[发明专利]现场开工条件自动判断与决策的方法、装置、设备及介质

说明书

本发明公开了现场开工条件自动判断与决策的方法、装置、终端设备以及可读存储介质，其中，方法包括：获取电力设备中的特征参数；将所述特征参数进行归一化处理，作为待测样本；将所述待测样本输入预先建立的主动学习SVM分类模型，获得现场开工条件的分类结果；根据所述分类结果决策现场开工。结合调度命令票与检修工作联动情况下的现场开工/完工许可中各类判定条件中的分析主体样本数据开展针对性研究，构建一种在小样本数据量下具有较好的模式识别能力的特征提取算法，以准确解决对现场开工/完工条件的自动识别确认，实现智能操作的自动化。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种现场开工条件自动判断与决策的方法、装置、终端设备及可存储介质。

背景技术

在传统电力系统中，利用深度学习与神经网络模型对电力系统设备的运行状态进行提取识别的，深度学习算法使用无监督学习提取输入特征，深层次结构处理深层次的输入进而处理大规模的数据，适用于图像识别、文本识别以及文本翻译等技术领域，在处理小样本数据时，引用了机器学习SVM作为设备状态的识别工具，传统的机器学习SVM进行数据处理时会出现过度拟合训练样本，泛化能力较差的问题，导致数据处理速度和准确度不能达到平衡，降低电力系统后续处理判断的时间和准确率。

发明内容

本发明目的在于，提供一种现场开工条件自动判断与决策的方法及装置，以解决对现场开工/完工条件的自动识别速度慢、准确度低的问题。

为实现上述目的，本发明提供一种现场开工条件自动判断与决策的方法，包括：

获取电力设备中的特征参数；

将所述特征参数进行归一化处理，作为待测样本；

将所述待测样本输入预先建立的主动学习SVM分类模型，获得现场开工条件的分类结果；

根据所述分类结果决策现场开工。

优选地，所述特征参数包括电路设备的带电状况、断路器与隔离开关的连接情况、继电保护装置和控制电源设备的运行状态。

优选地，现场开工条件自动判断与决策的方法还包括建立主动学习SVM分类模型，所述建立主动学习SVM分类模型包括：

将所述特征参数进行归一化处理，获取训练SVM分类器的候选集；

判断所述候选集内是否存在未标注样本；

若存在所述未标注样本，则根据采样策略寻找最优样本并标注，将标注后的所述最优样本加入最优训练集，利用所述最优训练集训练SVM分类器，获得多种最优SVM分类器，判断所述最优SVM分类器分类的准确率是否达到预设的阈值，所述预设的阈值为80％，若否，则将分类结果加入所述候选集，若是，则结束学习，并输出主动学习SVM分类模型；

若不存在所述未标注样本，则结束学习，并输出主动学习SVM分类模型。

优选地，所述利用所述最优训练集训练SVM分类器，包括：

利用临近算法对所述最优训练集进行划分，其中，利用欧式距离计算对象间距离来作为各个对象之间的非相似性指标；

利用LSTM对划分后的最优训练集进行训练，获得多种所述最优SVM分类器。

优选地，所述最优SVM分类器包括运行状态的SVM分类器、热备用状态的SVM分类器、冷备用状态的SVM分类器以及检修状态的SVM分类器。

本发明还提供一种现场开工条件自动判断与决策的装置，应用于上述现场开工条件自动判断与决策的方法。包括：

特征参数获取模块，用于获取电力设备中的特征参数；

数据预处理模块，用于将所述特征参数进行归一化处理，作为待测样本；