[发明专利]一种电力序列数据分类方法和装置

权利要求书

1.一种电力序列数据分类方法，其特征在于，包括：

获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据预处理，生成处理数据集；

按第一预定数量从所述处理数据集中提取模型构建数据；

采用所述模型构建数据和动态时间归整DTW重心平均算法，构建初始径向基神经网络模型；

按第二预定数量从所述处理数据集中提取模型训练数据；

采用所述模型训练数据对所述初始径向基神经网络模型进行训练，得到目标径向基神经网络模型；

接收预置终端发送的待分类电力序列数据；

使用所述目标径向基神经网络模型对所述待分类电力序列数据进行分类，生成待分类电力序列数据的分类结果。

2.根据权利要求1所述的方法，其特征在于，所述处理数据集包括第一处理数据集或第二处理数据集，所述获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据预处理，生成处理数据集的步骤，包括：

获取预置已分类电力序列数据；

对所述预置已分类电力序列数据执行数据跳变处理操作，生成第一处理数据；

判断所述第一处理数据中是否存在缺失值；

若存在，则执行数据缺失值处理操作和数据归一化操作，生成所述第一处理数据集；

若不存在，则执行数据归一化操作，生成所述第二处理数据集。

3.根据权利要求1所述的方法，其特征在于，所述采用所述模型构建数据和动态时间归整DTW重心平均算法，构建初始径向基神经网络模型的步骤，包括：

对所述模型构建数据执行聚类操作，生成多个聚类簇；

使用DTW重心平均算法计算每个所述聚类簇的中心序列；

基于所述中心序列构建初始径向基神经网络模型。

4.根据权利要求1所述的方法，其特征在于，所述模型训练数据具有对应的真实类别，所述采用所述模型训练数据对所述初始径向基神经网络模型进行训练，得到目标径向基神经网络模型的步骤，包括：

将所述模型训练数据输入所述初始径向基神经网络模型，确定所述模型训练数据的预测类别；

采用所述预测类别、所述真实类别和所述模型训练数据，计算所述初始径向基神经网络模型的交叉熵；

若所述交叉熵小于预定阈值，则得到所述目标径向基神经网络模型；

若所述交叉熵大于或等于预定阈值，则使用反向传播算法更新所述初始径向基神经网络模型。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：

按第三预定数量从所述处理数据集中提取模型测试数据；所述模型测试数据具有对应的真实分类结果；

将所述模型测试数据输入到所述目标径向基神经网络模型中，得到预测分类结果；

采用所述预测分类结果与所述真实分类结果，计算所述目标径向基神经网络模型的均方根误差，确定所述目标径向基神经网络模型的置信度。

6.一种电力序列数据分类装置，其特征在于，包括：

处理数据集生成模块，用于获取预置已分类电力序列数据，对所述预置已分类电力序列数据进行数据预处理，生成处理数据集；

模型构建数据提取模块，用于按第一预定数量从所述处理数据集中提取模型构建数据；

初始模型构建模块，用于采用所述模型构建数据和DTW重心平均算法，构建初始径向基神经网络模型；

模型训练数据提取模块，用于按第二预定数量从所述处理数据集中提取模型训练数据；

初始模型训练模块，用于采用所述模型训练数据对所述初始径向基神经网络模型进行训练，得到目标径向基神经网络模型；

待分类数据接收模块，用于接收预置终端发送的待分类电力序列数据；

分类结果生成模块，用于使用所述目标径向基神经网络模型对所述待分类电力序列数据进行分类，生成待分类电力序列数据的分类结果。