一种单线图布局机器学习处理方法及系统技术方案

本发明专利技术公开了一种单线图布局机器学习处理方法及系统，本发明专利技术的方法从机器学习角度，以典型单线图为蓝本，通过机器学习，判别其他新增、调整单线图的成图质量，通过经验学习的方式，形成良性循环，指导单线图成图，从而提升了出图效率，也降低了出图错误的风险。也降低了出图错误的风险。也降低了出图错误的风险。

【技术实现步骤摘要】
一种单线图布局机器学习处理方法及系统


[0001]本专利技术涉及机器学习
，特别涉及一种单线图布局机器学习处理方法及系统。

技术介绍

[0002]单线图是配电网设备运行维护的重要工具之一，人工手动绘图和利用绘图软件两种方式的难度及工作量都比较大，在电网结构的复杂程度不断增加的情况下，很难满足智能电网的发展使用的要求，各地的电网公司在统一电网GIS平台基础上，基于本地化特点，编制了适用于本单位的配电线路单线图绘图规范生产及调度应用细则，对单线图成图进行细化规范，指导单线图的成图。
[0003]但是，成图规范针对的是单个的绘图人员及单线图，规范性单线图的经验无法传承、借鉴，导致成图效率低下，并且出错的风险也更高。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供一种单线图布局机器学习处理方法系统。能够克服
技术介绍
中存在的问题。
[0005]本专利技术的目的之一是通过以下技术方案实现的：
[0006]该种单线图布局机器学习处理方法，包括：
[0007]步骤S1：收集整合数据：调用数据收集组件，导出全量单线图SVG文件作为机器学习原始数据；
[0008]步骤S2：数据预处理：调用数据预处理组件，对原始数据进行数据转换、数据清理、数据规约、数据存储，作为单线图特征提取的前置数据；
[0009]步骤S3：单线图特征提取：调用单线图特征提取组件，提取布局特征码，并根据特征码生成无向图，把预处理数据代入特征提取模型获得特征集合；
[0010]步骤S4：模型搭建训练：应用单线图布局机器学习工具，把预处理数据代入特征提取模型获得特征集合，获得训练结果，选取结果最好的特征提取模型和分类模型组合，如果模型训练结果达到预期，则将学习成果应用于单线图成图规范性校验；否则继续调用工具的数据预处理、特征提取组件，继续学习，直至达到预期要求。
[0011]特别地，所述步骤S3中，所述特征提取模型包括主成分分析(PCA)和独立成分分析(ICA)、自动编码器、图卷积神经网络(GCN)中的一项或多项。
[0012]特别地，所述分类算法/模型包括但不限于K邻近算法(KNN)、核方法与支持向量机(SVM)和决策树与Boosting。
[0013]本专利技术目的之二是通过以下技术方案实现的：
[0014]该种单线图布局机器学习系统，包括
[0015]数据收集组件，用于对系统中的现有数据进行处理，导出全量单线图SVG文件作为机器学习原始数据；
[0016]数据预处理组件，包含数据转换、数据清理、数据规约和数据存储子组件，用于对原始数据进行预处理，得到预处理数据；
[0017]单线图特征提取组件，基于单线图原始CIM+SVG文件，提取布局特征码，并根据特征码生成无向图，把预处理数据代入特征提取模型获得特征集合，用特征集合代入分类算法/模型进行训练，获得训练结果，选取结果最好的特征提取模型和分类模型组合，如果模型训练结果达到预期，则将学习成果应用于单线图成图规范性校验。
[0018]特别地，所述数据转换子组件是根据单线图的特点，将单线图转换为无向图进行存储，能完整的保留单线图的拓扑关系。
[0019]所述数据清理子组件用于对各种脏数据进行对应方式的处理，得到标准的、干净的、连续的数据；
[0020]所述数据规约子组件用于在尽可能保持数据原貌的前提下，最大限度地精简数据量；
[0021]所述数据存储子组件用于对数据进行存储，保证数据写入、读取速度以及数据的安全性。
[0022]特别地，所述数据清理子组件采用的对应方式包括但不限于去除唯一属性、去除离群值、值缺失处理以及去除重覆性数据。
[0023]特别地，所述数据规约子组件采用的规约方式包括
[0024]特征归约，从原有的特征中删除不重要或不相关的特征，或者通过对特征进行重组来减少特征的个数；
[0025]样本归约，从数据集中选出一个有代表性的样本的子集。
[0026]特别地，所述样本的子集大小的确定要考虑计算成本、存储要求和估计量的精度。
[0027]本专利技术的有益效果是：本专利技术的方法从机器学习角度，以典型单线图为蓝本，通过机器学习，判别其他新增、调整单线图的成图质量，通过经验学习的方式，形成良性循环，指导单线图成图，从而提升了出图效率，也降低了出图错误的风险。
[0028]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
[0029]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：
[0030]图1为本专利技术方法流程示意图；
[0031]图2为本专利技术的特征提取模型的提取流程示意图；
[0032]图3为本专利技术的系统工具架构示意图；
[0033]图4为本专利技术的采用无向图作为特征提取方法的实施示意图。
具体实施方式
[0034]以下将参照附图，对本专利技术的优选实施例进行详细的描述。应当理解，优选实施例
仅为了说明本专利技术，而不是为了限制本专利技术的保护范围。
[0035]本专利从机器学习角度，以典型单线图为蓝本，通过机器学习，判别其他新增、调整单线图的成图质量，通过经验学习的方式，形成良性循环，指导单线图成图。
[0036]如图1所示，本专利技术的单线图布局机器学习处理方法，包括：
[0037]步骤S1：收集整合数据：调用数据收集组件，导出全量单线图SVG文件作为机器学习原始数据；
[0038]步骤S2：数据预处理：调用数据预处理组件，对原始数据进行数据转换、数据清理、数据规约、数据存储，作为单线图特征提取的前置数据；
[0039]步骤S3：单线图特征提取：调用单线图特征提取组件，提取布局特征码，并根据特征码生成无向图，把预处理数据代入特征提取模型获得特征集合；
[0040]步骤S4：模型搭建训练：应用单线图布局机器学习工具，把预处理数据代入特征提取模型获得特征集合，获得训练结果，选取结果最好的特征提取模型和分类模型组合，如果模型训练结果达到预期，则将学习成果应用于单线图成图规范性校验；否则继续调用工具的数据预处理、特征提取组件，继续学习，直至达到预期要求。
[0041]其中，在步骤S3中，所述特征提取模型包括主成分分析(PCA)和独立成分分析(ICA)、自动编码器、图卷积神经网络(GCN)中的一项或多项。具体步骤如图2所示。
[0042]本实施例中，分类算法/模型包括但不限于K邻近算法(KNN)、核方法与支持向量机(SVM)和决策树与Boosting。根据实施的具体需要进行选择即可。
[0043]本专利技术的还提供了一种单线图布局机器学习系统，如图3所示，系统包括...

【技术保护点】

【技术特征摘要】
1.一种单线图布局机器学习处理方法，其特征在于：所述方法包括以下步骤:步骤S1：收集整合数据：调用数据收集组件，导出全量单线图SVG文件作为机器学习原始数据；步骤S2：数据预处理：调用数据预处理组件，对原始数据进行数据转换、数据清理、数据规约、数据存储，作为单线图特征提取的前置数据；步骤S3：单线图特征提取：调用单线图特征提取组件，提取布局特征码，并根据特征码生成无向图，把预处理数据代入特征提取模型获得特征集合；步骤S4：模型搭建训练：应用单线图布局机器学习工具，把预处理数据代入特征提取模型获得特征集合，获得训练结果，选取结果最好的特征提取模型和分类模型组合，如果模型训练结果达到预期，则将学习成果应用于单线图成图规范性校验；否则继续调用工具的数据预处理、特征提取组件，继续学习，直至达到预期要求。2.根据权利要求1所述的一种单线图布局机器学习处理方法，其特征在于：所述步骤S3中，所述特征提取模型包括主成分分析(PCA)和独立成分分析(ICA)、自动编码器、图卷积神经网络(GCN)中的一项或多项。3.根据权利要求1或2所述的一种单线图布局机器学习处理方法及系统，其特征在于：所述分类算法/模型包括但不限于K邻近算法(KNN)、核方法与支持向量机(SVM)和决策树与Boosting。4.一种单线图布局机器学习系统，其特征在于：所述系统包括数据收集组件，用于对系统中的现有数据进行处理，导出全量单线图SVG文件作为机器学习原始数据；数据预处理组件，包含数据转换、数据清理、数据规约和数据存储子组件，用于对...

【专利技术属性】
技术研发人员：纪元，袁捷，朱州，钱俊凤，黄莉雅，郭仁超，张克贤，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：