基于多重交织深度学习模型的电网数据校核方法、系统、设备及存储介质与流程

1.一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述对每组历史数据和每组预测数据进行预处理，得到各自固定大小的嵌入矩阵，具体操作包括：

3.根据权利要求1所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述多重交织深度学习模型由多个单重交织网络的叠加构成；每个单重交织网络的输入为步骤2得到的嵌入矩阵，输入的嵌入矩阵经过双向门控循环单元bi-gru得到一个关注到嵌入矩阵内部各抽样时刻之间关联的、与原嵌入矩阵大小相同的新的嵌入矩阵；新的嵌入矩阵与输入的嵌入矩阵相加后送入卷积神经网cnn，以提取单个抽样时刻内部各电网数据之间的关联特征。

4.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：每个单重交织网络的输入输出形状相同。

5.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述卷积神经网cnn中采用的卷积核的长度与嵌入矩阵长度保持相同。

6.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述的进行特征提取和最大池化处理，具体包括：所有单重交织网络叠加产生的最终特征矩阵，再经过最大池化处理，得到每组历史数据和每组预测数据对应的向量表示形式。

7.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：所述的进行特征提取和最大池化处理，具体包括：每层单重交织网络产生的特征矩阵经过最大池化处理，得到向量；再将所有向量进行堆叠得到每组历史数据和每组预测数据对应的向量表示形式。

8.根据权利要求1所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：按照以下步骤得到训练好的多重交织深度学习模型：

9.根据权利要求3所述的一种基于多重交织深度学习模型的电网数据校核方法，其特征在于：各单重交织网络的网络参数相互独立。

10.一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：包括：

11.根据权利要求10所述的一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：所述对每组历史数据和每组预测数据进行预处理，得到各自固定大小的嵌入矩阵，具体操作包括：

12.根据权利要求10所述的一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：所述多重交织深度学习模型由多个单重交织网络的叠加构成；每个单重交织网络的输入为步骤2得到的嵌入矩阵，输入的嵌入矩阵经过双向门控循环单元bi-gru得到一个关注到嵌入矩阵内部各抽样时刻之间关联的、与原嵌入矩阵大小相同的新的嵌入矩阵；新的嵌入矩阵与输入的嵌入矩阵相加后送入卷积神经网cnn，以提取单个抽样时刻内部各电网数据之间的关联特征。

13.根据权利要求12所述的一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：每个单重交织网络的输入输出形状相同，各单重交织网络的网络参数相互独立。

14.根据权利要求12所述的一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：所述卷积神经网cnn中采用的卷积核的长度与嵌入矩阵长度保持相同。

15.根据权利要求12所述的一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：所述的进行特征提取和最大池化处理，具体包括：所有单重交织网络叠加产生的最终特征矩阵，再经过最大池化处理，得到每组历史数据和每组预测数据对应的向量表示形式。

16.根据权利要求12所述的一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：所述的进行特征提取和最大池化处理，具体包括：每层单重交织网络产生的特征矩阵经过最大池化处理，得到向量；再将所有向量进行堆叠得到每组历史数据和每组预测数据对应的向量表示形式。

17.根据权利要求10所述的一种基于多重交织深度学习模型的电网数据校核系统，其特征在于：按照以下步骤得到训练好的多重交织深度学习模型：

18.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至9任意一项所述的一种基于多重交织深度学习模型的电网数据校核方法的步骤。

19.一种存储介质，其特征在于，所述存储介质存储有电网数据校核程序，所述电网数据校核程序被至少一个处理器执行时实现权利要求1至9任意一项所述的一种基于多重交织深度学习模型的电网数据校核方法的步骤。