CN113627610A - 用于表箱预测的深度学习模型训练方法及表箱预测方法 - Google Patents

用于表箱预测的深度学习模型训练方法及表箱预测方法 Download PDF

Info

Publication number
CN113627610A
CN113627610A CN202110884534.5A CN202110884534A CN113627610A CN 113627610 A CN113627610 A CN 113627610A CN 202110884534 A CN202110884534 A CN 202110884534A CN 113627610 A CN113627610 A CN 113627610A
Authority
CN
China
Prior art keywords
user side
sample user
side table
type sample
type
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
CN202110884534.5A
Other languages
English (en)
Other versions
CN113627610B (zh
Inventor
蒋冠莹
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110884534.5A priority Critical patent/CN113627610B/zh
Publication of CN113627610A publication Critical patent/CN113627610A/zh
Application granted granted Critical
Publication of CN113627610B publication Critical patent/CN113627610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了表箱预测的深度学习模型训练方法及表箱预测方法，涉及电网技术领域，尤其涉及表箱识别领域。具体实现方案为：获取当前用于进行模型训练的第一类样本用户侧表的数据信息及标签信息；选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果；基于当前选取的第一类样本用户侧表的预测结果及标签信息，调整深度学习模型的训练参数；继续选取第一类样本用户侧表对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型。得到的深度学习模型可以用于用户侧表所属表箱的识别。

Description

用于表箱预测的深度学习模型训练方法及表箱预测方法
技术领域
本公开涉及电网技术领域，尤其涉及用于表箱预测的深度学习模型训练方法及表箱预测方法。
背景技术
电网的户线拓扑识别，通常分为三个阶段，即台区识别、相别识别、表箱识别。在学术和工业界中，台区识别、相别识别工作是比较基础，也是精度极高的了，从研究难度看：台区识别<相别识别<表箱识别。已有的电网拓扑识别研究中，大都针对台区和相别识别，而表箱识别尚处于空缺阶段。
发明内容
本公开提供了一种用于用于表箱预测的深度学习模型训练方法及表箱预测方法的方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种用于表箱预测的深度学习模型训练方法，所述方法包括：
获取当前用于进行模型训练的第一类样本用户侧表的数据信息及标签信息，其中，针对任一第一类样本用户侧表，该第一类样本用户侧表的数据信息包括该第一类样本用户侧表的属性信息及该第一类样本用户侧表所属的台区、相别；针对任一第一类样本用户侧表，该第一类样本用户侧表的标签信息表示该第一类样本用户侧表所属的表箱；
选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果；
基于当前选取的第一类样本用户侧表的预测结果及标签信息，调整深度学习模型的训练参数；
继续选取第一类样本用户侧表对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型。
根据本公开的第二方面，提供了一种表箱预测方法，包括：
获取待预测用户侧表的数据信息，其中，所述待预测用户侧表的数据信息包括所述待预测用户侧表的属性信息及所述待预测用户侧表所属的台区、相别；
将所述待预测用户侧表的数据信息输入到预先训练的深度学习模型中，得到所述待预测用户侧表所属表箱的预测结果，其中，所述深度学习模型通过本公开中任一所述的用于表箱预测的深度学习模型训练方法训练得到。
根据本公开的第三方面，提供了一种用于表箱预测的深度学习模型训练装置，所述装置包括：
训练数据获取模块，用于获取当前用于进行模型训练的第一类样本用户侧表的数据信息及标签信息，其中，针对任一第一类样本用户侧表，该第一类样本用户侧表的数据信息包括该第一类样本用户侧表的属性信息及该第一类样本用户侧表所属的台区、相别；针对任一第一类样本用户侧表，该第一类样本用户侧表的标签信息表示该第一类样本用户侧表所属的表箱；
训练样本选取模块，用于选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果；
训练参数调整模块，用于基于当前选取的第一类样本用户侧表的预测结果及标签信息，调整深度学习模型的训练参数；
结束条件监控模块，用于继续选取第一类样本用户侧表对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型。
根据本公开的第四方面，提供了一种表箱预测装置，包括：
待预测数据获取模块，用于获取待预测用户侧表的数据信息，其中，所述待预测用户侧表的数据信息包括所述待预测用户侧表的属性信息及所述待预测用户侧表所属的台区、相别；
表箱预测模块，用于将所述待预测用户侧表的数据信息输入到预先训练的深度学习模型中，得到所述待预测用户侧表所属表箱的预测结果，其中，所述深度学习模型通过本公开中任一所述的用于表箱预测的深度学习模型训练方法训练得到。
根据本公开的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一项所述的方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开中任一项所述的方法。
在本公开实施例中，将用户侧表的属性信息及所属的台区、相别作为深度学习模型的输入对深度学习模型进行训练，得到的深度学习模型可以用于用户侧表所属表箱的识别。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1a是相关技术中电网拓扑图的第一种示意图；
图1b是相关技术中电网拓扑图的第二种示意图；
图1c是相关技术中电网拓扑图的第三种示意图；
图2是本公开实施例的用于表箱预测的深度学习模型训练方法的第一种示意图；
图3是本公开实施例的用于表箱预测的深度学习模型训练方法的第二种示意图；
图4是本公开实施例的用于表箱预测的深度学习模型训练方法的第三种示意图；
图5是本公开实施例的用于台区或相别识别方法的一种示意图；
图6是本公开实施例的深度学习模型验证方法的一种示意图；
图7是本公开实施例的用于表箱预测的深度学习模型训练装置的一种示意图；
图8是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
常见的电网拓扑图如图1a-图1c所示，以台区M为例：第一种情况如图1a所示，台区M主表下可接入若干分支表M1～Mn，主表和分支表之间有变压器，将高压电转换为低压电，每个分支表接入的是主表的ABC三相分支，分支表的三相从配电室迁出，通过户外电缆，可接入若干级分接箱(也称为表箱)，分接箱的三相分支最终会接入户端，户端中的M1-A1、M2-A1、M3-A1等分别表示相应分接箱下的用户侧表。常见户端有两种，一是用于工业生产，通常是三相都接入，而且不再作变压，二是居民用电，通常是单相用户，而且降压为民用220V。整个电网拓扑会始终保持三相平衡，或只允许轻微的三相不平衡。第二种情况如图1b所示分支表M1分支与分支表M2分支原理与图1a中相应分支表分支的原理相同，但存在户端与配电室之间没有分接箱的情况。第二种情况如图1c所示，所有户端与配电室之间均没有分接箱。
表箱识别是指识别用户侧表所属的表箱(也称为分接箱)，已有的电网拓扑识别研究中，大都针对台区和相别识别，而表箱识别尚处于空缺阶段。
有鉴于此，本公开实施例提供了一种用于表箱预测的深度学习模型训练方法，参见图2，所述方法包括：
S21，获取当前用于进行模型训练的第一类样本用户侧表的数据信息及标签信息，其中，针对任一第一类样本用户侧表，该第一类样本用户侧表的数据信息包括该第一类样本用户侧表的属性信息及该第一类样本用户侧表所属的台区、相别；针对任一第一类样本用户侧表，该第一类样本用户侧表的标签信息表示该第一类样本用户侧表所属的表箱。
本公开实施例的用于表箱预测的深度学习模型训练方法可以通过电子设备实现，具体的，该电子设备可以为智能手机、个人电脑或服务器等。
第一类样本用户侧表的数据信息包括该第一类样本用户侧表的属性信息及该第一类样本用户侧表所属的台区、相别。
第一类样本用户侧表的属性信息可以包括：电表名称、电表ID、采集时间点、ABC三相电压、ABC三相电流、有功功率、功率因数等信息中的一种或多种，其中，采集时间点可以为分钟级，如间隔为1分钟、5分钟、15分钟、60分钟等。
第一类样本用户侧表所属的台区、相别的确定方式可以参见相关技术中台区、相别的识别方式，例如可以采用聚类算法来得到第一类样本用户侧表所属的台区、相别。
第一类样本用户侧表为标注有标签信息的样本用户侧表，第一类样本用户侧表的标签信息表示该第一类样本用户侧表所属的表箱，该标签信息可以是人为标注的，也可以为按照预设分类算法生成的，均在本公开的保护范围内。
一个例子中，可以在各样本用户侧表中随机选取预设百分比(例如30％)的样本用户作为第一类样本用户侧表，一种实施方式中，针对每一选取的样本用户侧表，提取其时域特征和频域特征，并通过稳健稀疏降维算法得到该样本用户侧表的低维空间表示，基于低维空间表示确定样本用户侧表的标签信息。一种实施方式中，可以采用时序聚类算法基于第一类样本用户侧表的属性信息将各第一类样本用户侧表聚为指定的类别数，同一类别第一类样本用户侧表视为属于同一表箱，不同类别之间的第一类样本用户侧表视为属于不同表箱，基于此给各第一类样本用户侧表标注标签信息，这些标签标签信息仅用于区分不同类别，没有顺序关系。
S22，选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果。
利用深度学习模型对第一类样本用户侧表的数据信息进行分析，输出当前选取的第一类样本用户侧表所属表箱的预测结果。
S23，基于当前选取的第一类样本用户侧表的预测结果及标签信息，调整深度学习模型的训练参数。
根据当前选取的第一类样本用户侧表的预测结果及当前选取的第一类样本用户侧表的标签信息，计算深度学习模型的损失，并根据该损失，调整深度学习模型的训练参数。
S24，继续选取第一类样本用户侧表对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型。
预设训练结束条件可以根据实际情况自定义设置，例如达到预测的训练次数，或深度学习模型的损失收敛等。
在本公开实施例中，将用户侧表的属性信息及所属的台区、相别作为深度学习模型的输入对深度学习模型进行训练，得到的深度学习模型可以用于用户侧表所属表箱的识别。
在一种可能的实施方式中，参见图3，在所述继续选取第一类样本用户侧表对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型的步骤之后，所述方法还包括：
S31，获取第二类样本用户侧表的数据信息，其中，针对任一第二类样本用户侧表，该第二类样本用户侧表的数据信息包括该第二类样本用户侧表的属性信息及该第二类样本用户侧表所属的台区、相别。
第二类样本用户侧表可以为未标注标签信息的样本用户侧表。
S32，分别将各所述第二类样本用户侧表的数据信息输入到训练后的深度学习模型中进行预测，得到各所述第二类样本用户侧表所属表箱的预测结果。
S33，确定各所述第二类样本用户侧表所属表箱的预测结果的置信度。
一个例子中，预测结果的置信度可以直接使用深度学习模型输出的预测结果的置信度。
虽然预测结果的置信度置可以由深度学习模型输出，但是在深度学习模型尚未训练好的情况下，其输出的置信度可能是不准确的，为了提高置信度的准确度，可以基于第二类样本用户侧表的数据信息及表箱的数据信息来计算预测结果的置信度。首先第二类样本用户侧表的台区、相别必须与其预测结果中所属的表箱的台区、相别相同，否者直接判定该第二类样本用户侧表的预测结果的置信度为零。然后，还可以基于第二类样本用户侧表的属性信息来进行其预测结果的置信度的计算。
在一种可能的实施方式中，所述确定各所述第二类样本用户侧表所属表箱的预测结果的置信度的步骤包括：
步骤一，根据各所述第二类样本用户侧表的数据信息，分别确定各所述第二类样本用户侧表的特征参数，其中，所述第二类样本用户侧表的特征参数包括所述第二类样本用户侧表的电压分布情况、电流分布情况、有功功率分布情况及功率因数中的至少一种。
步骤二，获取各所述表箱的特征参数，其中，所述表箱的特征参数包括所述表箱的电压分布情况、电流分布情况、有功功率分布情况及功率因数中的至少一种。
步骤三，针对任一第二类样本用户侧表，根据该第二类样本用户侧表的特征参数、该第二类样本用户侧表的预测表箱的特征参数、该第二类样本用户侧表的预测同表箱样本用户侧表的特征参数，确定该第二类样本用户侧表所属表箱的预测结果的置信度，其中，该第二类样本用户侧表的预测表箱为该第二类样本用户侧表所属表箱的预测结果所表示的表箱，该第二类样本用户侧表的预测同表箱样本用户侧表为所属表箱的预测结果为该第二类样本用户侧表的预测表箱的其他第二类样本用户侧表。
一个例子中，特征参数包括电压分布情况，可以计算第二类样本用户侧表的电压分布与其预测表箱的电压分布的相似度，从而得到电压分布的置信度；或者也可以计算第二类样本用户侧表的电压分布与其预测同表箱样本用户侧表的电压分布的相似度，从而得到电压分布的置信度。
例如，可以根据指定或已知的表箱的个数K，选择标志性时段，例如工作日、周末、节假日的8、10、12、15、19、22、24点的电压数据，取1/K至(K-1)/K分位数，由此将原始电压数据转化为了K个水平，最后汇总各用户侧表及各表箱在3*7＝21个时点下最高频的电压分布，从而通过计算相似度得到置信度。
一个例子中，特征参数包括电压分布情况、电流分布情况、有功功率分布情况及功率因数。基于电压分布情况及电流分布情况，计算表箱及预测结果中该表箱接入的各用户侧表的电流和/或电压的短期波动性、长期趋势、尖峰平谷等特征的相似度，得到初步计算的置信度。
原则上同一表箱下各用户侧表的有功功率不超过该表箱的总功率，同一表箱下各用户侧表的电流之和不超过该表箱的总电流。在满足上述原则的情况下，增加对应的预测结果的置信度，在不满足上述原则的情况下，减少对应的预测结果的置信度。例如，综合各第二类样本用户侧表的预测结果，若表箱A及其接入的各第二类样本用户侧表满足上述原则，则将表箱A接入的各第二类样本用户侧表的预测结果的置信度均增加第一预设分数值，若表箱A及其接入的各第二类样本用户侧表不满足上述原则，则将表箱A接入的各第二类样本用户侧表的预测结果的置信度均减少第二预设分数值。表箱A为任意表箱，第一预设分数值及第二预设分数值可以根据数据情况自定义设置。
此外针对每个用户侧表，其实际有功功率与理论有功功率的差异率应当不超过预设百分比阈值，例如5％等，若未超过则将该用户侧表的置信度均增加第三预设分数值，若超过则将该用户侧表的置信度均减少第四预设分数值，其中，理论有功功率(瓦)＝实际电压值(伏)*实际电流值(安)*功率因数。第三预设分数值及第四预设分数值可以根据数据情况自定义设置。
上述确定预测结果的置信度的方式可以单独使用，也可以采用加权平均等方式结合使用，均在本公开的保护范围内。
S34，在各所述置信度均大于预设置信度阈值的情况下，得到训练好的深度学习模型。
预设置信度阈值可以根据实际情况自定义设置，例如设置为80％、85％或90％等。
在各置信度均大于预设置信度阈值的情况下，说明当前深度学习模型的表箱预测结果的准确率较高，能够提高深度学习模型的表箱预测结果的准确性。
在一种可能的实施方式中，参见图4，在所述确定各所述第二类样本用户侧表所属表箱的预测结果的置信度的步骤之后，所述方法还包括：
S41，在存在不大于预设置信度阈值的置信度情况下，在不大于预设置信度阈值的置信度对应的各第二类样本用户侧表中，选取指定比例的第二样本用户侧表。
指定比例可以根据实际情况自定义设置，例如设置为30％、40％或50％等。
S42，分别确定选取的各第二类样本用户侧表的标签信息。
第二类样本用户侧表的标签信息表示该第二类样本用户侧表所属的表箱，该标签信息可以是人为标注的，也可以为按照预设分类算法生成的，均在本公开的保护范围内。
一种实施方式中，针对每一选取的样本用户侧表，提取其时域特征和频域特征，并通过稳健稀疏降维算法得到该样本用户侧表的低维空间表示，基于低维空间表示确定样本用户侧表的标签信息。在一种可能的实施方式中，所述分别确定选取的各第二类样本用户侧表的标签信息的步骤包括：
步骤一，根据选取的各第二类样本用户侧表的属性信息，分别确定选取的各第二类样本用户侧表的时域特征和频域特征；
步骤二，针对每一选取的第二类样本用户侧表，利用预设稳健稀疏降维算法对该选取的第二类样本用户侧表的时域特征和频域特征进行降维处理，得到该选取的第二类样本用户侧表的空间维度特征；
步骤三，根据选取的各第二类样本用户侧表的空间维度特征对选取的各第二类样本用户侧表进行分类，得到多个第二类样本用户侧表集合；
可以根据选取的各第二类样本用户侧表的空间维度特征的距离俩进行分类，根据距离进行分类的具体方式可以参见相关技术中的距离分类方式，此处不做具体限定。
步骤四，分别对各所述第二类样本用户侧表集合中的第二类样本用户侧表添加标签信息，其中，同一第二类样本用户侧表集合中的第二类样本用户侧表的标签信息相同，不同第二类样本用户侧表集合之间的第二类样本用户侧表的标签信息不同。
一种实施方式中，可以采用时序聚类算法基于第一类样本用户侧表的属性信息将各第一类样本用户侧表聚为指定的类别数，同一类别第一类样本用户侧表视为属于同一表箱，不同类别之间的第一类样本用户侧表视为属于不同表箱，基于此给各第一类样本用户侧表标注标签信息。
在一种可能的实施方式中，所述分别确定选取的各第二类样本用户侧表的标签信息的步骤包括：
步骤一，采用预设时序聚类算法，对选取的各第二类样本用户侧表进行聚类，得到多个第二类样本用户侧表集合。
采用预设时序聚类算法，基于第二类样本用户侧表的属性信息对第二类样本用户侧表进行聚类。预设时序聚类算法可以根据实际情况自定义选取，例如，可以为KShape算法或时序KMeans算法等。
步骤二，分别对各所述第二类样本用户侧表集合中的第二类样本用户侧表添加标签信息，其中，同一第二类样本用户侧表集合中的第二类样本用户侧表的标签信息相同，不同第二类样本用户侧表集合之间的第二类样本用户侧表的标签信息不同。
在本公开实施例中，给出了样本用户侧表自动确定标签信息的方式，相比与人工确定标签信息，极大的提高了标签信息的确定效率。
S43，将确定标签信息后的第二类样本用户侧表作为当前用于进行模型训练的第一类样本用户侧表，并返回执行步骤：选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果。
返回执行步骤：“选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果”直至各第二类样本用户侧表的置信度均大于预设置信度阈值得到训练好的深度学习模型。
在本公开实施例中，在存在不大于预设置信度阈值的置信度情况下，说明深度学习模型的准确率有待提高，选取第二类样本用户侧表打标签信息后继续对深度学习模型进行训练，可以提高深度学习模型的表箱预测结果的准确度。
在一种可能的实施方式中，参见图5，本公开实施例还提供了一种台区及相别的识别方式，可以在获取当前用于进行模型训练的第一类样本用户侧表的数据信息及标签信息的步骤之前，先确定第一类样本用户侧表的台区与相别，该方法包括：
S51，获取各样本用户侧表的属性信息。
S52，在各所述样本用户侧表中选取预设数量个样本用户侧表，得到多个第一聚类中心表。
此处可以为随机选取第一聚类中心表，也可以为按照表号等间隔选取第一聚类中心表等，均在本公开的保护范围内。
S53，基于各所述样本用户侧表的属性信息，分别计算各待归类样本用户侧表与各所述第一聚类中心表的距离，其中，所述待归类样本用户侧表为各所述样本用户侧表中除第一聚类中心表外的各用户侧表。
S54，针对每一待归类样本用户侧表，将该待归类样本用户侧表划分到与其距离最小的第一聚类中心表的分组中，得到多个样本用户侧表分组。
S55，针对每一样本用户侧表分组，基于该样本用户侧表分组中各样本用户侧表的属性信息，计算得到该样本用户侧表分组的聚类中心，得到该样本用户侧表分组的第二聚类中心表。
S56，针对每一样本用户侧表分组，计算该样本用户侧表分组的第一聚类中心表与第二聚类中心表的距离，得到该样本用户侧表分组的中心表距离。
S57，若存在不小于预设距离阈值的中心表距离，则将各第二聚类中心表作为各第一聚类中心表，返回执行步骤：基于各所述样本用户侧表的属性信息，分别计算各待归类样本用户侧表与各所述第一聚类中心表的距离；若各所述样本用户侧表分组的中心表距离均小于预设距离阈值，则根据各所述样本用户侧表分组，确定各所述样本用户侧表的台区或相别。
可以随机初始化多个聚类中心(即多个第一聚类中心表)，计算每个用户侧表的属性信息与聚类中心的属性信息之间的距离，并逐一归类到距离最近的聚类中心的簇中。基于聚类簇更新聚类中心，然后判断新旧聚类中心之间的距离，如果没有超出预设距离阈值，则输出每个用户侧表所属的类别(表示台区或相别)；如果超出了，则按照新的聚类中心重新计算距离，不断迭代，直到满足停止条件。
在本公开实施例中，通过聚类的方式确定用户侧表的台区或相别，计算方式简单，并且通过聚类中心的更新，可以提高识别出的台区或相别的准确度。
在一种可能的实施方式中，还可以根据采用多阶抽样的方式，对所述深度学习模型的准确度进行验证，例如图6所示，在所述在各所述置信度均大于预设置信度阈值的情况下，得到训练好的深度学习模型的步骤之后，所述方法还包括：
S61，在多个台区中，选取待采样的目标台区。
S62，在所述目标台区中选取一个中心分支，并以所述中心分支为基准按照预设抽取间隔等间隔抽取多个分支，得到多个目标分支。
S63，在各所述目标分支中选取多个用户侧表得到多个用户侧验证表。
S64，利用所述用户侧验证表对所述深度学习模型进行验证。
如果要做台区进行验证，可以选取全量数据，不进行抽样。若要对做相别或深度学习模型的表箱识别进行验证，则可以按具体指定台区随机抽样抽取某台区M。对台区M，采用系统抽样方法分支和表箱进行抽取，例如，先随机指定第一个分支，然后等间隔抽取若干个分支，例如每隔一个分支抽取一个等，直到抽到足够量的分支。对于表箱，可以采用随机抽样方法完成，例如，先获取抽取的分支，获取这些分支在电网计量系统中的理论连接表箱，获取理论表箱的唯一ID，然后随机抽取指定量ID，基于ID对应的表箱完成模型结果验证。可以理解的是，上述仅提供了一种多阶抽样的实施例，实际执行过程中可跟进实际情况自定义调整，其仍在本公开的保护范围内。
在本公开实施例中，通过多阶抽样的方式对深度学习模型的准确度进行验证，减少了验证数据的数量，能够适用于验证数据不足的场景，提高了模型验证的效率。
本公开实施例还提供了一种表箱预测方法，包括：
步骤一，获取待预测用户侧表的数据信息，其中，所述待预测用户侧表的数据信息包括所述待预测用户侧表的属性信息及所述待预测用户侧表所属的台区、相别。
步骤二，将所述待预测用户侧表的数据信息输入到预先训练的深度学习模型中，得到所述待预测用户侧表所属表箱的预测结果。
其中，所述深度学习模型通过本公开中任一所述的用于表箱预测的深度学习模型训练方法训练得到。
在本公开实施例中，基于用户侧表的数据信息，利用深度学习模型实现了用户侧表所属表箱的预测。
本公开实施例还提供了一种用于表箱预测的深度学习模型训练装置，参见图7，所述装置包括：
训练数据获取模块701，用于获取当前用于进行模型训练的第一类样本用户侧表的数据信息及标签信息，其中，针对任一第一类样本用户侧表，该第一类样本用户侧表的数据信息包括该第一类样本用户侧表的属性信息及该第一类样本用户侧表所属的台区、相别；针对任一第一类样本用户侧表，该第一类样本用户侧表的标签信息表示该第一类样本用户侧表所属的表箱；
训练样本选取模块702，用于选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果；
训练参数调整模块703，用于基于当前选取的第一类样本用户侧表的预测结果及标签信息，调整深度学习模型的训练参数；
结束条件监控模块704，用于继续选取第一类样本用户侧表对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型。
在一种可能的实施方式中，所述装置还包括：
数据信息获取模块，用于获取第二类样本用户侧表的数据信息，其中，针对任一第二类样本用户侧表，该第二类样本用户侧表的数据信息包括该第二类样本用户侧表的属性信息及该第二类样本用户侧表所属的台区、相别；
预测结果确定模块，用于分别将各所述第二类样本用户侧表的数据信息输入到训练后的深度学习模型中进行预测，得到各所述第二类样本用户侧表所属表箱的预测结果；
置信度确定模块，用于确定各所述第二类样本用户侧表所属表箱的预测结果的置信度；
置信度阈值判定模块，用于在各所述置信度均大于预设置信度阈值的情况下，得到训练好的深度学习模型。
在一种可能的实施方式中，所述装置还包括：
用户侧表选取模块，用于在存在不大于预设置信度阈值的置信度情况下，在不大于预设置信度阈值的置信度对应的各第二类样本用户侧表中，选取指定比例的第二样本用户侧表；
标签信息确定模块，用于分别确定选取的各第二类样本用户侧表的标签信息；
深度学习模型训练模块，用于将确定标签信息后的第二类样本用户侧表作为当前用于进行模型训练的第一类样本用户侧表，并返回执行步骤：选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果。
在一种可能的实施方式中，所述置信度确定模块具体用于：
根据各所述第二类样本用户侧表的数据信息，分别确定各所述第二类样本用户侧表的特征参数，其中，所述第二类样本用户侧表的特征参数包括所述第二类样本用户侧表的电压分布情况、电流分布情况、有功功率分布情况及功率因数中的至少一种；
获取各所述表箱的特征参数，其中，所述表箱的特征参数包括所述表箱的电压分布情况、电流分布情况、有功功率分布情况及功率因数中的至少一种；
针对任一第二类样本用户侧表，根据该第二类样本用户侧表的特征参数、该第二类样本用户侧表的预测表箱的特征参数、该第二类样本用户侧表的预测同表箱样本用户侧表的特征参数，确定该第二类样本用户侧表所属表箱的预测结果的置信度，其中，该第二类样本用户侧表的预测表箱为该第二类样本用户侧表所属表箱的预测结果所表示的表箱，该第二类样本用户侧表的预测同表箱样本用户侧表为所属表箱的预测结果为该第二类样本用户侧表的预测表箱的其他第二类样本用户侧表。
在一种可能的实施方式中，所述标签信息确定模块具体用于：
采用预设时序聚类算法，对选取的各第二类样本用户侧表进行聚类，得到多个第二类样本用户侧表集合；
分别对各所述第二类样本用户侧表集合中的第二类样本用户侧表添加标签信息，其中，同一第二类样本用户侧表集合中的第二类样本用户侧表的标签信息相同，不同第二类样本用户侧表集合之间的第二类样本用户侧表的标签信息不同。
在一种可能的实施方式中，所述标签信息确定模块具体用于：
根据选取的各第二类样本用户侧表的属性信息，分别确定选取的各第二类样本用户侧表的时域特征和频域特征；
针对每一选取的第二类样本用户侧表，利用预设稳健稀疏降维算法对该选取的第二类样本用户侧表的时域特征和频域特征进行降维处理，得到该选取的第二类样本用户侧表的空间维度特征；
根据选取的各第二类样本用户侧表的空间维度特征对选取的各第二类样本用户侧表进行分类，得到多个第二类样本用户侧表集合；
分别对各所述第二类样本用户侧表集合中的第二类样本用户侧表添加标签信息，其中，同一第二类样本用户侧表集合中的第二类样本用户侧表的标签信息相同，不同第二类样本用户侧表集合之间的第二类样本用户侧表的标签信息不同。
在一种可能的实施方式中，所述装置还包括聚类识别模块，用于：
获取各样本用户侧表的属性信息；
在各所述样本用户侧表中选取预设数量个样本用户侧表，得到多个第一聚类中心表；
基于各所述样本用户侧表的属性信息，分别计算各待归类样本用户侧表与各所述第一聚类中心表的距离，其中，所述待归类样本用户侧表为各所述样本用户侧表中除第一聚类中心表外的各用户侧表；
针对每一待归类样本用户侧表，将该待归类样本用户侧表划分到与其距离最小的第一聚类中心表的分组中，得到多个样本用户侧表分组；
针对每一样本用户侧表分组，基于该样本用户侧表分组中各样本用户侧表的属性信息，计算得到该样本用户侧表分组的聚类中心，得到该样本用户侧表分组的第二聚类中心表；
针对每一样本用户侧表分组，计算该样本用户侧表分组的第一聚类中心表与第二聚类中心表的距离，得到该样本用户侧表分组的中心表距离；
若存在不小于预设距离阈值的中心表距离，则将各第二聚类中心表作为各第一聚类中心表，返回执行步骤：基于各所述样本用户侧表的属性信息，分别计算各待归类样本用户侧表与各所述第一聚类中心表的距离；若各所述样本用户侧表分组的中心表距离均小于预设距离阈值，则根据各所述样本用户侧表分组，确定各所述样本用户侧表的台区或相别。
在一种可能的实施方式中，所述装置还包括深度学习模型验证模块，用于：
在多个台区中，选取待采样的目标台区；
在所述目标台区中选取一个中心分支，并以所述中心分支为基准按照预设抽取间隔等间隔抽取多个分支，得到多个目标分支；
在各所述目标分支中选取多个用户侧表得到多个用户侧验证表；
利用所述用户侧验证表对所述深度学习模型进行验证。
本公开实施例还提供了一种表箱预测装置，包括：
待预测数据获取模块，用于获取待预测用户侧表的数据信息，其中，所述待预测用户侧表的数据信息包括所述待预测用户侧表的属性信息及所述待预测用户侧表所属的台区、相别；
表箱预测模块，用于将所述待预测用户侧表的数据信息输入到预先训练的深度学习模型中，得到所述待预测用户侧表所属表箱的预测结果，其中，所述深度学习模型通过权利要求1-8任一所述的用于表箱预测的深度学习模型训练方法训练得到。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一项所述的用于表箱预测的深度学习模型训练方法或表箱预测方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开中任一项所述的用于表箱预测的深度学习模型训练方法或表箱预测方法。
一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开中任一项所述的用于表箱预测的深度学习模型训练方法或表箱预测方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理。例如，在一些实施例中，本公开中的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开中的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (21)

1.一种用于表箱预测的深度学习模型训练方法，所述方法包括：
获取当前用于进行模型训练的第一类样本用户侧表的数据信息及标签信息，其中，针对任一第一类样本用户侧表，该第一类样本用户侧表的数据信息包括该第一类样本用户侧表的属性信息及该第一类样本用户侧表所属的台区、相别；针对任一第一类样本用户侧表，该第一类样本用户侧表的标签信息表示该第一类样本用户侧表所属的表箱；
选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果；
基于当前选取的第一类样本用户侧表的预测结果及标签信息，调整深度学习模型的训练参数；
继续选取第一类样本用户侧表对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型。
2.根据权利要求1所述的方法，其中，在所述继续选取第一类样本用户侧表对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型的步骤之后，所述方法还包括：
获取第二类样本用户侧表的数据信息，其中，针对任一第二类样本用户侧表，该第二类样本用户侧表的数据信息包括该第二类样本用户侧表的属性信息及该第二类样本用户侧表所属的台区、相别；
分别将各所述第二类样本用户侧表的数据信息输入到训练后的深度学习模型中进行预测，得到各所述第二类样本用户侧表所属表箱的预测结果；
确定各所述第二类样本用户侧表所属表箱的预测结果的置信度；
在各所述置信度均大于预设置信度阈值的情况下，得到训练好的深度学习模型。
3.根据权利要求2所述的方法，其中，在所述确定各所述第二类样本用户侧表所属表箱的预测结果的置信度的步骤之后，所述方法还包括：
在存在不大于预设置信度阈值的置信度情况下，在不大于预设置信度阈值的置信度对应的各第二类样本用户侧表中，选取指定比例的第二样本用户侧表；
分别确定选取的各第二类样本用户侧表的标签信息；
将确定标签信息后的第二类样本用户侧表作为当前用于进行模型训练的第一类样本用户侧表，并返回执行步骤：选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果。
4.根据权利要求2所述的方法，其中，所述确定各所述第二类样本用户侧表所属表箱的预测结果的置信度的步骤包括：
根据各所述第二类样本用户侧表的数据信息，分别确定各所述第二类样本用户侧表的特征参数，其中，所述第二类样本用户侧表的特征参数包括所述第二类样本用户侧表的电压分布情况、电流分布情况、有功功率分布情况及功率因数中的至少一种；
获取各所述表箱的特征参数，其中，所述表箱的特征参数包括所述表箱的电压分布情况、电流分布情况、有功功率分布情况及功率因数中的至少一种；
针对任一第二类样本用户侧表，根据该第二类样本用户侧表的特征参数、该第二类样本用户侧表的预测表箱的特征参数、该第二类样本用户侧表的预测同表箱样本用户侧表的特征参数，确定该第二类样本用户侧表所属表箱的预测结果的置信度，其中，该第二类样本用户侧表的预测表箱为该第二类样本用户侧表所属表箱的预测结果所表示的表箱，该第二类样本用户侧表的预测同表箱样本用户侧表为所属表箱的预测结果为该第二类样本用户侧表的预测表箱的其他第二类样本用户侧表。
5.根据权利要求3所述的方法，其中，所述分别确定选取的各第二类样本用户侧表的标签信息的步骤包括：
采用预设时序聚类算法，对选取的各第二类样本用户侧表进行聚类，得到多个第二类样本用户侧表集合；
分别对各所述第二类样本用户侧表集合中的第二类样本用户侧表添加标签信息，其中，同一第二类样本用户侧表集合中的第二类样本用户侧表的标签信息相同，不同第二类样本用户侧表集合之间的第二类样本用户侧表的标签信息不同。
6.根据权利要求3所述的方法，其中，所述分别确定选取的各第二类样本用户侧表的标签信息的步骤包括：
根据选取的各第二类样本用户侧表的属性信息，分别确定选取的各第二类样本用户侧表的时域特征和频域特征；
针对每一选取的第二类样本用户侧表，利用预设稳健稀疏降维算法对该选取的第二类样本用户侧表的时域特征和频域特征进行降维处理，得到该选取的第二类样本用户侧表的空间维度特征；
根据选取的各第二类样本用户侧表的空间维度特征对选取的各第二类样本用户侧表进行分类，得到多个第二类样本用户侧表集合；
分别对各所述第二类样本用户侧表集合中的第二类样本用户侧表添加标签信息，其中，同一第二类样本用户侧表集合中的第二类样本用户侧表的标签信息相同，不同第二类样本用户侧表集合之间的第二类样本用户侧表的标签信息不同。
7.根据权利要求1所述的方法，其中，在所述获取当前用于进行模型训练的第一类样本用户侧表的数据信息及标签信息的步骤之前，所述方法还包括：
获取各样本用户侧表的属性信息；
在各所述样本用户侧表中选取预设数量个样本用户侧表，得到多个第一聚类中心表；
基于各所述样本用户侧表的属性信息，分别计算各待归类样本用户侧表与各所述第一聚类中心表的距离，其中，所述待归类样本用户侧表为各所述样本用户侧表中除第一聚类中心表外的各用户侧表；
针对每一待归类样本用户侧表，将该待归类样本用户侧表划分到与其距离最小的第一聚类中心表的分组中，得到多个样本用户侧表分组；
针对每一样本用户侧表分组，基于该样本用户侧表分组中各样本用户侧表的属性信息，计算得到该样本用户侧表分组的聚类中心，得到该样本用户侧表分组的第二聚类中心表；
针对每一样本用户侧表分组，计算该样本用户侧表分组的第一聚类中心表与第二聚类中心表的距离，得到该样本用户侧表分组的中心表距离；
若存在不小于预设距离阈值的中心表距离，则将各第二聚类中心表作为各第一聚类中心表，返回执行步骤：基于各所述样本用户侧表的属性信息，分别计算各待归类样本用户侧表与各所述第一聚类中心表的距离；若各所述样本用户侧表分组的中心表距离均小于预设距离阈值，则根据各所述样本用户侧表分组，确定各所述样本用户侧表的台区或相别。
8.根据权利要求2所述的方法，其中，在所述在各所述置信度均大于预设置信度阈值的情况下，得到训练好的深度学习模型的步骤之后，所述方法还包括：
在多个台区中，选取待采样的目标台区；
在所述目标台区中选取一个中心分支，并以所述中心分支为基准按照预设抽取间隔等间隔抽取多个分支，得到多个目标分支；
在各所述目标分支中选取多个用户侧表得到多个用户侧验证表；
利用所述用户侧验证表对所述深度学习模型进行验证。
9.一种表箱预测方法，包括：
获取待预测用户侧表的数据信息，其中，所述待预测用户侧表的数据信息包括所述待预测用户侧表的属性信息及所述待预测用户侧表所属的台区、相别；
将所述待预测用户侧表的数据信息输入到预先训练的深度学习模型中，得到所述待预测用户侧表所属表箱的预测结果，其中，所述深度学习模型通过权利要求1-8任一所述的用于表箱预测的深度学习模型训练方法训练得到。
10.一种用于表箱预测的深度学习模型训练装置，所述装置包括：
训练数据获取模块，用于获取当前用于进行模型训练的第一类样本用户侧表的数据信息及标签信息，其中，针对任一第一类样本用户侧表，该第一类样本用户侧表的数据信息包括该第一类样本用户侧表的属性信息及该第一类样本用户侧表所属的台区、相别；针对任一第一类样本用户侧表，该第一类样本用户侧表的标签信息表示该第一类样本用户侧表所属的表箱；
训练样本选取模块，用于选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果；
训练参数调整模块，用于基于当前选取的第一类样本用户侧表的预测结果及标签信息，调整深度学习模型的训练参数；
结束条件监控模块，用于继续选取第一类样本用户侧表对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型。
11.根据权利要求10所述的装置，其中，所述装置还包括：
数据信息获取模块，用于获取第二类样本用户侧表的数据信息，其中，针对任一第二类样本用户侧表，该第二类样本用户侧表的数据信息包括该第二类样本用户侧表的属性信息及该第二类样本用户侧表所属的台区、相别；
预测结果确定模块，用于分别将各所述第二类样本用户侧表的数据信息输入到训练后的深度学习模型中进行预测，得到各所述第二类样本用户侧表所属表箱的预测结果；
置信度确定模块，用于确定各所述第二类样本用户侧表所属表箱的预测结果的置信度；
置信度阈值判定模块，用于在各所述置信度均大于预设置信度阈值的情况下，得到训练好的深度学习模型。
12.根据权利要求11所述的装置，其中，所述装置还包括：
用户侧表选取模块，用于在存在不大于预设置信度阈值的置信度情况下，在不大于预设置信度阈值的置信度对应的各第二类样本用户侧表中，选取指定比例的第二样本用户侧表；
标签信息确定模块，用于分别确定选取的各第二类样本用户侧表的标签信息；
深度学习模型训练模块，用于将确定标签信息后的第二类样本用户侧表作为当前用于进行模型训练的第一类样本用户侧表，并返回执行步骤：选取一个第一类样本用户侧表的数据信息输入到深度学习模型中进行预测，得到当前选取的第一类样本用户侧表所属表箱的预测结果。
13.根据权利要求11所述的装置，其中，所述置信度确定模块具体用于：
根据各所述第二类样本用户侧表的数据信息，分别确定各所述第二类样本用户侧表的特征参数，其中，所述第二类样本用户侧表的特征参数包括所述第二类样本用户侧表的电压分布情况、电流分布情况、有功功率分布情况及功率因数中的至少一种；
获取各所述表箱的特征参数，其中，所述表箱的特征参数包括所述表箱的电压分布情况、电流分布情况、有功功率分布情况及功率因数中的至少一种；
针对任一第二类样本用户侧表，根据该第二类样本用户侧表的特征参数、该第二类样本用户侧表的预测表箱的特征参数、该第二类样本用户侧表的预测同表箱样本用户侧表的特征参数，确定该第二类样本用户侧表所属表箱的预测结果的置信度，其中，该第二类样本用户侧表的预测表箱为该第二类样本用户侧表所属表箱的预测结果所表示的表箱，该第二类样本用户侧表的预测同表箱样本用户侧表为所属表箱的预测结果为该第二类样本用户侧表的预测表箱的其他第二类样本用户侧表。
14.根据权利要求12所述的装置，其中，所述标签信息确定模块具体用于：
采用预设时序聚类算法，对选取的各第二类样本用户侧表进行聚类，得到多个第二类样本用户侧表集合；
分别对各所述第二类样本用户侧表集合中的第二类样本用户侧表添加标签信息，其中，同一第二类样本用户侧表集合中的第二类样本用户侧表的标签信息相同，不同第二类样本用户侧表集合之间的第二类样本用户侧表的标签信息不同。
15.根据权利要求12所述的装置，其中，所述标签信息确定模块具体用于：
根据选取的各第二类样本用户侧表的属性信息，分别确定选取的各第二类样本用户侧表的时域特征和频域特征；
针对每一选取的第二类样本用户侧表，利用预设稳健稀疏降维算法对该选取的第二类样本用户侧表的时域特征和频域特征进行降维处理，得到该选取的第二类样本用户侧表的空间维度特征；
根据选取的各第二类样本用户侧表的空间维度特征对选取的各第二类样本用户侧表进行分类，得到多个第二类样本用户侧表集合；
分别对各所述第二类样本用户侧表集合中的第二类样本用户侧表添加标签信息，其中，同一第二类样本用户侧表集合中的第二类样本用户侧表的标签信息相同，不同第二类样本用户侧表集合之间的第二类样本用户侧表的标签信息不同。
16.根据权利要求10所述的装置，其中，所述装置还包括聚类识别模块，用于：
获取各样本用户侧表的属性信息；
在各所述样本用户侧表中选取预设数量个样本用户侧表，得到多个第一聚类中心表；
基于各所述样本用户侧表的属性信息，分别计算各待归类样本用户侧表与各所述第一聚类中心表的距离，其中，所述待归类样本用户侧表为各所述样本用户侧表中除第一聚类中心表外的各用户侧表；
针对每一待归类样本用户侧表，将该待归类样本用户侧表划分到与其距离最小的第一聚类中心表的分组中，得到多个样本用户侧表分组；
针对每一样本用户侧表分组，基于该样本用户侧表分组中各样本用户侧表的属性信息，计算得到该样本用户侧表分组的聚类中心，得到该样本用户侧表分组的第二聚类中心表；
针对每一样本用户侧表分组，计算该样本用户侧表分组的第一聚类中心表与第二聚类中心表的距离，得到该样本用户侧表分组的中心表距离；
若存在不小于预设距离阈值的中心表距离，则将各第二聚类中心表作为各第一聚类中心表，返回执行步骤：基于各所述样本用户侧表的属性信息，分别计算各待归类样本用户侧表与各所述第一聚类中心表的距离；若各所述样本用户侧表分组的中心表距离均小于预设距离阈值，则根据各所述样本用户侧表分组，确定各所述样本用户侧表的台区或相别。
17.根据权利要求11所述的装置，其中，所述装置还包括深度学习模型验证模块，用于：
在多个台区中，选取待采样的目标台区；
在所述目标台区中选取一个中心分支，并以所述中心分支为基准按照预设抽取间隔等间隔抽取多个分支，得到多个目标分支；
在各所述目标分支中选取多个用户侧表得到多个用户侧验证表；
利用所述用户侧验证表对所述深度学习模型进行验证。
18.一种表箱预测装置，包括：
待预测数据获取模块，用于获取待预测用户侧表的数据信息，其中，所述待预测用户侧表的数据信息包括所述待预测用户侧表的属性信息及所述待预测用户侧表所属的台区、相别；
表箱预测模块，用于将所述待预测用户侧表的数据信息输入到预先训练的深度学习模型中，得到所述待预测用户侧表所属表箱的预测结果，其中，所述深度学习模型通过权利要求1-8任一所述的用于表箱预测的深度学习模型训练方法训练得到。
19.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
CN202110884534.5A 2021-08-03 2021-08-03 用于表箱预测的深度学习模型训练方法及表箱预测方法 Active CN113627610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110884534.5A CN113627610B (zh) 2021-08-03 2021-08-03 用于表箱预测的深度学习模型训练方法及表箱预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110884534.5A CN113627610B (zh) 2021-08-03 2021-08-03 用于表箱预测的深度学习模型训练方法及表箱预测方法

Publications (2)

Publication Number Publication Date
CN113627610A true CN113627610A (zh) 2021-11-09
CN113627610B CN113627610B (zh) 2022-07-05

Family

ID=78382335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110884534.5A Active CN113627610B (zh) 2021-08-03 2021-08-03 用于表箱预测的深度学习模型训练方法及表箱预测方法

Country Status (1)

Country Link
CN (1) CN113627610B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160267396A1 (en) * 2015-03-09 2016-09-15 Skytree, Inc. System and Method for Using Machine Learning to Generate a Model from Audited Data
CN111210024A (zh) * 2020-01-14 2020-05-29 深圳供电局有限公司 模型训练方法、装置、计算机设备和存储介质
CN111461345A (zh) * 2020-03-31 2020-07-28 北京百度网讯科技有限公司 深度学习模型训练方法及装置
CN112241452A (zh) * 2020-10-16 2021-01-19 百度(中国)有限公司 一种模型训练方法、装置、电子设备及存储介质
CN112434735A (zh) * 2020-11-23 2021-03-02 中国科学技术大学 一种动态行驶工况构建方法、系统及设备
CN112489676A (zh) * 2020-12-15 2021-03-12 腾讯音乐娱乐科技（深圳）有限公司 模型训练方法、装置、设备及存储介质
CN112560912A (zh) * 2020-12-03 2021-03-26 北京百度网讯科技有限公司 分类模型的训练方法、装置、电子设备和存储介质
CN113128536A (zh) * 2019-12-31 2021-07-16 奇安信科技集团股份有限公司 无监督学习方法、系统、计算机设备及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160267396A1 (en) * 2015-03-09 2016-09-15 Skytree, Inc. System and Method for Using Machine Learning to Generate a Model from Audited Data
CN113128536A (zh) * 2019-12-31 2021-07-16 奇安信科技集团股份有限公司 无监督学习方法、系统、计算机设备及可读存储介质
CN111210024A (zh) * 2020-01-14 2020-05-29 深圳供电局有限公司 模型训练方法、装置、计算机设备和存储介质
CN111461345A (zh) * 2020-03-31 2020-07-28 北京百度网讯科技有限公司 深度学习模型训练方法及装置
CN112241452A (zh) * 2020-10-16 2021-01-19 百度(中国)有限公司 一种模型训练方法、装置、电子设备及存储介质
CN112434735A (zh) * 2020-11-23 2021-03-02 中国科学技术大学 一种动态行驶工况构建方法、系统及设备
CN112560912A (zh) * 2020-12-03 2021-03-26 北京百度网讯科技有限公司 分类模型的训练方法、装置、电子设备和存储介质
CN112489676A (zh) * 2020-12-15 2021-03-12 腾讯音乐娱乐科技（深圳）有限公司 模型训练方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SCOTT NOVOTNEY，AND ETC: "Unsupervised acoustic and language model training with small amounts of labelled data", 《2009 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》 *
连子宽等: "基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识", 《电力系统自动化》 *

Also Published As

Publication number Publication date
CN113627610B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
EP2562901A1 (en) Unit commitment for wind power generation
CN111082419B (zh) 基于大数据技术的智能配电网用户接入方案管理方法及系统
CN113435923A (zh) 用电量的预测方法、装置及电子设备
CN109449923B (zh) 一种有源配电系统运行灵活性的量化分析方法及相关产品
CN112308173B (zh) 基于多评价因子融合的多目标对象评价方法及其相关设备
CN114386537A (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN111667108A (zh) 一种配网抢修时长预测方法
CN114548756A (zh) 基于主成分分析的综合能源项目综合效益评价方法及装置
CN113627610B (zh) 用于表箱预测的深度学习模型训练方法及表箱预测方法
CN115940155A (zh) 一种配电网的电压调节方法、装置、设备及存储介质
CN115935212A (zh) 一种基于纵向趋势预测的可调节负荷聚类方法及系统
US20230402846A1 (en) Data analysis system and method
CN115963350A (zh) 一种直流配电网故障定位方法及装置
CN115347586A (zh) 多约束多目标优化的新能源场站储能优化配置系统与方法
CN114741872A (zh) 基站选址数据处理方法、装置、电子设备及存储介质
CN114202309A (zh) 用户与企业的匹配参数的确定方法、电子设备及程序产品
Daniels et al. Mathematical Modeling of a Electric Power Network Segment of Ijuí using the Pi Model
CN116128296A (zh) 风险预测方法、装置、电子设备及存储介质
CN109742754B (zh) 一种配电网主设备运行效率确定方法及相关产品
CN114841609A (zh) 一种防雷措施选择方法、装置、设备及介质
CN114693054A (zh) 水电站运行状态的确定方法、装置、设备及存储介质
CN112598252A (zh) 一种评级模型训练方法和装置
CN115983445A (zh) Pue预测方法、pue预测模型的训练方法、装置及设备
CN117374961A (zh) 一种面向非居民用户的用电容量需求测算方法及系统
CN114186494A (zh) 负荷确定方法、模型训练方法、装置以及电子设备

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