电力业扩流程智能评价的方法、装置、设备和存储介质制造方法及图纸

本发明专利技术涉及一种电力业扩流程智能评价的方法，包括：获取新的流程数据并进行预处理；将处理后的流程数据输入至训练好的神经网络模型，得到评价结果；其中，神经网络模型的训练包括：获取历史数据；通过主成分分析法对历史数据降维并得到样本特征向量集；通过模糊综合评价法评价样本特征向量集，得到历史评价结果；将预处理的历史数据和历史评价结果输入至神经网络模型，得到训练好的神经网络模型。本申请过模糊综合评价法综合节点的计划用时偏差得到准确的评价结果。并将该清晰的结果输入至神经网络训练，使得神经网络挖掘历史数据与评价结果之间的关联性，从而通过训练好的神经网络快速、准确地对新制订的业扩项目流程进行评价。价。价。

Methods, devices, equipment and storage media for intelligent evaluation of power industry expansion process

【技术实现步骤摘要】
电力业扩流程智能评价的方法、装置、设备和存储介质


[0001]本专利技术涉及电力
，尤其涉及一种电力业扩流程智能评价的方法、装置、设备和存储介质。

技术介绍

[0002]供电配网的业扩项目流程的制订中，部分项目节点计划用时过短，没有充分考虑项目节点所需要的实际用时，部分项目节点计划用时过长，没有充分调动项目施工的积极性，影响客户的满意度，所以需要对新制订的业扩项目流程把关。
[0003]但实际中对业扩项目流程的审核过于主观，主要是凭经验去评价项目节点计划用时的合理性，需要大量的人力，并且评价结果模糊、不确定性大。

技术实现思路

[0004]基于此，本专利技术提供了一种电力业扩流程智能评价的方法、装置、设备和存储介质，本申请通过模糊综合评价法综合所有节点的计划用时偏差的评价结果，评价结果清晰，系统性能力强。并将该清晰的结果输入至人工神经网络训练，使得人工神经网络挖掘历史项目节点数据与综合评价之间的关联性，从而通过训练好的人工神经网络快速、准确地对未来新制订的业扩项目流程进行评价。
[0005]根据本申请的一些实施例的第一方面，提供了一种电力业扩流程智能评价的方法，该方法包括以下步骤：
[0006]获取新规划的业扩项目的流程数据，所述流程数据包括项目节点类别、项目节点计划用时；
[0007]对所述流程数据进行归一化预处理；
[0008]将预处理后的所述流程数据输入至训练好的神经网络模型，得到评价结果，所述评价结果用于指示所述计划用时和所述项目节点的实际用时的用时偏差程度；
[0009]其中，所述神经网络模型的训练过程包括：
[0010]获取业扩项目的历史数据，所述历史数据包括业扩项目节点类别、项目节点计划用时、项目节点实际用时；
[0011]通过主成分分析法对所述历史数据降维处理，得到所述历史数据降维后的样本特征向量集；
[0012]通过模糊综合评价法评价所述样本特征向量集，得到历史评价结果；
[0013]将所述历史数据进行归一化预处理；
[0014]将预处理后的所述历史数据作为输入，将所述历史评价结果作为目标输出，训练所述神经网络模型，得到训练好的所述神经网络模型。
[0015]进一步地，对所述流程数据进行归一化预处理，包括：获得适用于神经网络模型运算的范围为0至1大小的数据，计算公式如下：
[0016][0017]其中，x
i
(j)为第j节点的计划用时，θ
imin
(j)为第j节点的计划用时最小值，θ
imax
(j)为第j节点的计划用时最大值；
[0018]对所述历史数据进行归一化预处理，包括：获得适用于神经网络模型运算的范围为0至1大小的数据，计算公式如下：
[0019][0020]其中，x(j)为第j节点的历史计划用时，θ
min
(j)为第j节点的历史计划用时最小值，θ
max
(j)为第j节点的历史计划用时最大值。
[0021]进一步地，所述通过主成分分析法对所述历史数据降维，包括：
[0022]获取业扩项目历史数据，得到样本集S，计算公式如下：
[0023]Δt＝t
计划
‑
t
实际
，
[0024][0025]其中，t
计划
为项目节点计划用时、t
实际
为项目节点实际用时，Δt为节点用时计划偏差，n为历史业扩项目数量，m为业扩项目节点数量，X为样本集样本，x为样本特征，x＝Δt，X
i
＝[x1,
…
,x
m
]为一个样本的原始特征向量；
[0026]对所述样本集样本进行中心化，计算公式如下：
[0027]其中，Xi为原始特征向量，m为样本数量；
[0028]计算所述样本集样本的协方差矩阵，计算公式如下：
[0029]其中，C
i
为协方差矩阵，m为样本数量，X
i
为样本集特征向量；
[0030]根据所述协方差矩阵，获得含k节点的特征向量的样本Y；
[0031]得到所述样本集中原始特征向量降维后的k节点的样本特征向量集其中，样本Yi为降维为k节点的项目节点用时计划偏差。
[0032]进一步地，所述根据所述协方差矩阵，获得含k节点的特征向量的样本Y，包括：
[0033]求出协方差矩阵C
i
的特征值λ
i
及对应的特征向量p，具体计算如下：
[0034]det(C
i
‑
λ
i
E)＝0，(C
i
‑
λ
i
E)p＝0，
[0035]其中，C
i
为协方差矩阵，λ
i
为特征值，p为特征值λ
i
对应的特征向量；
[0036]将所述特征值从大到小排列，所述特征值所对应的所述特征向量也对应按行从上到下排列成矩阵，并取前k行作为矩阵P＝[p1,
…
,p
k
]；
[0037]将所述原始特征向量投影到选取的特征向量p上，利用矩阵P，将样本向量X降至k节点，剔除m
‑
k节点，获得含k节点的特征向量的样本Y，其中，Y＝PX。
[0038]进一步地，所述通过模糊综合评价法评价所述特征向量样本集前，还包括：
[0039]建立业扩项目流程评价集V＝{v1,
…
,v
s
}，所述评价集用于指示不同的评价结果，
所述评价集结果包括用时偏差与对应的评价等级，所述用时偏差越大，对应所述评价等级越低。
[0040]进一步地，通过模糊综合评价法评价所述特征向量样本集，得到所述评价结果，包括：
[0041]根据所述业扩项目节点的准确计划用时的重要程度，给予每个所述节点不同权重，得到k节点的样本特征向量集U所对应的权重模糊集A＝{a1,
…
,a
k
}；
[0042]建立模糊综合评价矩阵R：
[0043]通过模糊变量计算模糊向量B，具体计算如下：
[0044]其中，k为降维后的节点数量，s为评价集的评价等级数量，r
ks
为样本特征向量集U第k节点对评价集第s评价等级的隶属度；
[0045]从模糊向量B中选取数值最大的元素b所对应评价集的评价等级输出为所述评价结果；
[0046]进一步地，所述建立模糊综合评价矩阵R，包括：
[0047]根据所述业扩项目流程评价集V＝{v1,...,v
s
}，将业扩项目流程评价集使用范围0至1等间隔的数表示其中0表示最高评价等级，1表示最低评价等级；
[0048]将k维样本特征向量集的每个节点进行归一化处理，具体计算如下：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力业扩流程智能评价的方法，其特征在于，该方法包括以下步骤：获取新规划的业扩项目的流程数据，所述流程数据包括项目节点类别、项目节点计划用时；对所述流程数据进行归一化预处理；将预处理后的所述流程数据输入至训练好的神经网络模型，得到评价结果，所述评价结果用于指示所述项目节点的计划用时和所述项目节点的实际用时的用时偏差程度；其中，所述神经网络模型的训练过程包括：获取业扩项目的历史数据，所述历史数据包括业扩项目节点类别、项目节点计划用时、项目节点实际用时；通过主成分分析法对所述历史数据降维处理，得到所述历史数据降维后的样本特征向量集；通过模糊综合评价法评价所述样本特征向量集，得到历史评价结果；将所述历史数据进行归一化预处理；将预处理后的所述历史数据作为输入，将所述历史评价结果作为目标输出，训练所述神经网络模型，得到训练好的所述神经网络模型。2.根据权利要求1所述的一种电力业扩流程智能评价的方法，其特征在于：对所述流程数据进行归一化预处理，包括：获得适用于神经网络模型运算的范围为0至1大小的数据，计算公式如下：其中，x
i
(j)为第j节点的计划用时，θ
imin
(j)为第j节点的计划用时最小值，θ
imax
(j)为第j节点的计划用时最大值；对所述历史数据进行归一化预处理，包括：获得适用于神经网络模型运算的范围为0至1大小的数据，计算公式如下：其中，x(j)为第j节点的历史计划用时，θ
min
(j)为第j节点的历史计划用时最小值，θ
max
(j)为第j节点的历史计划用时最大值。3.根据权利要求1所述的一种电力业流程智能评价的方法，其特征在于，所述通过主成分分析法对所述历史数据降维，包括：获取业扩项目历史数据，得到样本集S，计算公式如下：Δt＝t
计划
‑
t
实际
，其中，t
计划
为项目节点计划用时、t
实际
为项目节点实际用时，Δt为节点用时计划偏差，n为历史业扩项目数量，m为业扩项目节点数量，X为样本集样本，x为样本特征，x＝Δt，X
i
＝[x1,...,x
m
]为一个样本的原始特征向量；对所述样本集样本进行中心化，计算公式如下：
其中，Xi为原始特征向量，m为样本数量；计算所述样本集样本的协方差矩阵，计算公式如下：其中，C
i
为协方差矩阵，m为样本数量，X
i
为样本集特征向量；根据所述协方差矩阵，获得含k节点的特征向量的样本Y；得到所述样本集中原始特征向量降维后的k节点的样本特征向量集其中，样本Yi为降维为k节点的项目节点用时计划偏差。4.根据权利要求3所述的一种电力业流程智能评价的方法，其特征在于，所述根据所述协方差矩阵，获得含k节点的特征向量的样本Y，包括：求出协方差矩阵C
i
的特征值λ
i
及对应的特征向量p，具体计算如下：det(C
i
‑
λ
i
E)＝0，(C
i
‑
λ
i
E)p＝0，其中，C
i
为协方差矩阵，λ
i
为特征值，p为特征值λ
i
对应的特征向量；将所述特征值从大到小排列，所述特征值所对应的所述特征向量也对应按行从上到下排列成矩阵，并取前k行作为矩阵P＝[p1,...,p
k
]；将所述原始特...

【专利技术属性】
技术研发人员：周鑫，林镜星，林其雄，许斌斌，谢志炜，张夏菲，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：