法律状态公告日
法律状态信息
法律状态
2022-07-22
公开
发明专利申请公布
技术领域
本发明涉及电力技术领域,尤其涉及一种电力业扩流程智能评价的方法、装置、设备和存储介质。
背景技术
供电配网的业扩项目流程的制订中,部分项目节点计划用时过短,没有充分考虑项目节点所需要的实际用时,部分项目节点计划用时过长,没有充分调动项目施工的积极性,影响客户的满意度,所以需要对新制订的业扩项目流程把关。
但实际中对业扩项目流程的审核过于主观,主要是凭经验去评价项目节点计划用时的合理性,需要大量的人力,并且评价结果模糊、不确定性大。
发明内容
基于此,本发明提供了一种电力业扩流程智能评价的方法、装置、设备和存储介质,本申请通过模糊综合评价法综合所有节点的计划用时偏差的评价结果,评价结果清晰,系统性能力强。并将该清晰的结果输入至人工神经网络训练,使得人工神经网络挖掘历史项目节点数据与综合评价之间的关联性,从而通过训练好的人工神经网络快速、准确地对未来新制订的业扩项目流程进行评价。
根据本申请的一些实施例的第一方面,提供了一种电力业扩流程智能评价的方法,该方法包括以下步骤:
获取新规划的业扩项目的流程数据,所述流程数据包括项目节点类别、项目节点计划用时;
对所述流程数据进行归一化预处理;
将预处理后的所述流程数据输入至训练好的神经网络模型,得到评价结果,所述评价结果用于指示所述计划用时和所述项目节点的实际用时的用时偏差程度;
其中,所述神经网络模型的训练过程包括:
获取业扩项目的历史数据,所述历史数据包括业扩项目节点类别、项目节点计划用时、项目节点实际用时;
通过主成分分析法对所述历史数据降维处理,得到所述历史数据降维后的样本特征向量集;
通过模糊综合评价法评价所述样本特征向量集,得到历史评价结果;
将所述历史数据进行归一化预处理;
将预处理后的所述历史数据作为输入,将所述历史评价结果作为目标输出,训练所述神经网络模型,得到训练好的所述神经网络模型。
进一步地,对所述流程数据进行归一化预处理,包括:获得适用于神经网络模型运算的范围为0至1大小的数据,计算公式如下:
其中,x
对所述历史数据进行归一化预处理,包括:获得适用于神经网络模型运算的范围为0至1大小的数据,计算公式如下:
其中,x(j)为第j节点的历史计划用时,θ
进一步地,所述通过主成分分析法对所述历史数据降维,包括:
获取业扩项目历史数据,得到样本集S,计算公式如下:
Δt=t
其中,t
对所述样本集样本进行中心化,计算公式如下:
计算所述样本集样本的协方差矩阵,计算公式如下:
根据所述协方差矩阵,获得含k节点的特征向量的样本Y;
得到所述样本集中原始特征向量降维后的k节点的样本特征向量集
进一步地,所述根据所述协方差矩阵,获得含k节点的特征向量的样本Y,包括:
求出协方差矩阵C
det(C
其中,C
将所述特征值从大到小排列,所述特征值所对应的所述特征向量也对应按行从上到下排列成矩阵,并取前k行作为矩阵P=[p
将所述原始特征向量投影到选取的特征向量p上,利用矩阵P,将样本向量X降至k节点,剔除m-k节点,获得含k节点的特征向量的样本Y,其中,Y=PX。
进一步地,所述通过模糊综合评价法评价所述特征向量样本集前,还包括:
建立业扩项目流程评价集V={v
进一步地,通过模糊综合评价法评价所述特征向量样本集,得到所述评价结果,包括:
根据所述业扩项目节点的准确计划用时的重要程度,给予每个所述节点不同权重,得到k节点的样本特征向量集U所对应的权重模糊集A={a
建立模糊综合评价矩阵R:
通过模糊变量计算模糊向量B,具体计算如下:
从模糊向量B中选取数值最大的元素b所对应评价集的评价等级输出为所述评价结果;
进一步地,所述建立模糊综合评价矩阵R,包括:
根据所述业扩项目流程评价集V={v
将k维样本特征向量集
使用柯西分布计算每个节点对每个评价等级的隶属度,计算公式如下:
其中,
整理所有节点对所有评价等级的隶属度,获得综合评价矩阵R:
根据本申请的第二方面,提供一种电力业流程智能评价的装置,包括:
流程数据获取模块,用于获取新规划的业扩项目的流程数据,所述流程数据包括项目节点类别、项目节点计划用时;
流程数据处理模块,用于对所述流程数据进行归一化预处理;
评价结果获取模块,用于将预处理后的所述流程数据输入至训练好的神经网络模型,得到评价结果,所述评价结果用于指示所述计划用时和所述项目节点的实际用时的用时偏差程度;
其中,用于训练神经网络模型的神经网络模型训练模块,还包括;
历史数据获取单元,用于获取业扩项目的历史数据,所述历史数据包括业扩项目节点类别、项目节点计划用时、项目节点实际用时;
历史数据降维单元,用于通过主成分分析法对所述历史数据降维处理,得到所述历史数据降维后的样本特征向量集;
历史评价获取单元,用于通过模糊综合评价法评价所述样本特征向量集,得到历史评价结果;
历史数据处理单元,用于将所述历史数据进行归一化预处理;
神经网络模型训练单元,用于将预处理后的所述历史数据作为输入,将所述历史评价结果作为目标输出,训练所述神经网络模型,得到训练好的所述神经网络模型。
根据本申请的第三方面,提供一种设备,包括:
至少一个存储器和至少一个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如第一方面任一项所述的一种电力业扩流程智能评价的方法的步骤。
根据本申请的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:
所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
本申请提供的一种电力业扩流程智能评价的方法,首先通过主成分分析法处理历史数据,然后通过模糊评价法获取历史数据对应的评价结果,主成分分析法数据预处理模块进行数据降维,提取了有效数据且剔除了数据中的噪声,模糊综合评价法评价模块对所有流程节点进行综合评价,可以获得清晰的评价结果。使用较为准确和清晰的评价结果训练神经网络模块,得到训练好的神经网络模块。后续对电力业扩的流程的评价只需要将业扩项目的类别、节点和计划用时输入至训练好的神经网络,即可得到较为准确的评价结果。神经网络模型利用大数据,可以直接快速地对未来新立项的业扩电力业扩流程进行准确评价,相对于目前的人工评价来说,具有评价快速、清晰、准确的优点。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
附图说明
图1为本申请实施例中的一种电力业扩流程智能评价的方法的步骤流程图;
图2为本申请实施例中的一种电力业扩流程智能评价的装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的人体,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联人体的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联人体是一种“或”的关系。
供电配网的业扩项目流程的制订中,需要对新制订的业扩项目流程把关,但实际中对业扩项目流程的审核过于主观,主要是凭经验去评价项目节点计划用时的合理性,需要大量的人力,并且评价结果模糊、不确定性大。
为了解决上述问题,请参阅图1,图1为本申请提供一种电力业扩流程智能评价的方法,该方法包括以下步骤:
S1:获取新规划的业扩项目的流程数据,所述流程数据包括项目节点类别、项目节点计划用时。
电力业扩流程是对用电客户的用电申请进行受力到开始给客户供电的周期。业扩项目流程涉及范围广泛,包括电力工程的所有环节,如:设计、审核、施工、检查和竣工验收等。整个流程中任何一个环节的时间规划有问题,都会对该业扩项目流程产生较大影响。因此,为了保证电力业扩项目流程的合理实施,需要对业扩项目流程进行评价,从而能够根据评价进行改进。
S2:对所述流程数据进行归一化预处理。
由于流程数据包含的内容较多,且较复杂,为了后续更好的评价,所以先对流程数据进行归一化处理。
在一个具体的例子中,对流程书库进行归一化预处理,包括:
获得适用于神经网络模型运算的范围为0至1大小的数据,计算公式如下:
其中,x
S3:将预处理后的所述流程数据输入至训练好的神经网络模型,得到评价结果,所述评价结果用于指示所述项目节点的计划用时和所述项目节点的实际用时的用时偏差程度。
该评价结果是对项目流程中每个项目节点的计划时间是否合理的评判,如果计划时间和实际时间相差较小,则表明计划时间较为合理,则评价结果可视为好。与之相反,如果计划时间和实际时间相差较大,则表明计划时间不合理,则评价结果可视为差。
在步骤S3中,神经网络模型的训练过程包括:
获取业扩项目的历史数据,所述历史数据包括业扩项目节点类别、项目节点计划用时、项目节点实际用时。
采集已经完成的电力业扩项目的历史数据,选取不同节点,不同节点对应的计划用时以及该节点对应的实际用时,来对神经网络模型进行评价。
通过主成分分析法对所述历史数据降维处理,得到所述历史数据降维后的样本特征向量集。
主成分分析法是一种统计方法,通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。在本申请中,首先通过主成分分析法把历史数据中的有效数据提取出来,并剔除了数据中的噪声,有利于后续模糊综合评价法对该数据进行评价。
通过模糊综合评价法评价所述样本特征向量集,得到历史评价结果。
模糊分析法基于模糊数学的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰,系统性强的特点,能较好地解决模糊的、难以量化的问题,适合各种非确定性问题的解决。在本申请中,通过模糊评价法将业扩项目的计划时长和实际时长的差进行了评价,得到一个总的评价结果。
将所述历史数据进行归一化预处理。
在一个具体的例子中,归一化预处理包括:获得适用于神经网络模型运算的范围为0至1大小的数据,计算公式如下:
其中,x(j)为第j节点的历史计划用时,θ
将预处理后的所述历史数据作为输入,将所述历史评价结果作为目标输出,训练所述神经网络模型,得到训练好的所述神经网络模型。
常规中,通过人工对电力业扩项目流程进行评价,由于人工评价带有较多的主观性意识以及经验意识,因此,评价结果也会常常因人而异。而上述训练好的神经网络模型是首先通过主成分分析法将历史数据进行降维处理,筛选和提取出需要的数据后,通过模糊综合评价法对该数据进行评价,得到较为准确的历史评价结果。取代了较为主观的人工评价。将准确的人工评价和经过归一化处理的历史数据输入到神经网络模型中,使得该神经网络模型自主学习并确定历史数据和历史评价结果的关系,从而得到训练好的神经网络模型。该神经网络模型可以为任意的神经网络模型。具体的,该神经网络模型可以是CNN_LSTM神经网络模型,该模型包括依次相连的三层CNN层和两层LSTM层。
在一个具体的实施例中,将主成分分析法具体应用到电力业扩项目流程中,通过主成分分析法对所述历史数据降维,包括:
获取业扩项目历史数据,得到样本集S,计算公式如下:
Δt=t
其中,t
对所述样本集样本进行中心化,计算公式如下:
计算所述样本集样本的协方差矩阵,计算公式如下:
根据所述协方差矩阵,获得含k节点的特征向量的样本Y。
得到所述样本集中原始特征向量降维后的k节点的样本特征向量集
在一个具体的实施例中,根据所述协方差矩阵,获得含k节点的特征向量的样本Y,包括:
求出协方差矩阵C
det(C
其中,C
将所述特征值从大到小排列,所述特征值所对应的所述特征向量也对应按行从上到下排列成矩阵,并取前k行作为矩阵P=[p
将所述原始特征向量投影到选取的特征向量p上,利用矩阵P,将样本向量X降至k节点,剔除m-k节点,获得含k节点的特征向量的样本Y,其中,Y=PX。
在一个具体的实施例中,通过模糊综合评价法评价所述特征向量样本集前,还包括:
建立业扩项目流程评价集V={v
具体的,该评价集可以预设为从范围0至1等间隔的数表示,其中0表示最高评价等级,1表示最低评价等级。
在一个具体的实施例中,通过模糊综合评价法评价所述特征向量样本集,得到所述评价结果,包括:
根据所述业扩项目节点的准确计划用时的重要程度,给予每个所述节点不同权重,得到k节点的样本特征向量集U所对应的权重模糊集A={a
建立模糊综合评价矩阵R:
通过模糊变量计算模糊向量B,具体计算如下:
从模糊向量B中选取数值最大的元素b所对应评价集的评价等级输出为所述评价结果。
在一个具体的实施例中,建立模糊综合评价矩阵R,包括:
根据所述业扩项目流程评价集V={v
将k维样本特征向量集
使用柯西分布计算每个节点对每个评价等级的隶属度,计算公式如下:
其中,
整理所有节点对所有评价等级的隶属度,获得综合评价矩阵R:
与上述的一种电力业流程智能评价的方法相对应,请参阅图2,本申请还提供一种电力业流程智能评价的装置200,该装置200包括:
流程数据获取模块210,用于获取新规划的业扩项目的流程数据,所述流程数据包括项目节点类别、项目节点计划用时;
流程数据处理模块220,用于对所述流程数据进行归一化预处理;
评价结果获取模块230,用于将预处理后的所述流程数据输入至训练好的神经网络模型,得到评价结果,所述评价结果用于指示所述计划用时和所述项目节点的实际用时的用时偏差程度;
其中,用于训练神经网络模型的神经网络模型训练模块240,还包括;
历史数据获取单元,用于获取业扩项目的历史数据,所述历史数据包括业扩项目节点类别、项目节点计划用时、项目节点实际用时;
历史数据降维单元,用于通过主成分分析法对所述历史数据降维处理,得到所述历史数据降维后的样本特征向量集;
历史评价获取单元,用于通过模糊综合评价法评价所述样本特征向量集,得到历史评价结果;
历史数据处理单元,用于将所述历史数据进行归一化预处理;
神经网络模型训练单元,用于将预处理后的所述历史数据作为输入,将所述历史评价结果作为目标输出,训练所述神经网络模型,得到训练好的所述神经网络模型。
在一个可选的实施例中,流程数据处理模块220包括:
流程数据处理单元,用于对所述流程数据进行归一化预处理,包括:获得适用于神经网络模型运算的范围为0至1大小的数据,计算公式如下:
其中,x
在一个可选的例子中,神经网络模型训练模块240,包括:
评价集建立单元,用于建立业扩项目流程评价集V={v
在一个可选的实施例中,历史数据降维单元,包括:
样本集获取元件,用于获取业扩项目历史数据,得到样本集S,计算公式如下:
Δt=t
其中,t
中心化元件,用于对所述样本集样本进行中心化,计算公式如下:
矩阵获取元件,用于计算所述样本集样本的协方差矩阵,计算公式如下:
根据所述协方差矩阵,获得含k节点的特征向量的样本Y。
样本特征向量集获取元件,用于得到所述样本集中原始特征向量降维后的k节点的样本特征向量集
在一个可选的例子中,评价结果获取单元包括:
权重获取元件,用于根据所述业扩项目节点的准确计划用时的重要程度,给予每个所述节点不同权重,得到k节点的样本特征向量集U所对应的权重模糊集A={a
矩阵获取元件,用于建立模糊综合评价矩阵R:
根据所述业扩项目流程评价集V={v
将k维样本特征向量集
使用柯西分布计算每个节点对每个评价等级的隶属度,计算公式如下:
其中,
整理所有节点对所有评价等级的隶属度,获得综合评价矩阵R:
模糊向量获取元件,用于通过模糊变量计算模糊向量B,具体计算如下:
评价结果获取元件,从模糊向量B中选取数值最大的元素b所对应评价集的评价等级输出为所述评价结果。
与上述的一种电力业扩项目流程的评价方法相对应,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一种电力业扩项目流程的评价方法的步骤。
本申请提供的一种电力业扩流程智能评价的方法,首先通过主成分分析法处理历史数据,然后通过模糊评价法获取历史数据对应的评价结果,主成分分析法数据预处理模块进行数据降维,提取了有效数据且剔除了数据中的噪声,模糊综合评价法评价模块对所有流程节点进行综合评价,可以获得清晰的评价结果。使用较为准确和清晰的评价结果训练神经网络模块,得到训练好的神经网络模块。后续对电力业扩的流程的评价只需要将业扩项目的类别、节点和计划用时输入至训练好的神经网络,即可得到较为准确的评价结果。神经网络模型利用大数据,可以直接快速地对未来新立项的业扩电力业扩流程进行准确评价,相对于目前的人工评价来说,具有评价快速、清晰、准确的优点。
应当理解的是,本申请实施例并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求来限制。以上所述实施例仅表达了本申请实施例的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请实施例构思的前提下,还可以做出若干变形和改进,这些都属于本申请实施例的保护范围。
机译: 协同作业流程创建设备,协同作业流程创建方法,服务处理设备,服务处理方法,管理服务器,流程转换方法,作业流程执行方法,程序和存储介质
机译: 皮肤评价装置,皮肤评价系统,皮肤评价方法以及具有存储在其上的皮肤评价的计算机可读存储介质的程序
机译: 电力存储设备,控制设备,电力存储系统,用于控制电力存储设备的方法以及非暂态计算机可读介质存储控制程序