[发明专利]电网调控模型训练方法、系统、计算机设备及存储介质

说明书

本发明属于电力自动化领域，公开了一种电网调控模型训练方法、系统、计算机设备及存储介质，包括：获取电网调控模型训练数据并分组，得到若干训练数据组；按照训练数据组和学习体一一对应的关系，通过若干训练数据组并行训练预设的若干学习体，得到若干执行体；其中，通过训练数据组训练学习体时，将训练数据组划分为若干训练数据单元，并获取各训练数据单元的训练效果得到共享训练数据单元，并将共享训练数据单元共享至除所属训练数据组外的其他训练数据组；最后组合若干执行体得到电网调控模型。通过并行训练和并行预测，实现以量换质，并实现优质样本数据的共享学习，有效提升训练效果，能够有效减少大数据条件下电网调控模型的训练时间。

技术领域

本发明属于电力自动化领域，涉及一种电网调控模型训练方法、系统、计算机设备及存储介质。

背景技术

新型电力系统发展背景下，电网调控面临着海量数据的汇总分析及统一计算要求。从技术发展角度，大数据、云计算及人工智能等新技术进入了飞速发展的阶段，基于数据驱动的方法通过海量数据输入弥补了模型驱动方法的不足，可有效解决电网非线性、非连续性以及不确定性和随机性等问题。然而，目前人工智能技术在电网中的应用仍存在局限，存在模型可解释性差及分析预测结果不稳定等问题，难以满足电网调控系统稳定、可靠及安全运行的要求，究其原因，如果没有准确、完整的数据，人工智能技术在电网中的大规模应用就存在风险。因此，以数据为中心的人工智能技术（Data-centric AI）成为各行业发展的趋势，以数据为中心的方法认为，AI已经达到了数据比模型更重要的地步。如果将AI视为一个有移动部件的系统，那么就应该保持模型的相对固定，专注于高质量的数据来微调模型，而不是继续推动模型的边际改进。

虽然电网运行积累了海量的数据资源，但是电网调控大数据的价值密度低，能够满足特定业务模型训练的优质样本数据较少，尤其是常态化运行数据居多，异常或故障等具有特殊特征的数据较少，数据质量较低，这导致某些机器学习任务存在样本不均衡或者小样本问题，进而影响基于AI模型的电网调控模型的训练过程和发布后的预测效果。电网调控大数据校验和清洗处理后，数据质量提升了，但数据校验多是基于简化的校验规则，数据清洗多是采用等值或近似计算方法，无法确保数据质量满足所有人工智能业务模型的训练需求。另外大数据一般采用分布式并行计算技术，机器学习一般采用内存计算技术，大数据无法直接加载到内存进行机器学习模型训练。所以，在数据质量及数据均衡性等方面无法完全保证的前提下，如何利用海量调控数据资源尽可能的提升电网调控模型的训练效果和电网调控模型发布后的预测效果，是目前急需解决的问题。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种电网调控模型训练方法、系统、计算机设备及存储介质。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明第一方面，提供一种电网调控模型训练方法，包括：获取电网调控模型训练数据并分组，得到若干训练数据组；按照训练数据组和学习体一一对应的关系，通过若干训练数据组并行训练预设的若干学习体，得到若干执行体；其中，通过训练数据组训练学习体时，将当前训练数据组划分为若干训练数据单元，并通过若干训练数据单元依次训练当前学习体，并获取各训练数据单元对当前学习体的训练效果；以及将所述训练效果满足预设的训练效果要求的训练数据单元作为共享训练数据单元，并将共享训练数据单元共享至除所属训练数据组外的其他训练数据组；其中，若干学习体为根据电网调控需求构建的若干电网调控业务AI模型；组合若干执行体得到电网调控模型；其中，组合包括将若干执行体的输入共同作为电网调控模型的输入，将若干执行体的输出融合作为电网调控模型的输出。

可选的，所述通过若干训练数据组并行训练预设的若干学习体，得到若干执行体包括：按照训练数据组和学习体一一对应的关系，通过若干训练数据组，结合预设的与各学习体一一对应的评价体，并行训练预设的若干学习体；以及在训练完成后，通过各评价体获取各学习体的预设预测指标，并将预设预测指标满足预设的预设预测指标训练要求的学习体作为执行体。