[发明专利]一种通信网关机遥控参数智能模糊比对方法

说明书

本发明公开了一种通信网关机遥控参数智能模糊比对方法，实施步骤包括将两个遥控参数分别通过训练好的词向量模型转换为相同维度的包含语义信息的一维向量，将两个一维向量分别输入两卷积神经网络，两卷积神经网络共享参数且对称，两卷积神经网络将两个一维向量构成的二维矩阵重新编码为一维向量后接入同一神经网络层，通过神经网络层计算两个卷积神经网络输出的一维向量之间的语义距离，根据该语义距离是否超过预设阈值来判断是否模糊匹配成功。本发明能更加智能地识别词语不同而语义相同的参数描述，更准确地区分词语匹配率高却语义不同的参数描述，提高了参数比对的准确率与效率，改善了遥控参数比对性能，提高了变电站遥控操作的安全性。

技术领域

本发明涉及变电站遥控的核验、比对遥控参数技术，具体涉及一种通信网关机遥控参数智能模糊比对方法。

背景技术

变电站遥控时，高效正确地核验、比对遥控参数，是避免误遥控、保证电网安全运行的必不可少的关键操作。为此，工程技术人员设计了一些自动化系统进行参数比对，以降低原人工比对方法的工作量，提高比对工作效率。

遥控参数自动比对通常有两类基本技术：第一种是字符串最大匹配方法，这类方法要求字符串严格相同，不能适用于灵活多变的文字性描述，实际应用中只作为比对的基本技术；第二种是基于规则库与专家库，例如隔离开关，按照规则，与隔离刀闸、隔刀、刀闸可认为是匹配的；第三种是基于神经网络和深度学习技术进行模糊比对。

但是，因为遥控参数，特别是遥控点的描述，缺少强制规范，工程人员输入时表述形式较自由，导致有大量的不同参数描述都是匹配的，一些相近的描述却可能是不匹配的。对于基于规则库和专家库的比对方法来说，一旦参数描述方式不在规则库当中，则该类方法就失效。对于传统神经网络和深度学习技术，则需要海量的人工标注的文本训练样本，才能够获得较好的效果，实际应用中阻碍这类技术应用的最大障碍就是在可承受的成本内，无法获得足够的人工标注的训练样本数据。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，根据变电站遥控网关机参数描述特点，提供一种学习能力强、具有较强泛化能力的一种通信网关机遥控参数智能模糊比对方法，本发明基于深度学习技术，采用少样本训练策略训练和构造一个将参数描述转成向量的模型，实现遥控参数的智能模糊比对。本发明基于参数描述的语义进行比对，避免了人工构造大量的遥控参数匹配规则，可以更加智能地识别词语不同而语义相同的参数描述，更准确地区分词语匹配率高却语义不同的参数描述，提高了参数比对的准确率与效率，改善网关机遥控参数自动比对系统的性能，进而提高变电站遥控操作的安全性。

为了解决上述技术问题，本发明采用的技术方案为：

一种通信网关机遥控参数智能模糊比对方法，实施步骤包括：

1)输入待比对的通信网关机的两个遥控参数X₁和X₂；

2)将两个遥控参数X₁和X₂分别通过预先训练好的词向量模型M1转换为相同维度的一维向量[X₁]和[X₂]；

3)将一维向量[X₁]输入卷积神经网络CNN1，同时将一维向量[X₂]输入卷积神经网络CNN2，所述卷积神经网络CNN1和卷积神经网络CNN2为共享参数的两个对称的卷积神经网络，所述卷积神经网络CNN1和卷积神经网络CNN2将一维向量[X₁]和[X₂]构成的二维矩阵重新编码为一维向量后接入同一个神经网络层，并通过神经网络层计算卷积神经网络CNN1和卷积神经网络CNN2输出的一维向量[X’₁]和[X’₂]之间距离；