一种适配电力业务的人工智能数据集质量测评维度构建方法与流程
本发明涉及电力系统领域,特别涉及一种适配电力业务的人工智能数据集质量测评维度构建方法。
背景技术:
1、随着人工智能技术在电力系统中的广泛应用,高质量的数据集成为训练电力ai模型的基础支撑。电力系统运行产生海量的多模态数据,包括scada时序数据、设备故障录波数据、调度日志文本数据、巡检图像数据等,这些数据被广泛应用于设备故障诊断、负荷预测、电力调度、设备状态评估等典型业务场景。
2、当前,电力领域人工智能数据集的质量评估主要面临以下技术问题:
3、其一,现有数据集质量评估体系多源自通用数据管理领域,其质量维度(如准确性、完整性、一致性等)缺乏面向电力业务场景的明确定义和量化标准。电力数据具有高维时序性、多源异构性、强实时性等独特特征,通用质量维度难以准确反映电力ai数据集的实际质量水平。
4、其二,现有评估方法往往从数据本身出发构建质量指标,而未充分考虑电力业务场景对数据集质量的差异化需求。不同电力场景对数据集质量的诉求存在显著差异,但现有方法缺乏针对场景特点的维度筛选机制,导致评估维度与业务场景脱节。
5、其三,更为关键的是,现有评估体系缺乏面向电力系统特有要素的量化评估规则。电力数据集是否覆盖电网各类运行工况(正常态、预警态、紧急态、恢复态),是否包含足够比例的典型设备故障模式样本,是否完整具备调度决策所依赖的核心特征集——这些直接决定数据集在电力业务中实用价值的核心问题,在现有质量评估体系中均缺乏相应的量化约束,导致评估结果难以有效指导电力ai数据集的建设和优化。
技术实现思路
1、本发明的目的在于提供一种适配电力业务的人工智能数据集质量测评维度构建方法,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:一种适配电力业务的人工智能数据集质量测评维度构建方法,包括以下步骤:
3、s1、对电力业务典型场景进行业务分析,并将场景需求映射至数据集质量需求,挖掘各典型场景下数据集的质量需求特征;
4、s2、基于电力业务特性与数据特征,构建多维度质量属性萃取模型,利用所述萃取模型对所述质量需求特征进行筛选,得到核心质量维度,所述核心质量维度至少包括精确性维度、完整性维度、多样性维度和业务代表性维度;
5、s3、分别界定所述核心质量维度在电力典型场景下的具体内涵,并确定各核心质量维度之间的关联关系,根据所述具体内涵和所述关联关系构建适配电力业务的人工智能数据集质量测评维度体系;
6、其中,所述业务代表性维度的具体内涵至少包括以下量化规则:工况覆盖度、故障模式代表性和关键特征完整性,且利用所述萃取模型进行筛选时,若候选维度无法同时满足所述工况覆盖度、故障模式代表性和关键特征完整性的可量化要求,则将该候选维度从核心维度中剔除。
7、优选的,所述工况覆盖度为:数据集所涵盖的电力系统运行工况类型占预设典型工况集合的比例,所述典型工况集合至少包括正常态、预警态、紧急态和恢复态,且各工况样本数量比例与电网实际运行概率分布之间的散度不大于预设阈值。
8、优选的,所述故障模式代表性为:数据集所包含的电力设备典型故障类型占预设故障类型集合的比例,且每种故障类型的样本数量不低于该故障类型在电网历史运行统计中发生频次所对应的置信区间下限值;所述故障类型至少包括变压器局部放电、断路器拒动和线路单相接地。
9、优选的,所述关键特征完整性为:数据集完整包含电力调度决策所依赖的核心特征集,所述核心特征集至少包括三相电压谐波畸变率、三相电流谐波畸变率、频率偏差、功率因数和设备温度变化率。
10、优选的,所述多维度质量属性萃取模型基于电力业务特性权重与数据特征权重进行综合筛选;所述电力业务特性包括场景重要性、业务风险等级和决策依赖度;所述数据特征包括数据规模、数据维度、数据分布和数据标注质量。
11、优选的,利用所述萃取模型对所述质量需求特征进行筛选,得到核心质量维度,具体包括:
12、将所述质量需求特征映射至初始质量维度集合;
13、基于所述电力业务特性权重和所述数据特征权重,计算每个初始质量维度在电力典型场景下的综合重要度评分;
14、选择综合重要度评分高于预设阈值的初始质量维度作为候选维度;
15、根据所述业务代表性维度的量化规则对所述候选维度进行二次校验,剔除无法同时满足工况覆盖度、故障模式代表性和关键特征完整性可量化要求的候选维度,将保留的候选维度作为所述核心质量维度。
16、优选的,所述精确性维度的具体内涵包括:数据集样本标签与真实电力运行状态之间的一致性程度,以及数据特征值在量测误差允许范围内的准确程度;
17、所述完整性维度的具体内涵包括:数据集覆盖电力典型场景的完整程度、特征字段的缺失比例以及时间序列数据的连续程度;
18、所述多样性维度的具体内涵包括:数据集涵盖不同电力运行工况、不同设备类型、不同故障模式和不同时间粒度的丰富程度。
19、优选的,确定各核心质量维度之间的关联关系,具体包括:建立维度间的正向促进关系、负向制约关系和独立关系;
20、其中,所述正向促进关系包括多样性提升有助于业务代表性增强,所述负向制约关系包括精确性要求与多样性要求之间的权衡制约。
21、优选的,构建适配电力业务的人工智能数据集质量测评维度体系,具体包括:
22、以所述核心质量维度作为一级维度,在所述一级维度下依据电力典型场景差异设置二级子维度;
23、根据所述关联关系,设定维度间的权重分配原则和聚合规则,形成层次化、结构化的测评维度体系。
24、优选的,所述电力业务典型场景包括设备故障诊断场景、负荷预测场景、电力调度场景和设备状态评估场景。
25、本发明的技术效果和优点:
26、1、该适配电力业务的人工智能数据集质量测评维度构建方法,通过构建多维度质量属性萃取模型,并在萃取过程中以工况覆盖度、故障模式代表性和关键特征完整性的可量化要求对候选维度进行二次校验,剔除非电力业务核心的无关维度,使筛选出的核心质量维度能够真正反映电力业务场景对数据集质量的本质需求。
27、2、该适配电力业务的人工智能数据集质量测评维度构建方法,通过将业务代表性维度具体量化为工况覆盖度(含散度阈值约束),保证了数据集在工况维度上对电力运行全貌的覆盖能力;通过将业务代表性维度具体量化为故障模式代表性(含置信区间下限约束),保证了数据集中各类典型故障模式均具备足够的样本支撑;通过将业务代表性维度具体量化为关键特征完整性(含核心特征必选集),保证了数据集在特征层面的业务可用性。
28、3、该适配电力业务的人工智能数据集质量测评维度构建方法,通过在萃取模型中设置二次校验机制,候选维度必须同时满足三项量化规则方可保留,改变了现有方法对质量维度笼统筛选的做法,实现了维度筛选与电力业务强约束的深度绑定,使最终构建的测评维度体系在源头上即贴合电力业务特性,为后续量化指标设计与综合测评提供了准确、适用的顶层框架。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com