基于级联卷积神经网络模型的电力数据的分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114241235A(43)申请公布日2022.03.25(21)申请号202111463954.2(51)Int.Cl.(22)申请日2021.12.03G06V10/764(2022.01)G06V10/774(2022.01)(71)申请人国网辽宁省电力有限公司信息通信G06V10/82(2022.01)分公司G06K9/62(2022.01)地址110006辽宁省沈阳市和平区宁波路G06N3/04(2006.01)18号G06N3/08(2006.01)申请人国家电网有限公司(72)发明人刘为许超吴赫陈硕曹智马伟哲李蒙杨明钰李云鹏李东洋孙俊伟潘德东郑善奇张靖欣吴昕昀李清玉李蒸倪继宏曲英实李若维霍英哲金垒王东东安鑫刘碧琦(74)专利代理机构沈阳维特专利商标事务所(普通合伙)21229代理人王翠权利要求书1页说明书6页附图2页(54)发明名称基于级联卷积神经网络模型的电力数据的分类方法(57)摘要本发明公开了一种基于级联卷积神经网络模型的电力数据的分类方法，首先采用多分类器进行电力数据的预分类，如果分类类型属于该多分类器置信度较高的分类类型，则可将该分类类型作为最终的分类结果，如果对应的分类类型属于该多分类器置信度较低的分类类型，则启用联级分类器进行重新分类，其中，联级分类器为针对多分类器中置信度较低的分类类型，而训练获得的擅长于该类型分类的多个弱分类器构成的联级分类器，通过上述多分类器的预分类可实现快速分类的目的，同时通过后续联级分类器再次分类，可实现纠偏的目的，弥补多分类器的准确率低的问题，实现效率与准确率双效的目的。CN114241235ACN114241235A权利要求书1/1页1.一种基于级联卷积神经网络模型的电力数据的分类方法，其特征在于，包括如下步骤：S1：获取电力通信系统中的状态数据；S2：采用特征工程方法将所述电力通信系统中的状态数据进行特征提取，获得特征三维矩阵；S3：将获得的所述特征三维矩阵输入到已训练完成的多分类器中，获得预分类类型；S4：若所述预分类类型的置信度达到阈值，则将所述预分类类型作为最终分类结果，否则将获得的所述特征三维矩阵输入到由多个弱分类器构成的联级分类器中，进行再次分类，获得最终分类结果。2.根据权利要求1所述基于级联卷积神经网络模型的电力数据的分类方法，其特征在于，所述状态数据包括：图像数据、文本数据、数字数据以及语音数据。3.根据权利要求1所述基于级联卷积神经网络模型的电力数据的分类方法，其特征在于，步骤S4中，所述弱分类器的分类种类少于所述多分类器的分类种类。4.根据权利要求1所述基于级联卷积神经网络模型的电力数据的分类方法，其特征在于，步骤S4所述联级分类器的确定过程如下：获得构成所述联级分类器中每个所述弱分类器在所述预分类类型上的准确率；依据每个所述弱分类器在所述预分类类型上的准确率，确定每个所述弱分类器对应的权重系数，获得联级分类器。5.根据权利要求4所述基于级联卷积神经网络模型的电力数据的分类方法，其特征在于，每个所述弱分类器对应权重系数Wi的确定公式如下：其中，Gx为基本分类器，Mi,j为分类器Mj在i类别上的分类性能，n是分类器的个数。6.根据权利要求1所述基于级联卷积神经网络模型的电力数据的分类方法，其特征在于，所述分类类型包括：信息系统故障、通信系统故障、正常。7.根据权利要求6所述基于级联卷积神经网络模型的电力数据的分类方法，其特征在于，所述多分类器为三分类器，构成所述联级分类器中的每个弱分类器均为二分类器。2CN114241235A说明书1/6页基于级联卷积神经网络模型的电力数据的分类方法技术领域[0001]本发明公开涉及信息通信的技术领域，尤其涉及一种基于级联卷积神经网络模型的电力数据的分类方法。背景技术[0002]当前，随着信息通信网络规模不断地扩大，信息和通信的互相融合也不断深入，各类设备所产生的数字、图像、文本等信息也在急剧增加，运行维护管理也更加复杂。其中利用大数据进行分类任务是最常见的人工智能任务类型，分类实际上是根据事物反馈信息的性质和特征对其进行分类的行为或过程。[0003]对于电力通信运维过程中，需要通过对电力数据进行分类，以尽快获得当前电力通信的状态，是处于故障状态还是正常状态，如果是故障状态，对应的是什么类型的状态。但由于电力通信的数据量巨大，如果想完成快速分类只能采用多分类器的方式进行分类，但众所周知，多分类器虽然分类速度较快，可以直接完成类型的分类，但是错误率较高，无法满足电力运维的要求，而采用多个分类器集成的方式，又存在处理速度慢的问题。[0004]因此，如何实现电力数据的准确、高效的分类，成为人们亟待解决的问题。发明内容[0005]鉴于此，本发明提供