[发明专利]一种人工智能自动训练方法、系统、装置及存储介质

说明书

本发明公开了一种人工智能自动训练方法、系统、装置及存储介质，设计面向卷积神经网络、递归神经网络、图卷积神经网络等一系列网络搜索框架，设计电力模型结构相适应的基本操作子，探索可行的模型搜索策略，实现电网应用场景下多任务的自动化训练，降低人工智能模型开发难度，解决传统人工智能算法中特征选择、模型评价等依靠个人经验和繁琐耗时的问题，提高人工智能模型开发效率。本发明可面向调度、运检、安监等领域提供图像识别、视频分析、文本分析、语音识别等人工智能算法自动训练，构建电力输变电设备巡检缺陷故障识别、安全生产监控违规操作识别、电力实体识别等模型，支撑电力调度、运检、安监、营销等各业务人工智能应用。

技术领域

本发明属于人工智能领域，涉及一种面向电力多场景的人工智能自动训练系统的构建方法，尤其是一种人工智能自动训练方法、系统、装置及存储介质。

背景技术

深度学习模型虽然降低了特征提取的难度，但却带来了两大类的超参数：与训练有关的学习率、动量、批大小；与网络结构有关的网络宽度、卷积核的数量、卷积层的多少等。这些超参数构成了一个巨大的搜索空间。而调试这些错综复杂的算法参数，算法的使用者不仅需要专业的知识，往往要花费大量的时间和经历去尝试。从近期的发展趋势来看，用算力换算法的思路来解决调参的问题越来越受到研究者的青睐。

虽然深度学习取得了这么多巨大的进步，但它离全自动化的机器学习系统距离还有很远。每一个机器学习应用，如特征工程、模型选择、算法选择都需要定制化。如何将这些模型开发人员从这些繁琐的任务中解放出来，让他们从事更具有创新性的工作成为了一项极有价值的任务。

目前，针对电力业务的数据分析与挖掘应用，主要包括以下现有技术方案：

（1）业务理解

针对电力业务的数据分析与挖掘应用开始于业务需求分析数据分析人员要学习并理解业务领域的相关知识，与业务人员和关键利益相关方进行多次分析讨论共同制定业务需求，形成业务问题；与业务应用人员共同确定项目的分析目标，即最终要实施的应用场景，并编制相应的功能设计方案；同时，还需评估可用于项目实施的人员、技术、时间和数据。

（2）分析方法选择

此步的重点在于把业务问题转化为分析问题，并形成初始的分析假设，初步确定需要使用的分析挖掘方法，以便根据分析目标确定要采用的人工智能算法。

（3）数据准备

根据业务需求分析结果，对潜在的数据源进行调研，并根据业务规则对可获得的数据进行理解。结合分析目标，分析数据需求和可能用到的电力系统内外部数据。由于设备异常、传输干扰或人为因素等造成数据质量参差不齐，存在大量的空值、异常值和错误值等情况，因而数据预处理成为数据分析挖掘的决定性工作。需要结合业务规则和数据分布情况对数据进行清洗；基于统一数据模型对数据数据准备进行集成和融合；根据设定的分析挖掘方法，对清洗过的数据进行规约、变换、离散化等预处理，以提高分析算法的性能。

根据算法模型的训练需要对部分数据进行数据标注，形成规范化算法可识别的数据，支撑算法模型训练。

（4）数据建模

根据分析假设和数据情况，对初步确定的分析方法进行模型训练、参数调优和算法验证。通过数据探索和变量选择，进行描述性统计分析和探索性建模分析以理解变量间的关系。基于分析假设、分析目标和数据探索情况，选择一种或一类具体的分析方法，针对大规模全量数据进行分析挖掘时，采用新型分析挖掘工具中的分布式算法，进行模型训练。在分析挖掘过程中，很多机器学习算法需要进行并行化改造和实现，这目前在学术界和工业界仍是一个挑战。在模型训练过程中，需根据分析方法的结果对模型参数进行调优。

（5）模型评估