[發明專利]神經網絡的訓練方法、裝置及用電負荷的判別方法、裝置

在審

• 申請號: 202010500259.8
• 申請日: 2020-06-04
• 公開（公告）號: CN111680740A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 郝吉芳
• 申請（專利權）人: 京東方科技集團股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 陳蕾

1.一種神經網絡的訓練方法，其特征在于，所述神經網絡用于判別用電負荷圖像的類別，所述訓練方法包括：

獲取經過預訓練的分類神經網絡，將所述分類神經網絡的輸出端的至少一個網絡層替換為用于判別用電負荷圖像的類別的至少一個網絡層，其中，替換后的輸出端的輸出維度與用電負荷圖像的類別數量相同；

將預先獲得的圖像集分為多個子集，并多次確定不同的測試集及對應的訓練集，其中，每次將至少一個子集確定為測試集，將其余子集中的至少一個子集確定為訓練集，所述圖像集包括多種用電負荷圖像，每種用電負荷圖像均包括多個用電負荷圖像；

每次確定測試集及對應的訓練集后，均使用訓練集中的用電負荷圖像訓練所述分類神經網絡至收斂，并根據所述測試集中的用電負荷圖像確定所述分類神經網絡的誤差值，其中，所述誤差值為所述分類神經網絡的分類結果的錯誤率；

響應于誤差集滿足預設條件，停止訓練所述分類神經網絡，其中，所述誤差集包括各個測試集對應的誤差值。

2.根據權利要求1所述的神經網絡的訓練方法，其特征在于，所述使用訓練集中的用電負荷圖像訓練所述分類神經網絡至收斂，包括：

將訓練集中的一個用電負荷圖像輸入至所述分類神經網絡中，輸出用電負荷圖像的類別；

根據輸出的用電負荷圖像的類別和所述用電負荷圖像的真實類別確定網絡損失值；

基于所述網絡損失值，對所述分類神經網絡的替換后的網絡層的網絡參數進行調整。

3.根據權利要求2所述的神經網絡的訓練方法，其特征在于，所述將訓練集中的一個用電負荷圖像輸入至所述分類神經網絡中，包括：

獲取用電負荷圖像的各個像素的坐標值和像素值；

根據各個像素的坐標值和像素值形成用電負荷圖像的像素表示數據；

將所述像素表示數據輸入至所述分類神經網絡中。

4.根據權利要求2所述的神經網絡的訓練方法，其特征在于，所述將所述分類神經網絡的輸出端的至少一個網絡層替換為用于判別用電負荷圖像的類別的至少一個網絡層，包括：

將所述分類神經網絡的輸出層替換為用于判別用電負荷圖像的類別的輸出層，其中，所述輸出層的輸出維度與用電負荷圖像的類別數量相同；

將所述輸出層前的至少一個全連接層替換為用于判別用電負荷圖像的類別的至少一個全連接層。

5.根據權利要求1所述的神經網絡的訓練方法，其特征在于，所述誤差集滿足預設條件，包括：

所述誤差集中的合格誤差所占比例大于預設的第一比例，其中，所述合格誤差為小于預設的誤差閾值的誤差值；

和/或，所述誤差集的平均誤差小于預設的誤差閾值，其中，所述誤差集的平均誤差為所述誤差集內的全部誤差值的平均值。

6.根據權利要求1所述的神經網絡的訓練方法，其特征在于，還包括：

獲取不同的用電主體的用電負荷數據；

根據不同的用電主體的用電負荷數據確定每個用電主體的至少一個用電負荷圖像；

分別標記每個用電負荷圖像的類別；

根據全部標記類別的用電負荷圖像確定圖像集。

7.根據權利要求6所述的神經網絡的訓練方法，其特征在于，所述將預先獲得的圖像集分為多個子集，包括：

將每種類別的用電負荷圖像平均分為多份，其中，每種類別的用電負荷圖像所分的份數相同；

分別從每種類別的用電負荷圖像中取一份，組成一個子集，直至取遍所有用電負荷圖像，其中，每種類別的用電負荷圖像中的每份只能取一次。

8.根據權利要求6所述的用神經網絡的訓練方法，其特征在于，所述根據不同的用電主體的用電負荷數據確定每個用電主體的至少一個用電負荷圖像，包括：

確定每個用電主體的一個或多個統計時長；

分別根據每個統計時長內的用電負荷數據確定對應的用電負荷圖像。