本技術(shù)屬于物聯(lián)網(wǎng)，尤其涉及一種模型的訓(xùn)練方法、裝置、設(shè)備及計算機存儲介質(zhì)。

背景技術(shù)：

1、隨著現(xiàn)代社會的發(fā)展，電力已經(jīng)成為日常生活和工業(yè)生產(chǎn)的核心能源。電網(wǎng)作為輸送和分配電能的關(guān)鍵基礎(chǔ)設(shè)施，其穩(wěn)定、安全和高效的運行對于整個社會的穩(wěn)定都至關(guān)重要。然而，由于電網(wǎng)的復(fù)雜性、多節(jié)點性和多參數(shù)性，它容易受到各種內(nèi)部和外部因素的影響，從而產(chǎn)生故障。近年來，大量的傳感器和監(jiān)控系統(tǒng)已經(jīng)被部署在電網(wǎng)中，為電網(wǎng)運維提供了豐富的數(shù)據(jù)。這些數(shù)據(jù)包括電壓、電流、頻率等關(guān)鍵參數(shù)，它們?yōu)楣收蠙z測和預(yù)測提供了可能性。通過有效地分析和處理這些數(shù)據(jù)，可以更準(zhǔn)確地預(yù)測和防止?jié)撛诘碾娋W(wǎng)故障。

2、目前，使用極限學(xué)習(xí)機分類器進(jìn)行電網(wǎng)中故障的預(yù)測是比較常見的。傳統(tǒng)的極限學(xué)習(xí)機分類器，利用從傳感器或監(jiān)控系統(tǒng)中獲取到的數(shù)據(jù)，通常基于梯度下降算法等更新內(nèi)部的權(quán)重和參數(shù)，進(jìn)行極限學(xué)習(xí)機分類器的訓(xùn)練。

3、但是，這種訓(xùn)練方式的訓(xùn)練速度較慢，存在局部最優(yōu)的問題，而且訓(xùn)練好的極限學(xué)習(xí)機分類器還存在泛化能力較低的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供一種模型的訓(xùn)練方法、裝置、設(shè)備及計算機存儲介質(zhì)，基于食肉植物算法模型更新極限學(xué)習(xí)機分類器的權(quán)重和偏置，不僅提高了訓(xùn)練速度，還優(yōu)化了極限學(xué)習(xí)機分類器的泛化能力，減少了局部最優(yōu)問題的風(fēng)險。

2、第一方面，本技術(shù)實施例提供一種模型的訓(xùn)練方法，包括：

3、獲取第一訓(xùn)練樣本；

4、將第一訓(xùn)練樣本輸入至極限學(xué)習(xí)機分類器中，利用食肉植物算法模型初始化極限學(xué)習(xí)機分類器的權(quán)重和偏置，利用第一訓(xùn)練樣本訓(xùn)練極限學(xué)習(xí)機分類器；

5、根據(jù)第一訓(xùn)練樣本的真實標(biāo)簽和極限學(xué)習(xí)機分類器輸出的預(yù)測標(biāo)簽，確定第一訓(xùn)練樣本的權(quán)重，根據(jù)第一訓(xùn)練樣本的權(quán)重、極限學(xué)習(xí)機分類器和預(yù)測誤差和極限學(xué)習(xí)機分類器的權(quán)重構(gòu)建適應(yīng)度約束函數(shù)；

6、利用食肉植物算法模型更新極限學(xué)習(xí)機分類器的權(quán)重和偏置，在適應(yīng)度約束函數(shù)滿足第一預(yù)設(shè)條件的情況下，得到訓(xùn)練好的極限學(xué)習(xí)機分類器。

7、在一個可能實現(xiàn)的實施例中，在獲取第一訓(xùn)練樣本之后，方法還包括：

8、基于黎曼自編碼網(wǎng)絡(luò)模型，利用自編碼器對第一訓(xùn)練樣本進(jìn)行編碼，得到量子態(tài)訓(xùn)練樣本，并利用解碼器對量子態(tài)訓(xùn)練樣本進(jìn)行解碼，得到第二訓(xùn)練樣本；

9、將第二訓(xùn)練樣本輸入至極限學(xué)習(xí)機分類器中，利用食肉植物算法模型初始化極限學(xué)習(xí)機分類器的權(quán)重和偏置，利用第二訓(xùn)練樣本訓(xùn)練極限學(xué)習(xí)機分類器；

10、根據(jù)第二訓(xùn)練樣本的真實標(biāo)簽和極限學(xué)習(xí)機分類器輸出的預(yù)測標(biāo)簽，確定第二訓(xùn)練樣本的權(quán)重，根據(jù)第二訓(xùn)練樣本的權(quán)重、極限學(xué)習(xí)機分類器和預(yù)測誤差和極限學(xué)習(xí)機分類器的權(quán)重構(gòu)建適應(yīng)度約束函數(shù)；

11、利用食肉植物算法模型更新極限學(xué)習(xí)機分類器的權(quán)重和偏置，在適應(yīng)度約束函數(shù)滿足預(yù)設(shè)條件的情況下，得到訓(xùn)練好的目標(biāo)極限學(xué)習(xí)機分類器。

12、在一個可能實現(xiàn)的實施例中，還包括：

13、在得到多個訓(xùn)練好的目標(biāo)極限學(xué)習(xí)機分類器的情況下，分別比較多個訓(xùn)練好的目標(biāo)極限學(xué)習(xí)機分類器輸出的預(yù)測標(biāo)簽和第二訓(xùn)練樣本的真實標(biāo)簽，得到多個訓(xùn)練好的目標(biāo)極限學(xué)習(xí)機分類器的準(zhǔn)確率；

14、根據(jù)準(zhǔn)確率與分?jǐn)?shù)的關(guān)系信息和多個訓(xùn)練好的目標(biāo)極限學(xué)習(xí)機分類器的準(zhǔn)確率，確定多個訓(xùn)練好的目標(biāo)極限學(xué)習(xí)機分類器的分?jǐn)?shù)；

15、對分?jǐn)?shù)進(jìn)行歸一化，得到多個訓(xùn)練好的目標(biāo)極限學(xué)習(xí)機分類器的目標(biāo)分?jǐn)?shù)，并將目標(biāo)分?jǐn)?shù)分別作為多個訓(xùn)練好的目標(biāo)極限學(xué)習(xí)機分類器的預(yù)測權(quán)重；

16、根據(jù)多個訓(xùn)練好的目標(biāo)極限學(xué)習(xí)機分類器的預(yù)測權(quán)重和預(yù)測標(biāo)簽，確定電網(wǎng)故障預(yù)測模型。

17、在一個可能實現(xiàn)的實施例中，在基于黎曼自編碼網(wǎng)絡(luò)模型，利用自編碼器對第一訓(xùn)練樣本進(jìn)行編碼，得到量子態(tài)訓(xùn)練樣本，并利用解碼器對量子態(tài)訓(xùn)練樣本進(jìn)行解碼，得到第二訓(xùn)練樣本之前，方法還包括：

18、獲取初始黎曼自編碼網(wǎng)絡(luò)模型和初始正定矩陣；

19、基于初始黎曼自編碼網(wǎng)絡(luò)模型，利用自編碼器將第一訓(xùn)練樣本映射到量子態(tài)，得到初始量子態(tài)訓(xùn)練樣本；

20、根據(jù)初始量子態(tài)訓(xùn)練樣本的參數(shù)，確定第一損失函數(shù)；

21、根據(jù)初始正定矩陣和任意兩個第二訓(xùn)練樣本之差，確定第二損失函數(shù)；

22、基于初始黎曼自編碼網(wǎng)絡(luò)模型，利用解碼器對初始量子態(tài)訓(xùn)練樣本進(jìn)行解碼，得到初始第二訓(xùn)練樣本；

23、根據(jù)第一訓(xùn)練樣本和初始第二訓(xùn)練樣本的距離，確定第三損失函數(shù)；

24、根據(jù)第一損失函數(shù)、第二損失函數(shù)和第三損失函數(shù)，確定初始黎曼自編碼網(wǎng)絡(luò)模型的編碼損失函數(shù)；

25、基于編碼損失函數(shù)更新初始黎曼自編碼網(wǎng)絡(luò)模型，并更新初始正定矩陣，在編碼損失函數(shù)滿足第二預(yù)設(shè)條件的情況下，得到黎曼自編碼網(wǎng)絡(luò)模型。

26、在一個可能實現(xiàn)的實施例中，在獲取第一訓(xùn)練樣本之前，方法還包括：

27、獲取目標(biāo)原始樣本；

28、利用訓(xùn)練好的生成對抗網(wǎng)絡(luò)生成目標(biāo)原始樣本對應(yīng)的目標(biāo)擴充樣本；

29、利用目標(biāo)原始樣本和目標(biāo)擴充樣本構(gòu)建第一訓(xùn)練樣本。

30、在一個可能實現(xiàn)的實施例中，在獲取目標(biāo)原始樣本之前，方法還包括：

31、獲取第一原始樣本；

32、對第一原始樣本進(jìn)行歸一化，得到第二原始樣本；

33、對第二原始樣本中的缺失值進(jìn)行補充，得到第三原始樣本；

34、利用滑動窗口，對第三原始樣本去噪聲，得到目標(biāo)原始樣本。

35、在一個可能實現(xiàn)的實施例中，在利用訓(xùn)練好的生成對抗網(wǎng)絡(luò)生成目標(biāo)原始樣本對應(yīng)的目標(biāo)擴充樣本之前，方法還包括：

36、獲取生成對抗網(wǎng)絡(luò)；

37、利用生成對抗網(wǎng)絡(luò)的生成器，按照隨機噪聲、目標(biāo)原始樣本和第k個擴充樣本生成第k+1個擴充樣本，并構(gòu)建生成對抗網(wǎng)絡(luò)的迭代損失函數(shù)，迭代損失函數(shù)包括損失值、目標(biāo)原始樣本、第k+1個擴充樣本、動態(tài)上下文向量、和第k+1個擴充樣本的熵的關(guān)系信息，其中，k正整數(shù)；

38、基于迭代損失函數(shù)，利用生成對抗網(wǎng)絡(luò)的判別器將第k+1個擴充樣本與目標(biāo)原始樣本進(jìn)行對抗學(xué)習(xí)，迭代訓(xùn)練生成對抗網(wǎng)絡(luò)；

39、獲取生成對抗網(wǎng)絡(luò)的第一模型參數(shù)，將第一模型參數(shù)輸入至火蟻算法模型，利用火蟻算法模型更新第一模型參數(shù)；

40、利用更新后的第一模型參數(shù)更新生成對抗網(wǎng)絡(luò)，在迭代損失函數(shù)滿足第三預(yù)設(shè)條件的情況下，得到訓(xùn)練好的生成對抗網(wǎng)絡(luò)。

41、在一個可能實現(xiàn)的實施例中，在構(gòu)建生成對抗網(wǎng)絡(luò)的迭代損失函數(shù)之前，方法還包括：

42、從目標(biāo)原始樣本中，選取間隔預(yù)設(shè)時長的多個樣本點，作為間隔時序樣本；

43、將間隔時序樣本輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)中，利用循環(huán)神經(jīng)網(wǎng)絡(luò)，確定動態(tài)上下文向量；

44、獲取第k+1個擴充樣本和目標(biāo)原始樣本屬于同一分布的概率；

45、根據(jù)概率，確定第k+1個擴充樣本的熵。

46、在一個可能實現(xiàn)的實施例中，生成對抗網(wǎng)絡(luò)包括學(xué)習(xí)率，方法還包括：

47、根據(jù)第i輪更新的生成對抗網(wǎng)絡(luò)和第i+1輪更新的生成對抗網(wǎng)絡(luò)的迭代損失函數(shù)中損失值的變化量和第i輪更新的生成對抗網(wǎng)絡(luò)的學(xué)習(xí)率，確定第i+1輪的生成對抗網(wǎng)絡(luò)的學(xué)習(xí)率。

48、第二方面，本技術(shù)實施例提供了一種模型的訓(xùn)練裝置，包括：

49、獲取模塊，用于獲取第一訓(xùn)練樣本；

50、訓(xùn)練模塊，用于將第一訓(xùn)練樣本輸入至極限學(xué)習(xí)機分類器中，利用食肉植物算法模型初始化極限學(xué)習(xí)機分類器的權(quán)重和偏置，利用第一訓(xùn)練樣本訓(xùn)練極限學(xué)習(xí)機分類器；

51、構(gòu)建模塊，用于根據(jù)第一訓(xùn)練樣本的真實標(biāo)簽和極限學(xué)習(xí)機分類器輸出的預(yù)測標(biāo)簽，確定第一訓(xùn)練樣本的權(quán)重，根據(jù)第一訓(xùn)練樣本的權(quán)重、極限學(xué)習(xí)機分類器和預(yù)測誤差和極限學(xué)習(xí)機分類器的權(quán)重構(gòu)建適應(yīng)度約束函數(shù)；

52、確定模塊，用于利用食肉植物算法模型更新極限學(xué)習(xí)機分類器的權(quán)重和偏置，在適應(yīng)度約束函數(shù)滿足第一預(yù)設(shè)條件的情況下，得到訓(xùn)練好的極限學(xué)習(xí)機分類器。

53、第三方面，本技術(shù)實施例提供了一種電子設(shè)備，設(shè)備包括：

54、處理器以及存儲有計算機程序指令的存儲器；

55、處理器執(zhí)行計算機程序指令時實現(xiàn)上述任意一項的在模型的訓(xùn)練方法。

56、第四方面，本技術(shù)實施例提供了一種計算機存儲介質(zhì)，計算機可讀存儲介質(zhì)上存儲有計算機程序指令，計算機程序指令被處理器執(zhí)行時實現(xiàn)上述任意一項的模型的訓(xùn)練方法。

57、第五方面，本技術(shù)實施例提供了一種計算機程序產(chǎn)品，其特征在于，計算機程序產(chǎn)品中的指令由電子設(shè)備的處理器執(zhí)行時，使得電子設(shè)備能夠執(zhí)行上述任意一項的模型的訓(xùn)練方法。

58、本技術(shù)實施例的模型的訓(xùn)練方法、裝置、設(shè)備及計算機存儲介質(zhì)，該方法包括：獲取第一訓(xùn)練樣本；將第一訓(xùn)練樣本輸入至極限學(xué)習(xí)機分類器中，利用食肉植物算法模型初始化極限學(xué)習(xí)機分類器的權(quán)重和偏置，利用第一訓(xùn)練樣本訓(xùn)練極限學(xué)習(xí)機分類器；根據(jù)第一訓(xùn)練樣本的真實標(biāo)簽和極限學(xué)習(xí)機分類器輸出的預(yù)測標(biāo)簽，確定第一訓(xùn)練樣本的權(quán)重，根據(jù)第一訓(xùn)練樣本的權(quán)重、極限學(xué)習(xí)機分類器和預(yù)測誤差和極限學(xué)習(xí)機分類器的權(quán)重構(gòu)建適應(yīng)度約束函數(shù)；利用食肉植物算法模型更新極限學(xué)習(xí)機分類器的權(quán)重和偏置，在適應(yīng)度約束函數(shù)滿足第一預(yù)設(shè)條件的情況下，得到訓(xùn)練好的極限學(xué)習(xí)機分類器。如此，基于食肉植物算法模型更新極限學(xué)習(xí)機分類器的權(quán)重和偏置，不僅提高了訓(xùn)練速度，還優(yōu)化了極限學(xué)習(xí)機分類器的泛化能力，減少了局部最優(yōu)問題的風(fēng)險。