[發明專利]一種人工智能自動訓練方法、系統、裝置及存儲介質

有效

• 申請號: 202210669062.6
• 申請日: 2022-06-14
• 公開（公告）號: CN114757307B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 王曉輝;季知祥;蒲天驕;劉鵬;肖凱;郭鵬天;李道興
• 申請（專利權）人: 中國電力科學研究院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京中巡通大知識產權代理有限公司 11703
• 代理人: 李宏德

本發明公開了一種人工智能自動訓練方法、系統、裝置及存儲介質，設計面向卷積神經網絡、遞歸神經網絡、圖卷積神經網絡等一系列網絡搜索框架，設計電力模型結構相適應的基本操作子，探索可行的模型搜索策略，實現電網應用場景下多任務的自動化訓練，降低人工智能模型開發難度，解決傳統人工智能算法中特征選擇、模型評價等依靠個人經驗和繁瑣耗時的問題，提高人工智能模型開發效率。本發明可面向調度、運檢、安監等領域提供圖像識別、視頻分析、文本分析、語音識別等人工智能算法自動訓練，構建電力輸變電設備巡檢缺陷故障識別、安全生產監控違規操作識別、電力實體識別等模型，支撐電力調度、運檢、安監、營銷等各業務人工智能應用。

技術領域

本發明屬于人工智能領域，涉及一種面向電力多場景的人工智能自動訓練系統的構建方法，尤其是一種人工智能自動訓練方法、系統、裝置及存儲介質。

背景技術

深度學習模型雖然降低了特征提取的難度，但卻帶來了兩大類的超參數：與訓練有關的學習率、動量、批大小；與網絡結構有關的網絡寬度、卷積核的數量、卷積層的多少等。這些超參數構成了一個巨大的搜索空間。而調試這些錯綜復雜的算法參數，算法的使用者不僅需要專業的知識，往往要花費大量的時間和經歷去嘗試。從近期的發展趨勢來看，用算力換算法的思路來解決調參的問題越來越受到研究者的青睞。

雖然深度學習取得了這么多巨大的進步，但它離全自動化的機器學習系統距離還有很遠。每一個機器學習應用，如特征工程、模型選擇、算法選擇都需要定制化。如何將這些模型開發人員從這些繁瑣的任務中解放出來，讓他們從事更具有創新性的工作成為了一項極有價值的任務。

目前，針對電力業務的數據分析與挖掘應用，主要包括以下現有技術方案：

（1）業務理解

針對電力業務的數據分析與挖掘應用開始于業務需求分析數據分析人員要學習并理解業務領域的相關知識，與業務人員和關鍵利益相關方進行多次分析討論共同制定業務需求，形成業務問題；與業務應用人員共同確定項目的分析目標，即最終要實施的應用場景，并編制相應的功能設計方案；同時，還需評估可用于項目實施的人員、技術、時間和數據。

（2）分析方法選擇

此步的重點在于把業務問題轉化為分析問題，并形成初始的分析假設，初步確定需要使用的分析挖掘方法，以便根據分析目標確定要采用的人工智能算法。

（3）數據準備

根據業務需求分析結果，對潛在的數據源進行調研，并根據業務規則對可獲得的數據進行理解。結合分析目標，分析數據需求和可能用到的電力系統內外部數據。由于設備異常、傳輸干擾或人為因素等造成數據質量參差不齊，存在大量的空值、異常值和錯誤值等情況，因而數據預處理成為數據分析挖掘的決定性工作。需要結合業務規則和數據分布情況對數據進行清洗；基于統一數據模型對數據數據準備進行集成和融合；根據設定的分析挖掘方法，對清洗過的數據進行規約、變換、離散化等預處理，以提高分析算法的性能。

根據算法模型的訓練需要對部分數據進行數據標注，形成規范化算法可識別的數據，支撐算法模型訓練。

（4）數據建模

根據分析假設和數據情況，對初步確定的分析方法進行模型訓練、參數調優和算法驗證。通過數據探索和變量選擇，進行描述性統計分析和探索性建模分析以理解變量間的關系。基于分析假設、分析目標和數據探索情況，選擇一種或一類具體的分析方法，針對大規模全量數據進行分析挖掘時，采用新型分析挖掘工具中的分布式算法，進行模型訓練。在分析挖掘過程中，很多機器學習算法需要進行并行化改造和實現，這目前在學術界和工業界仍是一個挑戰。在模型訓練過程中，需根據分析方法的結果對模型參數進行調優。

（5）模型評估