技术领域
[0001] 本发明涉及新一代信息技术相关技术领域，具体涉及基于元学习的多模态电力样本分类方法及系统。
相关背景技术
[0002] 电力样本分类有利于进行各类电力任务的解析，例如电力故障分析，电力数据历史回溯、电力数据分析等任务。但是由于电力样本包括视频、图片、音频和文本等各类存储模态，导致想要根据知识的相关性将样本数据归结分类成为较为复杂的问题。
[0003] 目前主流的电力样本分类主要是通过训练大模型，对各类模态的样本数据进行整理分类存储，缺点在于泛化能力较强的大模型的训练收敛速度较慢，训练数据的需求量较多。如何提升模型训练速度，降低训练数据的需求量成为主要研究方向。
具体实施方式
[0122] 本申请提供的技术方案总体思路如下：
[0123] 本申请实施例提供了基于元学习的多模态电力样本分类方法。解决现有技术中由于大模型的训练收敛速度较慢，训练数据的需求量较多，导致存在电力样本分类模型训练效率较差的技术问题，通过元学习器，实现了电力样本分类学习器的模型参数的更新指导，从而达到了降低训练速度，减少训练数据需求量的技术效果。
[0124] 在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
[0125] 实施例一
[0126] 如图1所示，本申请实施例提供了基于元学习的多模态电力样本分类方法，如图1所示，包括：
[0127] 获取待分类的多模态数据；
[0128] 基于预先训练好的电力样本分类学习器对所述待分类的多模态数据进行分类；
[0129] 其中，所述电力样本分类学习器是遍历拟合任务类别标签对多组多模态数据进行关联分析得到关联电力节点和关联模态数据，基于所述关联电力节点和关联模态数据对电力样本分类学习器进行训练，结合元学习器更新电力样本分类学习器的参数得到。
[0130] 如图2所示，电力样本分类学习器的训练包括：
[0131] 交互多模态数据源，采集多组多模态数据，其中，所述多组多模态数据包括图片数据或/和文本数据或/和视频数据或/和音频数据；
[0132] 具体而言，多模态数据源指的是电网中上传各类型的电力数据的底层感知终端，示例性地，若采集数据为温度数据，则数据源为温度传感器；若采集数据为某个区域监控数据，则数据源为对应区域的摄像装置。从多模态数据源采集历史过程中的监测数据，存储为多组多模态数据。任意一组多模态数据为相同存储模态的数据，存储模态指的是图片、文本、视频和音频等形式。
[0133] 由于电力样本分类需要涉及到图片数据或/和文本数据或/和视频数据或/和音频数据的识别分析，因此通常需要对图片数据或/和文本数据或/和视频数据或/和音频数据进行预处理，整理为独立同分布，即存储模态相同的文档，然后再调度对应的分类器进行分类。但是此种分类方式的缺点在于，不同模态的文档的预处理过程计算量较大，导致电力样本分类效率较差。虽然针对每种模态的数据进行针对性分类器的构建可以解决这一难题，但是训练数据的需求量较大，导致分类器的落地可能性较低。本申请实施例通过采集多组多模态数据，作为分类器的训练数据。无需进行预处理即可高效进行电力样本分类。
[0134] 遍历拟合任务类别标签对所述多组多模态数据进行关联性分析，获得关联特征信息，其中，所述关联特征信息包括关联电力节点和关联数据属性，所述关联数据属性源于关联模态数据；
[0135] 进一步的，遍历拟合任务类别标签对所述多组多模态数据进行关联性分析，获得关联特征信息，其中，所述关联特征信息包括关联电力节点和关联数据属性，所述关联数据属性源于关联模态数据，包括：
[0136] 基于所述拟合任务类别标签，采集历史拟合日志，其中，任意一条所述历史拟合日志包括至少一条包括拟合数据特征，任意一条所述拟合数据特征包括电力节点记录数据集和信息属性记录数据集，所述电力节点记录数据集和所述信息属性记录数据集一一对应；
[0137] 根据电力节点对所述历史拟合日志进行一级聚类，获得一级聚类结果；
[0138] 根据信息属性遍历所述一级聚类结果进行二级聚类，获得二级聚类结果；
[0139] 遍历所述二级聚类结果，统计类内数据量在历史拟合日志数据量的占比，设为类内关联度；
[0140] 提取所述类内关联度大于或等于关联度阈值的所述二级聚类结果，生成所述关联特征信息。
[0141] 具体而言，传统的电力样本分类标准通常为，根据数据属性和数据来源进行底层划分，本申请实施例为了执行各类电力任务时，可以快速的调度相关的数据，提高任务解析速度。以各类电力任务为分类标准，对电力样本数据进行分组，组内的任意一个数据属性和数据来源的标签，可以快速调用，且组内的电力样本，大概率即为执行电力任务所需数据，可以直接调度，省去大量检索步骤。因此本申请实施例提出的电力样本分类标准具有适应性较强的特性，因此用户可自定义设定需要采集电力样本的任务类别，设为拟合任务类别标签。
[0142] 进一步，遍历拟合任务类别标签对所述多组多模态数据进行关联性分析，利用历史的任务执行状态，确定使用频率比较高的电力节点设为关联电力节点，确定使用频率比较高的数据属性设为关联数据属性，由于关联数据属性是由某个模态数据进行特征提取得到，将关联数据属性相关的模态数据设为关联模态数据。
[0143] 详细的分类算法流程如下：
[0144] 历史拟合日志指的是在相同的拟合任务类别标签场景下，历史的任务处理记录数据，其中，任意一条所述历史拟合日志包括至少一条包括拟合数据特征，任意一条所述拟合数据特征包括电力节点记录数据集和信息属性记录数据集，所述电力节点记录数据集和所述信息属性记录数据集一一对应。将电力节点相同的历史拟合日志聚集为一类，存储为一级聚类结果。进一步，将一级聚类结果的任意一个类内数据按照信息属性进行再分组，得到二级聚类结果。任意一个二级聚类结果的类内数据的电力节点相同、数据属性相同。更进一步，统计每个二级聚类结果的聚集的历史拟合日志的条数，求取在历史拟合日志总数中的占比，设为类内关联度。当相同的电力节点和数据属性出现的频率越大，则说明和拟合任务类别标签的关联性越强，类内关联度和出现的频率正相关，因此可使用类内关联度表征不同聚类和拟合任务类别标签的关联性强弱。由用户自定义设定视为关联的关联度阈值，提取类内关联度大于或等于关联度阈值的二级聚类结果的电力节点设为关联电力节点，提取类内关联度大于或等于关联度阈值的二级聚类结果的数据属性，设为关联数据属性，进一步，判断其来自于哪个模态数据，确定关联模态数据，添加进关联特征信。通过关联数据属性、关联电力节点和关联模态数据，便于后步的电力样本分类学习器的训练。
[0145] 以所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，对电力样本分类学习器独立训练M次，获得M个学习损失值；
[0146] 具体而言，需求的电力样本分类器至少具有的功能为，对任意一个节点的任意一个模态的数据进行特征提取后，确定某个数据属性的特征值；根据数据属性和数据源节点映射相应的拟合任务类别标签，然后提取数据属性的特征值，标识数据属性和数据源节点标签存储于拟合任务类别分组内。可见，电力样本分类器需要的功能具有两层，第一层为视频、音频、文本和图片进行特征提取的功能层，第二层为根据第一层提取的特征数据进行分类的功能层。宏观表现上，电力样本分类学习器的输入数据为电力样本节点和多模态数据，输出为分类结果。内部结构表现，则需要在第一层的功能层部署可进行视频、音频、文本和图片等特征区域的功能通道，示例性地如各类型的神经网络模型，在第二层的功能层部署分类模型。
[0147] 优选地，提取拟合任务类别标签、关联电力节点、关联模态数据和关联数据属性，将百分之80设为训练数据集，将百分之20设为验证数据集，将训练数据集根据关联模态数据进行划分，得到多个训练数据集，同理得到多个验证数据集。调度任意一个训练数据集，对电力样本分类学习器独立训练M次，任意一次独立训练指的是调度任意一个训练数据集的任意一组数据的关联电力节点和关联模态数据作为输入数据，以关联数据属性为第一层功能层的输出标识，以拟合任务类别标签作为整体的输出标识数据进行训练，同时根据输出的偏差，调整模型参数，直到对相应组的训练数据的分类准确时停止。M个学习损失值指的是M次训练的模型参数的误差率，任意一个学习损失值指的是当任意一次独立训练完成时，调度损失函数进行处理，得到的损失函数输出值，优选地，损失函数为CCE损失函数。M次独立训练是为后步元学习器进行模型参数优化提供基础数据，优选的，M至少为50，以保证寻优的全局性。
[0148] 进一步的，若是某次训练的模型参数的分类错误率低于收敛错误率阈值，则视为对应模态的处理通道收敛，则训练其它模态的处理通道。
[0149] 根据所述M个学习损失值，激活元学习器进行映射，生成推荐更新模型参数；
[0150] 具体而言，电力样本分类学习器是多任务处理模块，其第一层的功能层具有多个拓扑结构不同的模型框架，需要赋予不同的模型参数，其第二层的分类模型需要大量的训练数据进行拟合方能收敛。传统的模式中，局限于训练数据的不足，难以拟合此类多任务处理模块。本申请实施例提出结合基于优化规则元学习器，能够实现小样本基础的多任务处理模块训练。针对每个模态的数据单独进行训练，利用元学习器逐步拟合电力样本分类学习器的多个任务处理通道，从而得到最终的大模型，可用于进行电力样本分类。详细地过程为：元学习器可根据电力样本分类学习器历史学习状态，给出后步的指导性模型参数，即为推荐更新模型参数，从而降低电力样本分类学习器的数据需求量，提升训练速度。
[0151] 根据所述推荐更新模型参数对所述电力样本分类学习器进行参数调整后，再调度所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，对所述电力样本分类学习器进行训练至收敛；
[0152] 根据训练好的电力样本分类学习器进行多模态数据分类。
[0153] 具体而言，根据所述推荐更新模型参数对所述电力样本分类学习器进行参数调整后，再调度所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，对所述电力样本分类学习器进行训练至收敛，则视为训练完成。然后，即可根据训练好的电力样本分类学习器进行多模态数据分类。从而实现高效、快速的，以任务为导向的电力样本分类。
[0154] 进一步的，根据所述M个学习损失值，激活元学习器进行映射，生成推荐更新模型参数，之前包括：
[0155] 提取所述M个学习损失值小于或等于学习损失值阈值的N组模型参数，其中N小于等于M，均为正整数；
[0156] 调度所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，遍历所述N组模型参数，对所述电力样本分类学习器进行验证，获得N个验证损失值，包括：
[0157] 调度所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，调取所述N组模型参数的第一组模型参数，对所述电力样本分类学习器进行L次验证，获得L个学习损失值；
[0158] 统计L个学习损失值小于或等于所述学习损失值阈值的比例系数，设为第一验证损失值，添加进所述N个验证损失值；
[0159] 当所述N个验证损失值的任意一个小于或等于验证损失值阈值，获得对应的模型参数，初始化所述电力样本分类学习器，视为收敛；
[0160] 当所述N个验证损失值均大于所述验证损失值阈值，根据所述M个学习损失值，激活元学习器进行映射，生成推荐更新模型参数。
[0161] 具体而言，元学习器在多个元训练任务上学习以提高电力分类学习器在所有任务上的综合概括能力，使得电力分类学习器能够在几个参数更新步骤后快速收敛于新任务的样本。再调取元学习器对M个学习损失值进行处理之前，需要判断M次的某次学习是存在偶然收敛的可能性，若是偶然收敛了，则不需要再进行模型参数的寻优。
[0162] 详细地，判断M次的某次学习是存在偶然收敛的可能性的流程如下：
[0163] 学习损失值阈值为预设的可进行验证的预设学习损失值，提取M个学习损失值小于或等于学习损失值阈值的N组模型参数。N个验证损失值表征使用N组模型参数对电力样本分类学习器进行模型参数初始化之后，调度验证数据集进行验证的结果。以任意一个验证损失值的确定为例阐述：调度验证数据集中的L组验证数据：以关联电力节点和关联模态数据作为输入数据，以拟合任务类别标签为监督数据，调取所述N组模型参数的第一组模型参数对电力样本分类学习器进行模型参数设定后，验证L次，获得L个学习损失值。统计L个学习损失值小于或等于学习损失值阈值的学习损失值的数量的比例系数，设为第一验证损失值，添加进N个验证损失值。当N个验证损失值的任意一个小于或等于验证损失值阈值，获得对应的模型参数，初始化电力样本分类学习器的对应模态的处理通道，视为对应模态的处理通道收敛，即可直接进行其它模态处理通道的训练。验证损失值阈值指的是用户自定义的可视为收敛的验证损失值。当N个验证损失值均大于所述验证损失值阈值，则根据M个学习损失值，激活元学习器进行映射，生成推荐更新模型参数。
[0164] 进一步的，当所述N个验证损失值均大于所述验证损失值阈值，根据所述M个学习损失值，激活元学习器进行映射，生成推荐更新模型参数，包括：
[0165] 将所述M个学习损失值的M组模型参数设为M个初始解；
[0166] 统计所述M组模型参数的M组梯度均值，其中，所述M组梯度均值表征学习损失值对所述M组模型参数的变化速度；
[0167] 根据所述M个学习损失值自小到大对所述M个初始解进行序列化调整，获得初始解排序结果；
[0168] 按照所述初始解排序结果从所述M个初始解筛选k个头解；
[0169] 基于所述k个头解进行势力值分析，获得k个头解势力值；
[0170] 根据所述k个头解势力值对M‑k个剩余解进行瓜分，生成k个优化空间；
[0171] 基于所述k个优化空间和所述M组梯度均值对所述M组模型参数进行扩充，生成所述推荐更新模型参数。
[0172] 具体而言，将M个学习损失值的M组模型参数设为M个初始解，即任意一组模型参数，对应于一个初始解。统计M组模型参数的M组梯度均值，其中，M组梯度均值表征学习损失值对M组模型参数的变化速度，即为M个学习损失值在对应模型参数上的变化率的均值，变化率越大，则说明该模型参数对于误差扰动影响越大。根据M个学习损失值自小到大对M个初始解进行排序，存储为初始解排序结果。按照所述初始解排序结果从所述M个初始解里，自首至尾筛选k个解设为k个头解。k个头解势力值表征k个头解相对优劣程度，势力值越大，则可以瓜分得到的剩余解越多，势力值越小，则可以瓜分得到的剩余解越少，k个头解势力值之和等于1。M‑k个剩余解指的是M个初始解减去k个头解的剩余解。k个优化空间指的是基于k个头解势力值对M‑k个剩余解进行瓜分，构建的多个优化域，优选的，以k个头解势力值分别与M‑k相乘，对于乘积向下取整，得到优化空间可瓜分的解数量。根据优化空间可瓜分的解数量对M‑k个剩余解进行随即瓜分，得到k个优化空间。
[0173] 进一步的，基于所述k个头解进行势力值分析，获得k个头解势力值，包括：
[0174] 加和所述k个头解的k个学习损失值，获得学习损失值加和结果；
[0175] 遍历所述k个学习损失值，分别计算在所述学习损失值加和结果占比，获得k个占比系数；
[0176] 分别使用1减去所述k个占比系数，设为所述k个头解势力值。
[0177] 具体而言，k个头解势力值确定流程如下：加和所述k个头解的k个学习损失值，存储为学习损失值加和结果；遍历k个学习损失值，分别计算在所述学习损失值加和结果占比，获得k个占比系数，即占比系数＝学习损失值/(学习损失值加和结果)；分别使用1减去所述k个占比系数，设为一一对应的头解的k个头解势力值。
[0178] 进一步的，基于所述k个优化空间和所述M组梯度均值对所述M组模型参数进行扩充，生成所述推荐更新模型参数，包括：
[0179] 获得所述k个优化空间的第一优化空间，以及提取所述M组梯度均值的多个第一梯度均值集合，其中，所述多个第一梯度均值集合和所述第一优化空间多个解一一对应；
[0180] 构建模型参数距离评价函数：
[0181]
[0182]
[0183] 其中，D(xj,x0)表征第一优化空间的第j个解和第一优化空间的头解的距离参数，di(xji,x0i)表征第一优化空间的第j个解的第i个节点的和第一优化空间的头解的第i个节点的距离参数，P表征节点数量，xj表征第一优化空间的第j个解，x0表征第一优化空间的头解，xjiz表征第一优化空间的第j个解的第i个节点的第z超参数，x0iz表征第一优化空间的头解的第i个节点的第z超参数，Q表征第i个节点的超参数数量；
[0184] 根据所述模型参数距离评价函数，对所述第一优化空间的非头解集进行处理，获得多个模型参数距离；
[0185] 根据所述多个模型参数距离和所述多个第一梯度均值集合，对所述非头解集进行扩充，获得第一优化空间推荐模型参数，添加进所述推荐更新模型参数。
[0186] 具体而言，以任意一个优化空间的优化过程做示例性地阐述：
[0187] 第一优化空间表征k个优化空间的任意一个优化空间，以及提取M组梯度均值的和第一优化空间的多个解相对应的多个第一梯度均值集合；构建模型参数距离评价函数：其中，D(xj,x0)表征第
一优化空间的第j个解和第一优化空间的头解的距离参数，di(xji,x0i)表征第一优化空间的第j个解的第i个节点的和第一优化空间的头解的第i个节点的距离参数，P表征节点数量，xj表征第一优化空间的第j个解，x0表征第一优化空间的头解，xjiz表征第一优化空间的第j个解的第i个节点的第z超参数，x0iz表征第一优化空间的头解的第i个节点的第z超参数，Q表征第i个节点的超参数数量。多个模型参数距离指的是根据模型参数距离评价函数，对第一优化空间的非头解集进行计算得到的结果。通过多个模型参数距离和多个第一梯度均值集合，对非头解集进行扩充，从而得到第一优化空间推荐模型参数，添加进所述推荐更新模型参数。
[0188] 进一步的，根据所述多个模型参数距离和所述多个第一梯度均值集合，对所述非头解集进行扩充，获得第一优化空间推荐模型参数，添加进所述推荐更新模型参数，包括：
[0189] 获得所述多个模型参数距离的第一模型参数距离，以及获得所述非头解集的第一非头解，以及获得所述多个第一梯度均值集合的第一非头解梯度均值集合；
[0190] 对所述第一非头解梯度均值集合进行加和，获得梯度均值加和结果；
[0191] 遍历模型超参数属性，设定调整步长约束区间；
[0192] 当所述第一模型参数距离大于或等于模型参数距离阈值，遍历所述第一非头解梯度均值集合与所述梯度均值加和结果求比，获得第一调整概率集合；
[0193] 根据所述第一调整概率集合与所述调整步长约束区间，对所述第一非头解进行调节一次，获得第一非头解推荐模型参数，添加进所述第一优化空间推荐模型参数；
[0194] 当所述第一模型参数距离小于所述模型参数距离阈值，分别使用1减去所述第一调整概率集合求差，获得第二调整概率集合；
[0195] 根据所述第二调整概率集合与所述调整步长约束区间，对所述第一非头解进行调节一次，获得第一非头解推荐模型参数，添加进所述第一优化空间推荐模型参数。
[0196] 具体而言，通过多个模型参数距离和多个第一梯度均值集合，对非头解集进行扩充的算法流程详细如下：
[0197] 第一模型参数距离指的是任意一个解的模型参数距离，第一非头解指的是和第一模型参数距离相对应的非头解，第一非头解梯度均值集合指的是和第一非头解相对应的梯度均值集合；模型超参数属性指的是模型参数属性集合，示例性地如：权重超参数、偏置超参数等，调整步长约束区间指的是用户预设的不同模型超参数属性的单次可变异的步长约束区间。模型参数距离阈值为用户预设的用于评价是否需要大幅度距离调节的距离参数。
[0198] 当第一模型参数距离大于或等于模型参数距离阈值，则需要进行距离的大幅度调节，遍历第一非头解梯度均值集合与梯度均值加和结果求比，第一调整概率集合，即此时优先调节梯度较大的模型超参数，因此梯度越大，则调整概率越大。根据第一调整概率集合与所述调整步长约束区间，对第一非头解进行调节一次，获得第一非头解推荐模型参数，添加进第一优化空间推荐模型参数。
[0199] 当第一模型参数距离小于模型参数距离阈值，则需要进行距离的小幅度调节，分别使用1减去所述第一调整概率集合求差，获得第二调整概率集合，即此时优先调节梯度较小的模型超参数，因此梯度越小，则调整概率越大，与第一调整概率集合刚好相反。根据所述第二调整概率集合与所述调整步长约束区间，对所述第一非头解进行调节一次，获得第一非头解推荐模型参数，添加进所述第一优化空间推荐模型参数。
[0200] 以上本申请实施例提出的算法为元学习竞争优化算法，可以适用于多任务大模型的小样本训练，可以提高训练速度，减少训练样本的需求量。
[0201] 综上所述，本申请实施例所提供的基于元学习的多模态电力样本分类方法具有如下技术效果：
[0202] 1.由于采用了通过多模态数据源采集构建电力样本分类的数据基础，存储为多组多模态数据；利用需要分析的电力任务类型对多组多模态数据进行关联性分析，确定关联电力节点和关联模态数据中的关联数据属性；进一步，以以所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，对电力样本分类学习器独立训练M次，获得M个学习损失值。然后再基于优化的元学习策略，结合M个学习损失值，对电力样本分类学习器进行模型参数优化，得到推荐更新模型参数，根据所述推荐更新模型参数对所述电力样本分类学习器进行参数调整后，再调度所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，对所述电力样本分类学习器进行训练至收敛，从而依赖电力样本分类学习器进行多模态数据分类的技术方案，通过元学习器，实现了电力样本分类学习器的模型参数的更新指导，从而达到了降低训练速度，减少训练数据需求量的技术效果。
[0203] 实施例2
[0204] 基于与前述实施例中基于元学习的多模态电力样本分类方法相同的发明构思，如图3所示，本申请实施例提供了基于元学习的多模态电力样本分类系统，包括：
[0205] 数据交互模块100，用于交互多模态数据源，采集多组多模态数据，其中，所述多组多模态数据包括图片数据或/和文本数据或/和视频数据或/和音频数据；
[0206] 关联性分析模块200，用于遍历拟合任务类别标签对所述多组多模态数据进行关联性分析，获得关联特征信息，其中，所述关联特征信息包括关联电力节点和关联模态数据；
[0207] 独立训练模块300，用于以所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，对电力样本分类学习器独立训练M次，获得M个学习损失值；
[0208] 元学习器调节模块400，用于根据所述M个学习损失值，激活元学习器进行映射，生成推荐更新模型参数；
[0209] 联合训练模块500，用于根据所述推荐更新模型参数对所述电力样本分类学习器进行参数调整后，再调度所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，对所述电力样本分类学习器进行训练至收敛；
[0210] 样本分类模块600，用于根据所述电力样本分类学习器进行多模态数据分类。
[0211] 进一步的，所述关联性分析模块200执行步骤包括：
[0212] 基于所述拟合任务类别标签，采集历史拟合日志，其中，任意一条所述历史拟合日志包括至少一条包括拟合数据特征，任意一条所述拟合数据特征包括电力节点记录数据集和信息属性记录数据集，所述电力节点记录数据集和所述信息属性记录数据集一一对应；
[0213] 根据电力节点对所述历史拟合日志进行一级聚类，获得一级聚类结果；
[0214] 根据信息属性遍历所述一级聚类结果进行二级聚类，获得二级聚类结果；
[0215] 遍历所述二级聚类结果，统计类内数据量在历史拟合日志数据量的占比，设为类内关联度；
[0216] 提取所述类内关联度大于或等于关联度阈值的所述二级聚类结果，生成所述关联特征信息。
[0217] 进一步的，所述元学习器调节模块400执行步骤包括：
[0218] 提取所述M个学习损失值小于或等于学习损失值阈值的N组模型参数；
[0219] 调度所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，遍历所述N组模型参数，对所述电力样本分类学习器进行验证，获得N个验证损失值，包括：
[0220] 调度所述关联电力节点和所述关联模态数据作为输入数据，以所述拟合任务类别标签为监督数据，调取所述N组模型参数的第一组模型参数，对所述电力样本分类学习器进行验证L次，获得L个学习损失值；
[0221] 统计L个学习损失值小于或等于所述学习损失值阈值的比例系数，设为第一验证损失值，添加进所述N个验证损失值；
[0222] 当所述N个验证损失值的任意一个小于或等于验证损失值阈值，获得对应的模型参数，初始化所述电力样本分类学习器，视为收敛；
[0223] 当所述N个验证损失值均大于所述验证损失值阈值，根据所述M个学习损失值，激活元学习器进行映射，生成推荐更新模型参数。
[0224] 进一步的，所述元学习器调节模块400执行步骤包括：
[0225] 将所述M个学习损失值的M组模型参数设为M个初始解；
[0226] 统计所述M组模型参数的M组梯度均值，其中，所述M组梯度均值表征学习损失值对所述M组模型参数的变化速度；
[0227] 根据所述M个学习损失值自小到大对所述M个初始解进行序列化调整，获得初始解排序结果；
[0228] 按照所述初始解排序结果从所述M个初始解筛选k个头解；
[0229] 基于所述k个头解进行势力值分析，获得k个头解势力值；
[0230] 根据所述k个头解势力值对M‑k个剩余解进行瓜分，生成k个优化空间；
[0231] 基于所述k个优化空间和所述M组梯度均值对所述M组模型参数进行扩充，生成所述推荐更新模型参数。
[0232] 进一步的，所述元学习器调节模块400执行步骤包括：
[0233] 加和所述k个头解的k个学习损失值，获得学习损失值加和结果；
[0234] 遍历所述k个学习损失值，分别计算在所述学习损失值加和结果占比，获得k个占比系数；
[0235] 分别使用1减去所述k个占比系数，设为所述k个头解势力值。
[0236] 进一步的，所述元学习器调节模块400执行步骤包括：
[0237] 获得所述k个优化空间的第一优化空间，以及提取所述M组梯度均值的多个第一梯度均值集合，其中，所述多个第一梯度均值集合和所述第一优化空间多个解一一对应；
[0238] 构建模型参数距离评价函数：
[0239]
[0240]
[0241] 其中，D(xj,x0)表征第一优化空间的第j个解和第一优化空间的头解的距离参数，di(xji,x0i)表征第一优化空间的第j个解的第i个节点的和第一优化空间的头解的第i个节点的距离参数，P表征节点数量，xj表征第一优化空间的第j个解，x0表征第一优化空间的头解，xjiz表征第一优化空间的第j个解的第i个节点的第z超参数，x0iz表征第一优化空间的头解的第i个节点的第z超参数，Q表征第i个节点的超参数数量；
[0242] 根据所述模型参数距离评价函数，对所述第一优化空间的非头解集进行处理，获得多个模型参数距离；
[0243] 根据所述多个模型参数距离和所述多个第一梯度均值集合，对所述非头解集进行扩充，获得第一优化空间推荐模型参数，添加进所述推荐更新模型参数。
[0244] 进一步的，所述元学习器调节模块400执行步骤包括：
[0245] 获得所述多个模型参数距离的第一模型参数距离，以及获得所述非头解集的第一非头解，以及获得所述多个第一梯度均值集合的第一非头解梯度均值集合；
[0246] 对所述第一非头解梯度均值集合进行加和，获得梯度均值加和结果；
[0247] 遍历模型超参数属性，设定调整步长约束区间；
[0248] 当所述第一模型参数距离大于或等于模型参数距离阈值，遍历所述第一非头解梯度均值集合与所述梯度均值加和结果求比，获得第一调整概率集合；
[0249] 根据所述第一调整概率集合与所述调整步长约束区间，对所述第一非头解进行调节一次，获得第一非头解推荐模型参数，添加进所述第一优化空间推荐模型参数；
[0250] 当所述第一模型参数距离小于所述模型参数距离阈值，分别使用1减去所述第一调整概率集合求差，获得第二调整概率集合；
[0251] 根据所述第二调整概率集合与所述调整步长约束区间，对所述第一非头解进行调节一次，获得第一非头解推荐模型参数，添加进所述第一优化空间推荐模型参数。
[0252] 综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
[0253] 进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
[0254] 实施例3：
[0255] 基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种基于元学习的多模态电力样本分类方法的步骤。
[0256] 实施例4：
[0257] 基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non‑volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种基于元学习的多模态电力样本分类方法的步骤。
[0258] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0259] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0260] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0261] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0262] 以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在发明待批的本发明的权利要求范围之内。
