【技术实现步骤摘要】
本专利技术涉及电力预测，具体涉及一种人工智能模型的自动迭代方法及装置。
技术介绍
1、新型电力系统与人工智能的结合成为了电力系统发展建设的必然趋势，大量的深度学习或机器学习模型不断地应用到电力系统的各种应用场景中。模型的训练数据会随着时间的变化发生改变。常见的模型迭代方法有以下几种：
2、(1)手动训练
3、全量数据重新训练一个模型，直接合并历史训练数据与新增的数据，模型直接离线学习全量数据，学习得到一个全新的模型。是实际最为常见的模型迭代方式，通常模型效果也是最好的，但这样模型迭代比较耗时，资源耗费比较多，实时性较差，特别是在大数据场景更为困难；
4、(2)模型融合
5、将旧模型的预测结果作为一个新增特征，在新的数据上面训练一个新的模型。缩短了训练耗时，增加决策的复杂度，但是新增数据量要足够多才能保证融合效果，并且新的模型对旧模型依赖性较强，其优劣性很大程度取决于旧模型。
6、(3)增量(在线)学习
7、增量学习是一种机器学习方法，它允许在不重新训练整个模型的情况下，通过添加新的数据和标签来增强已经训练好的模型。与传统的批量学习不同，增量学习是一种增量式的学习过程，可以直接利用新增的数据在原来的模型的基础上做进一步更新实际使用中，在线学习和离线的全量学习经常是结合使用，能够在模型已经被训练好的情况下持续学习新的知识。比如离线以全量数据训练一个复杂的模型，在线利用新增样本进行微调。对内存十分友好，模型迭代快且效率较高，但是对离群点敏感，模型精度易受干扰。p>
8、综上，人工智能模型的迭代，需要定期地更新用于训练的数据，经过数据筛选、处理后重新训练模型，或是在原有模型基础上做增量训练，前者会带来多模型运维复杂、成本高、占用内存大等问题，具体表现为，模型越多版本管理越复杂，与模型越多人力成本越高；后者虽然对内存友好，但也不可避免离群数据点的干扰，具体表现为，新增数据的加入反而会使模型准确率、召回率等性能降低。针对人工智能模型迭代方法中多模型运维困难、版本管理复杂、离群数据点敏感的技术问题，目前尚未提出有效的解决方案。
技术实现思路
1、为了克服上述缺陷，本专利技术提出了一种人工智能模型的自动迭代方法及装置。
2、第一方面，提供一种人工智能模型的自动迭代方法，所述人工智能模型的自动迭代方法包括：
3、步骤s101采集配电终端设备记录的故障波形及其对应的故障类型，并将配电终端设备记录的故障波形及其对应的故障类型作为新增样本；
4、步骤s102利用原始人工智能模型对所述新增样本进行有效性验证；
5、步骤s103将通过有效性验证的新增样本与原始样本结合，得到新样本，并利用所述新样本对所述原始人工智能模型进行训练，得到新人工智能模型；
6、步骤s104对所述新人工智能模型进行性能验证，若所述新人工智能模型性能高于所述原始人工智能模型，则将所述新人工智能模型作为原始人工智能模型，将所述新样本作为原始样本，返回步骤s101，否则，返回步骤s101。
7、优选的，所述人工智能模型为机器学习模型或深度学习模型。
8、优选的，所述步骤s102，包括：
9、将所述新增样本中的配电终端设备记录的故障波形作为原始人工智能模型的输入，得到原始人工智能模型输出的所述新增样本中的配电终端设备记录的故障波形对应的故障类型预测结果；
10、判断原始人工智能模型输出的所述新增样本中的配电终端设备记录的故障波形对应的故障类型预测结果的准确率是否超过预设阈值，若是，则新增样本通过有效性验证，否则，新增样本不通过有效性验证。
11、进一步的，所述预设阈值为90％。
12、优选的，所述步骤s101中，当新增样本的数量超过原始样本的5％时，执行所述步骤s102。
13、优选的，所述对所述新人工智能模型进行性能验证，包括：
14、利用验证数据对所述新人工智能模型进行验证，得到所述新人工智能模型对应的综合指标参数；
15、若所述新人工智能模型对应的综合指标参数高于所述原始人工智能模型对应的综合指标参数，则所述新人工智能模型性能高于所述原始人工智能模型，否则，所述新人工智能模型性能不高于所述原始人工智能模型。
16、进一步的，所述综合指标参数包括下述中的至少一种：准确率、查准率、查全率、加权平均值。
17、进一步的，所述准确率的计算式如下：
18、
19、所述查准率的计算式如下：
20、
21、所述查全率的计算式如下：
22、
23、上式中，accuracy为准确率，tp为正类样本中预测正确的样本数，tn为负类样本中预测正确的样本数，all为样本总数量，precision为查准率，fp为正类样本中预测错误的样本数，recall为查全率，fn为负类样本中预测错误的样本数。
24、进一步的，所述加权平均值的计算式如下：
25、
26、上式中，fω为加权平均值，ω1、ω2、ω3分别为准确率、查准率、查全率对应权重。
27、优选的，所述人工智能模型的版本编号为va.x.i，其中，a的初始值为1，x的初始值为1，i的初始值为1。
28、进一步的，当每迭代执行所述方法时，令i＝i+1；
29、当对所述新人工智能模型进行性能验证后，所述新人工智能模型性能高于所述原始人工智能模型时，令x＝x+1，i＝1；
30、当所述新样本中包括的故障波形对应的故障类型的数量大于所述原始样本中包括的故障波形对应的故障类型的数量时，令a＝a+1，x＝1，i＝1。
31、第二方面，提供一种人工智能模型的自动迭代装置，所述人工智能模型的自动迭代装置包括：
32、采集模块，用于采集配电终端设备记录的故障波形及其对应的故障类型，并将配电终端设备记录的故障波形及其对应的故障类型作为新增样本；
33、验证模块，用于利用原始人工智能模型对所述新增样本进行有效性验证；
34、训练模块，用于将通过有效性验证的新增样本与原始样本结合，得到新样本，并利用所述新样本对所述原始人工智能模型进行训练，得到新人工智能模型；
35、分析模块，用于对所述新人工智能模型进行性能验证，若所述新人工智能模型性能高于所述原始人工智能模型，则将所述新人工智能模型作为原始人工智能模型，将所述新样本作为原始样本，返回采集模块，否则，返回采集模块。
36、第三方面，提供一种计算机设备，包括：一个或多个处理器；
37、所述处理器，用于存储一个或多个程序；
38、当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的人工智能模型的自动迭代方法。
39、第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行本文档来自技高网...
【技术保护点】
1.一种人工智能模型的自动迭代方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述人工智能模型为机器学习模型或深度学习模型。
3.如权利要求1所述的方法，其特征在于，所述步骤S102，包括：
4.如权利要求3所述的方法，其特征在于，所述预设阈值为90％。
5.如权利要求1所述的方法，其特征在于，所述步骤S101中，当新增样本的数量超过原始样本的5％时，执行所述步骤S102。
6.如权利要求1所述的方法，其特征在于，所述对所述新人工智能模型进行性能验证，包括：
7.如权利要求6所述的方法，其特征在于，所述综合指标参数包括下述中的至少一种：准确率、查准率、查全率、加权平均值。
8.如权利要求7所述的方法，其特征在于，所述准确率的计算式如下：
9.如权利要求8所述的方法，其特征在于，所述加权平均值的计算式如下：
10.如权利要求1所述的方法，其特征在于，所述人工智能模型的版本编号为va.x.i，其中，a的初始值为1，x的初始值为1，i的初始值为1。>
11.如权利要求10所述的方法，其特征在于，当每迭代执行所述方法时，令i＝i+1；
12.一种人工智能模型的自动迭代装置，其特征在于，所述装置包括：
13.一种计算机设备，其特征在于，包括：一个或多个处理器；
14.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至11中任意一项所述的人工智能模型的自动迭代方法。
...【技术特征摘要】
1.一种人工智能模型的自动迭代方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述人工智能模型为机器学习模型或深度学习模型。
3.如权利要求1所述的方法，其特征在于，所述步骤s102，包括：
4.如权利要求3所述的方法，其特征在于，所述预设阈值为90％。
5.如权利要求1所述的方法，其特征在于，所述步骤s101中，当新增样本的数量超过原始样本的5％时，执行所述步骤s102。
6.如权利要求1所述的方法，其特征在于，所述对所述新人工智能模型进行性能验证，包括：
7.如权利要求6所述的方法，其特征在于，所述综合指标参数包括下述中的至少一种：准确率、查准率、查全率、加权平均值。
8.如权利...
【专利技术属性】
技术研发人员：吴岩，吴燕，关石磊，孟晓丽，宋晓辉，刘春秀，李万彬，古凌云，尹惠，陈洁，周菲嫣，郑格，吕奋飞，周在彦，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。