CN116430817A - 应用于光伏组件生产系统的数据采集处理方法及系统 - Google Patents

应用于光伏组件生产系统的数据采集处理方法及系统 Download PDF

Info

Publication number
CN116430817A
CN116430817A CN202310459106.7A CN202310459106A CN116430817A CN 116430817 A CN116430817 A CN 116430817A CN 202310459106 A CN202310459106 A CN 202310459106A CN 116430817 A CN116430817 A CN 116430817A
Authority
CN
China
Prior art keywords
abnormal state
abnormal
confidence
candidate
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310459106.7A
Other languages
English (en)
Other versions
CN116430817B (zh
Inventor
王世军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongxin Qisheng New Energy Technology Co ltd
Original Assignee
Tongxin Qisheng New Energy Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongxin Qisheng New Energy Technology Co ltd filed Critical Tongxin Qisheng New Energy Technology Co ltd
Priority to CN202310459106.7A priority Critical patent/CN116430817B/zh
Publication of CN116430817A publication Critical patent/CN116430817A/zh
Application granted granted Critical
Publication of CN116430817B publication Critical patent/CN116430817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31282—Data acquisition, BDE MDE
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种应用于光伏组件生产系统的数据采集处理方法及系统，通过将生产控制行为采集数据加载到异常状态分析模型中，生成生产控制行为采集数据在多个候选异常状态下的异常状态置信度；基于生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个候选异常状态对应的异常影响参数，确定生产控制行为采集数据对应的异常分析信息；异常分析信息表征生产控制行为采集数据的异常状态标签。由此，通过结合光伏组件生产系统的多个候选异常状态的异常影响参数以及多个置信度估计结果，来确定出光伏组件生产系统的异常状态标签，可以提高光伏组件生产系统的异常状态估计精度，从而后续运维信息处理的可靠性。

Description

应用于光伏组件生产系统的数据采集处理方法及系统
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种应用于光伏组件生产系统的数据采集处理方法及系统。
背景技术
光伏组件是光伏发电系统中的核心部分，也是光伏发电系统中最重要的部分，其作用是将光伏转化为电能，或送往蓄电池中存储起来，或推动负载工作。因此，对于光伏组件生产系统而言，需要对其在生产控制过程中异常状态进行估计，以便于后续基于所处的异常状态标签确定相关的生产控制组件并向运维人员进行信息提示，从而可以及时对其进行修复和调整，以提高光伏组件的生产可靠性，然而相关技术中，光伏组件生产系统的异常状态估计精度不佳，从而影响后续运维信息处理的可靠性。
发明内容
有鉴于此，本申请的目的在于提供一种应用于光伏组件生产系统的数据采集处理方法及系统。
依据本申请的第一方面，提供一种应用于光伏组件生产系统的数据采集处理方法，应用于云服务器，所述方法包括：
获取目标光伏组件生产系统的生产控制行为采集数据；
将所述生产控制行为采集数据加载到异常状态分析模型中，生成所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度；
基于所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个所述候选异常状态对应的异常影响参数，确定所述生产控制行为采集数据对应的异常分析信息；所述异常分析信息表征所述生产控制行为采集数据的异常状态标签；
基于所述生产控制行为采集数据对应的异常分析信息，对目标光伏组件生产系统对应的生产控制组件进行运维信息处理。
在第一方面的一种可能的实施方式中，所述生产控制行为采集数据包括所述目标光伏组件生产系统对应的多个协同生产运转数据；
所述将所述生产控制行为采集数据加载到异常状态分析模型中，生成所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度，包括：
将所述多个协同生产运转数据分别输入异常状态分析模型中，生成各个所述协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度。
在第一方面的一种可能的实施方式中，所述异常分析信息包括所述生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度；
所述基于所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个所述候选异常状态对应的异常影响参数，确定所述生产控制行为采集数据对应的异常分析信息，包括：
基于所有所述协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个所述候选异常状态对应的映射异常状态置信度； 基于所有所述协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个所述候选异常状态对应的状态影响系数；所述状态影响系数包括所述候选异常状态对应的触发频次权重和/或状态影响系数减弱因子；
将各个所述候选异常状态对应的所述映射异常状态置信度以及所述状态影响系数的融合数值，输出为各个所述候选异常状态对应的最终映射异常状态置信度；
基于所有所述候选异常状态对应的最终映射异常状态置信度，确定所述生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度。
在第一方面的一种可能的实施方式中，所述基于所有所述协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个所述候选异常状态对应的状态影响系数，包括：
针对各个所述估计异常状态，确定属于该估计异常状态的所有所述协同生产运转数据的数据数量，并将该数据数量占所有所述协同生产运转数据的全局数量的占比确定为该估计异常状态对应的所述候选异常状态对应的触发频次权重；
和/或， 确定各个所述候选异常状态对应的状态影响系数减弱因子；所述状态影响系数减弱因子与对应的所述候选异常状态所对应的生产控制行为样本在所述生产控制行为采集数据的占比有关。
在第一方面的一种可能的实施方式中，所述基于所有所述候选异常状态对应的最终映射异常状态置信度，确定所述生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度，包括：
对所有所述最终映射异常状态置信度基于降序顺序整理，生成异常状态置信度集合；
计算所述异常状态置信度集合的前两个异常状态置信度之间的置信度差，并分析所述置信度差是否大于设定置信度差，生成第一分析信息；
当所述第一分析信息表征所述置信度差大于设定置信度差时，将所述前两个异常状态置信度中更高的异常状态置信度以及其对应的所述候选异常状态，输出为所述生产控制行为采集数据对应的目标异常状态置信度和目标估计异常状态；
当所述第一分析信息表征所述置信度差不大于设定置信度差时，分析所述前两个异常状态置信度所对应的候选异常状态是否分别为主动异常状态和被动异常状态，生成第二分析信息；
当所述第二分析信息表征所述前两个异常状态置信度所对应的候选异常状态分别为主动异常状态和被动异常状态时，将所述前两个异常状态置信度的均值置信度以及预置异常状态，输出为所述生产控制行为采集数据对应的目标异常状态置信度和目标估计异常状态；
当所述第二分析信息表征所述前两个异常状态置信度所对应的候选异常状态分别不为主动异常状态和被动异常状态时，将所述前两个异常状态置信度的均值置信度以及其它候选异常状态，输出为所述生产控制行为采集数据对应的目标异常状态置信度和目标估计异常状态。
在第一方面的一种可能的实施方式中，所述方法还包括：
获取目标光伏组件生产系统的前向任务描述数据和后向任务描述数据；
将所述前向任务描述数据加载到前向告警分析网络，生成前向告警分析信息；
将所述后向任务描述数据加载到后向告警分析网络，生成后向告警分析信息；
基于所述前向告警分析信息、所述后向告警分析信息以及所述异常分析信息，确定所述目标光伏组件生产系统对应的候选异常状态。
在第一方面的一种可能的实施方式中，所述基于所述前向告警分析信息、所述后向告警分析信息以及所述异常分析信息，确定所述目标光伏组件生产系统对应的候选异常状态，包括：
基于所述前向告警分析信息、所述后向告警分析信息以及所述异常分析信息，确定所述目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度；
基于所述目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度，确定所述目标光伏组件生产系统对应的候选异常状态。
依据本申请的第二方面，提供一种云服务器，所述光伏组件生产系统包括包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该云服务器实现前述的应用于光伏组件生产系统的数据采集处理方法。
依据本申请的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的应用于光伏组件生产系统的数据采集处理方法。
依据上述任一方面，本申请中，通过将生产控制行为采集数据加载到异常状态分析模型中，生成生产控制行为采集数据在多个候选异常状态下的异常状态置信度；基于生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个候选异常状态对应的异常影响参数，确定生产控制行为采集数据对应的异常分析信息；异常分析信息表征生产控制行为采集数据的异常状态标签。由此，通过结合光伏组件生产系统的多个候选异常状态的异常影响参数以及多个置信度估计结果，来确定出光伏组件生产系统的异常状态标签，可以提高光伏组件生产系统的异常状态估计精度，从而后续运维信息处理的可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的应用于光伏组件生产系统的数据采集处理方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的应用于光伏组件生产系统的数据采集处理方法的云服务器的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请VR跑步行为的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中销毁一个或多个操作。
图1示出了本申请实施例提供的应用于光伏组件生产系统的数据采集处理方法的流程示意图，应当理解，在其它实施例中，本实施例的应用于光伏组件生产系统的数据采集处理方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该应用于光伏组件生产系统的数据采集处理方法的详细包括：
步骤S101、获取目标光伏组件生产系统的生产控制行为采集数据。
一种可替代的实施方式中，目标光伏组件生产系统的生产控制行为采集数据可以从目标光伏组件生产系统在生产运行过程中所运行的进程中进行实时获取，或者也可以从相应的数据库中直接调取。
步骤S102、将生产控制行为采集数据加载到异常状态分析模型中，生成生产控制行为采集数据在多个候选异常状态下的异常状态置信度。
步骤S103、基于生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个候选异常状态对应的异常影响参数，确定生产控制行为采集数据对应的异常分析信息。
一种可替代的实施方式中，异常分析信息表征生产控制行为采集数据的异常状态标签。
步骤S104、基于所述生产控制行为采集数据对应的异常分析信息，对目标光伏组件生产系统对应的生产控制组件进行运维信息处理。
基于以上步骤，能够结合光伏组件生产系统的多个候选异常状态的异常影响参数以及多个置信度估计结果，来确定出光伏组件生产系统的异常状态标签，可以提高光伏组件生产系统的异常状态估计精度，从而后续运维信息处理的可靠性。
一种可替代的实施方式中，生成控制行为采集数据包括目标光伏组件生产系统对应的多个协同生产运转数据，步骤S102中的，将生产控制行为采集数据加载到异常状态分析模型中，生成生产控制行为采集数据在多个候选异常状态下的异常状态置信度，包括：
将多个协同生产运转数据分别输入异常状态分析模型中，生成各个协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度。
基于以上步骤，本实施例能够将多个协同生产运转数据分别输入异常状态分析模型中，生成各个协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，以便于后续依据各个协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度来确定出最终的异常分析信息，提高异常状态估计任务的速度和精度。
一种可替代的实施方式中，异常分析信息包括生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度，步骤S103中的，基于生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个候选异常状态对应的异常影响参数，确定生产控制行为采集数据对应的异常分析信息，包括：
基于所有协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个候选异常状态对应的映射异常状态置信度；
基于所有协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个候选异常状态对应的状态影响系数；
将各个候选异常状态对应的映射异常状态置信度以及状态影响系数的融合数值，输出为各个候选异常状态对应的最终映射异常状态置信度；
基于所有候选异常状态对应的最终映射异常状态置信度，确定生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度。
一种可替代的实施方式中，可以将各个估计异常状态对应的所有协同异常状态置信度的均值置信度，输出为该估计异常状态对应的候选异常状态的映射异常状态置信度，将所有协同异常状态置信度的均值置信度确定为映射异常状态置信度，而非直接取每个估计异常状态最大置信度的原因是为了解决某个生产控制行为样本被网络误识别时，导致最终异常状态标签信息错误时，通过计算均值置信度可以降低网络对每个估计异常状态的输出误差。
一种可替代的实施方式中，状态影响系数可以包括候选异常状态对应的触发频次权重和/或状态影响系数减弱因子。
由此，能够基于所有候选异常状态对应的最终映射异常状态置信度，确定生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度，可以有效提高异常状态估计任务的速度和精度。
一种可替代的实施方式中，基于所有协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个候选异常状态对应的状态影响系数，包括：
针对各个估计异常状态，确定属于该估计异常状态的所有协同生产运转数据的数据数量，并将该数据数量占所有协同生产运转数据的全局数量的占比确定为该估计异常状态对应的候选异常状态对应的触发频次权重。
基于以上步骤，能够将属于任一候选异常状态的所有协同生产运转数据的数据数量占所有协同生产运转数据的全局数量的占比，输出为该候选异常状态对应的触发频次权重，可以有效修正该候选异常状态的异常状态置信度，提高数量多的异常状态标签的置信度，降低数量低的异常状态标签的置信度，以提高异常状态估计任务的速度和精度。
一种可替代的实施方式中，基于所有协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个候选异常状态对应的状态影响系数，包括：
确定各个候选异常状态对应的状态影响系数减弱因子。
其中，状态影响系数减弱因子与对应的候选异常状态所对应的生产控制行为样本在生产控制行为采集数据的占比有关。
由此，能够确定各个候选异常状态对应的状态影响系数减弱因子，可以有效修正该候选异常状态的异常状态置信度，以提高异常状态估计任务的速度和精度。
一种可替代的实施方式中，基于所有候选异常状态对应的最终映射异常状态置信度，确定生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度，包括：
对所有最终映射异常状态置信度基于降序顺序整理，生成异常状态置信度集合；
计算异常状态置信度集合的前两个异常状态置信度之间的置信度差，并分析置信度差是否大于设定置信度差，生成第一分析信息；
当第一分析信息为是时，将前两个异常状态置信度中更高的异常状态置信度以及其对应的候选异常状态，输出为生产控制行为采集数据对应的目标异常状态置信度和目标估计异常状态；
当第一分析信息为否时，分析前两个异常状态置信度所对应的候选异常状态是否分别为主动异常状态和被动异常状态，生成第二分析信息；
当第二分析信息为是时，将前两个异常状态置信度的均值置信度以及预置异常状态，输出为生产控制行为采集数据对应的目标异常状态置信度和目标估计异常状态；
当第二分析信息为否时，将前两个异常状态置信度的均值置信度以及其它候选异常状态，输出为生产控制行为采集数据对应的目标异常状态置信度和目标估计异常状态。
由此，能够分析异常状态置信度集合的前两个异常状态置信度之间的置信度差以及两个异常状态置信度分别对应的候选异常状态，以更准确确定出最终的异常状态标签识别结果。
对于另一种实施例额日炎，该应用于光伏组件生产系统的数据采集处理方法可以包括下述步骤：
步骤S201、获取目标光伏组件生产系统的生产控制行为采集数据。
步骤S202、将生产控制行为采集数据加载到异常状态分析模型中，生成生产控制行为采集数据在多个候选异常状态下的异常状态置信度。
步骤S203、基于生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个候选异常状态对应的异常影响参数，确定生产控制行为采集数据对应的异常分析信息。
步骤S204、获取目标光伏组件生产系统的前向任务描述数据和后向任务描述数据。
步骤S205、将前向任务描述数据加载到前向告警分析网络，生成前向告警分析信息。
前向告警分析信息包括前向任务描述数据在至少一个候选异常状态下的异常状态置信度。
步骤S206、将后向任务描述数据加载到后向告警分析网络，生成后向告警分析信息。
后向告警分析信息包括后向任务描述数据在至少一个候选异常状态下的异常状态置信度。
步骤S207、基于前向告警分析信息、后向告警分析信息以及异常分析信息，确定目标光伏组件生产系统对应的候选异常状态。
譬如，一种可替代的实施方式中，上述步骤S205中的，将前向任务描述数据加载到前向告警分析网络，生成前向告警分析信息，包括：
将前向任务描述数据中的多个任务描述模态的数据，基于设定组合策略进行抽取组合形成多个任务特征组合向量；
将多个任务特征组合向量加载到前向告警分析网络中的多个对应的子前向告警分析网络中，生成多个子前向告警分析信息；
基于多个子前向告警分析信息，确定前向任务描述数据对应的前向告警分析信息。
其中，前向告警分析信息表征前向任务描述数据的异常状态标签。
一种可替代的实施方式中，子前向告警分析信息包括对应的任务特征组合向量在多个候选异常状态下的异常状态置信度；前向告警分析信息包括前向任务描述数据在多个候选异常状态下的异常状态置信度。上述步骤中的，基于多个子前向告警分析信息，确定前向任务描述数据对应的前向告警分析信息，包括：确定各个子前向告警分析信息对应的子前向告警分析网络的网络度量指标；
基于多个子前向告警分析信息和对应的网络度量指标，确定前向任务描述数据对应的前向告警分析信息。
网络度量指标与对应的子前向告警分析网络的网络学习分析可靠度有关，网络学习分析可靠度可以通过获取子前向告警分析网络的先验分析数据确定的，例如可以统计子前向告警分析网络在多次网络学习中的网络学习分析可靠度的均值置信度。示例性地，网络度量指标与对应的子前向告警分析网络的网络学习分析可靠度成正比，即子前向告警分析网络的网络学习分析可靠度越高，其输出的子前向告警分析信息在最终的分析任务中的权重越大。
譬如，一种可替代的实施方式中，基于多个子前向告警分析信息和对应的网络度量指标，确定前向任务描述数据对应的前向告警分析信息，包括：
对于各个子前向告警分析信息，将其中包括的对应的任务特征组合向量在多个候选异常状态下的异常状态置信度与对应的网络度量指标相乘，生成对应的任务特征组合向量在多个候选异常状态下的加权异常状态置信度；
基于所有子前向告警分析信息对应的任务特征组合向量在多个候选异常状态下的加权异常状态置信度，计算各个候选异常状态对应的全局加权异常状态置信度；
基于全局加权异常状态置信度的降序顺序，对所有候选异常状态进行排序，生成候选异常状态集合；
将候选异常状态集合的前N个候选异常状态及对应的全局加权异常状态置信度，输出为前向任务描述数据对应的前向告警分析信息。
示例性地，可以将各个候选异常状态对应的所有加权异常状态置信度的和，输出为各个候选异常状态对应的全局加权异常状态置信度。
示例性地，预设数量可以为1，此时选取全局加权异常状态置信度最大的候选异常状态及对应的全局加权异常状态置信度，输出为前向任务描述数据对应的前向告警分析信息。
譬如，一种可替代的实施方式中，上述步骤S206中的，将后向任务描述数据加载到后向告警分析网络，生成后向告警分析信息，包括：
将后向任务描述数据中的多个后向描述模态的数据，基于设定组合策略进行抽取组合形成多个后向特征组合向量；
将多个后向特征组合向量加载到后向告警分析网络中的多个对应的子后向告警分析网络中，生成多个子后向告警分析信息；
基于多个子后向告警分析信息，确定后向任务描述数据对应的后向告警分析信息。
其中，后向告警分析信息表征后向任务描述数据的异常状态标签。
一种可替代的实施方式中，子后向告警分析信息包括对应的后向特征组合向量在多个候选异常状态下的异常状态置信度；后向告警分析信息包括后向任务描述数据在多个候选异常状态下的异常状态置信度。上述步骤中的，基于多个子后向告警分析信息，确定后向任务描述数据对应的后向告警分析信息，包括：
确定各个子后向告警分析信息对应的子后向告警分析网络的网络评估指标；
基于多个子后向告警分析信息和对应的网络评估指标，确定后向任务描述数据对应的后向告警分析信息。
，网络评估指标与对应的子后向告警分析网络的网络学习分析可靠度有关，示例性地，网络学习分析可靠度可以通过获取子后向告警分析网络的先验分析数据来计算得到，例如可以统计子后向告警分析网络在多次网络学习中的网络学习分析可靠度的均值置信度。示例性地，网络评估指标与对应的子后向告警分析网络的网络学习分析可靠度成正比，即子后向告警分析网络的网络学习分析可靠度越高，其输出的子后向告警分析信息在后续告警分析通过认证的占比越大。
一种可替代的实施方式中，基于多个子后向告警分析信息和对应的网络评估指标，确定后向任务描述数据对应的后向告警分析信息，包括：
对于各个子后向告警分析信息，将其中包括的对应的后向特征组合向量在多个候选异常状态下的异常状态置信度与对应的网络评估指标相乘，生成对应的后向特征组合向量在多个候选异常状态下的加权异常状态置信度；
基于所有子后向告警分析信息对应的后向特征组合向量在多个候选异常状态下的加权异常状态置信度，计算各个候选异常状态对应的全局加权异常状态置信度；
基于全局加权异常状态置信度的降序顺序，对所有候选异常状态进行排序，生成候选异常状态集合；
将候选异常状态集合的前N个候选异常状态及对应的全局加权异常状态置信度，输出为后向任务描述数据对应的后向告警分析信息。
示例性地，可以将各个候选异常状态对应的所有加权异常状态置信度的和，输出为各个候选异常状态对应的全局加权异常状态置信度。
示例性地，预设数量可以为1，此时选取全局加权异常状态置信度最大的候选异常状态及对应的全局加权异常状态置信度，输出为前向任务描述数据对应的前向告警分析信息。
一种可替代的实施方式中，上述步骤S207中的，基于前向告警分析信息、后向告警分析信息以及异常分析信息，确定目标光伏组件生产系统对应的候选异常状态，包括：
基于前向告警分析信息、后向告警分析信息以及异常分析信息，确定目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度；
基于目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度，确定目标光伏组件生产系统对应的候选异常状态。
一种可替代的实施方式中，基于前向告警分析信息、后向告警分析信息以及异常分析信息，确定目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度，包括：
基于前向告警分析信息、后向告警分析信息以及异常分析信息，确定目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度；
基于目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度，确定目标光伏组件生产系统对应的候选异常状态。
譬如，一种可替代的实施方式中，基于前向告警分析信息、后向告警分析信息以及异常分析信息，确定目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度，包括：
将前向任务描述数据、后向任务描述数据和生产控制行为采集数据分别的在至少一个候选异常状态下的异常状态置信度，分别基于对应的置信度更新策略进行调整，生成前向任务描述数据、后向任务描述数据和生产控制行为采集数据分别的在至少一个候选异常状态下的最终异常状态置信度；
将前向任务描述数据、后向任务描述数据和生产控制行为采集数据分别的在至少一个候选异常状态下的最终异常状态置信度，输出为目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度。
置信度更新策略与对应的异常状态置信度所对应的异常状态分析模型的估计精度和/或置信度门限差有关，示例性地，该置信度门限差为重要性指标对应的异常状态置信度与对应的异常状态分析模型的估计可靠度门限值之间的差。
一种可替代的实施方式中，置信度更新策略为：
W＝WE×k×g；
其中，W为最终异常状态置信度，WE为异常状态置信度，k为置信度标准化因子，g为重要性指标。
重要性指标与异常状态置信度所对应的异常状态分析模型的估计精度相关，用于表征各个异常状态分析模型的重要性的，例如在考虑前向任务描述数据的异常状态置信度时，选取与前向告警分析网络相关的先验估计精度信息，以确定重要性指标。例如在考虑后向任务描述数据的异常状态置信度时，选取与后向告警分析网络相关的先验估计精度信息，以确定重要性指标。例如在考虑生产控制行为采集数据的异常状态置信度时，选取与异常状态分析模型相关的先验估计精度信息，以确定重要性指标。示例性地，该先验估计精度信息可以通过计算对应的异常状态分析模型的在先验时间段或先验估计任务中的平均估计精度来确定。
一种可替代的实施方式中，基于目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度，确定目标光伏组件生产系统对应的候选异常状态，包括：
将目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度中，最终异常状态置信度最大的候选异常状态，输出为目标光伏组件生产系统对应的候选异常状态。
一种可替代的实施方式中，基于目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度，确定目标光伏组件生产系统对应的候选异常状态，包括：
基于目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度，对多个最终异常状态置信度进行降序排列，生成置信度序列；
基于置信度序列中前N个最终异常状态置信度所对应的候选异常状态，确定目标光伏组件生产系统对应的候选异常状态；其中，N为大于1的整数，且N小于最终异常状态置信度的总数量。
一种可替代的实施方式中，基于置信度序列中前N个最终异常状态置信度所对应的候选异常状态，确定目标光伏组件生产系统对应的候选异常状态，包括：
计算置信度序列中前两个最终异常状态置信度之间的置信度差；
分析置信度差是否大于预设的门限差值；
当置信度差大于预设的门限差值时，将最大的最终异常状态置信度所对应的候选异常状态，输出为目标光伏组件生产系统对应的候选异常状态；
当置信度差不大于预设的门限差值时，分析前两个最终异常状态置信度所对应的候选异常状态是否分别为主动异常状态和被动异常状态；
当前两个最终异常状态置信度所对应的候选异常状态分别为主动异常状态和被动异常状态时，将目标光伏组件生产系统对应的候选异常状态确定为预设异常状态；
当前两个最终异常状态置信度所对应的候选异常状态分别不为主动异常状态和被动异常状态时，将最大的最终异常状态置信度所对应的候选异常状态，输出为目标光伏组件生产系统对应的候选异常状态。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器100。
对于一个实施例，图2示出了云服务器100，该云服务器100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块106的网络接口112。
处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些可替代的实施方式中，云服务器100能够作为本申请实施例中所述网关等云服务器设备。
在一些可替代的实施方式中，云服务器100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为云服务器100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。在一些可替代的实施方式中，存储器106可包括双倍数据速率分团标签四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为云服务器100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为云服务器100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为云服务器100提供接口以依据一个或多个网络通信，云服务器100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入依据通信标准的无线网络。
对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种应用于光伏组件生产系统的数据采集处理方法，其特征在于，应用于云服务器，所述方法包括：
获取所述目标光伏组件生产系统的生产控制行为采集数据；
将所述生产控制行为采集数据加载到异常状态分析模型中，生成所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度；
基于所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个所述候选异常状态对应的异常影响参数，确定所述生产控制行为采集数据对应的异常分析信息；所述异常分析信息表征所述生产控制行为采集数据的异常状态标签；
基于所述生产控制行为采集数据对应的异常分析信息，对目标光伏组件生产系统对应的生产控制组件进行运维信息处理。
2.根据权利要求1所述的应用于光伏组件生产系统的数据采集处理方法，其特征在于，所述生产控制行为采集数据包括所述目标光伏组件生产系统对应的多个协同生产运转数据；
所述将所述生产控制行为采集数据加载到异常状态分析模型中，生成所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度，包括：
将所述多个协同生产运转数据分别输入异常状态分析模型中，生成各个所述协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度。
3.根据权利要求2所述的应用于光伏组件生产系统的数据采集处理方法，其特征在于，所述异常分析信息包括所述生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度；
所述基于所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个所述候选异常状态对应的异常影响参数，确定所述生产控制行为采集数据对应的异常分析信息，包括：
基于所有所述协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个所述候选异常状态对应的映射异常状态置信度； 基于所有所述协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个所述候选异常状态对应的状态影响系数；所述状态影响系数包括所述候选异常状态对应的触发频次权重和/或状态影响系数减弱因子；
将各个所述候选异常状态对应的所述映射异常状态置信度以及所述状态影响系数的融合数值，输出为各个所述候选异常状态对应的最终映射异常状态置信度；
基于所有所述候选异常状态对应的最终映射异常状态置信度，确定所述生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度。
4.根据权利要求3所述的应用于光伏组件生产系统的数据采集处理方法，其特征在于，所述基于所有所述协同生产运转数据对应的估计异常状态和对应的协同异常状态置信度，确定各个所述候选异常状态对应的状态影响系数，包括：
针对各个所述估计异常状态，确定属于该估计异常状态的所有所述协同生产运转数据的数据数量，并将该数据数量占所有所述协同生产运转数据的全局数量的占比确定为该估计异常状态对应的所述候选异常状态对应的触发频次权重；
和/或， 确定各个所述候选异常状态对应的状态影响系数减弱因子；所述状态影响系数减弱因子与对应的所述候选异常状态所对应的生产控制行为样本在所述生产控制行为采集数据的占比有关。
5.根据权利要求3所述的应用于光伏组件生产系统的数据采集处理方法，其特征在于，所述基于所有所述候选异常状态对应的最终映射异常状态置信度，确定所述生产控制行为采集数据对应的目标估计异常状态和目标异常状态置信度，包括：
对所有所述最终映射异常状态置信度基于降序顺序整理，生成异常状态置信度集合；
计算所述异常状态置信度集合的前两个异常状态置信度之间的置信度差，并分析所述置信度差是否大于设定置信度差，生成第一分析信息；
当所述第一分析信息表征所述置信度差大于设定置信度差时，将所述前两个异常状态置信度中更高的异常状态置信度以及其对应的所述候选异常状态，输出为所述生产控制行为采集数据对应的目标异常状态置信度和目标估计异常状态；
当所述第一分析信息表征所述置信度差不大于设定置信度差时，分析所述前两个异常状态置信度所对应的候选异常状态是否分别为主动异常状态和被动异常状态，生成第二分析信息；
当所述第二分析信息表征所述前两个异常状态置信度所对应的候选异常状态分别为主动异常状态和被动异常状态时，将所述前两个异常状态置信度的均值置信度以及预置异常状态，输出为所述生产控制行为采集数据对应的目标异常状态置信度和目标估计异常状态；
当所述第二分析信息表征所述前两个异常状态置信度所对应的候选异常状态分别不为主动异常状态和被动异常状态时，将所述前两个异常状态置信度的均值置信度以及其它候选异常状态，输出为所述生产控制行为采集数据对应的目标异常状态置信度和目标估计异常状态。
6.根据权利要求1所述的应用于光伏组件生产系统的数据采集处理方法，其特征在于，所述方法还包括：
获取目标光伏组件生产系统的前向任务描述数据和后向任务描述数据；
将所述前向任务描述数据加载到前向告警分析网络，生成前向告警分析信息；
将所述后向任务描述数据加载到后向告警分析网络，生成后向告警分析信息；
基于所述前向告警分析信息、所述后向告警分析信息以及所述异常分析信息，确定所述目标光伏组件生产系统对应的候选异常状态。
7.根据权利要求6所述的应用于光伏组件生产系统的数据采集处理方法，其特征在于，所述基于所述前向告警分析信息、所述后向告警分析信息以及所述异常分析信息，确定所述目标光伏组件生产系统对应的候选异常状态，包括：
基于所述前向告警分析信息、所述后向告警分析信息以及所述异常分析信息，确定所述目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度；
基于所述目标光伏组件生产系统在多个候选异常状态下的最终异常状态置信度，确定所述目标光伏组件生产系统对应的候选异常状态。
8.一种应用于光伏组件生产系统的数据采集处理系统，其特征在于，所述应用于光伏组件生产系统的数据采集处理系统包括云服务器以及与所述云服务器通信连接的光伏组件生产系统，所述云服务器具体用于：
获取目标光伏组件生产系统的生产控制行为采集数据；
将所述生产控制行为采集数据加载到异常状态分析模型中，生成所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度；
基于所述生产控制行为采集数据在多个候选异常状态下的异常状态置信度，以及各个所述候选异常状态对应的异常影响参数，确定所述生产控制行为采集数据对应的异常分析信息；所述异常分析信息表征所述生产控制行为采集数据的异常状态标签；
基于所述生产控制行为采集数据对应的异常分析信息，对目标光伏组件生产系统对应的生产控制组件进行运维信息处理。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有机器可执行指令，所述机器可执行指令被计算机执行时实现权利要求1-8中任意一项所述的应用于光伏组件生产系统的数据采集处理方法。
10.一种云服务器，其特征在于，所述云服务器包括处理器及计算机可读存储介质，所述计算机可读存储介质中存储有机器可执行指令，所述机器可执行指令被计算机执行时实现权利要求1-8中任意一项所述的应用于光伏组件生产系统的数据采集处理方法。
CN202310459106.7A 2023-04-26 2023-04-26 应用于光伏组件生产系统的数据采集处理方法及系统 Active CN116430817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310459106.7A CN116430817B (zh) 2023-04-26 2023-04-26 应用于光伏组件生产系统的数据采集处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310459106.7A CN116430817B (zh) 2023-04-26 2023-04-26 应用于光伏组件生产系统的数据采集处理方法及系统

Publications (2)

Publication Number Publication Date
CN116430817A true CN116430817A (zh) 2023-07-14
CN116430817B CN116430817B (zh) 2023-09-29

Family

ID=87092603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310459106.7A Active CN116430817B (zh) 2023-04-26 2023-04-26 应用于光伏组件生产系统的数据采集处理方法及系统

Country Status (1)

Country Link
CN (1) CN116430817B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117369426A (zh) * 2023-12-08 2024-01-09 台昌树脂(佛山)有限公司 基于热熔胶生产控制系统的状态监控方法及系统
CN117422585A (zh) * 2023-12-15 2024-01-19 中山市三乐电子有限公司 电感生产制造控制系统的状态监控方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120330611A1 (en) * 2011-06-22 2012-12-27 Honeywell International Inc. Monitoring access to a location
CN110715808A (zh) * 2019-09-25 2020-01-21 中车青岛四方机车车辆股份有限公司 故障检测方法及装置
US20200211325A1 (en) * 2018-12-31 2020-07-02 Playtika Ltd. System and method for outlier detection in gaming
CN114168373A (zh) * 2021-11-17 2022-03-11 浙江中烟工业有限责任公司 一种基于nlp的容灾系统异常点检测方法
CN114358172A (zh) * 2021-12-30 2022-04-15 中广核研究院有限公司 核反应堆故障分类方法、装置、计算机设备以及存储介质
CN114785284A (zh) * 2022-06-21 2022-07-22 一道新能源科技(衢州)有限公司 太阳能电池故障分析方法及系统
CN114841250A (zh) * 2022-04-11 2022-08-02 浙江工业大学 基于多维传感数据的工业系统生产异常检测与诊断方法
CN114996936A (zh) * 2022-05-31 2022-09-02 济南浪潮数据技术有限公司 设备运维方法、设备运维装置、设备运维设备及存储介质
US20220350790A1 (en) * 2021-04-30 2022-11-03 Intuit Inc. Method and system of automatically predicting anomalies in online forms
CN115393356A (zh) * 2022-10-27 2022-11-25 武汉楚精灵医疗科技有限公司 目标部位异常形态识别方法、装置及计算机可读存储介质
CN115599579A (zh) * 2022-10-09 2023-01-13 阿里云计算有限公司（Cn） 基于加权损失的系统故障预测方法、装置、设备及介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120330611A1 (en) * 2011-06-22 2012-12-27 Honeywell International Inc. Monitoring access to a location
US20200211325A1 (en) * 2018-12-31 2020-07-02 Playtika Ltd. System and method for outlier detection in gaming
CN110715808A (zh) * 2019-09-25 2020-01-21 中车青岛四方机车车辆股份有限公司 故障检测方法及装置
US20220350790A1 (en) * 2021-04-30 2022-11-03 Intuit Inc. Method and system of automatically predicting anomalies in online forms
CN114168373A (zh) * 2021-11-17 2022-03-11 浙江中烟工业有限责任公司 一种基于nlp的容灾系统异常点检测方法
CN114358172A (zh) * 2021-12-30 2022-04-15 中广核研究院有限公司 核反应堆故障分类方法、装置、计算机设备以及存储介质
CN114841250A (zh) * 2022-04-11 2022-08-02 浙江工业大学 基于多维传感数据的工业系统生产异常检测与诊断方法
CN114996936A (zh) * 2022-05-31 2022-09-02 济南浪潮数据技术有限公司 设备运维方法、设备运维装置、设备运维设备及存储介质
CN114785284A (zh) * 2022-06-21 2022-07-22 一道新能源科技(衢州)有限公司 太阳能电池故障分析方法及系统
CN115599579A (zh) * 2022-10-09 2023-01-13 阿里云计算有限公司（Cn） 基于加权损失的系统故障预测方法、装置、设备及介质
CN115393356A (zh) * 2022-10-27 2022-11-25 武汉楚精灵医疗科技有限公司 目标部位异常形态识别方法、装置及计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117369426A (zh) * 2023-12-08 2024-01-09 台昌树脂(佛山)有限公司 基于热熔胶生产控制系统的状态监控方法及系统
CN117369426B (zh) * 2023-12-08 2024-03-01 台昌树脂(佛山)有限公司 基于热熔胶生产控制系统的状态监控方法及系统
CN117422585A (zh) * 2023-12-15 2024-01-19 中山市三乐电子有限公司 电感生产制造控制系统的状态监控方法及系统
CN117422585B (zh) * 2023-12-15 2024-05-17 中山市三乐电子有限公司 电感生产制造控制系统的状态监控方法及系统

Also Published As

Publication number Publication date
CN116430817B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN116430817B (zh) 应用于光伏组件生产系统的数据采集处理方法及系统
Rafiq et al. Regularized LSTM based deep learning model: first step towards real-time non-intrusive load monitoring
Li et al. Fault diagnosis for fuel cell systems: A data-driven approach using high-precise voltage sensors
TWI510916B (zh) 儲存裝置壽命監控系統以及其儲存裝置壽命監控方法
JP2020106470A (ja) 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
CN112232495B (zh) 预测模型的训练方法、装置、介质和计算设备
CN110874665B (zh) 用于风力发电机组的控制装置和方法
CN115729796B (zh) 基于人工智能的异常操作分析方法及大数据应用系统
CN116087787A (zh) 一种基于主成分分析法的电池故障判断方法和系统
CN116594364A (zh) 基于预制菜生产控制系统的优化方法及系统
CN116755403B (zh) 基于光伏组件生产控制系统的数据采集方法及系统
CN115330435A (zh) 一种碳排放权价格指标体系建立方法、装置、设备及介质
CN116992311B (zh) 基于机器学习的储能电源状态分析方法
CN114330571A (zh) 基于迁移学习的电力系统主导失稳模式识别方法及系统
CN116542673B (zh) 应用于机器学习的欺诈行为识别方法及系统
CN116433050B (zh) 应用于农业大数据管理系统的异常报警方法及系统
CN110991741B (zh) 一种基于深度学习的断面约束概率预警方法及系统
Tarar et al. Accurate prediction of remaining useful life for lithium-ion battery using deep neural networks with memory features
CN116797973A (zh) 应用于环卫智慧管理平台的数据挖掘方法及系统
CN114859231B (zh) 基于维纳过程和极限学习机的电池剩余寿命预测方法
CN110207871B (zh) 风电机组的应力预测的方法、装置、存储介质和系统
Subramanian et al. Load-Aware VM Migration Using Hypergraph Based CDB-LSTM
CN117353461B (zh) 一种光伏发电系统的状态监控方法及系统
CN116976530B (zh) 一种电缆设备状态预测方法、装置及存储介质
CN103995528A (zh) 一种功率变换器主电路的智能自修复技术

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant