CN113095425A - 现场开工条件自动判断与决策的方法、装置、设备及介质 - Google Patents

现场开工条件自动判断与决策的方法、装置、设备及介质 Download PDF

Info

Publication number
CN113095425A
CN113095425A CN202110433117.9A CN202110433117A CN113095425A CN 113095425 A CN113095425 A CN 113095425A CN 202110433117 A CN202110433117 A CN 202110433117A CN 113095425 A CN113095425 A CN 113095425A
Authority
CN
China
Prior art keywords
optimal
svm
sample
training
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110433117.9A
Other languages
English (en)
Other versions
CN113095425B (zh
Inventor
吴龙腾
孟子杰
梁升洪
李嘉铭
赵瑞锋
蔡新雷
崔艳林
何剑军
黄伟杰
郭文鑫
王勇超
林裕新
刘超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110433117.9A priority Critical patent/CN113095425B/zh
Publication of CN113095425A publication Critical patent/CN113095425A/zh
Application granted granted Critical
Publication of CN113095425B publication Critical patent/CN113095425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了现场开工条件自动判断与决策的方法、装置、终端设备以及可读存储介质，其中，方法包括：获取电力设备中的特征参数；将所述特征参数进行归一化处理，作为待测样本；将所述待测样本输入预先建立的主动学习SVM分类模型，获得现场开工条件的分类结果；根据所述分类结果决策现场开工。结合调度命令票与检修工作联动情况下的现场开工/完工许可中各类判定条件中的分析主体样本数据开展针对性研究，构建一种在小样本数据量下具有较好的模式识别能力的特征提取算法，以准确解决对现场开工/完工条件的自动识别确认，实现智能操作的自动化。

Description

现场开工条件自动判断与决策的方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种现场开工条件自动判断与决策的方法、装置、终端设备及可存储介质。
背景技术
在传统电力系统中，利用深度学习与神经网络模型对电力系统设备的运行状态进行提取识别的，深度学习算法使用无监督学习提取输入特征，深层次结构处理深层次的输入进而处理大规模的数据，适用于图像识别、文本识别以及文本翻译等技术领域，在处理小样本数据时，引用了机器学习SVM作为设备状态的识别工具，传统的机器学习SVM进行数据处理时会出现过度拟合训练样本，泛化能力较差的问题，导致数据处理速度和准确度不能达到平衡，降低电力系统后续处理判断的时间和准确率。
发明内容
本发明目的在于，提供一种现场开工条件自动判断与决策的方法及装置，以解决对现场开工/完工条件的自动识别速度慢、准确度低的问题。
为实现上述目的，本发明提供一种现场开工条件自动判断与决策的方法，包括：
获取电力设备中的特征参数；
将所述特征参数进行归一化处理，作为待测样本；
将所述待测样本输入预先建立的主动学习SVM分类模型，获得现场开工条件的分类结果；
根据所述分类结果决策现场开工。
优选地，所述特征参数包括电路设备的带电状况、断路器与隔离开关的连接情况、继电保护装置和控制电源设备的运行状态。
优选地，现场开工条件自动判断与决策的方法还包括建立主动学习SVM分类模型，所述建立主动学习SVM分类模型包括：
将所述特征参数进行归一化处理，获取训练SVM分类器的候选集；
判断所述候选集内是否存在未标注样本；
若存在所述未标注样本，则根据采样策略寻找最优样本并标注，将标注后的所述最优样本加入最优训练集，利用所述最优训练集训练SVM分类器，获得多种最优SVM分类器，判断所述最优SVM分类器分类的准确率是否达到预设的阈值，所述预设的阈值为80％，若否，则将分类结果加入所述候选集，若是，则结束学习，并输出主动学习SVM分类模型；
若不存在所述未标注样本，则结束学习，并输出主动学习SVM分类模型。
优选地，所述利用所述最优训练集训练SVM分类器，包括：
利用临近算法对所述最优训练集进行划分，其中，利用欧式距离计算对象间距离来作为各个对象之间的非相似性指标；
利用LSTM对划分后的最优训练集进行训练，获得多种所述最优SVM分类器。
优选地，所述最优SVM分类器包括运行状态的SVM分类器、热备用状态的SVM分类器、冷备用状态的SVM分类器以及检修状态的SVM分类器。
本发明还提供一种现场开工条件自动判断与决策的装置，应用于上述现场开工条件自动判断与决策的方法。包括：
特征参数获取模块，用于获取电力设备中的特征参数；
数据预处理模块，用于将所述特征参数进行归一化处理，作为待测样本；
待测样本分类模块，用于将所述待测样本输入预先建立的主动学习SVM分类模型，获得现场开工条件的分类结果；
现场开工决策模块，用于根据所述分类结果决策现场开工。
优选地，所述待测样本分类模块，还包括：
候选集获取单元，用于将所述特征参数进行归一化处理，获取训练SVM分类器的候选集；
未标注样本判断单元，用于判断所述候选集内是否存在未标注样本；
第一处理单元，用于若存在所述未标注样本，则根据采样策略寻找最优样本并标注，将标注后的所述最优样本加入最优训练集，利用所述最优训练集训练SVM分类器，获得多种最优SVM分类器，判断所述最优SVM分类器分类的准确率是否达到预设的阈值，所述预设的阈值为80％，若否，则将分类结果加入所述候选集，若是，则结束学习，并输出主动学习SVM分类模型；
第二处理单元，用于若不存在所述未标注样本，则结束学习，并输出主动学习SVM分类模型。
优选地，所述第一处理单元，包括，
最优训练集划分单元，用于利用临近算法对所述最优训练集进行划分，其中，利用欧式距离计算对象间距离来作为各个对象之间的非相似性指标；
最优分类器训练单元，用于利用LSTM对划分后的最优训练集进行训练，获得多种最优SVM分类器。
本发明还提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述现场开工条件自动判断与决策的方法。
本发明还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如上述现场开工条件自动判断与决策的方法。
本发明现场开工条件自动判断与决策的方法及装置中，结合调度命令票与检修工作联动情况下的现场开工/完工许可中各类判定条件中的分析主体样本数据开展针对性研究，构建一种在小样本数据量下具有较好的模式识别能力的特征提取算法，准确解决了对现场开工/完工条件的自动识别确认，实现智能操作的自动化。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的现场开工条件自动判断与决策的方法的流程示意图；
图2是本发明某一实施例提供的现场开工条件自动判断与决策的方法的流程示意图；
图3是本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本发明实施例提供一种现场开工条件自动判断与决策的方法，包括：
S10、获取电力设备中的特征参数；
S20、将所述特征参数进行归一化处理，作为待测样本；
S30、将所述待测样本输入预先建立的主动学习SVM分类模型，获得现场开工条件的分类结果；
S40、根据所述分类结果决策现场开工。
在本实施例中，在这里运行状态识别用的是基于主动学习的SVM，首先建立电力设备运行状态的特征参数和4种典型的运行状态之间的对应关系，特征参数包括电路设备的带电状况、断路器与隔离开关的连接情况、继电保护装置和控制电源设备的运行状况。典型的设备运行状态包括运行、热备用、冷备用以及检修状态。电力设备的状态与电路中断路器、隔离开关以及线路电量有关。
特征参数与运行状态的对应关系：
1、断路器与隔离开关连接，电路设备带电、继电保护装置和控制电源设备满足设备运行要求，则为运行状态，可以直接进行现场开工；
2、断路器与隔离开关仅有一个断开点，电路设备带电、继电保护装置和控制电源设备满足设备运行要求，则为热备用状态，需要连接开关，再进行开工；
3、断路器与隔离开关均断开，继电保护装置和控制电源设备退出运行，电路设备带电但无安全措施，则为冷备用状态，需要对电路设备进行连接、保护后进行开工；
4.所有电气设备均处于断开状态，需要工作人员按照操作内容做好安全设施，再进行开工。
请参阅图2，提取电力设备中的各项特征参数，将所述特征参数进行归一化处理，消除参数单位量对参数的影响，获得待测样本；将所述待测样本作为SVM分类器的输入，并按4:1比例分开为测试样本和训练样本；根据设备的运行状态确定多个SVM分类器模型，在这里我们采用多对一的分类模型，构造出4个SVM分类器，分别为4种设备运行状态；利用训练样本对分类器进行最优训练，在训练样本上选择最优集的方法是主动学习；最后将测试样本集输入到训练好的SVM分类器中进行测试，判断电力设备的运行状态，进而判定现场开工。针对目前电力系统中关键设备运行状态的分析问题，提出了包括模型学习、设备状态分析基本技术框架，解决了SVM学习方法在状态分类中的参数选取问题，实现开工条件对齐分割过程中准确性和快速性的良好平衡。
在某一个实施例中，所述特征参数包括电路设备的带电状况、断路器与隔离开关的连接情况、继电保护装置和控制电源设备的运行状态。
在某一个实施例中，上述现场开工条件自动判断与决策的方法还包括建立主动学习SVM分类模型，所述建立主动学习SVM分类模型包括：
将所述特征参数进行归一化处理，获取训练SVM分类器的候选集；
判断所述候选集内是否存在未标注样本；
若存在所述未标注样本，则根据采样策略寻找最优样本并标注，将标注后的所述最优样本加入最优训练集，利用所述最优训练集训练SVM分类器，获得多种最优SVM分类器，判断所述最优SVM分类器分类的准确率是否达到预设的阈值，所述预设的阈值为80％，若否，则将分类结果加入所述候选集，若是，则结束学习，并输出主动学习SVM分类模型；
若不存在所述未标注样本，则结束学习，并输出主动学习SVM分类模型。
在本实施例中，将所述特征参数进行归一化处理，获取训练SVM分类器的候选集；主动学习SVM模型是把主动学习和SVM这两种算法结合在一起，SVM训练样本是依靠主动学习指导的，主动学习对不用的样本进行标记，不确定的样本是先询问再训练的。主动学习SVM模型包括(f，q)的两部分内容，f是训练样本得来的，是分类器，可以表示为：f:U→{-1,1}；q是采样函数，是主动学习的主要特点，这个函数决定了选择候选集哪一样本作为新样本进行标注和训练。根据采样策略寻找最优样本并标注具体包括：对于主动学习的多分类SVM，在这里采样函数是基于后验概率的。要对k个类别进行分类，首先我们要做的就是对候选样本进行计算，我们需要计算出每个候选样本属于第i类样本的后验概率，但是得保证i≤k，由p计算分类置信度Con，并将置信度最小的n个样本进行标注，标注完成后进行训练。如果rij是估计P(y＝i|y＝i or j，X)的二分类概率，在多分类的情况下，样本属于类型i的概率为pi，要让问题转化成如下公式的最优化问题就要利用两两配对的方法，寻找出所述最优样本，并将寻找出的最优样本集合成最优训练集：
Figure BDA0003031042810000051
其中，
Figure BDA0003031042810000052
样本x所属的类别就是后验概率最大的类别，样本置信度Con定义如下：
Con＝pimax-max(pt)1≤i≤k，i≠imax
为了实现多分类和概率的正确估计，我们使用了Libsvm工具箱。
确定采样函数以后，对主动学习的多分类SVM进行了以下算法的解析：
输入参数：用U代表没有标注过的候选样本集；S代表了初始样本的选择个数；n代表了U中的采样个数。
输出参数：分类器f
(1)从U中选择s个样本进行类别的标注，构造出的初始训练样本集，每个样本集T0包含每种类型的样本至少一个，执行U0＝U-T0的操作；
(2)完成SVM分类器f0的构造，f0是由T0构造的，f0为初分类过程，对电路设备的带电状况、断路器与隔离开关的连接情况、继电保护装置和控制电源设备的运行状态进行分类；
(3)用分类器fi-1进行置信度的预测，在置信度预测完成以后，再按大小进行排序，选出n个置信度比较小的样本组成集合Bi，再把这n个样本所属类别标注好；
(4)把Ti＝Ti-1∪Bi，Ui＝U-Ti这些操作执行完了以后，在已经标注过的样本集Ti上进行训练，得到分类器fi；
(5)把Ui作为程序是否继续运行的标志，当这个标志为空集或者达到某一种指标的时候，终止这个程序，否则就从步骤(3)重新开始执行。
选取k折交叉验证以及自主法两种样本分类方法与本方法进行对比，其中k折交叉验证需要大样本学习，在分类时，将样本划分为K等份，每次留一份作为测试，训练K个学习器，取测试结果的平均值；自主法通常用于样本规模较小时从样本中随机有放回取N个样本作为训练集，最后将从未取到过的样本做测试集。
在进行实验时，首先在网络上随机挑选5种不同种类的55个图像作为实验的测试样本，所选取的图像其图像大小在62*2000～83*2308中间，本实验在操作系统Windows7x64,anaconda3开发环境，python3版本，并且在实验中使用了keras数据库，为了保障实验可靠性，统一使用网格搜索，为三种分类方法选取最优的参数组合。
在进行实验时，在每类图像中，选取一个作为验证集，剩余作为训练集，将原始数据集直接输入三种分类器，其分类效果如下表1所示：
表1.分类效果对比
Figure BDA0003031042810000061
可以看出在进行分类时，传统的k折交叉验证以及自主法在进行分类时，二者所花的时间要明显对于使用本发明方法，并且在准确度方面，本方法的准确率要明显高于自主法，并且与k折交叉验证相比相差不多，因此从分类准确度与时间两方面来看，本发明更具优势。
在某一个实施例中，所述利用所述最优训练集训练SVM分类器，包括，
利用临近算法对所述最优训练集进行划分，其中，利用欧式距离计算对象间距离来作为各个对象之间的非相似性指标；
利用LSTM对划分后的最优训练集进行训练，获得多种所述最优SVM分类器。
在本实施例中，SVM采用的是最优训练，这个训练过程是通过得对带候选的样本用学习机进行决策，得到了最不确定的样本以后，加入训练样本集中，再进行一定次数的询问，就能够找出支持向量，这些向量是不用标注的。采用这个方法减少了训练时需要标记样本的数量，同样也减少了标记的工作量。
所述最优训练，首先利用学习机，在所有样本中，挑选出符合候选属性的样本，作为不确定样本，所述学习机中，利用临近算法KNN算法对样本数据进行第一次划分，在临近算法KNN中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，使用欧式距离来对样本对象进行计算，其计算公式为：
Figure BDA0003031042810000071
其中：xi为相似属性数量，yi为属性类别，通常x,y都为不大于20的整数，在进行样本分类选取时，以与候选样本的欧式距离不超过5为基准，进行不确定样本的选取，将选取的样本加入训练样本集中，进行一定次数的训练，其训练过程为：
利用LSTM对样本进行训练，将训练样本集中作为输入(每步不变)，K是LSTM的步数，即询问次数，g(S)是支持集的embedding；
Figure BDA0003031042810000072
f(x,y)＝LSTM(f′(x),g(S),K)
Figure BDA0003031042810000073
其中：HK为训练结果，f为修改测试样本模型，α表示相似特征数。
SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效地从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回归等问题。
在某一个实施例中，所述最优SVM分类器包括运行状态的SVM分类器、热备用状态的SVM分类器、冷备用状态的SVM分类器以及检修状态的SVM分类器。
本发明还提供一种现场开工条件自动判断与决策的装置，应用于上述任一实施例中的现场开工条件自动判断与决策的方法。包括：
特征参数获取模块，用于获取电力设备中的特征参数；
数据预处理模块，用于将所述特征参数进行归一化处理，作为待测样本；
待测样本分类模块，用于将所述待测样本输入预先建立的主动学习SVM分类模型，获得现场开工条件的分类结果；
现场开工决策模块，用于根据所述分类结果决策现场开工。
在某一个实施例中，所述待测样本分类模块，包括：
候选集获取单元，用于将所述特征参数进行归一化处理，获取训练SVM分类器的候选集；
未标注样本判断单元，用于判断所述候选集内是否存在未标注样本；
第一处理单元，用于若存在所述未标注样本，则根据采样策略寻找最优样本并标注，将标注后的所述最优样本加入最优训练集，利用所述最优训练集训练SVM分类器，获得多种最优SVM分类器，判断所述最优SVM分类器分类的准确率是否达到预设的阈值，所述预设的阈值为80％，若否，则将分类结果加入所述候选集，若是，则结束学习，并输出主动学习SVM分类模型；
第二处理单元，用于若不存在所述未标注样本，则结束学习，并输出主动学习SVM分类模型。
在某一个实施例中，所述第一处理单元，包括，
最优训练集划分单元，用于利用临近算法对所述最优训练集进行划分，其中，利用欧式距离计算对象间距离来作为各个对象之间的非相似性指标；
最优分类器训练单元，用于利用LSTM对划分后的最优训练集进行训练，获得多种最优SVM分类器。
关于现场开工条件自动判断与决策的装置的具体限定可以参见上文中对于的限定，在此不再赘述。上述现场开工条件自动判断与决策的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
请参阅图3，本发明实施例提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任意一个实施例中的现场开工条件自动判断与决策的方法。
处理器用于控制该计算机终端设备的整体操作，以完成上述的现场开工条件自动判断与决策的方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的现场开工条件自动判断与决策的方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的现场开工条件自动判断与决策的方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成上述的现场开工条件自动判断与决策的方法，并达到如上述方法一致的技术效果。
本发明现场开工条件自动判断与决策的方法及装置中，结合调度命令票与检修工作联动情况下的现场开工/完工许可中各类判定条件中的分析主体样本数据开展针对性研究，构建一种在小样本数据量下具有较好的模式识别能力的特征提取算法，准确解决了对现场开工/完工条件的自动识别确认，实现智能操作的自动化。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种现场开工条件自动判断与决策的方法，其特征在于，包括：
获取电力设备中的特征参数；
将所述特征参数进行归一化处理，作为待测样本；
将所述待测样本输入预先建立的主动学习SVM分类模型，获得现场开工条件的分类结果；
根据所述分类结果决策现场开工。
2.根据权利要求1所述的现场开工条件自动判断与决策的方法，其特征在于，所述特征参数包括电路设备的带电状况、断路器与隔离开关的连接情况、继电保护装置和控制电源设备的运行状态。
3.根据权利要求1所述的现场开工条件自动判断与决策的方法，其特征在于，还包括建立主动学习SVM分类模型，所述建立主动学习SVM分类模型包括：
将所述特征参数进行归一化处理，获取训练SVM分类器的候选集；
判断所述候选集内是否存在未标注样本；
若存在所述未标注样本，则根据采样策略寻找最优样本并标注，将标注后的所述最优样本加入最优训练集，利用所述最优训练集训练SVM分类器，获得多种最优SVM分类器，判断所述最优SVM分类器分类的准确率是否达到预设的阈值，所述预设的阈值为80％，若否，则将分类结果加入所述候选集，若是，则结束学习，并输出主动学习SVM分类模型；
若不存在所述未标注样本，则结束学习，并输出主动学习SVM分类模型。
4.根据权利要求3所述的现场开工条件自动判断与决策的方法，其特征在于，所述利用所述最优训练集训练SVM分类器，包括：
利用临近算法对所述最优训练集进行划分，其中，利用欧式距离计算对象间距离来作为各个对象之间的非相似性指标；
利用LSTM对划分后的最优训练集进行训练，获得多种所述最优SVM分类器。
5.根据权利要求4所述的现场开工条件自动判断与决策的方法，其特征在于，所述最优SVM分类器包括运行状态的SVM分类器、热备用状态的SVM分类器、冷备用状态的SVM分类器以及检修状态的SVM分类器。
6.一种现场开工条件自动判断与决策的装置，其特征在于，包括：
特征参数获取模块，用于获取电力设备中的特征参数；
数据预处理模块，用于将所述特征参数进行归一化处理，作为待测样本；
待测样本分类模块，用于将所述待测样本输入预先建立的主动学习SVM分类模型，获得现场开工条件的分类结果；
现场开工决策模块，用于根据所述分类结果决策现场开工。
7.根据权利要求6所述的现场开工条件自动判断与决策的装置，其特征在于，所述待测样本分类模块，包括：
候选集获取单元，用于将所述特征参数进行归一化处理，获取训练SVM分类器的候选集；
未标注样本判断单元，用于判断所述候选集内是否存在未标注样本；
第一处理单元，用于若存在所述未标注样本，则根据采样策略寻找最优样本并标注，将标注后的所述最优样本加入最优训练集，利用所述最优训练集训练SVM分类器，获得多种最优SVM分类器，判断所述最优SVM分类器分类的准确率是否达到预设的阈值，所述预设的阈值为80％，若否，则将分类结果加入所述候选集，若是，则结束学习，并输出主动学习SVM分类模型；
第二处理单元，用于若不存在所述未标注样本，则结束学习，并输出主动学习SVM分类模型。
8.根据权利要求7所述的现场开工条件自动判断与决策的装置，其特征在于，所述第一处理单元，包括，
最优训练集划分单元，用于利用临近算法对所述最优训练集进行划分，其中，利用欧式距离计算对象间距离来作为各个对象之间的非相似性指标；
最优分类器训练单元，用于利用LSTM对划分后的最优训练集进行训练，获得多种最优SVM分类器。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5任一项所述的现场开工条件自动判断与决策的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的现场开工条件自动判断与决策的方法。
CN202110433117.9A 2021-04-21 2021-04-21 现场开工条件自动判断与决策的方法、装置、设备及介质 Active CN113095425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110433117.9A CN113095425B (zh) 2021-04-21 2021-04-21 现场开工条件自动判断与决策的方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110433117.9A CN113095425B (zh) 2021-04-21 2021-04-21 现场开工条件自动判断与决策的方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113095425A true CN113095425A (zh) 2021-07-09
CN113095425B CN113095425B (zh) 2024-07-23

Family

ID=76679422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110433117.9A Active CN113095425B (zh) 2021-04-21 2021-04-21 现场开工条件自动判断与决策的方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113095425B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751182A (zh) * 2015-04-02 2015-07-01 中国人民解放军空军工程大学 基于ddag的svm多类分类主动学习算法
CN109544399A (zh) * 2018-11-29 2019-03-29 广东电网有限责任公司 基于多源异构数据的输电设备状态评价方法及装置
CN109685348A (zh) * 2018-12-14 2019-04-26 广东电网有限责任公司 一种电力设备典型运行模式确定方法
CN111242391A (zh) * 2020-03-06 2020-06-05 云南电网有限责任公司电力科学研究院 用于电力负荷识别的机器学习模型训练方法及系统
CN111369179A (zh) * 2020-04-09 2020-07-03 广东电网有限责任公司电力科学研究院 一种配电自动化终端设备闭环检测方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751182A (zh) * 2015-04-02 2015-07-01 中国人民解放军空军工程大学 基于ddag的svm多类分类主动学习算法
CN109544399A (zh) * 2018-11-29 2019-03-29 广东电网有限责任公司 基于多源异构数据的输电设备状态评价方法及装置
CN109685348A (zh) * 2018-12-14 2019-04-26 广东电网有限责任公司 一种电力设备典型运行模式确定方法
CN111242391A (zh) * 2020-03-06 2020-06-05 云南电网有限责任公司电力科学研究院 用于电力负荷识别的机器学习模型训练方法及系统
CN111369179A (zh) * 2020-04-09 2020-07-03 广东电网有限责任公司电力科学研究院 一种配电自动化终端设备闭环检测方法和装置

Also Published As

Publication number Publication date
CN113095425B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
CN111832605B (zh) 无监督图像分类模型的训练方法、装置和电子设备
CN112131978B (zh) 一种视频分类方法、装置、电子设备和存储介质
CN112732871B (zh) 一种机器人催收获取客户意向标签的多标签分类方法
CN113222149B (zh) 模型训练方法、装置、设备和存储介质
CN112949693B (zh) 图像分类模型的训练方法、图像分类方法、装置和设备
US9135525B2 (en) Character recognition apparatus, character recognition method, and computer-readable medium
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
CN110210294A (zh) 优化模型的评价方法、装置、存储介质及计算机设备
CN107798351B (zh) 一种基于深度学习神经网络的身份识别方法和系统
Wang et al. Modeling and predicting face recognition system performance based on analysis of similarity scores
CN113255354B (zh) 搜索意图识别方法、装置、服务器及存储介质
CN116363712B (zh) 一种基于模态信息度评估策略的掌纹掌静脉识别方法
CN112115957A (zh) 数据流识别方法及装置、计算机存储介质
CN113870254A (zh) 目标对象的检测方法、装置、电子设备及存储介质
CN116206334A (zh) 一种野生动物识别方法和装置
CN110175500B (zh) 指静脉比对方法、装置、计算机设备及存储介质
CN117334186B (zh) 一种基于机器学习的语音识别方法及nlp平台
CN101276404A (zh) 一种快速准确的智能图像处理系统及其处理方法
CN113095425B (zh) 现场开工条件自动判断与决策的方法、装置、设备及介质
CN112115994A (zh) 图像识别模型的训练方法、装置、服务器及存储介质
CN116486177A (zh) 一种基于深度学习的水下目标识别分类方法
CN111159456A (zh) 基于深度学习与传统特征的多尺度服装检索方法及系统
CN111985226A (zh) 标注数据生成方法及装置
CN115830618A (zh) 一种文本识别方法、装置、计算机设备及存储介质
CN113688735A (zh) 一种图像分类方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant