体系结构下的局部放电分类模型，并利用多种可解释性方法对各种局部放电分类模型进行解释，获得每种可解释性方法对应的解释信息，解释信息用于表征各种局部放电分类模型中各属性特征对于局部放电分类结果的贡献程度；

24、比较模块，用于获取每种局部放电分类模型对应的预设可解释性结果，并针对每一种可解释性方法，将可解释性方法对应的解释信息与各种局部放电分类模型对应的预设可解释性结果比较，获得比较结果；

25、选择模块，用于根据比较结果，选择多种可解释性方法中的目标可解释性方法。

26、第三方面，本技术还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

27、获取不同神经网络体系结构下的局部放电分类模型，并利用多种可解释性方法对各种局部放电分类模型进行解释，获得每种可解释性方法对应的解释信息，解释信息用于表征各种局部放电分类模型中各属性特征对于局部放电分类结果的贡献程度；

28、获取每种局部放电分类模型对应的预设可解释性结果，并针对每一种可解释性方法，将可解释性方法对应的解释信息与各种局部放电分类模型对应的预设可解释性结果比较，获得比较结果；

29、根据比较结果，选择多种可解释性方法中的目标可解释性方法。

30、第四方面，本技术还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

31、获取不同神经网络体系结构下的局部放电分类模型，并利用多种可解释性方法对各种局部放电分类模型进行解释，获得每种可解释性方法对应的解释信息，解释信息用于表征各种局部放电分类模型中各属性特征对于局部放电分类结果的贡献程度；

32、获取每种局部放电分类模型对应的预设可解释性结果，并针对每一种可解释性方法，将可解释性方法对应的解释信息与各种局部放电分类模型对应的预设可解释性结果比较，获得比较结果；

33、根据比较结果，选择多种可解释性方法中的目标可解释性方法。

34、第五方面，本技术还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

35、获取不同神经网络体系结构下的局部放电分类模型，并利用多种可解释性方法对各种局部放电分类模型进行解释，获得每种可解释性方法对应的解释信息，解释信息用于表征各种局部放电分类模型中各属性特征对于局部放电分类结果的贡献程度；

36、获取每种局部放电分类模型对应的预设可解释性结果，并针对每一种可解释性方法，将可解释性方法对应的解释信息与各种局部放电分类模型对应的预设可解释性结果比较，获得比较结果；

37、根据比较结果，选择多种可解释性方法中的目标可解释性方法。

38、上述局部放电分类模型可解释性方法的选择方法、装置及设备，该方法获取不同神经网络体系结构下的局部放电分类模型，并利用多种可解释性方法对各种局部放电分类模型进行解释，获得每种可解释性方法对应的解释信息，获取每种局部放电分类模型对应的预设可解释性结果，并针对每一种可解释性方法，将可解释性方法对应的解释信息与各种局部放电分类模型对应的预设可解释性结果比较，获得比较结果，根据比较结果，选择多种可解释性方法中的目标可解释性方法。本技术通过选取不同体系结构的局部放电分类模型，将多种可解释性方法应用于不同体系结构的局部放电分类模型中，获取每种可解释性方法针对每种局部放电分类模型的解释，从而得到每种可解释性方法的解释信息，通过将该解释信息与预设可解释性结果作比较，得到每种可解释性方法的解释信息与预设可解释性结果的相似程度或差异程度，能够从多种不同体系结构的局部放电分类模型中，选取与预设可解释性结果更相似的可解释性方法，更具鲁棒性和稳定性，可以快速从多种可解释性方法中选取较为合适局部放电分类模型的目标可解释性方法，能够利用目标可解释性方法快速对其他局部放电分类模型进行解释评估。