【技术实现步骤摘要】
本申请涉及数据处理领域，具体而言，涉及一种能量管理监控的智能调度方法及系统。
技术介绍
1、在能量管理监控领域，智能调度系统的性能至关重要。为了提高调度系统的效率和准确性，可以基于机器学习技术，对大量的能量监控数据流和调度指令进行高效处理匹配，完成能量监控数据流的自动化调度指令匹配。然而，传统的数据处理方法中，对于机器学习模型的调教往往依赖于大量的标记数据，这在实际应用中带来了诸多挑战。首先，标记数据需要耗费大量的人力、物力和时间资源，尤其是在数据量巨大的情况下，这种依赖标记数据的方法显得尤为低效。其次，传统的数据处理方法在处理无标签数据时往往效果不佳，无法充分利用这些无标签数据中的潜在信息。此外，由于缺乏有效的调校方法，一些技术中，数据表示模型在抽取数据流和调度指令的表征信息时往往存在较大的误差，这严重影响了后续的数据处理和调度决策的准确性。
技术实现思路
1、本专利技术的目的在于提供一种能量管理监控的智能调度方法及系统。本申请实施例是这样实现的：第一方面，本申请实施例提供了一种表征信息...
【技术保护点】
1.一种表征信息抽取网络的调校方法，其特征在于，包括：依据表征信息抽取网络从能量监控数据流样例抽取的多个样例数据流表征载体以及从调度指令样例抽取的多个调度指令样例表征载体，获得样例整合表征载体集合；当在所述样例整合表征载体集合中获取的样例整合表征载体为样例数据流表征载体时，获取所述样例数据流表征载体相关的调度指令积极样例表征载体，并确定与所述样例数据流表征载体相适配的第一调校误差，其中，所述调度指令积极样例表征载体所在调度指令样例相关的第一对照能量监控数据流与所述能量监控数据流样例之间的共性系数大于第一参考值；当在所述样例整合表征载体集合中获取的样例整合表征载体为调度...
【技术特征摘要】
1.一种表征信息抽取网络的调校方法，其特征在于，包括：依据表征信息抽取网络从能量监控数据流样例抽取的多个样例数据流表征载体以及从调度指令样例抽取的多个调度指令样例表征载体，获得样例整合表征载体集合；当在所述样例整合表征载体集合中获取的样例整合表征载体为样例数据流表征载体时，获取所述样例数据流表征载体相关的调度指令积极样例表征载体，并确定与所述样例数据流表征载体相适配的第一调校误差，其中，所述调度指令积极样例表征载体所在调度指令样例相关的第一对照能量监控数据流与所述能量监控数据流样例之间的共性系数大于第一参考值；当在所述样例整合表征载体集合中获取的样例整合表征载体为调度指令样例表征载体时，获取所述调度指令样例表征载体相关的积极样例数据流表征载体，并确定与所述调度指令样例表征载体相适配的第二调校误差，其中，所述积极样例数据流表征载体所在能量监控数据流样例相关的第一对照调度指令与所述调度指令样例之间的共性系数大于第二参考值；通过所述样例数据流表征载体的所述第一调校误差和所述调度指令样例表征载体适配的所述第二调校误差，确定表征信息相关误差；在所述表征信息相关误差满足目标稳定状态评估要求时，获得对所述表征信息抽取网络调校结束的目标表征信息抽取网络。
2.如权利要求1所述的方法，其特征在于，所述通过所述样例数据流表征载体的所述第一调校误差和所述调度指令样例表征载体适配的所述第二调校误差，确定表征信息相关误差，包括：基于表征载体关联网络获取所述样例整合表征载体集合中的所述样例数据流表征载体和所述调度指令样例表征载体之间的表征载体相关系数；基于所述表征载体相关系数在所述样例整合表征载体集合中确定对照表征载体二元组；其中，所述对照表征载体二元组中包括对照样例数据流表征载体和对照调度指令样例表征载体，所述对照样例数据流表征载体和所述对照调度指令样例表征载体之间的所述表征载体相关系数符合相关性要求；基于与所述对照样例数据流表征载体适配的所述第一调校误差，和与所述对照调度指令样例表征载体适配的所述第二调校误差确定所述表征信息相关误差。
3.如权利要求2所述的方法，其特征在于，所述基于与所述对照样例数据流表征载体适配的所述第一调校误差，和与所述对照调度指令样例表征载体适配的所述第二调校误差确定所述表征信息相关误差，包括：获取所述对照样例数据流表征载体相关的调度指令消极样例表征载体，并确定与所述对照样例数据流表征载体相适配的第三调校误差，其中，所述调度指令消极样例表征载体所在调度指令样例相关的第一对照能量监控数据流与所述能量监控数据流样例之间的共性系数小于第三参考值，所述第三参考值小于所述第一参考值；获取所述对照调度指令样例表征载体相关的消极样例数据流表征载体，并确定与所述对照调度指令样例表征载体相适配的第四调校误差，其中，所述消极样例数据流表征载体所在能量监控数据流样例相关的第一对照调度指令与所述调度指令样例之间的共性系数小于第四参考值，所述第四参考值小于所述第二参考值；基于所述第一调校误差和所述第三调校误差之间的误差差异确定与所述对照样例数据流表征载体相关的数据流表征载体误差，并基于所述第二调校误差和所述第四调校误差之间的误差差异确定与所述对照调度指令样例表征载体相关的调度指令表征载体误差；基于所述数据流表征载体误差和所述调度指令表征载体误差的融合结果确定所述表征信息相关误差；所述基于所述表征载体相关系数在所述样例整合表征载体集合中确定对照表征载体二元组，包括：对以下步骤进行循环，直到确定得到所述样例整合表征载体集合中的多个所述样例数据流表征载体分别对应的所述调度指令样例表征载体，并基于多个所述样例数据流表征载体与分别对应的所述调度指令样例表征载体分别确定得到多个所述对照表征载体二元组：在多个所述样例数据流表征载体中获取一个样例数据流表征载体作为当下样例数据流表征载体；基于所述表征载体关联网络输出的表征载体相关系数，在所述调度指令样例表征载体中获取与所述当下样例数据流表征载体对应的当下调度指令样例表征载体，其中，所述当下样例数据流表征载体与所述当下调度指令样例表征载体之间的所述表征载体相关系数大于所述当下样例数据流表征载体与其余调度指令样例表征载体之间的所述表征载体相关系数；将所述当下样例数据流表征载体与所述当下调度指令样例表征载体作为所述对照表征载体二元组。
4.如权利要求1~3任一项中所述的方法，其特征在于，所述依据表征信息抽取网络从能量监控数据流样例抽取的多个样例数据流表征载体以及从调度指令样例抽取的多个调度指令样例表征载体，获得样例整合表征载体集合，包括：通过采用无标签前置调校得到的所述表征信息抽取网络从能量监控数据流样例以及从调度指令样例中分别进行表征信息抽取，获得分别对应于所述能量监控数据流样例的多个对照数据流表征载体以及对应于所述调度指令样例的多个对照调度指令表征载体，其中，所述表征信息抽取网络中包括数据流表征信息抽取组件和调度指令表征信息抽取组件，所述数据流表征信息抽取组件用于基于所述能量监控数据流样例中包括的样例能量监控数据序列抽取得到所述对照数据流表征载体，所述调度指令表征信息抽取组件用于基于所述调度指令样例中包括的样例子调度指令抽取得到所述对照调度指令表征载体；基于全连接层对所述多个对照数据流表征载体和所述多个对照调度指令表征载体进行处理，获得分别对应于所述多个对照数据流表征载体的所述多个样例数据流表征载体，和分别对应于所述多个对照调度指令表征载体的所述多个调度指令样例表征载体，其中，所述样例数据流表征载体与所述调度指令样例表征载体的载体维数一致。
5.如权利要求4所述的方法，其特征在于，所述通过采用无标签前置调校得到的所述表征信息抽取网络从能量监控数据流样例以及从调度指令样例中分别进行表征信息抽取之前，所述方法还包括：获取前置调校样例库，其中，所述前置调校样例库中包括多个前置调校能量监控数据流以及多个前置调校调度指令；通过所述多个前置调校能量监控数据流对参考表征信息抽取网络中的参考数据流表征信息抽取组件进行无标签学习，并通过所述多个前置调校调度指令对所述参考表征信息抽取网络中的参考调度指令表征信息抽取组件进行无标签学习；当所述参考数据流表征信息抽取组件符合第一稳定状态评估要求，且所述参考调度指令表征信息抽取组件符合第二稳定状态评估要求时，将所述参考表征信息抽取网络作为完成无标签前置调校的所述表征信息抽取网络。
6.如权利要求5所述的方法，其特征在于，所述通过所述多个前置调校能量监控数据流对参考表征信息抽取网络中的参考数据流表征信息抽取组件进行无标签学习，包括：在所述前置调校能量监控数据流中确定出第一能量监控数据序列；基于所述参考数据流表征信息抽取组件对所述第一能量监控数据序列进行表征信息抽取，获得第一序列表征载体，并基于所述参考数据流表征信息抽取组件对所述前置调校能量监控数据流中，除所述第一能量监控数据序列之外的第二能量监控数据序列进行表征信息抽取，获得第二序列表征载体；基于所述第二序列表征载体对所述第一能量监控数据序列对应的数据流表征载体进行推理，获得推理序列表征载体；在所述推理序列表征载体与所述第一序列表征载体之间的表征载体误差大于目标推理临界值时，对所述参考数据流表征信息抽取组件中的可学习变量进行优化；在所述推理序列表征载体与所述第一序列表征载体之间的表征载体误差不大于目标推理临界值时，确定...
【专利技术属性】
技术研发人员：彭成聪，兰升，黄宇晖，陈海，王云风，朱晓玉，
申请(专利权)人：广东阿尔派电力科技股份有限公司，
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。