1.本技术涉及电气工程技术领域，特别是涉及一种电气设备的敏感性分类方法、装置和计算机设备。
背景技术：2.随着城市的发展，各大城市对土地集约化提出了更高的要求，为了突出城市风貌，建设城市标志性区域，超高层建筑不断涌现，其供电问题已成为电网公司所面临的新挑战。超高层建筑自身负荷集中、类型丰富，一方面需要更高的供电品质，一方面又对外发射显著的扰动，这一矛盾在城市配电网这个物理空间紧密、需求时间相近的背景下就显得尤为突出。为了减小超高层建筑内电气设备因电能质量扰动而造成的影响，需要对电气设备进行扰动耐受特性测试。胡在繁多的电气设备中，如何将设备进行分类并选择待测试设备具有重要的研究意义。
3.在传统的电气设备的敏感性分类的方式中，通常要根据gb/t39269——2020等中的vtc曲线来判断设备在电压下降到特定阈值时是否会失效或损坏，由此判定设备是否为敏感设备，因不同的设备具有不同的阈值，在实际应用中，传统方式不可避免的存在对电气设备的敏感性分类效率低下的问题。
技术实现要素：4.基于此，有必要针对上述技术问题，提供一种能够提高电气设备的敏感性分类效率的电气设备的敏感性分类方法、装置和计算机设备。
5.第一方面，本技术提供了一种电气设备的敏感性分类方法。所述方法包括：
6.确定电气设备的第一关键特征；
7.通过设备分类模型获取所述电气设备用于敏感性分类的第一先验概率；
8.基于所述第一先验概率，确定所述电气设备在所述第一关键特征下的第一条件概率；
9.基于所述第一先验概率和所述第一条件概率，确定设备分类概率；
10.当所述设备分类概率满足敏感性条件时，确定所述电气设备为敏感设备。
11.在其中一个实施例中，所述方法还包括：
12.确定训练样本集中各设备样本的第二关键特征；
13.确定所述训练样本集中各设备样本对应的分类标签；
14.基于所述第二关键特征和所述分类标签训练所述设备分类模型。
15.在其中一个实施例中，所述设备样本包括敏感设备样本和不敏感设备样本；所述基于所述第二关键特征和所述分类标签训练所述设备分类模型，包括：
16.确定所述训练样本集中敏感设备样本的第一数量和不敏感设备样本的第二数量；
17.基于所述训练样本集的总样本数量、所述第一数量和所述第二数量，确定所述训练样本集用于敏感性分类的第二先验概率；
18.分别确定所述敏感设备样本和所述不敏感设备样本，在各所述第二关键特征下的第一设备数量；
19.依据所述第一设备数量、所述第一数量和所述第二数量，确定所述第二关键特征下的第二条件概率；
20.基于所述第二先验概率和所述第二条件概率所得的预测概率与所述分类标签确定分类损失；
21.基于所述分类损失对所述设备分类模型进行模型参数调整。
22.在其中一个实施例中，所述方法还包括：
23.确定所述第二关键特征的总特征数量；
24.当各所述第二条件概率中存在等于预设值的条件概率时，基于所述总特征数量确定预设概率；
25.基于所述总样本数量、等于所述预设值的条件概率时对应的设备数量和所述预设概率得到估计概率；
26.依据所述估计概率对等于所述预设值的条件概率进行更新。
27.在其中一个实施例中，所述基于所述第一先验概率和所述第一条件概率，确定所述电气设备的设备分类概率包括：
28.确定所述第一先验概率与所述第一条件概率之间的积值，将所述积值作为所述电气设备的设备分类概率。
29.在其中一个实施例中，所述设备分类概率包括敏感设备分类概率和不敏感设备分类概率；所述当所述设备分类概率满足敏感性条件时，确定所述电气设备为敏感设备包括：
30.当所述敏感设备分类概率大于所述不敏感设备分类概率时，确定所述电气设备为敏感设备；
31.所述方法还包括：对所述敏感设备进行电压暂降耐受测试，得到所述敏感设备的敏感性。
32.第二方面，本技术还提供了一种电气设备的敏感性分类装置。所述装置包括：
33.第一确定模块，用于确定电气设备的第一关键特征；
34.获取模块，用于通过设备分类模型获取所述电气设备用于敏感性分类的第一先验概率；
35.第二确定模块，用于基于所述第一先验概率，确定所述电气设备在所述第一关键特征下第一条件概率；
36.第三确定模块，用于基于所述第一先验概率和所述第一条件概率，确定所述电气设备的设备分类概率；
37.第四确定模块，用于当所述设备分类概率满足敏感性条件时，确定所述电气设备为敏感设备。
38.在其中一个实施例中，所述装置还包括：
39.训练模型模块，用于确定训练样本集中各设备样本的第二关键特征；确定所述训练样本集中各设备样本对应的分类标签；基于所述第二关键特征和所述分类标签训练所述设备分类模型。
40.在其中一个实施例中，所述设备样本包括敏感设备样本和不敏感设备样本；所述
训练模型模块还用于：确定所述训练样本集中敏感设备样本的第一数量和不敏感设备样本的第二数量；基于所述训练样本集的总样本数量、所述第一数量和所述第二数量，确定所述训练样本集用于敏感性分类的第二先验概率；分别确定所述敏感设备样本和所述不敏感设备样本，在各所述第二关键特征下的第一设备数量；依据所述第一设备数量、所述第一数量和所述第二数量，确定所述第二关键特征下的第二条件概率；基于所述第二先验概率和所述第二条件概率所得的预测概率与所述分类标签确定分类损失；基于所述分类损失对所述设备分类模型进行模型参数调整。
41.在其中一个实施例中，所述装置还包括：
42.估计模块，用于确定所述第二关键特征的总特征数量；当各所述第二条件概率中存在等于预设值的条件概率时，基于所述总特征数量确定预设概率；基于所述总样本数量、等于所述预设值的条件概率时对应的设备数量和所述预设概率得到估计概率；依据所述估计概率对等于所述预设值的条件概率进行更新。
43.在其中一个实施例中，所述第三确定模块还用于确定所述第一先验概率与所述第一条件概率之间的积值，将所述积值作为所述电气设备的设备分类概率。
44.在其中一个实施例中，所述设备分类概率包括敏感设备分类概率和不敏感设备分类概率；所述第四确定模块还用于当所述敏感设备分类概率大于所述不敏感设备分类概率时，确定所述电气设备为敏感设备；对所述敏感设备进行电压暂降耐受测试，得到所述敏感设备的敏感性。
45.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
46.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
47.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
48.上述电气设备的敏感性分类方法、装置、计算机设备和存储介质，通过确定电气设备的第一关键特征；通过设备分类模型获取电气设备用于敏感性分类的第一先验概率；基于第一先验概率，确定电气设备在第一关键特征下的第一条件概率；基于第一先验概率和第一条件概率，确定设备分类概率；当设备分类概率满足敏感性条件时，确定电气设备为敏感设备，实现了通过设备分类模型，快速对电气设备的敏感性进行分类，有效提高了电气设备的敏感性分类的效率和准确性。
附图说明
49.图1为一个实施例中电气设备的敏感性分类方法的应用环境图；
50.图2为一个实施例中电气设备的敏感性分类方法的流程示意图；
51.图3为一个实施例中训练模型步骤的流程示意图；
52.图4为一个实施例中电气设备的敏感性分类装置的结构框图；
53.图5为另一个实施例中电气设备的敏感性分类装置的结构框图；
54.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
56.本技术实施例提供的电气设备的敏感性分类方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。本技术可由终端102或服务器104执行，本实施例以终端102执行为例进行说明。
57.终端102确定电气设备的第一关键特征；终端102通过设备分类模型获取电气设备用于敏感性分类的第一先验概率；终端102基于第一先验概率，确定电气设备在第一关键特征下的第一条件概率；终端102基于第一先验概率和第一条件概率，确定设备分类概率；终端102当设备分类概率满足敏感性条件时，确定电气设备为敏感设备。
58.其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
59.在一个实施例中，如图2所示，提供了一种电气设备的敏感性分类方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
60.s202，确定电气设备的第一关键特征。
61.其中，电气设备可指超高层建筑的电气设备，电气设备可以包括空调、电梯、照明、动力、消防、厨房、电力和控制系统在内的多类型电气设备。关键特征包括5类，分别为所属类别：{第一大类、第二大类}、是否面向客户：{是、否}、是否有变频功能：{是、否}、是否配备ups或eps：{是、否}、是否有三回供电线路(含三回以上)：{是、否}，第一关键特征可以指电气设备的关键特征，第一关键特征是与第二关键特征不同的关键特征。
62.第一大类可以包括照明、动力和消防的电气设备。第二大类可以包括厨房、空调和电力的电气设备。面向客户可以指客户能直接感受到的，例如，是否面向客户：{是}的电气设备可以是照明的电气设备，厨房、计算机中心等的电气设备则是，是否面向客户：{否}的电气设备。变频可以指改变供电频率、ups(uninterruptible power supply，不间断电源)是一种含有储能装置的不间断电源，主要用于给部分对电源稳定性要求较高的设备，提供不间断的电源。eps(emergency power supply，应急电源)通常应用于应急和事故照明当中。
63.具体地，终端可以依据电气设备的设备配置依次确定第一关键特征。
64.其中，设备配置可以指与电气设备相关的特性，例如，电气设备a的设备配置可以是该电气设备a为照明电气设备、拥有变频功能、未配备ups或eps和没有三回供电线路(含三回以上)。依据该电气设备a的设备配置可确定电气设备a的第一关键特征分别为第一大类、是否面向客户：{是}、是否有变频功能：{是}、是否配备ups或eps：{否}和是否有三回供电线路(含三回以上)：{否}。
65.s204，通过设备分类模型获取电气设备用于敏感性分类的第一先验概率。
66.其中，设备分类模型可以指用于对电气设备进行分类的模型。敏感性分类可以指
将电气设备分类为敏感设备或不敏感设备的过程。第一先验概率可以指用于敏感性分类的先验概率，第一先验概率与第二先验概率是不同的先验概率。敏感设备可以指电压下降到特定阈值时会失效或损坏的设备。不敏感设备可以指电压下降到特定阈值时不会失效或损坏的设备。特定阈值可以指预设的电压值，用于判断电气设备是否敏感性。
67.具体地，终端可以通过设备分类模型获取依次获取电气设备用于敏感性分类的敏感设备的第一先验概率、以及不敏感设备的第一先验概率。
68.s206，基于第一先验概率，确定电气设备在第一关键特征下的第一条件概率。
69.第一条件概率可以指对应第一关键特征的条件概率。
70.具体地，终端可以通过设备分类模型，依次确定电气设备在各第一关键特征下，对应第一先验概率的第一条件概率
71.s208，基于第一先验概率和第一条件概率，确定设备分类概率。
72.其中，设备分类概率可以指电气设备为敏感设备或不敏感设备的概率。
73.具体地，终端可以确定第一先验概率与第一条件概率之间的积值，将积值作为电气设备的设备分类概率。
74.其中，积值可以指第一先验概率与第一条件概率之间的乘积。
75.具体地，终端可以先将各第一关键特征下各第一条件概率之间的第一积值，再确定第一积值与第一先验概率的第二积值，将第二积值作为电气设备的设备分类概率。
76.其中，第一积值可以指条件概率之间的积值。第二积值可以指条件概率与先验概率之间的积值。
77.s210，当设备分类概率满足敏感性条件时，确定电气设备为敏感设备。
78.其中，敏感性条件可以指用于判断电气设备的设备分类概率的条件。
79.在一个实施例中，s210包括当敏感设备分类概率大于不敏感设备分类概率时，确定电气设备为敏感设备；对敏感设备进行电压暂降耐受测试，得到敏感设备的敏感性。
80.在一个实施例中，当设备分类概率大于预设阈值时，确定电气设备为敏感设备；对敏感设备进行电压暂降耐受测试，得到敏感设备的敏感性。
81.其中，预设阈值可以是预先设置的用于对设备分类概率进行判断的条件。
82.其中，电压暂降耐受测试又可指电压暂降耐受特性测试，该测试可以进一步测试电气设备的敏感性。
83.上述电气设备的敏感性分类方法中，通过确定电气设备的第一关键特征；通过设备分类模型获取电气设备用于敏感性分类的第一先验概率；基于第一先验概率，确定电气设备在第一关键特征下的第一条件概率；基于第一先验概率和第一条件概率，确定设备分类概率；当设备分类概率满足敏感性条件时，确定电气设备为敏感设备，实现了通过设备分类模型，快速对电气设备的敏感性进行分类，有效提高了电气设备的敏感性分类的效率和准确性。
84.在一个实施例中，如图3所示，训练模型步骤包括：
85.s302，确定训练样本集中各设备样本的第二关键特征。
86.其中，训练样本集可以指用于训练设备分类模型的样本集。设备样本可以指训练样本集中的电气设备样本，设备样本包括敏感设备样本和不敏感设备样本。敏感设备样本可以指为敏感设备的样本。不敏感设备样本可以指为不敏感设备的样本。第二关键特征可
以指设备样本的关键特征。
87.s304，确定训练样本集中各设备样本对应的分类标签。
88.其中，分类标签可以指用于对设备样本分类的标签，分类标签包括敏感设备和不敏感设备。
89.具体地，终端可依据训练样本集中各设备样本的样本类型，确定各设备样本对应的分类标签。
90.其中，样本类型可以指设备样本的类型，样本类型包括敏感和不敏感。
91.s306，基于第二关键特征和分类标签训练设备分类模型。
92.具体地，终端可以确定训练样本集中敏感设备样本的第一数量和不敏感设备样本的第二数量；基于训练样本集的总样本数量、第一数量和第二数量，确定训练样本集用于敏感性分类的第二先验概率；分别确定敏感设备样本和不敏感设备样本，在各第二关键特征下的第一设备数量；依据第一设备数量、第一数量和第二数量，确定第二关键特征下的第二条件概率；基于第二先验概率和第二条件概率所得的预测概率与分类标签确定分类损失；基于分类损失对设备分类模型进行模型参数调整。
93.其中，第一数量可以指敏感设备样本的数量。第二数量可以指不敏感设备样本的数量。总样本数量可以指训练样本集中的样本的总数量。第二先验概率可以指用于敏感性分类的先验概率。第一设备数量可以指在第二关键特征下的敏感设备或不敏感设备的设备数量。第二条件概率可以指对应第二关键特征的条件概率。预测概率可以指第二先验概率与第二条件概率之间的积值。分类损失可以用于衡量训练过程中设备分类模型中对设备样本进行分类的准确性。
94.在一个实施例中，终端可以确定第二关键特征的总特征数量；当各第二条件概率中存在等于预设值的条件概率时，基于总特征数量确定预设概率；基于总样本数量、等于预设值的条件概率时对应的设备数量和预设概率得到估计概率；依据估计概率对等于预设值的条件概率进行更新。
95.其中，总特征数量可以指第二关键特征的特征数量。预设值可以是预设的值，例如，预设值可以为0。预设概率可以指基于总特征数量得到的概率。估计概率可以指用于对等于预设值的条件概率进行替换的概率。
96.作为一个示例，训练模型的实施例如下：
97.本次训练样本集以某市区1栋超高层建筑电气设备为基础，共收集410例样本，其中75％的样本作为训练样本集用作训练设备分类模型，25％的样本作为测试样本集用来衡量设备分类模型的表现。在分类过程中，本文中选取5个特征，分别为所属类别(第一大类、第二大类)、电气设备是否面向客户、是否有变频功能、是否配备ups/eps、是否有三回供电线路(含三回以上)。属性指“是”或“否”，本文将属性量化为1(是)和0(否)。具体分类过程如下：
98.步骤一：对各样本的关键属性进行划分，构建设备分类模型的训练样本集和测试样本集。
99.步骤二：采用已知分类结果的电气设备样本对设备分类模型进行训练。
100.步骤三：利用测试样本集对设备分类模型进行测试，并将预测结果与测试样本的实际结果进行比对。
101.步骤四：验证分类模型泛化性，即采用scikit-learn中的部分指标对模型分类效果作出评估，当测试结果的f1值超过90％时，即可证明该电气设备分类模型具有较强的泛化能力。
102.其中步骤二的具体内容为：
103.1)取电气设备训练样本集的5类关键特征以及训练样本集对应的分类结果，构成设备分类模型的输入样本矩阵x＝[x1,x2]，输入量为：
[0104][0105][0106]
其中，a
np
(p＝1,2
…
,5)对应第n个电气设备样本的第p个关键特征，cn为第n个电气设备样本的分类结果。
[0107]
2)采用已知分类结果为cj(j＝1,2,3,4)的电气设备样本计算先验概率p(cj)，即训练前cj拥有的初始概率。计算如式(3)所示：
[0108][0109]
式中，c为单个分类结果样本数、d为总样本数。
[0110]
3)计算似然概率p(x1|cj)，即每个特征归属每个分类结果的概率，如式(4)所示：
[0111][0112]
式中，a
p
表示第p个特征，a为第p个特征归属单个分类结果样本数。
[0113]
4)计算后验概率p(cj|x1)，即给定数据样本x属于cj(j＝1，2，3，4)类的概率，它反映得到特征属性样本x后分类结果cj成立的置信度。其中，由于p(x)对所有类别都是相同的，因此在实际的应用中只需计算朴素贝叶斯公式分子部分，计算后验概率如式(5)所示：
[0114][0115]
但由于朴素贝叶斯分类模型一般是对真实概率的一个良好估计，而其中多数类和少数类在数量上的倾斜，以总体分类精度最大为目标会使分类模型偏向于多数类而忽略少数类，导致少数类被判断为多数类的概率大大增加，造成少数类的分类精度较低。尤其当电气设备训练样本中的似然概率为0时，根据朴素贝叶斯公式计算的结果也为0，大大降低分类准确性。因此，计算完后验概率后需要检查有无结果为0的情况。
[0116]
而为了提高条件概率的准确性，避免后验概率计算结果为0，本文采用m-估计解决此问题，该方法旨在等效扩大样本的数量，即将ni个实际观察扩大，为训练样本添加m个按pi分布的虚拟样本，其中m是等效样本大小的常量。具体计算如式(6)所示：
[0117][0118]
针对条件概率为0的情况进行重新计算，再将计算后的后验概率作为样本分类结果的输出矩阵y*，为：
[0119][0120]
其中，为第n个样本第j个分类结果的值，取值均为正整数。
[0121]
5)根据输出矩阵对样本进行归类，如式(8)所示，通过求取矩阵y*中每一行的最大值，把x分到最大值对应的分类结果c
cap
中：
[0122]
p(c
cap
|x)＝max(p(x|cj)p(cj))＝max(y(n,:))
ꢀꢀꢀ
(8)
[0123]
通过上述方法完成映射关系的拟合后，即认为训练完成。训练完成后，另取同样已知分类结果的电气设备测试样本的5类关键特征为输入，将预测的分类结果与测试样本集已知的分类结果进行对比，再选取scikit-learn模型中的部分指标对结果进行评估，当准确率高于80％，即认为设备分类模型有效，泛化能力较强。
[0124]
通过310个训练样本完成模型训练，再将100个测试样本数据按照此分类模型重新计算分析，设备分类模型对包括电子计算机系统电源、航空障碍标志灯、电脑中心、各型机房等重要电力用户在内的敏感电气设备均能进行正确分类。除此以外，本文还使用准确率、召回率、f1-score三个指标来评估分类模型效果，通过对该建筑内电气设备的预测分析可知，所属类别为照明、动力、消防的设备属于重要设备的可能性较高；配备ups/eps的电气设备必为敏感设备；带有变频功能的电气设备也必为敏感设备；直接面对客户的电气设备为重要且敏感设备的可能性较高；设备有三回供电线路(含三回以上)必为重要设备。这为电气设备进行扰动耐受特性测试以及对电气设备因电能质量扰动而造成结果进行评估有指导作用。
[0125]
本实施例中，通过确定训练样本集中各设备样本的第二关键特征，确定训练样本集中各设备样本对应的分类标签，基于第二关键特征和分类标签训练设备分类模型。能够生成一个有良好电气设备分类能力和较强泛化能力的设备分类模型。
[0126]
作为一个示例，本实施例如下
[0127]
首先，基于310个训练样本，采用朴素贝叶斯算法对该超高层建筑电气设备进行预测分类模型训练，训练样本的样本数统计及其先验概率和似然概率计算如表1、
[0128]
表2所示：
[0129]
表1类别为cj及在cj条件下xi取ai的样本数统计
[0130][0131]
表2先验概率p(cj)和似然概率p(ai|cj)
[0132][0133]
现在根据已有的待测电气设备，统计该设备的5类关键特征：假设5类关键特征分别为所属类别：{第一大类、第二大类}、是否面向客户：{是、否}、是否有变频功能：{是、否}、是否配备ups或eps：{是、否}、是否有三回供电线路(含三回以上)：{是、否}，中属于第一大类取1、第二大类取0、其余四类关键特征为是时取1，为否时取0。当待测电气设备属于第一大类，是否面向客户：{否}、是否有变频功能：{是}、是否配备ups或eps：{否}、是否有三回供电线路(含三回以上)：{是}时，待测电气设备取值为x＝{1，0，1，0，1}，根据表2及式(5)可得该设备：p(敏感/x)＝0.581
×
0.583
×
0.978
×
0.272
×
0.089
×
0.478＝0.00383、p(不敏感/x)＝0.419
×
0.972
×1×0×
0.985
×
0.938＝0。
[0134]
根据式(8)：p(c/x)＝max(0.00383，0)＝0.00383，可预测该电气设备分类为敏感设备。
[0135]
因在x＝{1，0，1，0，1}样例中，存在后验概率为0，即条件概率为0的情况，为了提高条件概率的准确性，此处采用m-估计方法重新计算p(不敏感/x)，如上表所示，总特征数量为5，则预设概率为总样本数量为310，该条件概率对应的设备数量为130，故估计概率为以估计概率0.14对为0的条件概率进行更新，p(不敏感/x)＝0.419
×
0.972
×1×
0.14
×
0.985
×
0.938＝0.05268。
[0136]
根据式(8)p(c/mlx)＝max(0.00383，0.05268)＝0.05268，可预测该电气设备分类为不敏感设备。
[0137]
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0138]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电气设备的敏感性分类方法的电气设备的敏感性分类装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电气设备的敏感性分类装置实施例中的具体限定可以参见上文中对于电气设备的敏感性分类方法的限定，在此不再赘述。
[0139]
在一个实施例中，如图4所示，提供了一种电气设备的敏感性分类装置，包括：第一确定模块402、获取模块404、第二确定模块406和第四确定模块410，其中：
[0140]
第一确定模块402，用于确定电气设备的第一关键特征；
[0141]
获取模块404，用于通过设备分类模型获取电气设备用于敏感性分类的第一先验概率；
[0142]
第二确定模块406，用于基于第一先验概率，确定电气设备在第一关键特征下第一条件概率；
[0143]
第三确定模块408，用于基于第一先验概率和第一条件概率，确定电气设备的设备分类概率；
[0144]
第四确定模块410，用于当设备分类概率满足敏感性条件时，确定电气设备为敏感设备。
[0145]
在一个实施例中，第三确定模块408还用于确定第一先验概率与第一条件概率之间的积值，将积值作为电气设备的设备分类概率。
[0146]
在一个实施例中，设备分类概率包括敏感设备分类概率和不敏感设备分类概率；第四确定模块410还用于当敏感设备分类概率大于不敏感设备分类概率时，确定电气设备为敏感设备；对敏感设备进行电压暂降耐受测试，得到敏感设备的敏感性。
[0147]
在一个实施例中，如图5所示，该电气设备的敏感性分类装置还包括：训练模型模块412和估计模块414，其中：
[0148]
训练模型模块412，用于确定训练样本集中各设备样本的第二关键特征；确定训练样本集中各设备样本对应的分类标签；基于第二关键特征和分类标签训练设备分类模型。
[0149]
估计模块414，用于确定第二关键特征的总特征数量；当各第二条件概率中存在等于预设值的条件概率时，基于总特征数量确定预设概率；基于总样本数量、等于预设值的条件概率时对应的设备数量和预设概率得到估计概率；依据估计概率对等于预设值的条件概率进行更新。
[0150]
在一个实施例中，设备样本包括敏感设备样本和不敏感设备样本；训练模型模块412还用于确定训练样本集中敏感设备样本的第一数量和不敏感设备样本的第二数量；基于训练样本集的总样本数量、第一数量和第二数量，确定训练样本集用于敏感性分类的第二先验概率；分别确定敏感设备样本和不敏感设备样本，在各第二关键特征下的第一设备数量；依据第一设备数量、第一数量和第二数量，确定第二关键特征下的第二条件概率；基于第二先验概率和第二条件概率所得的预测概率与分类标签确定分类损失；基于分类损失对设备分类模型进行模型参数调整。
[0151]
上述实施例，通过确定电气设备的第一关键特征；通过设备分类模型获取电气设备用于敏感性分类的第一先验概率；基于第一先验概率，确定电气设备在第一关键特征下的第一条件概率；基于第一先验概率和第一条件概率，确定设备分类概率；当设备分类概率满足敏感性条件时，确定电气设备为敏感设备，实现了通过设备分类模型，快速对电气设备的敏感性进行分类，有效提高了电气设备的敏感性分类的效率和准确性。
[0152]
上述电气设备的敏感性分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0153]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端或服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理
器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电气设备的敏感性分类方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置，显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0154]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0155]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各实施例。
[0156]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各实施例。
[0157]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各实施例。
[0158]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0159]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0160]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛
盾，都应当认为是本说明书记载的范围。
[0161]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。
技术特征：1.一种电气设备的敏感性分类方法，其特征在于，所述方法包括：确定电气设备的第一关键特征；通过设备分类模型获取所述电气设备用于敏感性分类的第一先验概率；基于所述第一先验概率，确定所述电气设备在所述第一关键特征下的第一条件概率；基于所述第一先验概率和所述第一条件概率，确定设备分类概率；当所述设备分类概率满足敏感性条件时，确定所述电气设备为敏感设备。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：确定训练样本集中各设备样本的第二关键特征；确定所述训练样本集中各设备样本对应的分类标签；基于所述第二关键特征和所述分类标签训练所述设备分类模型。3.根据权利要求2所述的方法，其特征在于，所述设备样本包括敏感设备样本和不敏感设备样本；所述基于所述第二关键特征和所述分类标签训练所述设备分类模型，包括：确定所述训练样本集中敏感设备样本的第一数量和不敏感设备样本的第二数量；基于所述训练样本集的总样本数量、所述第一数量和所述第二数量，确定所述训练样本集用于敏感性分类的第二先验概率；分别确定所述敏感设备样本和所述不敏感设备样本，在各所述第二关键特征下的第一设备数量；依据所述第一设备数量、所述第一数量和所述第二数量，确定所述第二关键特征下的第二条件概率；基于所述第二先验概率和所述第二条件概率所得的预测概率与所述分类标签确定分类损失；基于所述分类损失对所述设备分类模型进行模型参数调整。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：确定所述第二关键特征的总特征数量；当各所述第二条件概率中存在等于预设值的条件概率时，基于所述总特征数量确定预设概率；基于所述总样本数量、等于所述预设值的条件概率时对应的设备数量和所述预设概率得到估计概率；依据所述估计概率对等于所述预设值的条件概率进行更新。5.根据权利要求1所述的方法，其特征在于，所述基于所述第一先验概率和所述第一条件概率，确定所述电气设备的设备分类概率包括：确定所述第一先验概率与所述第一条件概率之间的积值，将所述积值作为所述电气设备的设备分类概率。6.根据权利要求1所述的方法，其特征在于，所述设备分类概率包括敏感设备分类概率和不敏感设备分类概率；所述当所述设备分类概率满足敏感性条件时，确定所述电气设备为敏感设备包括：当所述敏感设备分类概率大于所述不敏感设备分类概率时，确定所述电气设备为敏感设备；所述方法还包括：对所述敏感设备进行电压暂降耐受测试，得到所述敏感设备的敏感
性。7.一种电气设备的敏感性分类装置，其特征在于，所述装置包括：第一确定模块，用于确定电气设备的第一关键特征；获取模块，用于通过设备分类模型获取所述电气设备用于敏感性分类的第一先验概率；第二确定模块，用于基于所述第一先验概率，确定所述电气设备在所述第一关键特征下第一条件概率；第三确定模块，用于基于所述第一先验概率和所述第一条件概率，确定所述电气设备的设备分类概率；第四确定模块，用于当所述设备分类概率满足敏感性条件时，确定所述电气设备为敏感设备。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
技术总结本申请涉及一种电气设备的敏感性分类方法、装置和计算机设备。所述方法包括：确定电气设备的第一关键特征；通过设备分类模型获取所述电气设备用于敏感性分类的第一先验概率；基于所述第一先验概率，确定所述电气设备在所述第一关键特征下的第一条件概率；基于所述第一先验概率和所述第一条件概率，确定设备分类概率；当所述设备分类概率满足敏感性条件时，确定所述电气设备为敏感设备。采用本方法能够提高对电气设备的敏感性分类的效率。高对电气设备的敏感性分类的效率。高对电气设备的敏感性分类的效率。
技术研发人员：游奕弘 李艳 钟庆 张华赢 李世杰
受保护的技术使用者：深圳供电局有限公司
技术研发日：2022.06.22
技术公布日：2022/11/1
