CN111597415A - 基于神经网络的配电网台账数据贯通方法及装置 - Google Patents

Abstract

本申请涉及电网设备制造技术领域，特别地，涉及一种基于神经网络的配电网台账数据贯通方法及装置。一定程度可以解决配电网台账数据无法贯通的问题，所述方法包括：获取来自业务系统的配网台账数据；对所述配网台账数据进行预处理并划分得到测试集与训练集；将特征数据输入已构建的分类神经网络模型进行分析计算，得到输出的分类结果；基于所述分类结果，根据变电站、线路、变压器之间特征的相互关联，构建连接关系；根据所述连接关系进行贯通，将所有的变电站、线路、变压器及其它导电设备相互连接形成以变电站为中心的多链路网状结构。

Description

基于神经网络的配电网台账数据贯通方法及装置

技术领域

本申请涉及电网设备制造技术领域，特别地，涉及一种基于神经网络的配电网台账数据贯通方法及装置。

背景技术

配电网台账数据是电力系统配网中各种设备、机构的数据记录，所述数据记录包括变电站、母线、线路、负荷开关、断路器、熔断器、支线、柱上开关、变压器等，由于设备多样、连接关系复杂，不同数据源的台账数据相互独立，无法判断不同数据源记录的设备是否相同，致使数据无法关联，为后续数据及业务价值的挖掘探索造成一定阻碍。

配电网台账及设备连接关系复杂，业务重点不同，不同系统之间差异较大。如何将不同源数据进行贯通融合，成为获取数据价值必须要解决的问题。

因此本申请利用机器学习人工神经网络技术进行建模，使用大数据分析等技术手段，实现多源系统间的″站-线-变″及其它导电设备台账及连接关系数据的贯通。

发明内容

本申请提供了一种基于神经网络的配电网台账数据贯通方法及装置，通过获取不同系统的配网台账数据、构建分类神经网络模型、分析变电站、线路、变压器之间的特征关系、一定程度可以解决配电网台账数据无法贯通的问题。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种基于神经网络的配电网台账数据贯通方法，所述方法包括：

获取来自业务系统的配网台账数据；

对所述配网台账数据进行预处理并划分得到测试集与训练集；

将特征数据输入已构建的分类神经网络模型进行分析计算，得到输出的分类结果；

基于所述分类结果，根据变电站、线路、变压器之间特征的相互关联，构建连接关系；

根据所述连接关系进行贯通，将所有的变电站、线路、变压器及其它导电设备相互连接形成以变电站为中心的多链路网状结构。

可选地，所述业务系统为GIS系统、调度系统、资产管理系统中至少一种或多种组合。

可选地，所述预处理，为处理错误数据、处理缺失数据、处理重复数据中至少一种或多种组合。

可选地，所述分析计算，执行如下：在分类神经网络模型中输入特征数据，将其赋予权重和偏置项，由神经元自动存储和迭代计算，得到分类结果。

可选地，所述分类结果，包括：对相同的变电站、线路、变压器及其它导电设备进行分类。

可选地，所述特征，包括：连接特征、业务特征、区域特征。

可选地，所述测试集与训练集，用于构建分类神经网络模型。

可选地，所述分类神经网络模型基于BP反向传播算法。

本申请实施例的第二方面提供一种基于神经网络的配电网台账数据贯通装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如本申请实施例第一方面提供的发明内容。

本申请实施例有益效果在于：通过获取不同系统的配网台账数据，可以实现不同种类台账数据的采集；进一步通过构建分类神经网络模型，可以实现对变电站、线路、变压器、导电设备的智能分类；进一步通过分析变电站、线路、变压器之间的特征关系，配网台账数据的连接关系贯通，实现变电站、线路、变压器及其它导电设备构成以变电站为中心的多链路网状结构。

附图说明

具体为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例一种基于神经网络的配电网台账数据贯通系统100的示意图；

图2示出了本申请实施例一种示例性计算设备200的示意图；

图3示出了本申请实施例一种基于神经网络的配电网台账数据贯通方法的流程示意图；

图4示出了本申请实施例一种基于神经网络的配电网台账数据贯通方法的逻辑步骤图；

图5示出了本申请实施例分类神经网络模型示意图。

具体实施方式

现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。

本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。

本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当明确理解，流程图的操作可以不按顺序来精确地执行。相反，这些操作可以以相反的顺序或同时执行。而且，可以将一个或多个其他操作添加到流程图。一个或多个操作可以从流程图中移除。

图1是根据本申请的一些实施例所示的一种基于神经网络的配电网台账数据贯通系统100的示意图。基于神经网络的配电网台账数据贯通系统100是一个为可以对配电网不同系统的配网台账数据进行自动贯通的平台。基于神经网络的配电网台账数据贯通系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个数据采集器150-1、150-2......150-N。服务器110可以包括一个处理引擎112。

在一些实施例中，服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中，服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中，服务器110可以在与本申请图2所示的计算设备上实现，包括计算设备200中的一个或多个部件。

在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理引擎112可以基于数据采集器150采集的信息，并通过网络130发送至存储设备120，用于更新存储在其中的数据。在一些实施例中，处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器，例如中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。

存储设备120可以存储数据和/或指令。在一些实施例中，存储设备120可以存储从数据采集器150获得的数据。在一些实施例中，存储设备120可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(ROM)等或上述举例的任意组合。在一些实施例中，存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。

在一些实施例中，存储设备120可以与网络130连接以实现与基于神经网络的配电网台账数据贯通系统100中的一个或多个部件之间的通信。基于神经网络的配电网台账数据贯通系统100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中，存储设备120可以直接与基于神经网络的配电网台账数据贯通系统100的一个或多个部件连接或通信。在一些实施例中，存储设备120可以是服务器110的一部分。

网络130可以促进信息和/或数据的交换。在一些实施例中，基于神经网络的配电网台账数据贯通系统100中的一个或多个部件可以通过网络130向基于神经网络的配电网台账数据贯通系统100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络130从数据采集器150获取/得到请求。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种，或其组合。在一些实施例中，网络130可以包括一个或多个网络接入点。例如，网络130可能包括有线或无线网络接入点，如基站和/或互联网交换点130-1、130-2等等。通过接入点，基于神经网络的配电网台账数据贯通系统100的一个或多个部件可能连接到网络130以交换数据和/或信息。

数据采集器150可以包括台账自动输入装置、台账手动输入装置等采集器。在一些实施例中，数据采集器150可以将采集到的各种数据信息发送到基于神经网络的配电网台账数据贯通系统100中的一个或多个设备中。例如，数据采集器150可以将不同系统的配网台账数据发送至服务器110进行处理，或存储设备120中进行存储。

图2是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。服务器110、存储设备120和数据采集器150可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。

计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机，但是本申请所描述的与基于神经网络的配电网台账数据贯通系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散系统的处理负荷。

计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器220，可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、和只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。

为理解方便，图2中仅示例性绘制了一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本申请中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。

图3示出了本申请实施例一种基于神经网络的配电网台账数据贯通方法的流程示意图。

在步骤301中，获取来自业务系统的配网台账数据。

分别从业务系统中提取配网台账数据，所述数据来源包括GIS系统、调度系统、资产管理系统等。

在步骤302中，对所述配网台账数据进行预处理并划分得到测试集与训练集。

对提取到的各项数据进行预处理，包括处理错误数据、缺失数据、重复数据等。

在步骤303中，将特征数据输入已构建的分类神经网络模型进行分析计算，得到输出的分类结果。

应用机器学习人工神经网络构建模型，输入特征数据将其赋予权重和偏置项，由神经元自动存储和迭代计算，对相同的″站″、″线″、″变″及其它导电设备自动分类，打通不同源系统台账数据之间的壁垒，实现″站-线-变″数据的贯通。

需要说明的是，本申请说明书汇总所述″站″、″线″、″变″分别指变电站、线路、变压器。

在步骤304中，基于所述分类结果，根据变电站、线路、变压器之间特征的相互关联，构建连接关系。

将上述得到数据分类的结果，按照″站-线-变″及导电设备之间连接特征、业务特征及区域特征相互关联，形成″站-线-变″及其它导电设备连接关系。

在步骤305中，根据所述连接关系进行贯通，将所有的变电站、线路、变压器及其它导电设备相互连接形成以变电站为中心的多链路网状结构。

将所有的″站-线-变″及其它导电设备相互连接，形成以″站″为中心的多链路网状结构，实现配电网网架拓扑图中有关″站-线-变″的网状逻辑结构。

下文将就所述分类神经网络模型的具体输出过程进行详细说明。

图4示出了本申请实施例一种基于神经网络的配电网台账数据贯通方法的逻辑步骤图。

数据接入：

通过采集配电网不同业务系统的配网台账数据，可以得到全部的分析数据，所述分析数据进一步用于预处理。

数据预处理：

在一些实施例或只能怪，配网台账数据为一个时间段内的数据，根据网络模型的需要将其整理为一定的数据格式，随机抽取一定比例的数据作为训练集；在一些实现方式中，还可以随机抽取一定比例的数据作为网络模型的测试集。

所述配网台账数据在一些实现方式中还可以进行归一化处理。归一化是一种简化计算的方式，即将有量纲的表达式转换为无量纲的表达式，形成标量，在多种计算中都经常用到这种方法。

划分测试集与训练集：

在一些实施例中，从所述配网台账数据中抽取预设百分比值的数据作为训练集，根据所述训练集内数据的不同类型特征指标分别构建一级决策树。

首先，从所述原始标定数据集中抽取预设百分比值的数据作为训练集。

在一些实施例中，从所述配网台账数据中抽取一定比例的数据作为分类神经网络模型一级决策树的训练集，将剩余部分的数据作为神经网络模型一级决策树的测试集。例如可以在配网台账数据中抽取70％的数据作为分类神经网络模型一级决策树的训练集，将所述剩余部分30％的数据作为分类神经网络模型一级决策树的测试集。

在一些实施例中，分类神经网络模型一级决策树的构建过程可以通过从配网台账数据中使用Bootstraping(自助法)有放回的抽取n次，组成n个训练样本集，也就是说在训练集中，有些样本可能被多次抽取到，有些样本可能一次都没有被抽中。

参数初始化：

在一些实施例中，利用BP反向传播算法，使用训练集数据构建BP神经网络模型，设置输入层与隐藏层连接权重、输入隐藏层与输出层连接权重、隐藏层阈值、输出层阈值、输入层到隐藏层的偏置、隐藏层到输出层的偏置、学习率。

在一些实施例中，BP神经网络模型的输入层的神经元个数设置为A个，对应着指标体系中的B个二级指标输入变量；所述BP神经网络模型的输出层的神经元个数设置为C个。所述BP神经网络模型的隐藏层的结构设置中，需要同时考虑到所述BP神经网络模型的学习能力和神经网络模型的复杂度之间的平衡关系、神经网络模型本身的可解释性等。

如果所述BP神经网络模型的隐藏层数量和神经元个数过少，所述神经网络模型很难具有较强的学习和泛化能力。如果所述BP神经网络模型的隐藏层数量和神经元个数过多的话，不仅会使所述神经网络模型变得非常复杂，而且也会增加所述神经网络模型在学习训练过程中陷入局部极小点，耗费整体训练时间。

因此，本申请实施例中所述BP神经网络模型以双隐藏层c(A，B)作为标准。可以认为，所述BP神经网络模型的隐藏层设置为如输入层结构的双隐藏层结构，所述双隐藏层的第一个隐藏层神经元的设置数量与所述二级指标的数量相同，第二个隐藏层神经元的设置数量与所述一级指标的数量相同。

在BP神经网络模型的参数学习率设置中，过高或者过低都会带来不同的负面影响。

学习率设置过高将导致训练难以收敛，在局部极小点附近来回振荡甚至发散；学习率设置过低将导致损失函数会以非常缓慢的速率下降，进而耗费更多的训练时间和系统资源。

使用BP算法计算梯度：

通过BP(Backward propagation：误差反向传播法)算法对权重参数的梯度进行计算和优化。

所述误差反向传播法的基本原理为：首先，为各权重变化赋一个初始值，对于每个训练样例，BP神经网络模型将输入样例传递给输入层神经元，然后逐层将信号前传，直到产生输出层结果；其次，通过计算输出层误差，将其逆向传播至隐藏层神经元；最后，根据隐藏层神经元的误差对连接权重和阈值进行调整，该迭代过程循环进行，直到达到停止条件为止，所述停止条件通常可以包括最大迭代次数和/或预测准确率。在本实施例中，将参数阈值设置为0.005。

所述BP算法基于链式法则，以目标的负梯度方向对参数进行调整，相比较于数值微分等其他算法，可以高效的计算出梯度。

梯度(gradient)是指由损失函数的全部偏导数汇聚而成的向量，也是该点处函数值变化最快的方向。因为要尽可能的减少累计误差，在这里采取梯度下降法来寻找所述损失函数的最小值。

利用梯度下降算法，更新权值参数使均方差的梯度沿着BP梯度方向下降，使代价函数最小化：

如果存在多个局部极小值的情况下，通常并不能保证梯度为0的地方是误差最小，但是可以通过重复迭代的办法根据累计误差最小化的原则从多个局部极小值中选取最接近全局最小的局部极小值。基于BP神经网络模型参数，通过变量的连接权重计算和变量的敏感度分析结果确定共同的指标基准点，所述指标基准点为输入变量的重要性排序，如图5所示分类神经网络模型。

判断迭代算法是否结束：

当分类神经网络模型满足其收敛条件后，完成模型训练，结束迭代算法。

固定参数完成模型训练：

在神经网络模型的训练的过程中，设定损失函数并通过使所述损失函数的输出值最小化，来寻找最优参数，所述最优参数即权重和阈值。

使用测试集进行模型分类测试：

在一些实施例中，在含有m个样本的数据集中，每次随机挑选一个样本，将其作为训练样本，再将此样本放回到数据集中，这样有放回地抽样m次，生成一个与原数据集大小相同的数据集，这个新数据集就是训练集。有些样本可能在训练集中出现多次，有些样本则从未出现。因此，可以把这些未出现在新数据集中的样本作为测试集。将上述步骤重复进行多次，可以训练出多个模型并得到它们的验证误差，然后取平均值，作为该模型的最终验证误差。

在一些实施例中，如果需要在多个不同的模型中进行选择，可以预先提取测试集，然后在剩余的数据集上用自助法验证模型，选择验证误差最小的模型作为最终模型，然后用训练集和测试集根据最终模型的参数设置训练出一个新的模型，作为最优模型。

输出分类结果：

通过获取不同系统的配网台账数据，可以实现不同种类台账数据的采集；进一步通过构建分类神经网络模型，可以实现对变电站、线路、变压器、导电设备的智能分类；进一步通过分析变电站、线路、变压器之间的特征关系，配网台账数据的连接关系贯通，实现变电站、线路、变压器及其它导电设备构成以变电站为中心的多链路网状结构。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″系统″。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内合有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

Claims (9)

1.一种基于神经网络的配电网台账数据贯通方法，其特征在于，所述方法包括：

获取来自业务系统的配网台账数据；

对所述配网台账数据进行预处理并划分得到测试集与训练集；

将特征数据输入已构建的分类神经网络模型进行分析计算，得到输出的分类结果；

基于所述分类结果，根据变电站、线路、变压器之间特征的相互关联，构建连接关系；

根据所述连接关系进行贯通，将所有的变电站、线路、变压器及其它导电设备相互连接形成以变电站为中心的多链路网状结构。

2.如权利要求1所述基于神经网络的配电网台账数据贯通方法，其特征在于，所述业务系统为GIS系统、调度系统、资产管理系统中至少一种或多种组合。

3.如权利要求1所述基于神经网络的配电网台账数据贯通方法，其特征在于，所述预处理，为处理错误数据、处理缺失数据、处理重复数据中至少一种或多种组合。

4.如权利要求1所述基于神经网络的配电网台账数据贯通方法，其特征在于，所述分析计算，执行如下：在分类神经网络模型中输入特征数据，将其赋予权重和偏置项，由神经元自动存储和迭代计算，得到分类结果。

5.如权利要求1所述基于神经网络的配电网台账数据贯通方法，其特征在于，所述分类结果，包括：对相同的变电站、线路、变压器及其它导电设备进行分类。

6.如权利要求1所述基于神经网络的配电网台账数据贯通方法，其特征在于，所述特征，包括：连接特征、业务特征、区域特征。

7.如权利要求1所述基于神经网络的配电网台账数据贯通方法，其特征在于，所述测试集与训练集，用于构建分类神经网络模型。

8.如权利要求1所述基于神经网络的配电网台账数据贯通方法，其特征在于，所述分类神经网络模型基于BP反向传播算法。

9.一种基于神经网络的配电网台账数据贯通装置，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如权利要求1-8中任一所述方法。

Images