CN105471647B - 一种电力通信网故障定位方法 - Google Patents
一种电力通信网故障定位方法 Download PDFInfo
- Publication number
- CN105471647B CN105471647B CN201510881512.8A CN201510881512A CN105471647B CN 105471647 B CN105471647 B CN 105471647B CN 201510881512 A CN201510881512 A CN 201510881512A CN 105471647 B CN105471647 B CN 105471647B
- Authority
- CN
- China
- Prior art keywords
- base grader
- base
- weight
- alarm data
- group
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004891 communication Methods 0.000 title claims abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 208000024891 symptom Diseases 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
- H04L41/0636—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis based on a decision tree analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Telephonic Communication Services (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种电力通信网故障定位方法,包括:首先预处理历史告警数据,得到多个重要告警属性,并分配影响因子;建立基分类器作为子预测模型,分别对历史告警数据进行预测,并将预测准确率作为基分类器权重;其次,将多个基分类器分为基分类器集合,估计得到每一组的平均权重和平均影响因子,继而得到每一组的综合权重,选取综合权重最大值,其所对应的故障类别即为最终预测结果,至此建立组合预测模型;利用组合预测模型对现有告警数据进行预测,得到最终的故障定位预测结果。本发明不仅解决了故障定位技术存在的准确低、反应慢的问题,同时通过构建的组合预测模型进行故障定位,显著提高了故障定位的准确性,大大缩短了故障定位的时间。
Description
技术领域
本发明涉及通信网络管理技术领域,尤其涉及一种电力通信网故障定位方法。
背景技术
电力通信网依托于电网组建而来,是智能电网建设的支持和保障,主要负责传输数据业务,监控网络性能,管理生产运行等。随着网络结构复杂化,设备多样化,业务规模化发展,电力通信网已经不是传统的单一化层次结构,视频、语音等多媒体业务也加入其中。所以,当电力通信网发生故障时,会产生大量复杂告警数据,这些数据信息给实时监控系统、数据库系统带来了严重负担。尤其在发生告警风暴时,多个告警事件错综叠加,真正告警症状淹没其中,给故障定位带来很大麻烦。故障定位技术就是从大量表象的告警信息中找到问题的根源即故障源,如何能够在一个大规模、复杂环境中精确高效的完成故障定位成为研究重点。
现有的故障定位主要是靠人工去完成的,所运用的知识是一些运维专家长期积累的经验。由于人经验的不足性以及更新缓慢等特点,当产生一些新的告警症状时,基于专家知识的故障定位技术很难快速有效的发现故障源。在自动化方面,成熟的网管系统中都包含故障管理这一模块,采用的方法大多数是分析网络拓扑结构和故障发生前后关系,这种方法能够发现连通性故障,但是对一些关联性小的故障就不容易发现,这样综合起来的准确率远远达不到要求。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种电力通信网故障定位方法,可有效解决现有故障定位技术中存在的准确率低、反应慢等技术问题,同时,针对电力通信网发生故障时要求能够快速高效找到故障源的特殊性,本发明专门设计了一种适用于电力通信网故障定位的基于影响因子校正的权重组合决策树分类方法,该方法克服了单一决策树分类器误差偏大的弊端,能够更加高效准确的实现故障定位。
为实现上述目的,本发明提出了一种电力通信网故障定位方法,其特征在于,所述方法包括:
(1)从监控平台获得告警数据,包括历史告警数据和现有告警数据;
(2)对历史告警数据进行预处理,得到m个重要告警属性,对每个重要告警属性分别分配对应的影响因子
(3)根据预处理后的历史告警数据建立多个基分类器,作为子预测模型,利用每一个基分类器对历史告警数据分别进行预测,得到的预测准确率作为对应基分类器的权重;
(4)按照故障类别的不同将多个基分类器划分为不同的基分类器集合,针对每一组基分类器集合,估计得到每一组基分类器集合的平均权重和平均影响因子;
(5)利用上述步骤获得的平均权重和平均影响因子,估计得到每一组基分类器集合的综合权重FR(Xk),从所有组基分类器集合(X1,X2,...,Xk)对应的综合权重中选取综合权重最大值FRmax=Max(FR(X1),FR(X2),...,FR(Xk)),其所对应的故障类别即为最终预测故障定位结果,从而完成组合预测模型的建立;
(6)利用组合预测模型对步骤(1)获得的现有告警数据进行预测,得到最终的故障定位预测结果。
作为进一步优选的,所述平均权重具体为:
其中X为一组基分类器集合,X=X1,X2,...,Xk;n1为对应基分类器集合中基分类器数量,f(xi)为基分类器的权重。
作为进一步优选的,所述平均影响因子具体为:
其中X为一组基分类器集合,X=X1,X2,...,Xk;n2为对应基分类器集合中影响因子数量,为基分类器的影响因子。
作为进一步优选的,所述综合权重具体为:
FR(X)=F(X)·R(X)
其中X为一组基分类器集合,X=X1,X2,…,Xk。
作为进一步优选的,所述最终预测故障定位结果S具体为:
S=FR-1(FRmax)
作为进一步优选的,所述基分类器的建立是并发生成的。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
1.通过执行本发明的电力通信网故障定位方法,可有效解决现有故障定位技术中存在的准确率低、反应慢等技术问题,不仅有效提高了故障定位的准确性,同时基分类器的建立为并发生成,显著缩短了故障定位所消耗的时间;
2.本发明对历史告警数据进行了甄选,对预测结果有重大影响的重要告警属性被赋予一定比重,使得包含有较多重要告警属性的故障更容易被预测出来,从而使得最终的故障定位预测结果更趋向合理性;
3.本发明将每个基分类器的预测准确率作为权重,而不是将其固化为单位1,进一步加强了有效基分类器(准确率>50%)在最终预测结果的比重,使得最终预测结果偏向于具有高平均权重组分类器的预测结果,从而提高了预测的准确性。
附图说明
图1是电力通信网故障定位系统总体示意图;
图2是某电力通信网单一基分类器构建结构图;
图3是基分类器组合示意图;
图4是单一基分类器与组合分类器误差分析图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
下面结合附图对本发明作进一步详细阐述:
如图1所示本发明提供了一种电力通信网故障定位方法,所述方法包括:
(1)从监控平台获得告警数据,包括历史告警数据和现有告警数据,历史告警数据即已知故障,而现有告警数据即未知故障;对历史告警数据运用数据预处理技术进行处理,从中优选出m个重要告警属性,对每个重要告警属性分别分配对应的影响因子
(2)对历史告警数据进行抽样,获得n个训练数据样本,分别建立对应的基分类器(x1,x2,...xn),将每个基分类器作为预测模型,对历史告警数据进行预测,得到n个预测准确率并把其作为对应基分类器的权重f(xi),其中,i为基分类器数量,i=1,2,...,n;
(3)按照故障类别的不同对步骤(2)中得到的基分类器(x1,x2,...,xn)进行划分归类,得到k组基分类器集合(X1,X2,...Xk),继而得到每一组基分类器集合的平均权重F(X),同时针对每一组基分类器集合的重要告警属性,估计得到对应的平均影响因子R(X),其中X为一组基分类器集合,X=X1,X2,...,Xk;
(4)对每一组基分类器集合,分别利用平均影响因子对平均权重进行校正,得到每一组基分类器的综合权重FR(X)=F(X)·R(X);
(5)从所有组基分类器集合(X1,X2,...,Xk)对应的综合权重FR(Xk)中选取综合权重最大值FRmax=Max(FR(X1),FR(X2),...,FR(Xk)),其所对应的故障类别即为最终预测故障定位结果,从而完成组合预测模型的建立;
(6)利用组合预测模型对步骤(1)获得的现有告警数据进行预测,得到最终的故障定位预测结果。
对上述具体过程做如下描述:
1、历史告警数据预处理:对一些重复出现的相同记录只保留一项,其余的全部删除,在相似度高或具有很强相关性的记录里只保留一些特征记录,去掉剩余记录。如:告警数据“链路流量时多时少”和“链路流量波动频繁”可以合并为“链路流量异常”。从处理后的告警数据中优选出对预测结果有较大影响的m个重要告警属性(如骨干线路、主要设备的特性),并对每个重要告警属性分配不同的影响因子所述影响因子值为根据实际经验或实验分配。如:选出“告警级别为重要”、“告警次数大于1”、“链路流量异常”、“服务器与网元通信异常”这4个属性作为重要告警属性,分别赋予0.3、0.3、0.2、0.2影响因子。
2、基分类器生成:首先将预处理过的N条历史告警数据有放回的采样,得到n个样本,每个样本含有m条历史告警数据N≠(n×m)。然后每个样本的m条历史告警数据划分成症状和故障类别2个集合,症状集合F={f1,f2,...,fa},其中a表示症状数量,症状集合包含电力通信网发生故障时产生的症状。故障类别集合S={s1,s2,...,sb},其中b表示故障类别数量,故障类别集合包含电力通信网所发生的故障。最后构建基分类器步骤如下:
1)如果F中所有记录都属于同一故障类别si,其中1≤i≤b,则si是一类故障结点。
2)如果F中所有记录属于多个故障类别,则选择一个症状属性作为测试条件,将上述所有记录划分成较小的子集。对于属性测试条件的每个输出,创建一个子女结点,并根据属性测试结果将F中的所有记录分布到子女结点中,然后对每个子女结点,递归地调用步骤(1)-(2)。
如图2所示,为应用于某电力通信网单一基分类器构建结构图。每个结点对应故障类别引发的症状,根据该症状是否发生产生不同的子女分支,递归对子女结点进行判断,直到最后所有症状归属于一类故障为止,其中每个叶子结点为一类故障类别。
3、基分类器组合:在步骤2的基础上,将n个基分类器xi(1≤i≤n)分别作为预测模型,对历史告警数据进行推理判断,得到预测准确率,即把它作为基分类器的权重f(xi)。然后对于具有相同故障类别预测结果的基分类器进行归类,划分为多组基分类器集合(X1,X2,...,Xk),针对每一组基分类器集合,估计得到每一组基分类器集合的平均权重和平均影响因子,所述平均权重F(X)为:
其中X为一组基分类器集合,X=X1,X2,...,Xk;n1为对应基分类器集合中基分类器数量,f(xi)为基分类器的权重。
所述平均影响因子具体为:
其中X为一组基分类器集合,X=X1,X2,...,Xk;n2为对应基分类器集合中影响因子数量,为基分类器的影响因子;
利用上述步骤获得的平均权重和平均影响因子,估计得到每一组基分类器集合的综合权重,所述综合权重具体为:
FR(X)=F(X)·R(X)
其中X为一组基分类器集合,X=X1,X2,...,Xk。
继而,从所有组基分类器集合(X1,X2,...,Xk)对应的综合权重FR(Xk)中选取综合权重最大值,即
FRmax=Max(FR(X1),FR(X2),...,FR(Xk))
其所对应的故障类别即为最终预测故障定位结果,所述最终预测故障定位结果S具体为:
S=FR-1(FRmax)
至此,完成组合预测模型的建立。
综合权重最大值代表了该校正后该组基分类器集合的平均预测准确率高于其它组,也就是说该组基分类器集合的预测结果具有最强说服力,因而,即可判断该故障定位预测结果就是是最终的故障源。
如图3所示,这是单一基分类器组合示意图。n个基分类器是并发生成的,这样可以节约时间。由于每个分类器的预测模型不同,选择重要告警属性分类的侧重点就不一样,针对同一告警数据得出的结果也就不一样,因此采用权重组合的方法就能够提到故障定位的准确率。
4、预测判断:运用建立好的基分类器组合模型对现有告警数据进行预测判断。针对每一个决策树,从根结点开始,将结点属性作为测试条件用于检测记录,根据测试结果选择适当的分支。沿着该分支或者到达另一个内部结点,使用新的测试条件,或者到达一个叶结点。到达叶子结点之后,叶子结点就被赋予故障的一个预测值。将多个预测值进行权重组合找到最大值,则对应故障类别即为最终故障源。
在本发明的电力通信网故障定位方法中,基分类器分类方法无需对数据进行特殊处理,根据测试条件就能对输入数据进行分类划分,将历史数据输入决策树算法即可建立基分类器预测模型,而且所用时间在秒级别上。另外多个决策树并发生成,所耗时间相对于顺序执行要少。
另外,假设单一分类器误差为σ,组合分类器的误差为σn,则根据决策树组合规则,组合分类器误差为:
其中,n为奇数。如图4所示,这是单一基分类器与组合基分类器误差比较图。从图可以看出,当单个基分类器误差σ<0.5且相互独立时,组合基分类器的性能优于单个基分类器。由于通常情况下单个分类器误差小于0.5,并且n个基分类器是根据不同样本产生的,所以组合基分类器满足上述条件。这样,通过将单个基分类器进行组合,提高了整个基分类器预测的准确率,即故障定位变得更精确。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种电力通信网故障定位方法,其特征在于,所述方法包括:
(1)从监控平台获得告警数据,包括历史告警数据和现有告警数据;
(2)对历史告警数据进行预处理,得到m个重要告警属性,对每个重要告警属性分别分配对应的影响因子
(3)根据预处理后的历史告警数据建立多个基分类器,作为子预测模型,利用每一个基分类器对历史告警数据分别进行预测,得到的预测准确率作为对应基分类器的权重;
(4)按照故障类别的不同将多个基分类器划分为不同的基分类器集合,针对每一组基分类器集合,估计得到每一组基分类器集合的平均权重和平均影响因子;
(5)利用上述步骤获得的平均权重和平均影响因子,估计得到每一组基分类器集合的综合权重FR(Xk),从所有组基分类器集合(X1,X2,...,Xk)对应的综合权重中选取综合权重最大值FRmax=Max(FR(X1),FR(X2),...,FR(Xk)),其所对应的故障类别即为最终预测故障定位结果,从而完成组合预测模型的建立;
(6)利用组合预测模型对步骤(1)获得的现有告警数据进行预测,得到最终的故障定位预测结果。
2.如权利要求1所述的方法,其特征在于,所述平均权重具体为:
其中X为一组基分类器集合,X=X1,X2,...,Xk;n1为对应基分类器集合中基分类器数量,f(xi)为基分类器的权重。
3.如权利要求2所述的方法,其特征在于,所述平均影响因子具体为:
其中X为一组基分类器集合,X=X1,X2,...,Xk;n2为对应基分类器集合中影响因子数量,为基分类器的影响因子。
4.如权利要求3所述的方法,其特征在于,所述综合权重具体为:
FR(X)=F(X)·R(X)
其中X为一组基分类器集合,X=X1,X2,...,Xk。
5.如权利要求1-3任一项所述的方法,其特征在于,所述最终预测故障定位结果S具体为:
S=FR-1(FRmax)。
6.如权利要求1-3任一项所述的方法,其特征在于,所述基分类器的建立是并发生成的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510881512.8A CN105471647B (zh) | 2015-12-03 | 2015-12-03 | 一种电力通信网故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510881512.8A CN105471647B (zh) | 2015-12-03 | 2015-12-03 | 一种电力通信网故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105471647A CN105471647A (zh) | 2016-04-06 |
CN105471647B true CN105471647B (zh) | 2018-09-21 |
Family
ID=55608961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510881512.8A Expired - Fee Related CN105471647B (zh) | 2015-12-03 | 2015-12-03 | 一种电力通信网故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105471647B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977727B (zh) * | 2017-06-28 | 2021-06-04 | 中国人民解放军国防信息学院 | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 |
CN107769972B (zh) * | 2017-10-25 | 2019-12-10 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN108548988A (zh) * | 2018-03-27 | 2018-09-18 | 南瑞集团有限公司 | 基于互信息改进决策树的线路故障预测方法 |
CN109063554B (zh) * | 2018-06-25 | 2021-06-08 | 囯网山东省电力公司威海供电公司 | 基于大数据驱动的配网海量信号识别系统 |
CN115208773B (zh) * | 2021-04-09 | 2023-09-19 | 中国移动通信集团广东有限公司 | 网络隐性故障监测方法及装置 |
CN115238925B (zh) * | 2022-07-25 | 2023-12-29 | 北京卓尔忠诚科技有限公司 | 一种电机设备监管方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145171A (zh) * | 2007-09-15 | 2008-03-19 | 中国科学院合肥物质科学研究院 | 一种基于独立分量集成学习的基因微阵列数据预测方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
CN103840967B (zh) * | 2013-12-23 | 2017-04-05 | 北京邮电大学 | 一种电力通信网中故障定位的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9553773B2 (en) * | 2013-02-05 | 2017-01-24 | Cisco Technology, Inc. | Learning machine based computation of network join times |
-
2015
- 2015-12-03 CN CN201510881512.8A patent/CN105471647B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145171A (zh) * | 2007-09-15 | 2008-03-19 | 中国科学院合肥物质科学研究院 | 一种基于独立分量集成学习的基因微阵列数据预测方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN103840967B (zh) * | 2013-12-23 | 2017-04-05 | 北京邮电大学 | 一种电力通信网中故障定位的方法 |
CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于组合贝叶斯网络的电力变压器故障诊断;赵文清等;《电力自动化设备》;20091110;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105471647A (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN109490704A (zh) | 一种基于随机森林算法的配电网故障区段定位方法 | |
CN107203450A (zh) | 故障的分类方法和设备 | |
CN109327480B (zh) | 一种多步攻击场景挖掘方法 | |
CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
CN110309884A (zh) | 基于泛在电力物联网体系的用电数据异常识别系统 | |
CN115278741A (zh) | 一种基于多模态数据依赖关系的故障诊断方法和装置 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN112800115B (zh) | 数据处理方法及数据处理装置 | |
CN113688490A (zh) | 网络共建共享处理方法、装置、设备及存储介质 | |
CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
CN114021425B (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
CN109657122B (zh) | 一种基于学术大数据的学术团队重要成员识别方法 | |
WO2019140553A1 (zh) | 配电系统的健康指数确定方法及装置、计算机存储介质 | |
CN115734274A (zh) | 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
WO2018172221A1 (en) | Method for computer-implemented determination of the performance of a classification model | |
CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Hou et al. | Prediction of learners' academic performance using factorization machine and decision tree | |
Oyinlola | Energy prediction in edge environment for smart cities | |
Li et al. | Short-term Wind Power Prediction Method Based on Genetic Algorithm Optimized XGBoost Regression Model | |
CN109669938A (zh) | 一种多维数据网荷存储方法与系统 | |
CN116049700B (zh) | 基于多模态的运检班组画像生成方法及装置 | |
CN113965467B (zh) | 一种基于神经网络的电力通信系统可靠性评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180921 Termination date: 20191203 |
|
CF01 | Termination of patent right due to non-payment of annual fee |