一种电力序列数据分类方法和装置制造方法及图纸

本发明专利技术公开了一种电力序列数据分类方法和装置，用于降低数据分类成本。本发明专利技术包括：获取预置已分类电力序列数据，对预置已分类电力序列数据进行数据预处理，生成处理数据集；按第一预定数量从处理数据集中提取模型构建数据；采用模型构建数据和DTW重心平均算法，构建初始径向基神经网络模型；按第二预定数量从处理数据集中提取模型训练数据；采用模型训练数据对初始径向基神经网络模型进行训练，得到目标径向基神经网络模型；接收预置终端发送的待分类电力序列数据；使用目标径向基神经网络模型对待分类电力序列数据进行分类，生成待分类电力序列数据的分类结果，降低径向基神经网络内核转化的开销，降低了电力序列数据的分类成本。

【技术实现步骤摘要】
一种电力序列数据分类方法和装置
本专利技术涉及神经网络
，尤其涉及一种电力序列数据分类方法和装置。
技术介绍
近年来，随着智能电网技术的发展，电力数据的采集和整理变得更为便利，为基于电力数据的各种应用分析提供了坚实的数据基础。而对如此大批量且多种类的数据进行分析有助于电网公司对电网的实际运行情况有全面的了解，从而改善电网运行情况，保障电网的可靠稳定运行。而在对电力数据分析的过程中，如何对电力数据进行分类是其中重要的一环。目前，主流的电力数据分类方法依然是svm等传统方法，但是，电网中的电力数据是一种典型的时间序列数据，具有明显的时序特征。这些传统方法没有考虑电力数据中时间维度的关联特征，难以获取良好的序列分类结果。为此，现有技术中提出了一种使用动态时间规整(DynamicTimeWarping，DTW)代替欧式距离进行核函数中的距离计算方法。例如一种可变高斯动态时间规整(alteredGaussianDynamicTimeWarping，AGDTW)核函数，通过将DTW计算过程中的翘曲路径引入核函数中，有效的引入了时间维度信息。但是AGDTW的内核是非标准化的，在内核转化中开销较大，无法直接用于基于梯度下降训练的径向基神经网络，分类成本较高。
技术实现思路
本专利技术提供了一种电力序列数据分类方法和装置，解决了现有技术中内核转化开销较大，无法直接用于基于梯度下降训练的径向基神经网络，分类成本较高的问题。本专利技术提供的一种电力序列数据分类方法，包括：获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据预处理，生成处理数据集；按第一预定数量从所述处理数据集中提取模型构建数据；采用所述模型构建数据和DTW重心平均算法，构建初始径向基神经网络模型；按第二预定数量从所述处理数据集中提取模型训练数据；采用所述模型训练数据对所述初始径向基神经网络模型进行训练，得到目标径向基神经网络模型；接收预置终端发送的待分类电力序列数据；使用所述目标径向基神经网络模型对所述待分类电力序列数据进行分类，生成待分类电力序列数据的分类结果。可选地，所述处理数据集包括第一处理数据集或第二处理数据集，所述获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据预处理，生成处理数据集的步骤，包括：获取预置已分类电力序列数据；对所述预置已分类电力序列数据执行数据跳变处理操作，生成第一处理数据；判断所述第一处理数据中是否存在缺失值；若存在，则执行数据缺失值处理操作和数据归一化操作，生成所述第一处理数据集；若不存在，则执行数据归一化操作，生成所述第二处理数据集。可选地，所述采用所述模型构建数据和DTW重心平均算法，构建初始径向基神经网络模型的步骤，包括：对所述模型构建数据执行聚类操作，生成多个聚类簇；使用DTW重心平均算法计算每个所述聚类簇的中心序列；基于所述中心序列构建初始径向基神经网络模型。可选地，所述模型训练数据具有对应的真实类别，所述采用所述模型训练数据对所述初始径向基神经网络模型进行训练，得到目标径向基神经网络模型的步骤，包括：将所述模型训练数据输入所述初始径向基神经网络模型，确定所述模型训练数据的预测类别；采用所述预测类别、所述真实类别和所述模型训练数据，计算所述初始径向基神经网络模型的交叉熵；若所述交叉熵小于预定阈值，则得到所述目标径向基神经网络模型；若所述交叉熵大于或等于预定阈值，则使用反向传播算法更新所述初始径向基神经网络模型。可选地，所述方法还包括：按第三预定数量从所述处理数据集中提取模型测试数据；所述模型测试数据具有对应的真实分类结果；将所述模型测试数据输入到所述目标径向基神经网络模型中，得到预测分类结果；采用所述预测分类结果与所述真实分类结果，计算所述目标径向基神经网络模型的均方根误差，确定所述目标径向基神经网络模型的置信度。本专利技术还提供了一种电力序列数据分类装置，包括：处理数据集生成模块，用于获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据预处理，生成处理数据集；模型构建数据提取模块，用于按第一预定数量从所述处理数据集中提取模型构建数据；初始模型构建模块，用于采用所述模型构建数据和DTW重心平均算法，构建初始径向基神经网络模型；模型训练数据提取模块，用于按第二预定数量从所述处理数据集中提取模型训练数据；初始模型训练模块，用于采用所述模型训练数据对所述初始径向基神经网络模型进行训练，得到目标径向基神经网络模型；待分类数据接收模块，用于接收预置终端发送的待分类电力序列数据；分类结果生成模块，用于使用所述目标径向基神经网络模型对所述待分类电力序列数据进行分类，生成待分类电力序列数据的分类结果。可选地，所述处理数据集包括第一处理数据集或第二处理数据集，所述处理数据集生成模块包括：已分类数据获取子模块，用于获取预置已分类电力序列数据；第一处理数据生成子模块，用于对所述预置已分类电力序列数据执行数据跳变处理操作，生成第一处理数据；缺失值判断子模块，用于判断所述第一处理数据中是否存在缺失值；第一处理操作执行子模块，用于若存在，则执行数据缺失值处理操作和数据归一化操作，生成所述第一处理数据集；第二处理操作执行子模块，用于若不存在，则执行数据归一化操作，生成所述第二处理数据集。可选地，所述初始模型构建模块包括：聚类簇生成子模块，用于对所述模型构建数据执行聚类操作，生成多个聚类簇；中心序列计算子模块，用于使用DTW重心平均算法计算每个所述聚类簇的中心序列；初始模型构建子模块，用于基于所述中心序列构建初始径向基神经网络模型。可选地，所述模型训练数据具有对应的真实类别，所述初始模型训练模块包括：预测类别确定子模块，用于将所述模型训练数据输入所述初始径向基神经网络模型，确定所述模型训练数据的预测类别；交叉熵计算子模块，用于采用所述预测类别、所述真实类别和所述模型训练数据，计算所述初始径向基神经网络模型的交叉熵损失值；目标模型生成子模块，用于若所述交叉熵损失值小于预定阈值，则得到所述目标径向基神经网络模型；初始模型更新子模块，用于若所述交叉熵损失值大于或等于预定阈值，则使用反向传播算法更新所述初始径向基神经网络模型。可选地，所述装置还包括：模型测试数据提取模块，用于按第三预定数量从所述处理数据集中提取模型测试数据；所述模型测试数据具有对应的真实分类结果；数据预分类模块，用于将所述模型测试数据输入到所述目标径向基神经网络模型中，得到预测分类结果；置信度确定模块，用于采用所述预测分类结果与所述真实分类结果，计算所述目标径向基神经网络模型的均方根误差，确定所述目标径向基神经网络模型的置信度。从以上技术方本文档来自技高网...

【技术保护点】
1.一种电力序列数据分类方法，其特征在于，包括：/n获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据预处理，生成处理数据集；/n按第一预定数量从所述处理数据集中提取模型构建数据；/n采用所述模型构建数据和动态时间归整DTW重心平均算法，构建初始径向基神经网络模型；/n按第二预定数量从所述处理数据集中提取模型训练数据；/n采用所述模型训练数据对所述初始径向基神经网络模型进行训练，得到目标径向基神经网络模型；/n接收预置终端发送的待分类电力序列数据；/n使用所述目标径向基神经网络模型对所述待分类电力序列数据进行分类，生成待分类电力序列数据的分类结果。/n

【技术特征摘要】
1.一种电力序列数据分类方法，其特征在于，包括：
获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据预处理，生成处理数据集；
按第一预定数量从所述处理数据集中提取模型构建数据；
采用所述模型构建数据和动态时间归整DTW重心平均算法，构建初始径向基神经网络模型；
按第二预定数量从所述处理数据集中提取模型训练数据；
采用所述模型训练数据对所述初始径向基神经网络模型进行训练，得到目标径向基神经网络模型；
接收预置终端发送的待分类电力序列数据；
使用所述目标径向基神经网络模型对所述待分类电力序列数据进行分类，生成待分类电力序列数据的分类结果。


2.根据权利要求1所述的方法，其特征在于，所述处理数据集包括第一处理数据集或第二处理数据集，所述获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据预处理，生成处理数据集的步骤，包括：
获取预置已分类电力序列数据；
对所述预置已分类电力序列数据执行数据跳变处理操作，生成第一处理数据；
判断所述第一处理数据中是否存在缺失值；
若存在，则执行数据缺失值处理操作和数据归一化操作，生成所述第一处理数据集；
若不存在，则执行数据归一化操作，生成所述第二处理数据集。


3.根据权利要求1所述的方法，其特征在于，所述采用所述模型构建数据和动态时间归整DTW重心平均算法，构建初始径向基神经网络模型的步骤，包括：
对所述模型构建数据执行聚类操作，生成多个聚类簇；
使用DTW重心平均算法计算每个所述聚类簇的中心序列；
基于所述中心序列构建初始径向基神经网络模型。


4.根据权利要求1所述的方法，其特征在于，所述模型训练数据具有对应的真实类别，所述采用所述模型训练数据对所述初始径向基神经网络模型进行训练，得到目标径向基神经网络模型的步骤，包括：
将所述模型训练数据输入所述初始径向基神经网络模型，确定所述模型训练数据的预测类别；
采用所述预测类别、所述真实类别和所述模型训练数据，计算所述初始径向基神经网络模型的交叉熵；
若所述交叉熵小于预定阈值，则得到所述目标径向基神经网络模型；
若所述交叉熵大于或等于预定阈值，则使用反向传播算法更新所述初始径向基神经网络模型。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
按第三预定数量从所述处理数据集中提取模型测试数据；所述模型测试数据具有对应的真实分类结果；
将所述模型测试数据输入到所述目标径向基神经网络模型中，得到预测分类结果；
采用所述预测分类结果与所述真实分类结果，计算所述目标径向基神经网络模型的均方根误差，确定所述目标径向基神经网络模型的置信度。


6.一种电力序列数据分类装置，其特征在于，包括：
处理数据集生成模块，用于获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据...

【专利技术属性】
技术研发人员：肖勇，杨劲锋，周密，钱斌，
申请(专利权)人：南方电网科学研究院有限责任公司，中国南方电网有限责任公司，
类型：发明
国别省市：广东;44