一种电力系统元数据的分类方法、系统及存储介质技术方案

本发明专利技术提供一种电力系统元数据的分类方法、系统及存储介质，涉及电力信息技术领域，电力系统元数据的分类方法包括：获取电力系统的图像元数据、音频元数据以及文本元数据；通过训练好的图卷积神经网络模型处理图像元数据，生成图像分类结果；通过训练好的GRU模型处理音频元数据，生成音频分类结果；通过训练好的LSTM模型处理文本元数据，生成文本分类结果；通过自然语言算法提取图像分类结果、音频分类结果以及文本分类结果中的分类标签；根据分类标签，获取与分类标签对应的图像数据、音频数据以及文本数据；整理分类标签和与分类标签对应的图像数据、音频数据以及文本数据，生成元数据分类结果。通过上述方法，可以提高分类的准确率。准确率。准确率。

【技术实现步骤摘要】
一种电力系统元数据的分类方法、系统及存储介质


[0001]本专利技术涉及电力信息
，具体而言，涉及一种电力系统元数据的分类方法、系统及存储介质。

技术介绍

[0002]电力系统是现代社会不可或缺的基础设施，随着社会进步和科技发展，电力系统也在不断演进和改进，以满足人们对电力的需求。电力系统如今已完成了从直流系统到交流系统，再到高压输电和融入可再生能源的发展过程，正向着智能电力系统挺进，而发展智能电力系统最为基础且关键的一步就是需要对电力系统中的所有元数据进行分类。
[0003]在现有技术中，大多采用单一的神经网络模型对电力系统元数据进行分类，但是，由于电力系统过于庞大，其牵扯的数据量多到难以想象，且涵盖了多个方面多种类型的数据，单一的神经网络模型难以同时处理大量的不同种类的数据，导致电力系统元数据分类结果的准确率低。

技术实现思路

[0004]本专利技术解决的问题是电力系统元数据分类结果的准确率低。
[0005]为解决上述问题，第一方面，本专利技术提供一种电力系统元数据的分类方法，包括：获取电力系统的图像元数据、音频元数据以及文本元数据；通过训练好的图卷积神经网络模型处理所述图像元数据，生成图像分类结果；通过训练好的GRU模型处理所述音频元数据，生成音频分类结果；通过训练好的LSTM模型处理所述文本元数据，生成文本分类结果；通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签；根据所述分类标签，获取与所述分类标签对应的图像数据、音频数据以及文本数据；整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成元数据分类结果。
[0006]可选地，所述整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成元数据分类结果，包括：根据所述分类标签，获取所述电力系统的运行状态，并生成状态重要度；获取所述运行状态的时间维度，根据所述时间维度，生成时间重要度；将所述状态重要度和所述时间重要度输入到排序公式中，生成所述分类标签的排序数值，所述排序公式如下所示：L=α*x+β*y；其中，L为所述排序数值，α为状态权重，x为所述状态重要度，β为时间权重，y为所述时间重要度；
根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成所述元数据分类结果。
[0007]可选地，在所述根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成所述元数据分类结果之后，还包括：获取所述排序数值大于预设阈值的特殊分类标签；根据所述特殊分类标签及其对应的图像数据、音频数据以及文本数据，生成电力系统异常报告。
[0008]可选地，所述通过训练好的图卷积神经网络模型处理所述图像元数据，生成图像分类结果，包括：预处理所述图像元数据，生成标准图像元数据；通过所述图卷积神经网络模型的编码器提取所述标准图像元数据的图像特征并生成邻接矩阵；所述图卷积神经网络模型的图卷积层根据所述邻接矩阵处理所述图像特征，生成图像编码信息；通过所述图卷积神经网络模型的解码器解译所述图像编码信息，生成所述图像分类结果；其中，所述编码器包括一组或多组空洞卷积金字塔和与所述空洞卷积金字塔对应连接的池化层，各组所述空洞卷积金字塔和所述池化层依次连接，且最后一个所述池化层的输出端与所述图卷积层的输入端连接；所述空洞卷积金字塔用于提取所述标准图像元数据的多尺度特征，并将所述多尺度特征传输至相连的下一个所述池化层；所述池化层用于将所述多尺度特征降维，生成所述图像特征；所述编码器还包括一组3*3卷积层、BN层以及ReLU层，用于根据所述图像特征生成所述邻接矩阵。
[0009]可选地，所述预处理所述图像元数据，生成标准图像元数据，包括：采用OpenCV对所述图像元数据进行清洗和图像增强，生成优化图像数据；采用高斯滤波技术处理所述优化图像数据，生成低噪图像数据；采用边缘检测技术分割所述低噪图像数据，生成所述标准图像元数据。
[0010]可选地，所述通过训练好的GRU模型处理所述音频元数据，生成音频分类结果，包括：预处理所述音频元数据，生成标准音频元数据；通过短时傅里叶变换提取所述标准音频元数据的频域特征；将所述频域特征输入到所述GRU模型的更新门和重置门，生成更新门向量和重置门向量；所述GRU模型的记忆单元根据所述更新门向量和所述重置门向量生成所述音频分类结果。
[0011]可选地，所述通过训练好的LSTM模型处理所述文本元数据，生成文本分类结果，包括：预处理所述文本元数据，生成标准文本元数据；
通过词嵌入技术将所述标准文本元数据转换为标准文本向量；通过所述LSTM模型的遗忘门处理所述标准文本向量，生成遗忘因子，并获取上一时刻细胞状态；通过所述LSTM模型的记忆门处理所述标准文本向量，得到记忆数据和临时细胞状态；将所述遗忘因子、所述上一时刻细胞状态、所述记忆数据和所述临时细胞状态输入到整合公式中，生成所述文本分类结果。
[0012]可选地，在所述整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成元数据分类结果之后，还包括：获取所述电力系统的历史分类结果；将所述历史分类结果和所述元数据分类结果输入到混淆矩阵中，生成分类误差报告。
[0013]第二方面，本专利技术提供一种电力系统元数据的分类系统，包括：获取模块，用于获取电力系统的图像元数据、音频元数据以及文本元数据；图像分类模块，用于通过训练好的图卷积神经网络模型处理所述图像元数据，生成图像分类结果；音频分类模块，用于通过训练好的GRU模型处理所述音频元数据，生成音频分类结果；文本分类模块，用于通过训练好的LSTM模型处理所述文本元数据，生成文本分类结果；标签提取模块，用于通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签；数据获取模块，用于根据所述分类标签，获取与所述分类标签对应的图像数据、音频数据以及文本数据；元数据分类模块，用于整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成元数据分类结果。
[0014]第三方面，本专利技术提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的电力系统元数据的分类方法。
[0015]本专利技术的一种电力系统元数据的分类方法、系统及存储介质的有益效果是：采用训练好的图卷积神经网络模型处理电力系统元数据中的图像元数据，可以更好地捕捉图像元数据中的结构信息，并考虑每个节点的邻居节点信息，使得每个节点能够获取更全局的上下文信息，从而输出更有效的特征表示，提高了图像分类结果的准确性和可解释性，此外，通过训练好的图卷积神经网络模型还可以处理具有复杂拓扑结构的图像元数据，轻松应对电力系统中复杂多变的图像元数据，更好地完成电力系统图像元数据的分类任务；因为音频元数据相较于其他两种元数据是有时间序列的，包含了随时间变化的序号，所以采用训练好的GRU模型处理音频元数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统元数据的分类方法，其特征在于，包括：获取电力系统的图像元数据、音频元数据以及文本元数据；通过训练好的图卷积神经网络模型处理所述图像元数据，生成图像分类结果；通过训练好的GRU模型处理所述音频元数据，生成音频分类结果；通过训练好的LSTM模型处理所述文本元数据，生成文本分类结果；通过自然语言算法提取所述图像分类结果、所述音频分类结果以及所述文本分类结果中的分类标签；根据所述分类标签，获取与所述分类标签对应的图像数据、音频数据以及文本数据；整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成元数据分类结果。2.根据权利要求1所述的电力系统元数据的分类方法，其特征在于，所述整理所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成元数据分类结果，包括：根据所述分类标签，获取所述电力系统的运行状态，并生成状态重要度；获取所述运行状态的时间维度，根据所述时间维度，生成时间重要度；将所述状态重要度和所述时间重要度输入到排序公式中，生成所述分类标签的排序数值，所述排序公式如下所示：L=α*x+β*y；其中，L为所述排序数值，α为状态权重，x为所述状态重要度，β为时间权重，y为所述时间重要度；根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成所述元数据分类结果。3.根据权利要求2所述的电力系统元数据的分类方法，其特征在于，在所述根据所述排序数值排列所述分类标签和所述与所述分类标签对应的图像数据、音频数据以及文本数据，生成所述元数据分类结果之后，还包括：获取所述排序数值大于预设阈值的特殊分类标签；根据所述特殊分类标签及其对应的图像数据、音频数据以及文本数据，生成电力系统异常报告。4.根据权利要求1所述的电力系统元数据的分类方法，其特征在于，所述通过训练好的图卷积神经网络模型处理所述图像元数据，生成图像分类结果，包括：预处理所述图像元数据，生成标准图像元数据；通过所述图卷积神经网络模型的编码器提取所述标准图像元数据的图像特征并生成邻接矩阵；所述图卷积神经网络模型的图卷积层根据所述邻接矩阵处理所述图像特征，生成图像编码信息；通过所述图卷积神经网络模型的解码器解译所述图像编码信息，生成所述图像分类结果；其中，所述编码器包括一组或多组空洞卷积金字塔和与所述空洞卷积金字塔对应连接的池化层，各组所述空洞卷积金字塔和所述池化层依次连接，且最后一个所述池化层的输
出端与所述图卷积层的输入端连接；所述空洞卷积金字塔用于提取所述标准图像元数据的多尺度特征，并将所述多尺度特征传输至相连的下一个所述池化层；所述池化层用于将所述多尺度特征降维，生成所述图像特征；所述编码器还包括一组3*3卷积层、BN层以及ReLU层，用于根据所述图像特征生...

【专利技术属性】
技术研发人员：娄一艇，黄智，安磊，刘鹏，马丽军，李建刚，柯方圆，李佳琴，张之桢，陈迎阳，刘帅，王勇，李琪，秦如意，徐孝忠，陈晓杰，曹雅素，喻琰，严钰君，叶明达，胡一嗔，裘建开，张寒之，祝婉，刘琛，郭晓庆，
申请(专利权)人：国网浙江省电力有限公司宁波供电公司，
类型：发明
国别省市：