CN106447537A - 一种电能质量时间序列相关性评估方法 - Google Patents
一种电能质量时间序列相关性评估方法 Download PDFInfo
- Publication number
- CN106447537A CN106447537A CN201610956477.6A CN201610956477A CN106447537A CN 106447537 A CN106447537 A CN 106447537A CN 201610956477 A CN201610956477 A CN 201610956477A CN 106447537 A CN106447537 A CN 106447537A
- Authority
- CN
- China
- Prior art keywords
- quality
- power supply
- unitary
- multivariate
- node
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 230000002844 continuous effect Effects 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电能质量时间序列相关性评估方法,将连续型电能质量各指标监测数据由一元时间序列表示,电能质量整体状况由多元时间序列表示;采用共同主成分分析法对各节点电能质量多元时间序列作降维处理,求取多元时间序列向公共特征子空间上的投影;利用欧氏距离计算降维后多元时间序列间的相关度;甄选电能质量强相关节点,采用DTW距离计算其对应各指标一元时间序列的相关度。本发明实现了电能质量多元时间序列及其对应的各指标一元时间序列间的相关性评估,体现了电能质量污染的运行规律和传播特性,量化了各节点电能质量的相互影响。
Description
技术领域
本发明涉及一种电能质量时间序列相关性评估方法,属于电能质量时间序列相关性评估技术领域。
背景技术
现代电网的电能质量问题广受关注。一方面由于新能源并网容量的快速增长、电力电子设备的大量引入使得电网结构变的日益复杂,大容量非线性负荷、冲击性负荷使电能质量污染的程度更加严重;另一方面,计算机系统、控制装置、调速驱动系统、精密生产线等被广泛应用于生产生活中,这些敏感设备对电网的电能质量提出了更高要求。随着电网的扩建、电能质量监测装置的普及、智能监测系统的不断开发,电能质量数据呈指数级增长,具有海量、异构、多态等大数据特点。
目前针对电能质量大数据,许多学者将数据挖掘技术用于电能质量数据压缩与去噪、扰动识别、扰动分类、扰动源定位和综合评价等领域,但对电能质量相关性评估领域还未涉及。连续型电能质量包括电压偏差、电压波动、三相不平衡、谐波、间谐波和频率偏差等指标,各指标的监测数据可以用电能质量一元时间序列(Power QualityUnivariate TimeSeries,PQUTS)表示,监测点的电能质量整体状况可以由PQUTS构成的电能质量多元时间序列(Power Quality Multivariate Time Series,PQMTS)表示,电能质量时间序列具有同构等长性,并且由于节点的空间距离较远会体现出一定的传播限时性。分别分析各监测节点PQMTS及其对应的PQUTS的相关程度,可以从整体状况到分项指标全面地体现电能质量污染的运行规律和传播特性,量化各监测点电能质量的相互影响,为电能质量污染的预防和治理提供科学的依据;另外,电能质量时间序列的相关程度分析还能够为电能质量预测及预警模型增加历史数据相关性约束条件,提高预测精度。因此,研究电能质量时间序列的相关性十分必要。
发明内容
本发明目的在于提供一种电能质量时间序列相关性评估方法,量化了各节点电能质量的相互影响。
为实现上述目的,本发明采用的技术方案是:
一种电能质量时间序列相关性评估方法,包括以下步骤:
1)采集电网各节点的连续型电能质量数据,电能质量数据的各项指标的监测数据随时间的变化由电能质量一元时间序列来表示,表示为:
Ui=(ui(1),ui(2),…,ui(t),…,ui(n))
其中,Ui表示第i项指标的电能质量一元时间序列,ui(t)表示第i项指标在t时刻的监测值,t=1,2,…,n,n表示总时刻数;
电能质量整体状况随时间的变化由所有电能质量一元时间序列组成的电能质量多元时间序列来表示,表示为:
Mk=[U1,U2,…,Um]T
其中,Mk表示第k个电能质量多元时间序列,m表示电能质量监测点个数;
2)采用共同主成分分析法对各节点的电能质量多元时间序列进行降维处理,求得一个由相互正交的向量构成的公共特征低维子空间,计算各电能质量多元时间序列向该公共特征低维子空间上的投影;
3)利用欧氏距离计算各节点电能质量多元时间序列向该公共特征低维子空间投影得到的特征矩阵间空间距离,借助该距离衡量电网各节点电能质量整体状况的相关度;
4)根据相关度计算结果甄选电能质量整体状况的强相关节点,采用DTW距离计算强相关节点对应的电能质量一元时间序列的相关度,进一步判断各项电能质量污染的传播方式。
前述的步骤2)中采用共同主成分分析法对各节点的电能质量多元时间序列进行降维处理的具体过程如下:
2-1)将第k个电能质量多元时间序列视为一组随机变量
Mk=[U1,U2,…,Um]T,各时间点上的电能质量监测值看作随机变量的观察值,设数学期望E(Mk)=0,若E(Mk)≠0,则令M′k=Mk-E(Mk),使
E(M′k)=0,计算Mk的协方差:
Ck=E[(Mk-E(Mk))(Mk-E(Mk))T],k=1,2,…,l (1)
其中,Ck表示Mk的协方差,l为电能质量多元时间序列个数;
2-2)由于E(Mk)=0,故协方差矩阵转化为自相关矩阵,
2-3)计算l个电能质量多元时间序列的平均协方差矩阵
2-4)计算平均协方差矩阵的特征值λ1,λ2,…,λ6及其对应的归一化特征向量α1,α2,…,α6,
2-5)对的特征值及其对应的归一化特征向量按从大到小排序,假设λ1≥λ2≥…≥λ6,依次计算累计方差贡献率,
2-6)当满足设定阈值时,选取前p个特征值对应的归一化特征向量α1,α2,…,αp构成公共特征低维子空间,Mk向公共特征子空间的投影xk(i)为:
前述的步骤3)中相关度,表示为:
Xi=(xi(1),xi(2),…,xi(p))为采用共同主成分分析法降维后第i个电能质量多元时间序列向公共特征低维子空间的投影矩阵;
Xj=(xj(1),xj(2),…,xj(p))为采用共同主成分分析法降维后第j个电能质量多元时间序列向公共特征低维子空间的投影矩阵。
前述的步骤4)中采用DTW距离计算强相关节点对应的电能质量一元时间序列相关度的具体过程如下:
设两个电能质量一元时间序列Ua和Ub:Ua=(ua(1),ua(2),…,ua(n)),
Ub=(ub(1),ub(2),…,ub(n)),
构造矩阵A=(aij)n×n,
其中,aij=Dbase(ua(i),ub(j)),i=1,2,…,n,j=1,2,…,n,
Dbase(ua(i),ub(i))表示ua(i)到ub(i)的基距离,
将相邻的矩阵元素的集合称为弯曲路径,记为:W={w1,w2,…,wk,…,wK},wk=aij,
W表示弯曲路径,wk,k=1,2,…,K表示弯曲路径中的元素;
弯曲路径满足以下三个条件:
①n<K≤2n-1;
②w1=a11,wK=ann;
③对于wk=aij和wk-1=ai′j′必须满足0≤i-i′≤1,0≤j-j′≤1,则Ua和Ub的相关度用DTW距离表示为:
DTW(Ua,Ub)表示Ua和Ub的相关度;
寻找一条具有最小弯曲代价的最佳路径,即:
Ddtw(Ua,Ub)表示电能质量一元时间序列Ua和Ub的最佳路径,
Us[2:-],s=a或b,表示电能质量一元时间序列Us的第2个监测值到最后一个监测值组成的子序列;
基距离Dbase(ua(i),ub(i))用欧氏距离表示为:
与现有技术相比,本发明具有以下优点与有益效果:
1、本发明分析了电力系统中各节点PQMTS及其对应的PQUTS的相关程度,从整体状况到分项指标全面地体现电能质量污染的运行规律和传播特性,量化各监测点电能质量的相互影响,为电能质量污染的预防和治理提供科学的依据,为电能质量预测及预警模型增加历史数据相关性约束条件,填补了对电能质量相关性评估领域的空白;
2、本发明采用共同主成分分析的方法对PQMTS进行降维处理,将各节点PQMTS投影在一个低维的公共特征子空间上,在对PQMTS简化处理的同时并不破坏其同构性,便于衡量降维后PQMTS间的空间距离,进而确定其相关度;
3、本发明采用DTW距离分析各节点对应的PQUTS间的相关度,考虑了各节点空间距离造成的电能质量污染传播延时性,有效地解决了PQUTS相关性评估中时间轴弯曲和平移的问题。
附图说明
图1为本发明电能质量时间序列相关性评估方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明的电能质量时间序列相关性评估方法,包括以下步骤:
步骤一:采集电网各节点的连续型电能质量数据,各项指标的监测数据随时间的变化由PQUTS表示,电能质量整体状况随时间的变化由所有PQUTS组成的PQMTS表示;以连续型电能质量为例,包括电压偏差、三相不平衡、电压波动、谐波畸变率、间谐波含有率和频率偏差六项指标,各项指标的监测数据由PQUTSUi=(ui(1),ui(2),…,ui(t),…,ui(n))表示,电能质量整体状况变化由电能质量多元时间序列(PQMTS)M=(U1,U2,…,U6)表示,i=1,2,…,6,ui(t)表示第i项指标在t时刻的监测值,t=1,2,…,n,n表示总时刻数。Ui表示电能质量一元时间序列,M表示电能质量多元时间序列。
步骤二:采用共同主成分分析法对各节点的PQMTS进行降维处理,求得一个由相互正交的向量(共同主成分)构成的公共特征低维子空间,计算各PQMTS向该公共特征子空间上的投影;具体过程如下:
2-1)将第k个PQMTS视为一组随机变量Mk=[U1,U2,…,Um]T,m为电能质量监测点个数,各时间点上的电能质量监测值看作随机变量的观察值,设数学期望E(Mk)=0,若E(Mk)≠0,则令M′k=Mk-E(Mk),使E(M′k)=0,计算Mk的协方差:
Ck=E[(Mk-E(Mk))(Mk-E(Mk))T],k=(1,2,…,l) (1)
其中,Ck表示Mk的协方差,l为PQMTS个数。
2-2)由于E(Mk)=0,故协方差矩阵转化为自相关矩阵,
2-3)计算l个PQMTS的平均协方差矩阵
2-4)计算平均协方差矩阵的特征值λ1,λ2,…,λ6及其对应的归一化特征向量α1,α2,…,α6,
2-5)对的特征值及其对应的归一化特征向量按从大到小排序,假设λ1≥λ2≥…≥λ6,依次计算累计方差贡献率,
2-6)当满足设定阈值时,选取前p个特征值对应的归一化特征向量α1,α2,…,αp构成公共特征低维子空间,Mk向公共特征子空间的投影xk(i)为:
步骤三:利用欧氏距离计算各节点PQMTS向该公共特征低维子空间投影得到的特征矩阵间空间距离,借助该空间距离衡量电网各节点电能质量整体状况的相关度;相关度表示为:
Xi=(xi(1),xi(2),…,xi(p))为采用共同主成分分析法降维后第i个PQMTS向公共特征低维子空间的投影矩阵,Xj=(xj(1),xj(2),…,xj(p))为采用共同主成分分析法降维后第j个PQMTS向公共特征低维子空间的投影矩阵。
步骤四:设置电能质量相关度阈值,选出PQMTS相关度计算结果大于阈值的节点,作为强相关节点,采用DTW距离计算强相关节点对应的PQUTS的相关度,进一步判断各项电能质量污染的传播方式。
采用DTW距离计算强相关节点对应的PQUTS相关度的具体过程如下:
以Ua=(ua(1),ua(2),…,ua(n))和Ub=(ub(1),ub(2),…,ub(n))为例,构造矩阵A=(aij)n×n,其中,aij=Dbase(ua(i),ub(j)),i=1,2,…,n,j=1,2,…,n,Dbase(ua(i),ub(i))表示ua(i)到ub(i)的基距离,将相邻的矩阵元素的集合称为弯曲路径,记为W={w1,w2,…,wk,…,wK},K为路径数,wk=aij,该路径满足以下三个条件:
①n<K≤2n-1;
②w1=a11,wK=ann;
③对于wk=aij和wk-1=ai′j′必须满足0≤i-i′≤1,0≤j-j′≤1,则Ua和Ub的相关度用DTW距离表示为:
DTW距离可以归结为利用动态规划思想寻找一条具有最小弯曲代价的最佳路径,即:
Ddtw(Ua,Ub)表示电能质量一元时间序列Ua和Ub的最佳路径,
Us[2:-](s=a或b)表示PQUTS Us的第2个监测值到最后一个监测值组成的子序列。
基距离Dbase(ua(i),ub(i))用欧氏距离表示为:
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种电能质量时间序列相关性评估方法,其特征在于,包括以下步骤:
1)采集电网各节点的连续型电能质量数据,电能质量数据的各项指标的监测数据随时间的变化由电能质量一元时间序列来表示,表示为:
Ui=(ui(1),ui(2),…,ui(t),…,ui(n))
其中,Ui表示第i项指标的电能质量一元时间序列,ui(t)表示第i项指标在t时刻的监测值,t=1,2,…,n,n表示总时刻数;
电能质量整体状况随时间的变化由所有电能质量一元时间序列组成的电能质量多元时间序列来表示,表示为:
Mk=[U1,U2,…,Um]T
其中,Mk表示第k个电能质量多元时间序列,m表示电能质量监测点个数;
2)采用共同主成分分析法对各节点的电能质量多元时间序列进行降维处理,求得一个由相互正交的向量构成的公共特征低维子空间,计算各电能质量多元时间序列向该公共特征低维子空间上的投影;
3)利用欧氏距离计算各节点电能质量多元时间序列向该公共特征低维子空间投影得到的特征矩阵间空间距离,借助该距离衡量电网各节点电能质量整体状况的相关度;
4)根据相关度计算结果甄选电能质量整体状况的强相关节点,采用DTW距离计算强相关节点对应的电能质量一元时间序列的相关度,进一步判断各项电能质量污染的传播方式。
2.根据权利要求1所述的一种电能质量时间序列相关性评估方法,其特征在于:所述步骤2)中采用共同主成分分析法对各节点的电能质量多元时间序列进行降维处理的具体过程如下:
2-1)将第k个电能质量多元时间序列视为一组随机变量
Mk=[U1,U2,…,Um]T,各时间点上的电能质量监测值看作随机变量的观察值,设数学期望E(Mk)=0,若E(Mk)≠0,则令M′k=Mk-E(Mk),使E(M′k)=0,计算Mk的协方差:
Ck=E[(Mk-E(Mk))(Mk-E(Mk))T],k=1,2,…,l (1)
其中,Ck表示Mk的协方差,l为电能质量多元时间序列个数;
2-2)由于E(Mk)=0,故协方差矩阵转化为自相关矩阵,
2-3)计算l个电能质量多元时间序列的平均协方差矩阵
2-4)计算平均协方差矩阵的特征值λ1,λ2,…,λ6及其对应的归一化特征向量α1,α2,…,α6,
2-5)对的特征值及其对应的归一化特征向量按从大到小排序,假设λ1≥λ2≥…≥λ6,依次计算累计方差贡献率,
2-6)当满足设定阈值时,选取前p个特征值对应的归一化特征向量α1,α2,…,αp构成公共特征低维子空间,Mk向公共特征子空间的投影xk(i)为:
3.根据权利要求1所述的一种电能质量时间序列相关性评估方法,其特征在于:所述步骤3)中相关度,表示为:
Xi=(xi(1),xi(2),…,xi(p))为采用共同主成分分析法降维后第i个电能质量多元时间序列向公共特征低维子空间的投影矩阵;
Xj=(xj(1),xj(2),…,xj(p))为采用共同主成分分析法降维后第j个电能质量多元时间序列向公共特征低维子空间的投影矩阵。
4.根据权利要求1所述的一种电能质量时间序列相关性评估方法,其特征在于:所述步骤4)中采用DTW距离计算强相关节点对应的电能质量一元时间序列相关度的具体过程如下:
设两个电能质量一元时间序列Ua和Ub:
Ua=(ua(1),ua(2),…,ua(n)),Ub=(ub(1),ub(2),…,ub(n)),
构造矩阵A=(aij)n×n,
其中,aij=Dbase(ua(i),ub(j)),i=1,2,…,n,j=1,2,…,n,Dbase(ua(i),ub(i))表示ua(i)到ub(i)的基距离,
将相邻的矩阵元素的集合称为弯曲路径,记为:W={w1,w2,…,wk,…,wK},wk=aij,
W表示弯曲路径,wk,k=1,2,…,K表示弯曲路径中的元素;
弯曲路径满足以下三个条件:
①n<K≤2n-1;
②w1=a11,wK=ann;
③对于wk=aij和wk-1=ai′j′必须满足0≤i-i′≤1,0≤j-j′≤1,则Ua和Ub的相关度用DTW距离表示为:
DTW(Ua,Ub)表示Ua和Ub的相关度;
寻找一条具有最小弯曲代价的最佳路径,即:
Ddtw(Ua,Ub)表示电能质量一元时间序列Ua和Ub的最佳路径,
Us[2:-],s=a或b,表示电能质量一元时间序列Us的第2个监测值到最后一个监测值组成的子序列;
基距离Dbase(ua(i),ub(i))用欧氏距离表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610956477.6A CN106447537A (zh) | 2016-10-27 | 2016-10-27 | 一种电能质量时间序列相关性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610956477.6A CN106447537A (zh) | 2016-10-27 | 2016-10-27 | 一种电能质量时间序列相关性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447537A true CN106447537A (zh) | 2017-02-22 |
Family
ID=58180585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610956477.6A Pending CN106447537A (zh) | 2016-10-27 | 2016-10-27 | 一种电能质量时间序列相关性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447537A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402742A (zh) * | 2017-08-04 | 2017-11-28 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN109146265A (zh) * | 2018-08-03 | 2019-01-04 | 福州大学 | 基于动态规划时间序列相似性的三相不平衡源溯源方法 |
CN110084408A (zh) * | 2019-04-08 | 2019-08-02 | 上海国孚电力设计工程股份有限公司 | 电能质量数据的分布式处理方法及系统 |
CN114217150A (zh) * | 2021-11-17 | 2022-03-22 | 广西电网有限责任公司电力科学研究院 | 一种电能质量分析监督系统及责任计算方法 |
-
2016
- 2016-10-27 CN CN201610956477.6A patent/CN106447537A/zh active Pending
Non-Patent Citations (3)
Title |
---|
张建业 等: "《飞行数据的时间序列分析方法及其应用》", 31 December 2013 * |
李正欣 等: "多元时间序列特征降维方法研究", 《小型微型计算机系统》 * |
贾清泉 等: "电能质量状态空间表示及其应用", 《燕山大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402742A (zh) * | 2017-08-04 | 2017-11-28 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN109146265A (zh) * | 2018-08-03 | 2019-01-04 | 福州大学 | 基于动态规划时间序列相似性的三相不平衡源溯源方法 |
CN109146265B (zh) * | 2018-08-03 | 2021-04-27 | 福州大学 | 基于动态规划时间序列相似性的三相不平衡源溯源方法 |
CN110084408A (zh) * | 2019-04-08 | 2019-08-02 | 上海国孚电力设计工程股份有限公司 | 电能质量数据的分布式处理方法及系统 |
CN114217150A (zh) * | 2021-11-17 | 2022-03-22 | 广西电网有限责任公司电力科学研究院 | 一种电能质量分析监督系统及责任计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deka et al. | Learning for DC-OPF: Classifying active sets using neural nets | |
US11549985B2 (en) | Power electronic circuit fault diagnosis method based on extremely randomized trees and stacked sparse auto-encoder algorithm | |
Zhao et al. | A multi-state shock model with mutative failure patterns | |
CN106447537A (zh) | 一种电能质量时间序列相关性评估方法 | |
CN112152201B (zh) | 基于卷积长短时记忆神经网络的用电负荷预测方法及系统 | |
Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
US20130138589A1 (en) | Exploiting sparseness in training deep neural networks | |
CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
CN106778838A (zh) | 一种预测空气质量的方法 | |
CN107451596A (zh) | 一种网络节点分类方法及装置 | |
He et al. | Space reduction for a class of multidimensional Markov chains: A summary and some applications | |
CN104469374A (zh) | 图像压缩方法 | |
CN115238893A (zh) | 面向自然语言处理的神经网络模型量化方法和装置 | |
Wang et al. | An efficient causal discovery algorithm for linear models | |
Chicano et al. | Elementary landscape decomposition of the 0-1 unconstrained quadratic optimization | |
Li et al. | Control charts based on dependent count data with deflation or inflation of zeros | |
CN111008673A (zh) | 配电网信息物理系统中恶性数据链采集提取方法 | |
Serrao et al. | Active Stream Learning with an Oracle of Unknown Availability for Sentiment Prediction. | |
CN111047079B (zh) | 一种风电场风速时间序列预测方法及系统 | |
CN106934064A (zh) | 基于elm的网络信息热点预测系统和方法 | |
Sundarajoo et al. | A Particle Swarm Optimization Trained Feedforward Neural Network for Under-Voltage Load Shedding | |
CN105487523A (zh) | 一种自动电压控制系统的控制策略评估方法 | |
CN107039987A (zh) | 一种配电网的无功优化方法及系统 | |
Min et al. | Highway traffic abnormal state detection based on PCA-GA-SVM algorithm | |
Fan et al. | Comprehensive Evaluation Model Based on Nonlinear Classify Algorithm of SVM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |