[发明专利]一种用于电网结构化数据的自动机器学习方法

说明书

本发明涉及电网数据技术领域，且公开了一种用于电网结构化数据的自动机器学习方法，包括以下步骤：实时采集获取电网相关数据；把采集获取的电网相关数据进行预处理；建立电网数据特征结构化学习框架，初始定义电网数据特征结构化学习框架参数，对电网数据进行结构化。该用于电网结构化数据的自动机器学习方法，对电网数据进行结构化处理得到结构化数据，并将得到的结构化数据进行深入分析学习，用户可以直观的了解到每个特征之间的关系，而每个特征都是有真实的物理意义的，使算法的具有较高的可解释性，使用强化学习的方法构造特征结构，通过智能体与环境的交互动态的调整特征的结构来学习某特征群体的最优结构。

技术领域

本发明涉及电网数据技术领域，具体为一种用于电网结构化数据的自动机器学习方法。

背景技术

随着电力工业的不断发展，电网机构每日处理的管理信息快速增长，一方面，是由于电网结构日趋复杂，接入设备无论数量还是类型均明显增加；另一方面，是因为供电质量标准不断提高，要求电网机构对各类生产信息和管理信息处理的及时性增强。

而数据来源多种多样、数据关系复杂，人工梳理数据之间的关系非常困难，无法梳理清楚数据之间的关系就很难提高搜索的全面性和准确性，电网调度领域的数据来源多种多样，比如文件服务器、各类应用服务器、数据库服务器等，同时，数据种类复杂，包括了结构化、非结构化、半结构化等各种类型的数据，面对这些来源复杂、种类繁多的海量数据，需要解决海量数据存储问题，针对海量的存储数据，电网调度领域传统的技术难以实现数据的快速检索。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种用于电网结构化数据的自动机器学习方法。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种用于电网结构化数据的自动机器学习方法，包括以下步骤：实时采集获取电网相关数据；把采集获取的电网相关数据进行预处理；建立电网数据特征结构化学习框架，初始定义电网数据特征结构化学习框架参数，对电网数据进行结构化；对预处理后的结构化数据进行特征值提取；将预处理后的非结构化数据作为预先构建的第一深度学习神经网络的输入；将提取出的结构化数据特征值，以及第一深度学习神经网络的输出，作为预先构建的第二深度学习神经网络的输入；基于机器学习对非结构化数据样本进行聚类并对预测模型进行推理及训练，然后利用训练后的预测模型进行预测，并将预测结果输出。

优选的，所述电网数据结构化包括数据切分成段，对所述数据段进行目标检测识别，对所述目标进行跟踪，以得到跟踪结果。

优选的，所述预处理包括：提取数据，确定数据类型，对非结构化数据进行规范化处理，对数值型数据进行归一化处理，以及数据去噪。

优选的，所述第一深度学习神经网络采用Faster-RCNN神经网络。

优选的，所述第二深度学习神经网络采用RBF神经网络。

本发明要解决的另一技术问题是提供一种用于电网结构化数据的自动机器学习方法，包括以下步骤：

1)实时采集获取电网相关数据；

2)把步骤一中采集获取的电网相关数据进行预处理；

3)建立电网数据特征结构化学习框架，初始定义电网数据特征结构化学习框架参数，对电网数据进行结构化；

4)对预处理后的结构化数据进行特征值提取；

5)将预处理后的非结构化数据作为预先构建的第一深度学习神经网络的输入；

6)将提取出的结构化数据特征值，以及第一深度学习神经网络的输出，作为预先构建的第二深度学习神经网络的输入；