现场开工条件自动判断与决策的方法、装置、设备及介质

摘要

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。

说明书

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r

其中，

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＝p

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T

(2)完成SVM分类器f

(3)用分类器f

(4)把T

(5)把U

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

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：

其中：x

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；

f(x,y)＝LSTM(f′(x),g(S),K)

其中：H

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。