[发明专利]一种在自动化主站实现操作到位的判断方法及装置

说明书

本发明公开了一种在自动化主站实现操作到位的判断方法和装置，包括：根据调度指令票，选取设备的运行数据，作为样本数据集；利用集成学习算法对所述样本数据集进行数据预处理，筛选出最优样本集；利用随机森林算法对所述最优样本集进行训练，获得分类准确度达到预设阈值的随机森林模型；根据所述随机森林模型判断所述调度指令票与设备当前运行状态的信息匹配度。通过建立随机森林模型，输出的操作指令类别是由多个决策树输出类别的众数所决定，亦可直观查看随机森林模型所选择的树结构与随机森林模型准确率，且采用网格搜索交叉验证对超参数进行同步训练，进而提升随机森林模型鲁棒性，提高对操作到位判断的准确性。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种在自动化主站实现操作到位研判的方法、装置、终端设备及存储介质。

背景技术

现有技术通常采用神经网络技术对配电网设备运行状态进行判断，而神经网络将变量放大成一系列的数字，一旦它完成了学习阶段，特征就变得无法区分了。如果只考虑预测，神经网络就是一直使用的事实上的算法。但是在行业环境中需要模型，它可以为利益相关者赋予特性或变量意义。这些利益相关者可以是任何人，不只是懂深度学习或机器学习知识的人。神经网络技术最严重的问题是没能力来解释自己的推理过程和推理依据；不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息，导致对配电网设备运行状态判断不准确。

发明内容

本发明目的在于，提供一种在自动化主站实现操作到位的判断方法，以解决采用神经网络技术对配电网设备运行状态进行建模导致数据易丢失，判别精度较低的问题。

为实现上述目的，本发明提供一种在自动化主站实现操作到位的判断方法，包括：

根据调度指令票，选取设备的运行数据，作为样本数据集；

利用集成学习算法对所述样本数据集进行数据预处理，筛选出最优样本集；

利用随机森林算法对所述最优样本集进行训练，获得分类准确度达到预设阈值的随机森林模型；

根据所述随机森林模型判断所述调度指令票与设备当前运行状态的信息匹配度。

优选地，所述利用随机森林算法对所述最优样本进行训练，获得分类准确度达到预设阈值的随机森林模型，具体为：

利用强分类器对所述最优样本进行训练，并根据设票法确定决策树的节点，直至所述决策树的所有分支都存在叶节点，则存储所述决策树；

根据所述调度指令票判断所述决策树的数目是否达到要求，若未达到要求，则继续训练，若达到要求，则生成随机森林模型。

优选地，所述运行数据包括电流、电压、功率和运行状态。

优选地，所述利用集成学习算法对所述样本数据集进行数据预处理，包括：

从所述样本数据集中随机抽取多个数据采样集；

将每个所述数据采样集分为多个训练样本集，利用弱学习器分别对所述训练样本集进行初步的训练，获得集成分类结果h(X)，公式如下：

其中，m为所述训练样本集的数量，h_i为第i个弱学习器，x_i为第i个训练样本集；

利用迭代计算将多个所述数据采样集对应的弱学习器训练成强学习器，获得最终的分类结果H(X)，公式如下：

其中，h_i为第i个弱学习器，ρ_i为第i个弱学习器的权重，M为弱学习器个数，y_i为第i个数据采样集。