CN103605734A - 基于特征向量的数据传输压缩方法及其系统 - Google Patents
基于特征向量的数据传输压缩方法及其系统 Download PDFInfo
- Publication number
- CN103605734A CN103605734A CN201310582975.5A CN201310582975A CN103605734A CN 103605734 A CN103605734 A CN 103605734A CN 201310582975 A CN201310582975 A CN 201310582975A CN 103605734 A CN103605734 A CN 103605734A
- Authority
- CN
- China
- Prior art keywords
- unit operation
- data
- vector space
- vector
- duty parameter
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明提供一种基于特征向量的数据传输压缩方法及其系统,依据电站机组运行工况参数组成的向量空间矩阵,通过对向量空间矩阵中矩阵线性无关组的计算,构建机组运行工况最小无关向量组;通过无关信息组聚类划分,把机组运行工况实时数据分为若干个分类进行编码并存储,构建出该机组基于特征向量的数据压缩模型字典,然后把数据压缩模型字典发布在需要通讯的源和目标服务器,以便运行工况模式识别后,实现源端数据编码和目标端解码。从而能够实现电站机组海量实时数据在低带宽条件下高效可靠的传输。
Description
技术领域
本发明涉及电力数据传输的技术领域,特别是涉及一种基于特征向量的数据传输压缩方法及其系统。
背景技术
近些年,数据压缩领域的研究越来越多,主要集中遥测数据压缩、医疗数据压缩、远程诊断数据压缩、媒体数据压缩、数据库压缩等。数据压缩的方法可分为经典数据压缩和新型数据压缩,经典数据压缩算法包括霍夫曼编码、算术编码、行程(游程)编码等。
然而,在对电力系统的电力数据进行传输时,由于电力系统中机组运行工况的测点很多,各个测点都不断检测,生成大量的数据,从而使得需要传输的数据量非常大,给传输带宽带来极大的负担,特别是在低带宽的条件下,无法实现高效可靠的数据传输。
发明内容
针对上述问题,本发明提出一种基于特征向量的数据传输压缩方法及其系统,能够实现电站机组海量实时数据在低带宽条件下高效可靠的传输。
一种基于特征向量的数据传输压缩方法,包括以下步骤:
根据接入的电站机组运行工况参数以及所述机组运行工况参数的历史数据构建向量空间矩阵;
计算所述向量空间矩阵中各机组运行工况参数的相关性和正交性,根据所述相关性和正交性的计算结果,将所述向量空间矩阵中线性相关属性和特征值小于预定值的机组运行工况参数去除,形成特征向量空间;
对所述特征向量空间进行K-L变换;
对所述特征向量空间以最小错误率的贝叶斯分类方法执行分类,根据所述分类结果,将机组运行工况参数的历史数据根据本征值分类,形成数据压缩包;
将所述数据压缩包发布到通讯的中心侧和电厂侧。
一种基于特征向量的数据传输压缩系统,包括:
参数获取模块,用于根据接入的电站机组运行工况参数以及所述机组运行工况参数的历史数据构建向量空间矩阵;
筛选模块,用于计算所述向量空间矩阵中各机组运行工况参数的相关性和正交性,根据所述相关性和正交性的计算结果,将所述向量空间矩阵中线性相关属性和特征值小于预定值的机组运行工况参数去除,形成特征向量空间;
变换模块,用于对所述特征向量空间进行K-L变换;
分类模块,用于对所述特征向量空间以最小错误率的贝叶斯分类方法执行分类,根据所述分类结果,将机组运行工况参数的历史数据根据本征值分类,形成数据压缩包;
发送模块,用于将所述数据压缩包发布到通讯的中心侧和电厂侧。
本发明的基于特征向量的数据传输压缩方法及其系统中,依据电站机组运行工况参数组成的向量空间矩阵,通过对向量空间矩阵中矩阵线性无关组的计算,构建机组运行工况最小无关向量组;通过无关信息组聚类划分,把机组运行工况实时数据分为若干个分类进行编码并存储,构建出该机组基于特征向量的数据压缩模型字典,然后把数据压缩模型字典发布在需要通讯的源和目标服务器,以便运行工况模式识别后,实现源端数据编码和目标端解码。所述的电站机组运行工况实时数据是指:描述电站机组运行工况的各种参数,主要包括从DCS中提取到的温度、压力、流量、负荷等类别的数据,例如,对于某60万机组,包括6803个模拟量和13397个数字量。在低带宽通道传输的前提下能够满足数据实时性和不失真,实时性指按照秒级刷新。本发明的基于特征向量的数据传输压缩方法及其系统,不仅压缩率高,而且压缩/解压速度快,很好的满足了远程诊断中对海量实时数据传输的要求。
附图说明
图1是本发明基于特征向量的数据传输压缩方法的流程示意图;
图2是本发明基于特征向量的数据传输压缩方法一个实施例的流程示意图;
图3是电站机组运行系统简图;
图4是本发明基于特征向量的数据传输压缩系统的结构示意图。
具体实施方式
请参阅图1,图1是本发明基于特征向量的数据传输压缩方法的流程示意图。
所述基于特征向量的数据传输压缩方法,包括以下步骤:
S101,根据接入的电站机组运行工况参数以及所述机组运行工况参数的历史数据构建向量空间矩阵;
S102,计算所述向量空间矩阵中各机组运行工况参数的相关性和正交性,根据所述相关性和正交性的计算结果,将所述向量空间矩阵中线性相关属性和特征值小于预定值的机组运行工况参数去除,形成特征向量空间;
S103,对所述特征向量空间进行K-L变换;
S104,对所述特征向量空间以最小错误率的贝叶斯分类方法执行分类,根据所述分类结果,将机组运行工况参数的历史数据根据本征值分类,形成数据压缩包;
S105,将所述数据压缩包发布到通讯的中心侧和电厂侧。
本发明基于特征向量的数据传输压缩方法属于新型数据压缩方法,首先创建基于特征向量的机组工况模型,把描述机组运行工况的数万个参数从源实时历史数据库中获取出来,进行分类,构建出该机组基于特征向量的数据压缩模型,发布在通讯的源和目标区域,以便运行工况模式识别后,实现源端数据编码和目标端解码。结合电站机组的运行工况条件参数,依据基于参数运行工况历史数据进行线性无关组计算得到的特征向量,然后对特征向量历史数据再进行聚类计算,得到机组不同运行工况条件下的压缩模型数据包,进而结合已获得的历史数据进行数据压缩包定期更新,实现基于特征向量的电站机组运行工况数据压缩,实现对电站海量实时数据的远程传输。特别是完成了在低带宽中高效传输秒级刷新实时数据的传输。
其中,在步骤S101中,根据接入的电站机组运行工况参数以及所述机组运行工况参数的历史数据构建向量空间矩阵的步骤包括:
获取各个机组运行工况测点获取的机组运行工况参数,组成描述机组运行的向量空间;
从电厂实时历史数据库中取得预定周期下的历史数据,构成向量空间矩阵。
在本步骤中,首先收集机组运行工况各种参数,形成描述机组运行的特征向量,从电厂实时历史库中取得一定周期下的历史数据,构成向量空间方阵A。
在一个实施方式中,获取所述机组运行工况测点对应的机组运行工况参数8923个,以及各个所述测点对应的预定周期下的历史数据8923个,构成8923×8923的方阵作为所述向量空间矩阵。
在步骤S102中,计算所述向量空间矩阵中各机组运行工况参数的相关性和正交性,根据所述相关性和正交性的计算结果,将所述向量空间矩阵中线性相关属性和特征值小于预定值的机组运行工况参数去除,形成特征向量空间的步骤包括:
对所述特征向量空间矩阵计算本征向量和本征值;
去除本征值小于预定值的对应向量,形成第一特征向量组;
对所述第一特征向量组进行优化,构建第二特征向量组,获得特征向量空间。
在本步骤中,对向量空间方阵A进行线性无关计算,去掉线性相关和对本征值小的向量。首先,对向量空间方阵A计算本征向量和本征值;然后去掉本征值<Tmin对应的向量,形成向量组V1,例如可通过matlab[V,D]=eig(A)计算出本征向量V和本征值D;最后根据人工经验对上述V1进行优化,构建特征向量组V2。
步骤S101和S102中,获取机组运行参数全部模拟量和传感器输入开关量一定周期和间隔的数据,构成描述机组运行工况的空间向量组,形成一个8923×8923的一个方阵A。然后计算该方阵的本征向量,结合人工经验,形成最终的本征向量组V,已将机组运行参数中的线性相关的测点去除,在本征向量中只剩下线性无关的描述机组运行的特征数据点。
对于步骤S103,对所述特征向量空间进行K-L变换的步骤包括:
计算第二特征向量组的均值和协方差阵,将各个本征值按值由小到大的顺序排列,将本征值小于0.02316的对应特征向量筛选掉,得到变换矩阵。
使得变换后产生的新的分量正交或者不相关;以部分新的分量表示原矢量均方误差最小,变换后的矢量更趋确定,能量更集中。目的是寻找任意统计分布的数据集合之主要分量的子集。
在本步骤中,将上述特征向量组V2进行K-L变换,使得变换后产生的新的分量正交或者不相关,进一步降低V2的维数。首先,对本征向量组V,从历史数据中获取N个在不同周期机组运行工况数据,构成矩阵Ψ,求N向量个的本征值与本征向量,计算样特征向量组V2的均值μ=E[x]和协方差阵Cx=E[(x-u)(x-u)T],将N个本征值按值由小到大的顺序排列,将小于0.02316的本征值对应的特征向量去掉,得到新的变换阵Unew=[u1,u2,…,un-k],这时,第一步中的8923维向量降为低维向量VE。
对于步骤S104,对所述特征向量空间以最小错误率的贝叶斯分类方法执行分类的步骤包括:
在所述变换矩阵中,按照本征值从小到大,把低维向量对应的历史数据训练样本分为N num个类别,生成N num个数据分类包,把每个分类包对应的数据测点与所述本征值对应的机组运行工况参数匹配,结合所述数据测点对应的历史数据,组成N num个数据压缩包。
在本步骤中,依据得到的机组运行工况的低维向量组新变换矩阵Unew,按照最小错误率bayes决策方法分类。首先,按照本征值从小到大,把低维向量VE对应的历史数据训练样本分为N num个类别,具体值根据人工经验和实际情况确定,原则上N num<500。这样,N num个数据分类包也就形成了,把每个类对应的8923个数据测点与本征值对应机组运行工况参数匹配,结合这些测点对应历史数据,组成N num个数据压缩包Packagen。
对于步骤S105,将所述数据压缩包发布到通讯的中心侧和电厂侧的步骤包括:
将所述数据压缩包发布到通讯的中心侧和电厂侧,电厂侧通讯程序根据机组运行工况中本征值对应的分类,把某时刻要传输到中心侧的数据包与本征值对应的数据压缩包中的数据进行比较,将超过阀值的数据打包,发送到中心侧;
中心侧接收到电厂侧的数据报文后,根据数据报文中数据压缩包的编号,从本地匹配未超过阀值并未传输的数据,构成完整的数据报文。
在本步骤中,发布用于远程通讯的压缩数据字典包。
将Packagen发布到通讯的中心侧和电厂侧,电厂侧通讯程序根据机组运行工况中本征值对应的分类,把某时刻要传输到中心侧的数据包与本征值对应的数据包中的数据进行比较,只把超过阀值的数据打包,发送到中心侧;中心侧接收到电厂侧的数据报文后,根据数据报文中Packagen编号,从本地匹配未超过阀值未传输的数据,构成完整的数据报文。
本发明具有如下特点和优势:
1)通过机组运行工况条件参数的历史数据的分析,并结合不同工况下运行情况的人工经验,对8千多个参数进行线性无关组分析和进一步降维。利用最小错误率bayes决策方法对降维后向量的不同工况下多组历史数据进行分类训练,从而得到较为准确的能代表机组运行不同工况下的各类数据,进一步形成类模型,用于远程数据通讯中数据压缩与解压,解决了远程诊断中的海量实施数据低带宽传输的问题。
2)利用数学计算与大量历史数据训练结合的精确方式,同时吸取人工经验的优势,提高了压缩方法的实用性和高效性。
3)依据计算所得的火电机组最大线性无关组与正交性,可分析得到各代表机组运行工况的最小集合列表,实现整个机组的防扰动计算。为进一步研究火电机组运行工况打下了坚实的基础。
下面结合具体的示例对本发明的基于特征向量的数据传输压缩方法作进一步说明。本实施实例是在本发明技术方案的前提下进行的现场实行,给出了详细的实施方式和具体的操作流程,但本发明的保护内容不局限于如下的具体实施实例。
对于某型号600MW亚临界燃煤电站锅炉承压元件的寿命进行评估,经过12个月时间的正常运行,获取各运行参数每个15分钟的历史数据,形成进行线性无关组计算和进行bayes决策方法分类训练和验证的基础数据集,特别是获得机组各种运行工况下、各种运行条件下分布的数据。
整个过程如图2所示,图中的机组历史数据为在电厂SIS系统中的实时历史数据库获得的数据。基于该`600MW电站机组的运行1年的历史数据,为建立该电站机组远程数据传输分析计算的原始数据集;依据这些参数的历史数据,进行线性分析和降维,得到描述机组运行工况的最小参数集,进而进行分类,为数据压缩打下基础。
具体实现过程可分为如下步骤:
第一步:获取机组运行工况测点参数历史数据。
电站机组运行系统简图如如图3,从机组运行DCS或者SIS中,获取描述机组不同运行工况下每个一定周期的数据,构成远程传输压缩和分析的基础数据。
收集参数包括所有I/O参数,不包括中间点。收集数据间隔周期可在5~60分钟之间,包含1年中机组在各种工况下的运行数据,数据条目>20000条;
第二步:通过系统提供的功能,进行数据分析和线性无关组分析,结果通过人工经验再进行调整。
第三步:通过系统提供的功能,进行最小错误率bayes决策方法分类,对结果再进行人工调整。
第四步:对分类的结果进行实测。
第五步:通过系统提供的功能,根据分类数和特征向量构成数据压缩字典。
第六步:发布数据压缩字典到远程通讯的中心侧和电厂侧。
本发明针对现有通道传输带宽的限制,提出了一种基于特征向量的实时数据远程传输压缩方法。根据电站机组运行的历史数据,通过线性无关性分析和最小错误率bayes决策方法分类,同时结合人工经验,找到代表电站机组运行的数据的核心参数,然后构建数据压缩字典,发布到通讯的源和目标侧,构成远程通讯压缩的基础,然后定期用历史数据对核心参数和分类进行优化调整,得到电站机组运行的最优参数组合与分类,进而形成新的数据压缩字典。实现了电站机组海里运行参数秒极实时数据的远程传输,特别是实现了在低带宽中的稳定传输。
本发明通过对电站机组运行工况历史数据进行分析,将八千多个测点中线性相关的属性和特征值小于某值对应的属性去除,形成新的向量空间,然后再对这个向量空间进行K-L变换和小错误率bayes方法进行分类,构成降维后的分类,然后把机组运行历史数据根据本征值分类,形成数据压缩包,发布到通讯的中心侧和电厂侧,用于远程传输中的数据压缩和解压。极大地减少了数据的通讯量,在低带宽中实现了海量实时数据秒极刷新。
请参阅图4,图4是本发明基于特征向量的数据传输压缩系统的结构示意图。
所述基于特征向量的数据传输压缩系统包括:
参数获取模块10,用于根据接入的电站机组运行工况参数以及所述机组运行工况参数的历史数据构建向量空间矩阵;
筛选模块20,用于计算所述向量空间矩阵中各机组运行工况参数的相关性和正交性,根据所述相关性和正交性的计算结果,将所述向量空间矩阵中线性相关属性和特征值小于预定值的机组运行工况参数去除,形成特征向量空间;
变换模块30,用于对所述特征向量空间进行K-L变换;
分类模块40,用于对所述特征向量空间以最小错误率的贝叶斯分类方法执行分类,根据所述分类结果,将机组运行工况参数的历史数据根据本征值分类,形成数据压缩包;
发送模块50,用于将所述数据压缩包发布到通讯的中心侧和电厂侧。
其中,所述参数获取模块10获取所述机组运行工况测点对应的机组运行工况参数8923个,以及各个所述测点对应的预定周期下的历史数据8923个,构成8923×8923的方阵作为所述向量空间矩阵。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于特征向量的数据传输压缩方法,其特征在于,包括以下步骤:
根据接入的电站机组运行工况参数以及所述机组运行工况参数的历史数据构建向量空间矩阵;
计算所述向量空间矩阵中各机组运行工况参数的相关性和正交性,根据所述相关性和正交性的计算结果,将所述向量空间矩阵中线性相关属性和特征值小于预定值的机组运行工况参数去除,形成特征向量空间;
对所述特征向量空间进行K-L变换;
对所述特征向量空间以最小错误率的贝叶斯分类方法执行分类,根据所述分类结果,将机组运行工况参数的历史数据根据本征值分类,形成数据压缩包;
将所述数据压缩包发布到通讯的中心侧和电厂侧。
2.如权利要求1所述的基于特征向量的数据传输压缩方法,其特征在于,根据接入的电站机组运行工况参数以及所述机组运行工况参数的历史数据构建向量空间矩阵的步骤包括:
获取各个机组运行工况测点获取的机组运行工况参数,组成描述机组运行的向量空间;
从电厂实时历史数据库中取得各个机组运行工况参数在预定周期下的历史数据,构成向量空间矩阵。
3.如权利要求2所述的基于特征向量的数据传输压缩方法,其特征在于:
获取所述机组运行工况测点对应的机组运行工况参数8923个,以及各个所述测点对应的预定周期下的历史数据8923个,构成8923×8923的方阵作为所述向量空间矩阵。
4.如权利要求1至3任意一项所述的基于特征向量的数据传输压缩方法,其特征在于,计算所述向量空间矩阵中各机组运行工况参数的相关性和正交性,根据所述相关性和正交性的计算结果,将所述向量空间矩阵中线性相关属性和特征值小于预定值的机组运行工况参数去除,形成特征向量空间的步骤包括:
对所述特征向量空间矩阵计算本征向量和本征值;
去除本征值小于预定值的对应向量,形成第一特征向量组;
对所述第一特征向量组进行优化,构建第二特征向量组,获得特征向量空间。
5.如权利要求4所述的基于特征向量的数据传输压缩方法,其特征在于,通过matlab[V,D]=eig(A)计算所述本征向量和本征值。
6.如权利要求4所述的基于特征向量的数据传输压缩方法,其特征在于,对所述特征向量空间进行K-L变换的步骤包括:
计算第二特征向量组的均值和协方差阵,将各个本征值按值由小到大的顺序排列,将本征值小于0.02316的对应特征向量筛选掉,得到变换矩阵。
7.如权利要求6所述的基于特征向量的数据传输压缩方法,其特征在于,对所述特征向量空间以最小错误率的贝叶斯分类方法执行分类的步骤包括:
在所述变换矩阵中,按照本征值从小到大,把低维向量对应的历史数据训练样本分为N num个类别,生成N num个数据分类包,把每个分类包对应的数据测点与所述本征值对应的机组运行工况参数匹配,结合所述数据测点对应的历史数据,组成N num个数据压缩包。
8.如权利要求7所述的基于特征向量的数据传输压缩方法,其特征在于,将所述数据压缩包发布到通讯的中心侧和电厂侧的步骤包括:
将所述数据压缩包发布到通讯的中心侧和电厂侧,电厂侧通讯程序根据机组运行工况中本征值对应的分类,把某时刻要传输到中心侧的数据包与本征值对应的数据压缩包中的数据进行比较,将超过阀值的数据打包,发送到中心侧;
中心侧接收到电厂侧的数据报文后,根据数据报文中数据压缩包的编号,从本地匹配未超过阀值并未传输的数据,构成完整的数据报文。
9.一种基于特征向量的数据传输压缩系统,其特征在于,包括:
参数获取模块,用于根据接入的电站机组运行工况参数以及所述机组运行工况参数的历史数据构建向量空间矩阵;
筛选模块,用于计算所述向量空间矩阵中各机组运行工况参数的相关性和正交性,根据所述相关性和正交性的计算结果,将所述向量空间矩阵中线性相关属性和特征值小于预定值的机组运行工况参数去除,形成特征向量空间;
变换模块,用于对所述特征向量空间进行K-L变换;
分类模块,用于对所述特征向量空间以最小错误率的贝叶斯分类方法执行分类,根据所述分类结果,将机组运行工况参数的历史数据根据本征值分类,形成数据压缩包;
发送模块,用于将所述数据压缩包发布到通讯的中心侧和电厂侧。
10.如权利要求9所述的基于特征向量的数据传输压缩系统,其特征在于:
所述参数获取模块获取各个机组运行工况测点获取的机组运行工况参数,组成描述机组运行的向量空间;从电厂实时历史数据库中取得各个机组运行工况参数在预定周期下的历史数据,构成向量空间矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310582975.5A CN103605734B (zh) | 2013-11-19 | 2013-11-19 | 基于特征向量的数据传输压缩方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310582975.5A CN103605734B (zh) | 2013-11-19 | 2013-11-19 | 基于特征向量的数据传输压缩方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103605734A true CN103605734A (zh) | 2014-02-26 |
CN103605734B CN103605734B (zh) | 2017-02-15 |
Family
ID=50123956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310582975.5A Active CN103605734B (zh) | 2013-11-19 | 2013-11-19 | 基于特征向量的数据传输压缩方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103605734B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447001A (zh) * | 2014-08-04 | 2016-03-30 | 华为技术有限公司 | 高维数据降维方法及装置 |
CN107492062A (zh) * | 2016-06-13 | 2017-12-19 | 滴滴(中国)科技有限公司 | 乘客出行矩阵的压缩方法和系统 |
CN108108747A (zh) * | 2017-09-21 | 2018-06-01 | 西安交通大学 | 一种解决大数据聚类的基于视觉原理的聚类方法 |
CN108492339A (zh) * | 2018-03-28 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 获取资源压缩包的方法、装置、电子设备及存储介质 |
CN108876393A (zh) * | 2017-05-10 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 判断用户风险程度的方法、装置 |
CN109002489A (zh) * | 2018-06-26 | 2018-12-14 | 北京金风科创风电设备有限公司 | 风力发电机组的数据存储方法和数据存储装置 |
CN112445793A (zh) * | 2019-09-05 | 2021-03-05 | 中国科学院沈阳自动化研究所 | 一种基于多叉树的设备状态区分及数据压缩方法 |
CN114492956A (zh) * | 2022-01-07 | 2022-05-13 | 上海烁恒科技有限责任公司 | 基于历史数据搜索的工况预测方法、设备及存储介质 |
CN117554948A (zh) * | 2023-10-11 | 2024-02-13 | 北京理工大学 | 一种多飞行器低带宽协同跟踪目标的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1796009A2 (en) * | 2005-12-08 | 2007-06-13 | Electronics and Telecommunications Research Institute | System for and method of extracting and clustering information |
CN102799682A (zh) * | 2012-05-10 | 2012-11-28 | 中国电力科学研究院 | 一种海量数据预处理方法及其系统 |
CN102867079A (zh) * | 2012-08-22 | 2013-01-09 | 广东电网公司东莞供电局 | 一种构建和归档电网实时运行方式的简约方法及系统 |
-
2013
- 2013-11-19 CN CN201310582975.5A patent/CN103605734B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1796009A2 (en) * | 2005-12-08 | 2007-06-13 | Electronics and Telecommunications Research Institute | System for and method of extracting and clustering information |
CN102799682A (zh) * | 2012-05-10 | 2012-11-28 | 中国电力科学研究院 | 一种海量数据预处理方法及其系统 |
CN102867079A (zh) * | 2012-08-22 | 2013-01-09 | 广东电网公司东莞供电局 | 一种构建和归档电网实时运行方式的简约方法及系统 |
Non-Patent Citations (2)
Title |
---|
MIN XIA等: "An Approach For Bearing Fault Diagnosis Based On PCA and Multiple Classifier Fusion", 《INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE》 * |
刘毅等: "电能质量监测网录波数据压缩方法", 《电网技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447001B (zh) * | 2014-08-04 | 2018-12-14 | 华为技术有限公司 | 高维数据降维方法及装置 |
CN105447001A (zh) * | 2014-08-04 | 2016-03-30 | 华为技术有限公司 | 高维数据降维方法及装置 |
CN107492062B (zh) * | 2016-06-13 | 2021-05-04 | 北京嘀嘀无限科技发展有限公司 | 乘客出行矩阵的压缩方法和系统 |
CN107492062A (zh) * | 2016-06-13 | 2017-12-19 | 滴滴(中国)科技有限公司 | 乘客出行矩阵的压缩方法和系统 |
CN108876393A (zh) * | 2017-05-10 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 判断用户风险程度的方法、装置 |
CN108876393B (zh) * | 2017-05-10 | 2021-05-25 | 北京京东尚科信息技术有限公司 | 判断用户风险程度的方法、装置 |
CN108108747A (zh) * | 2017-09-21 | 2018-06-01 | 西安交通大学 | 一种解决大数据聚类的基于视觉原理的聚类方法 |
CN108492339A (zh) * | 2018-03-28 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 获取资源压缩包的方法、装置、电子设备及存储介质 |
CN108492339B (zh) * | 2018-03-28 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 获取资源压缩包的方法、装置、电子设备及存储介质 |
CN109002489A (zh) * | 2018-06-26 | 2018-12-14 | 北京金风科创风电设备有限公司 | 风力发电机组的数据存储方法和数据存储装置 |
CN109002489B (zh) * | 2018-06-26 | 2020-07-17 | 北京金风科创风电设备有限公司 | 风力发电机组的数据存储方法和数据存储装置 |
CN112445793A (zh) * | 2019-09-05 | 2021-03-05 | 中国科学院沈阳自动化研究所 | 一种基于多叉树的设备状态区分及数据压缩方法 |
CN114492956A (zh) * | 2022-01-07 | 2022-05-13 | 上海烁恒科技有限责任公司 | 基于历史数据搜索的工况预测方法、设备及存储介质 |
CN114492956B (zh) * | 2022-01-07 | 2024-03-12 | 上海烁恒科技有限责任公司 | 基于历史数据搜索的工况预测方法、设备及存储介质 |
CN117554948A (zh) * | 2023-10-11 | 2024-02-13 | 北京理工大学 | 一种多飞行器低带宽协同跟踪目标的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103605734B (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103605734A (zh) | 基于特征向量的数据传输压缩方法及其系统 | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN106600140A (zh) | 基于改进支持向量机的燃气管道故障预测预警系统及方法 | |
Shao et al. | Branchy-GNN: A device-edge co-inference framework for efficient point cloud processing | |
CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
CN106096324A (zh) | 基于k近邻回归的输变电主设备负荷数据缺失填补算法 | |
CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
CN110334866A (zh) | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 | |
CN110119545A (zh) | 一种基于栈式自编码器的非侵入式电力负荷识别方法 | |
CN109029975A (zh) | 一种风电齿轮箱的故障诊断方法 | |
Cao et al. | UTrans-Net: A model for short-term precipitation prediction | |
CN116821610B (zh) | 一种利用大数据优化风力发电效率的方法 | |
Zhou et al. | Coal consumption prediction in thermal power units: A feature construction and selection method | |
CN117892921A (zh) | 基于大数据的智慧水务综合管理系统及方法 | |
CN103227644A (zh) | 一种针对汽车车身小格式数据的压缩方法 | |
CN113673152A (zh) | 一种基于数字孪生体的集团级kks编码智能映射推荐方法 | |
Yu et al. | Temporal dynamic network with learnable coupled adjacent matrix for wind forecasting | |
CN111193254B (zh) | 一种住宅日用电负荷预测方法和设备 | |
CN105427583A (zh) | 一种基于lzw编码的道路交通数据压缩方法 | |
CN113515890B (zh) | 一种基于联邦学习的可再生能源日前场景生成方法 | |
CN108761258A (zh) | 基于人工智能和大数据技术的变压器短期过载能力评估系统 | |
CN114186739A (zh) | 基于深度学习的台区短期负荷预测方法 | |
Li et al. | Power grid fault detection method based on cloud platform and improved isolated forest | |
Duan et al. | TCAD: unsupervised anomaly detection based on global local representation differences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 510080 water Donggang 8, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong. Patentee after: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD. Address before: 510080 water Donggang 8, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong. Patentee before: Electrical Power Research Institute of Guangdong Power Grid Corporation |