CN108303632A - 基于随机森林算法的电路故障诊断方法 - Google Patents
基于随机森林算法的电路故障诊断方法 Download PDFInfo
- Publication number
- CN108303632A CN108303632A CN201711336805.3A CN201711336805A CN108303632A CN 108303632 A CN108303632 A CN 108303632A CN 201711336805 A CN201711336805 A CN 201711336805A CN 108303632 A CN108303632 A CN 108303632A
- Authority
- CN
- China
- Prior art keywords
- under test
- circuit under
- decision tree
- circuit
- malfunction
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2843—In-circuit-testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种基于随机森林算法的电路故障诊断方法，包括分析待测电路所有故障类型、每种故障类型的对外输出状态，以及相对应的故障位置；完成多个决策树的训练，由所述多个决策树组成随机森林模型；采集待测电路当前的故障状态，将所述故障状态输入到随机森林模型中，随机森林模型最终输出的待测电路当前故障位置。本发明首先分析待测电路所有的故障类型、故障类型所带有的对外输出状态以及相应的故障位置，再完成随机森林模型的训练，在日后进行电路的故障诊断过程中，只需将电路故障状态输入到随机森林模型中，即可获取电路的故障位置，最大限度内节约诊断时间，提高工作效率。本发明创造用于对电路故障情况进行诊断。
Description
技术领域
本发明涉及电路故障诊断技术领域。
背景技术
随着现代工业和科学技术的迅速发展，电子技术不断地在进行革新，现有的日常生活所必需的产品绝大部分都配置有电路板。现在电子电路的结构中所含有的电子元器件数量急剧地上升，当电子电路发生故障时，由于高数量的电子元器件的存在使得导致电路故障的起因变得复杂，因此如何能够根据当前电路状态快速地分析处电路的故障位置至关重要，而现有情况都是需要相关领域的专业人士利用万用表、示波器等设备对电路进行检测分析才能确定故障原因，时间花销大，效率低。
发明内容
本发明要解决的技术问题是：提供一种基于随机森林算法的电路故障诊断方法。
本发明解决其技术问题的解决方案是：
基于随机森林算法的电路故障诊断方法，包括以下步骤：
步骤1.分析待测电路所有故障类型、每种故障类型的对外输出状态，以及相对应的故障位置；
步骤2.以待测电路的故障类型为数据样本，以故障类型的对外输出状态为数据样本的特征变量，以每个故障类型的故障位置为期望输出，完成多个决策树的训练，由所述多个决策树组成随机森林模型；
步骤3.采集待测电路当前的故障状态，将所述故障状态输入到随机森林模型中，所述每个决策树输出对应的预测结果，对所有决策树输出的预测结果进行投票分析，随机森林模型最终输出的待测电路当前故障位置。
作为上述技术方案的进一步改进，所述步骤3中对所采集待测电路当前的故障状态进行如下步骤操作：
步骤301.利用小波变换算法对所采集的待测电路当前的故障状态进行噪声去除操作；
步骤302.判断待测电路当前的故障状态是否存在异常数据或者缺失数据，如果是，利用均值填充方式或者线性回归填充方式进行数据填充；
步骤303.对待测电路当前的故障状态所代表的数据进行规范化处理；
步骤304.对待测电路当前的故障状态所代表的非数字量数据进行特征映射操作。
作为上述技术方案的进一步改进，所述步骤2包括以下步骤：
步骤201.从所有数据样本中以重抽样方法有放回地抽取n个样本容量一致的数据样本，作为训练决策树的训练样本；
步骤202.从其中一个训练样本中以随机的方式抽取m个特征变量；
步骤203.在决策树的内部节点处，按照基尼不纯度最小原则从m个特征变量中选取一个分类效果最好的特征xi，将该节点分为两个分支，所述基尼不纯度原则为其中P(i)表示每一类占总类数的比例；
步骤204.对决策树的每个内部节点重复上述步骤203所述操作，直到所述决策树能够准确分类训练样本或者决策树中每个节点的基尼不纯度达到最小；
步骤205.选取下一个训练样本，重复步骤202至步骤204，直到所有抽取训练样本所对应的决策树构建完毕；
步骤206.所述n个训练样本所构建出来的决策树共同组成随机森林模型，所述随机森林模型构建完毕。
本发明的有益效果是：本发明首先分析待测电路所有的故障类型、故障类型所带有的对外输出状态以及相应的故障位置，再利用上述数据形成训练样本，完成随机森林模型的训练，在日后进行电路的故障诊断过程中，只需将电路故障状态输入到随机森林模型中，即可获取电路的故障位置，即便是专业能力较差的技术人员也同样能够快速完成电路故障的诊断操作，最大限度内节约诊断时间，提高工作效率。本发明创造用于对电路故障情况进行诊断。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。
图1是本发明的故障诊断方法流程图；
图2是本发明的步骤2具体实施例流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
参照图1和图2，本发明创造公开了一种基于随机森林算法的电路故障诊断方法，包括以下步骤：
步骤1.分析待测电路所有故障类型、每种故障类型的对外输出状态，以及相对应的故障位置；
步骤2.以待测电路的故障类型为数据样本，以故障类型的对外输出状态为数据样本的特征变量，以每个故障类型的故障位置为期望输出，完成多个决策树的训练，由所述多个决策树组成随机森林模型；
步骤3.采集待测电路当前的故障状态，将所述故障状态输入到随机森林模型中，所述每个决策树输出对应的预测结果，对所有决策树输出的预测结果进行投票分析，随机森林模型最终输出的待测电路当前故障位置。
具体地，本发明首先分析待测电路所有的故障类型、故障类型所带有的对外输出状态以及相应的故障位置，再利用上述数据形成训练样本，完成随机森林模型的训练，在日后进行电路的故障诊断过程中，只需将电路故障状态输入到随机森林模型中，即可获取电路的故障位置，即便是专业能力较差的技术人员也同样能够快速完成电路故障的诊断操作，最大限度内节约诊断时间，提高工作效率。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤3中对所采集待测电路当前的故障状态进行如下步骤操作：
步骤301.利用小波变换算法对所采集的待测电路当前的故障状态进行噪声去除操作；
步骤302.判断待测电路当前的故障状态是否存在异常数据或者缺失数据，如果是，利用均值填充方式或者线性回归填充方式进行数据填充；
步骤303.对待测电路当前的故障状态所代表的数据进行规范化处理；
步骤304.对待测电路当前的故障状态所代表的非数字量数据进行特征映射操作。
具体地，由于对当前出现故障的待测电路所采集故障状态数据都有可能存在一定程度的附加噪声，因此需要利用小波变换算法将噪声虑除，以便提高随机森林模型的判断准确度；将故障状态中的某些异常数据或者缺失数据进行填充同样能够提高随机森林模型的判断准确度；由于所述故障状态所代表的数据难以保证其规范性，因此需要将故障状态所代表的数据进行规范化处理，所谓规范化，指的是某些数据的数量级有可能相差甚远，如果不进行规范化处理，则会加大后续随机森林模型进行判断时的运算量；而由于所述故障状态所代表的数据有可能存在非数字型数据，例如一个电源是否存在输出电压，此时，就可以利用数字型数据“1”和“0”分别表示存在输出电压以及不存在输出电压两种故障状态，此处可以利用拉普拉斯特征映射、等距特征映射或者多域特征映射进行非数字量数据的特征映射操作。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤2包括以下步骤：
步骤201.从所有数据样本中以重抽样方法有放回地抽取n个样本容量一致的数据样本，作为训练决策树的训练样本；
步骤202.从其中一个训练样本中以随机的方式抽取m个特征变量；
步骤203.在决策树的内部节点处，按照基尼不纯度最小原则从m个特征变量中选取一个分类效果最好的特征xi，将该节点分为两个分支，所述基尼不纯度原则为其中P(i)表示每一类占总类数的比例；
步骤204.对决策树的每个内部节点重复上述步骤203所述操作，直到所述决策树能够准确分类训练样本或者决策树中每个节点的基尼不纯度达到最小；
步骤205.选取下一个训练样本，重复步骤202至步骤204，直到所有抽取训练样本所对应的决策树构建完毕；
步骤206.所述n个训练样本所构建出来的决策树共同组成随机森林模型，所述随机森林模型构建完毕。
具体地，本发明创造基于每个训练样本，使用完全分裂的方式为每个训练样本构建决策树，并且对所构建的决策树不进行剪枝操作，这样可以使决策树能够达到低偏差和高差异要求充分生长，以完善决策树功能，最终提高随机森林模型的判断准确度。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (3)
1.基于随机森林算法的电路故障诊断方法，其特征在于，包括以下步骤：
步骤1.分析待测电路所有故障类型、每种故障类型的对外输出状态，以及相对应的故障位置；
步骤2.以待测电路的故障类型为数据样本，以故障类型的对外输出状态为数据样本的特征变量，以每个故障类型的故障位置为期望输出，完成多个决策树的训练，由所述多个决策树组成随机森林模型；
步骤3.采集待测电路当前的故障状态，将所述故障状态输入到随机森林模型中，所述每个决策树输出对应的预测结果，对所有决策树输出的预测结果进行投票分析，随机森林模型最终输出的待测电路当前故障位置。
2.根据权利要求1所述的基于随机森林算法的电路故障诊断方法，其特征在于，所述步骤3中对所采集待测电路当前的故障状态进行如下步骤操作：
步骤301.利用小波变换算法对所采集的待测电路当前的故障状态进行噪声去除操作；
步骤302.判断待测电路当前的故障状态是否存在异常数据或者缺失数据，如果是，利用均值填充方式或者线性回归填充方式进行数据填充；
步骤303.对待测电路当前的故障状态所代表的数据进行规范化处理；
步骤304.对待测电路当前的故障状态所代表的非数字量数据进行特征映射操作。
3.根据权利要求1或2所述的基于随机森林算法的电路故障诊断方法，其特征在于，所述步骤2包括以下步骤：
步骤201.从所有数据样本中以重抽样方法有放回地抽取n个样本容量一致的数据样本，作为训练决策树的训练样本；
步骤202.从其中一个训练样本中以随机的方式抽取m个特征变量；
步骤203.在决策树的内部节点处，按照基尼不纯度最小原则从m个特征变量中选取一个分类效果最好的特征xi，将该节点分为两个分支，所述基尼不纯度原则为其中P(i)表示每一类占总类数的比例；
步骤204.对决策树的每个内部节点重复上述步骤203所述操作，直到所述决策树能够准确分类训练样本或者决策树中每个节点的基尼不纯度达到最小；
步骤205.选取下一个训练样本，重复步骤202至步骤204，直到所有抽取训练样本所对应的决策树构建完毕；
步骤206.所述n个训练样本所构建出来的决策树共同组成随机森林模型，所述随机森林模型构建完毕。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711336805.3A CN108303632A (zh) | 2017-12-14 | 2017-12-14 | 基于随机森林算法的电路故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711336805.3A CN108303632A (zh) | 2017-12-14 | 2017-12-14 | 基于随机森林算法的电路故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108303632A true CN108303632A (zh) | 2018-07-20 |
Family
ID=62870030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711336805.3A Pending CN108303632A (zh) | 2017-12-14 | 2017-12-14 | 基于随机森林算法的电路故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108303632A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108957297A (zh) * | 2018-08-07 | 2018-12-07 | 北京航空航天大学 | 一种引入工况信息的电路故障诊断扩展决策树构建方法 |
| CN109150104A (zh) * | 2018-08-10 | 2019-01-04 | 江南大学 | 一种基于随机森林算法的光伏阵列故障诊断方法 |
| CN109309594A (zh) * | 2018-11-27 | 2019-02-05 | 中国联合网络通信集团有限公司 | 通信设备电源故障分析的方法、装置、设备及存储介质 |
| CN109490704A (zh) * | 2018-10-16 | 2019-03-19 | 河海大学 | 一种基于随机森林算法的配电网故障区段定位方法 |
| CN109541989A (zh) * | 2018-10-24 | 2019-03-29 | 湖南城市学院 | 一种智能建筑室内装修墙面刮扫处理机控制系统及方法 |
| CN109635873A (zh) * | 2018-12-19 | 2019-04-16 | 佛山科学技术学院 | 一种ups故障预测方法 |
| CN109840312A (zh) * | 2019-01-22 | 2019-06-04 | 新奥数能科技有限公司 | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 |
| CN110188834A (zh) * | 2019-06-04 | 2019-08-30 | 广东电网有限责任公司 | 一种电力通信网的故障诊断方法、装置及设备 |
| CN110197194A (zh) * | 2019-04-12 | 2019-09-03 | 佛山科学技术学院 | 一种基于改进随机森林的轴承故障诊断方法及装置 |
| CN110262466A (zh) * | 2019-07-11 | 2019-09-20 | 电子科技大学 | 一种基于随机森林的飞控故障检测与诊断方法 |
| CN110298085A (zh) * | 2019-06-11 | 2019-10-01 | 东南大学 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
| CN111521913A (zh) * | 2019-11-22 | 2020-08-11 | 国网天津市电力公司电力科学研究院 | 基于频段能量分析与随机森林的gis诊断系统及方法 |
| CN111582362A (zh) * | 2020-05-06 | 2020-08-25 | 河海大学常州校区 | 一种基于随机森林算法的农田水泵故障诊断方法及装置 |
| CN111723520A (zh) * | 2020-05-29 | 2020-09-29 | 国网四川省电力公司电力科学研究院 | 一种基于决策树和随机森林的变压器故障诊断装置及方法 |
| CN113076708A (zh) * | 2021-03-31 | 2021-07-06 | 桂林电子科技大学 | 基于优化矩阵随机森林算法的模拟电路故障诊断方法 |
| CN113552443A (zh) * | 2021-06-08 | 2021-10-26 | 广西大学 | 基于交直流脉冲和随机森林的混连高压线路故障识别方法 |
| CN114580829A (zh) * | 2021-12-29 | 2022-06-03 | 国网湖南省电力有限公司 | 基于随机森林算法的用电安全感知方法、设备及介质 |
| CN115881501A (zh) * | 2023-03-03 | 2023-03-31 | 深圳市飞梵实业有限公司 | 一种电子显微镜的扫描信号检测及调节系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
| CN106778836A (zh) * | 2016-11-29 | 2017-05-31 | 天津大学 | 一种基于约束条件的随机森林推荐算法 |
-
2017
- 2017-12-14 CN CN201711336805.3A patent/CN108303632A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
| CN106778836A (zh) * | 2016-11-29 | 2017-05-31 | 天津大学 | 一种基于约束条件的随机森林推荐算法 |
Non-Patent Citations (2)
| Title |
|---|
| JIN-DING CAI 等: "Fault Diagnosis of Power Electronic Circuit Based on Random Forests Algorithm", 《2009 FIFTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》 * |
| 蔡金锭等: "基于小波分析与随机森林算法的电力电子电路故障诊断", 《电力科学与技术学报》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108957297A (zh) * | 2018-08-07 | 2018-12-07 | 北京航空航天大学 | 一种引入工况信息的电路故障诊断扩展决策树构建方法 |
| CN108957297B (zh) * | 2018-08-07 | 2020-05-19 | 北京航空航天大学 | 一种引入工况信息的电路故障诊断扩展决策树构建方法 |
| US11114977B2 (en) | 2018-08-10 | 2021-09-07 | Jiangnan University | Photovoltaic array fault diagnosis method based on random forest algorithm |
| CN109150104A (zh) * | 2018-08-10 | 2019-01-04 | 江南大学 | 一种基于随机森林算法的光伏阵列故障诊断方法 |
| CN109490704A (zh) * | 2018-10-16 | 2019-03-19 | 河海大学 | 一种基于随机森林算法的配电网故障区段定位方法 |
| CN109541989A (zh) * | 2018-10-24 | 2019-03-29 | 湖南城市学院 | 一种智能建筑室内装修墙面刮扫处理机控制系统及方法 |
| CN109309594A (zh) * | 2018-11-27 | 2019-02-05 | 中国联合网络通信集团有限公司 | 通信设备电源故障分析的方法、装置、设备及存储介质 |
| CN109635873A (zh) * | 2018-12-19 | 2019-04-16 | 佛山科学技术学院 | 一种ups故障预测方法 |
| CN109840312A (zh) * | 2019-01-22 | 2019-06-04 | 新奥数能科技有限公司 | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 |
| CN109840312B (zh) * | 2019-01-22 | 2022-11-29 | 新奥数能科技有限公司 | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 |
| CN110197194A (zh) * | 2019-04-12 | 2019-09-03 | 佛山科学技术学院 | 一种基于改进随机森林的轴承故障诊断方法及装置 |
| CN110188834A (zh) * | 2019-06-04 | 2019-08-30 | 广东电网有限责任公司 | 一种电力通信网的故障诊断方法、装置及设备 |
| CN110298085A (zh) * | 2019-06-11 | 2019-10-01 | 东南大学 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
| CN110262466A (zh) * | 2019-07-11 | 2019-09-20 | 电子科技大学 | 一种基于随机森林的飞控故障检测与诊断方法 |
| CN111521913A (zh) * | 2019-11-22 | 2020-08-11 | 国网天津市电力公司电力科学研究院 | 基于频段能量分析与随机森林的gis诊断系统及方法 |
| CN111582362A (zh) * | 2020-05-06 | 2020-08-25 | 河海大学常州校区 | 一种基于随机森林算法的农田水泵故障诊断方法及装置 |
| CN111723520A (zh) * | 2020-05-29 | 2020-09-29 | 国网四川省电力公司电力科学研究院 | 一种基于决策树和随机森林的变压器故障诊断装置及方法 |
| CN113076708A (zh) * | 2021-03-31 | 2021-07-06 | 桂林电子科技大学 | 基于优化矩阵随机森林算法的模拟电路故障诊断方法 |
| CN113552443A (zh) * | 2021-06-08 | 2021-10-26 | 广西大学 | 基于交直流脉冲和随机森林的混连高压线路故障识别方法 |
| CN114580829A (zh) * | 2021-12-29 | 2022-06-03 | 国网湖南省电力有限公司 | 基于随机森林算法的用电安全感知方法、设备及介质 |
| CN115881501A (zh) * | 2023-03-03 | 2023-03-31 | 深圳市飞梵实业有限公司 | 一种电子显微镜的扫描信号检测及调节系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108303632A (zh) | 基于随机森林算法的电路故障诊断方法 | |
| CN109507535B (zh) | 变电站接地网运行阶段及运行寿命预测方法及装置 | |
| CN108549954A (zh) | 风险模型训练方法、风险识别方法、装置、设备及介质 | |
| CN103812961B (zh) | 识别指定类别ip地址的方法及设备、防御方法及系统 | |
| CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
| CN108197639A (zh) | 一种基于随机森林的变压器故障诊断方法 | |
| CN110503004A (zh) | 一种开关电源运行状态的在线判别方法 | |
| CN110245584A (zh) | 一种电压暂降原因识别方法及系统 | |
| CN109115992A (zh) | 一种农田土壤健康评价系统 | |
| CN104484410A (zh) | 应用于大数据系统的数据融合方法及系统 | |
| CN109064039A (zh) | 一种农田土壤健康评价方法 | |
| CN109033322A (zh) | 一种多维数据的测试方法和装置 | |
| CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
| CN114219847A (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
| CN103902798B (zh) | 数据预处理方法 | |
| CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
| CN111178690A (zh) | 基于风控评分卡模型的用电客户窃电风险评估方法 | |
| Hao et al. | Establishment of online deep learning model for insect-affected pests in “Yali” pears based on visible-near-infrared spectroscopy | |
| CN113945862A (zh) | 一种配电网高阻接地故障识别方法、装置及设备 | |
| DE102021006561A1 (de) | Big-Data für Fehlererkennung in Batteriesystemen | |
| CN115308538A (zh) | 基于yolov5的配电网故障定位方法、系统、终端及存储介质 | |
| CN108493933A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
| CN104200338A (zh) | 线损统计与决策分析系统 | |
| CN107330043A (zh) | 数据处理方法和装置 | |
| CN113033845A (zh) | 一种电力传输资源共建共享的建设方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |
|
| RJ01 | Rejection of invention patent application after publication |