CN108845560A - 一种电力调度日志故障分类方法 - Google Patents
一种电力调度日志故障分类方法 Download PDFInfo
- Publication number
- CN108845560A CN108845560A CN201810536046.3A CN201810536046A CN108845560A CN 108845560 A CN108845560 A CN 108845560A CN 201810536046 A CN201810536046 A CN 201810536046A CN 108845560 A CN108845560 A CN 108845560A
- Authority
- CN
- China
- Prior art keywords
- log
- vector
- power scheduling
- dimension
- file characteristics
- 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
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Abstract
种本发明涉及电力调度领域,尤其涉及一种电力调度日志故障分类方法。主要通过多个训练日志得到一个支持向量机模型,然后就可以根据得到的支持向量机模型来将电力调度日志进行故障分类。这样准确率较高,而且有了支持向量机模型后可以将之后得到的日志经过处理后输入到模型中,即可以方便的识别电力调度日志中的故障类型。
Description
技术领域
本发明涉及电力调度领域,尤其涉及一种电力调度日志故障分类方法。
背景技术
在当前电网中,设备种类与数量繁多,当发生设备故障时,调度人员往往会采用自然语言在调度日志中记录发生故障的厂站、间隔、设备、电压等级、故障发生现象、发生原因等信息。但是,由于不同调度人员在记录日志时的习惯有差异,再加上中文语言丰富多彩,常导致记录日志后,难以从日志中自动识别发生故障的具体类别,不利于根据故障发生的统计数据,制订合理的电网调度和检修决策。
发明内容
本发明所要解决的技术问题是:提供一种电力调度日志故障分类方法,采用这种分类方法能方便的将电力日志中的具体故障识别出来。
本发明所采用的技术方案是:一种电力调度日志故障分类方法,它包括以下步骤:
S1、切换到训练模式,收集训练日志;
S2、对步骤S1收集到的训练日志进行故障标注;
S3、对步骤S1收集到的训练日志进行预处理,并且将预处理后的训练日志拆分成多个单字;
S4、将步骤S3得到的多个单字均转化为d维的特征向量;
S5、将步骤S4得到的每条训练日志中的多个单字的d维的特征向量取平均值得到对应训练日志的d维的文档特征向量;
S6、将步骤S5得到训练日志的d维的文档特征向量进行降维;
S7、将步骤S6得到的降维后的文档特征向量和其对应的故障标注通过支持向量机算法形成支持向量机模型;
S8、切换到测试模式,收集测试日志;
S9、对步骤S8得到的测试日志进行预处理,并且将预处理后的测试日志拆分成多个单字;
S10、将步骤S9得到的多个单字转化为d维的特征向量;
S11、将步骤S10得到每条测试日志中的多个单字的d维的特征向量取平均值得到对应测试日志的d维的文档特征向量;
S12、将步骤S11得到测试日志的d维的文档特征向量进行降维;
S13、将降维后的测试日志的文档特征向量输入步骤S7形成的支持向量机模型,得到测试日志的故障类型。
步骤S3以及步骤S9所述的预处理为是指将电力调度日志中的无意义的标点符号进行删除。
步骤S3以及步骤S9所述的预处理还包括将电力调度日志中的不规范的字进行转化。
步骤S4以及S10为采用Word2Vec工具中的skip-gram语言模型将每一个单字转化为d维的特征向量
步骤S6以及S12中采用t分布领域计算方法进行降维。
其中,预处理后的电力调度日志表示为其中为调度日志中第N个单子的d维特征向量,所述降维方法具体包括以下步骤:
Sa、用概率pj|i来表示原空间中选择作为近邻的概率,即:
其中σi表示以为中心时高斯函数的标准差,第i个文档特征向量与第j个文档特征之间的相似程度可用pij来表示,即
Sb、取M个r维向量Y=(x1,x2,……,xM)作为对应的子空间数据,其中,r小于d,然后采用t分布表达子空间数据间的概率,qij代表子空间xi和xj之间的相似度,
t分布领域算法通过最小化原空间和子空间两个概率分布的Kullback-Leibler散度获得最佳子空间的表示,即
然后对上式用梯度下降法求解最优值,即可得到文档特征向量的低维表示形式。
步骤S7具体包括以下步骤:
S71、将降维后的文档特征向量和故障类别构成分类样本集(x1,y1),(x2,y2),……,(xM,yM),其中样本特征向量xi∈Rr,yi∈{1,2,3,4,5},1-5分别表示五种故障类型,M表示样本数;
S72,对于二类支持向量机算法,其原始形式是:
其约束条件为,yi(w*φ(xi)+b)≥1-ξ (i=1,2,……,M)
ξ≥0 (i=1,2,……,M)
其中M为样本数,yi∈{1,-1},1表示正例,-1表示负例,w和b是分类超平面w*φ(xi)+b=0中的参数,ξ为第i个样本的松弛系数,C为惩罚系数,φ(xi)为低维到高维映射的函数;
S73、通过拉格朗日函数将步骤S72中的原始形式写成对偶式:
其约束条件为:
0≤αi≤C;
其中,α为拉格朗日系数向量,K(xi,xj)为核函数,且其具体形式为K(x,z)=exp(-γ||x-z||2),其中γ为大于0的系数,然后通过优化方法求解上述对偶式,可以得到最优参数α*和b*;
S74、根据步骤S73得到的最优参数得到支持向量机模型的分类函数:
采用以上方法与现有技术相比,本发明具有以下优点:通过取日志中每个单字的特征向量的平均值得到文档特征向量,这样使得准确性较高,而且根据降维后的文档特征向量和其对应的故障标注通过支持向量机算法形成支持向量机模型,通过支持向量机通过构造一个分类超平面,使得分类间隔达到最大,最大限度地分开两类训练样本,这样准确率较高,而且有了支持向量机模型后可以将之后得到的日志经过处理后输入到模型中,即可以方便的识别电力调度日志中的故障类型。
将符号以及无意义的字去除,并且将不规范的字进行转化,可以大大降低设置模型的复杂性,并且可以提高模型的准确性。
采用Word2Vec工具中的skip-gram语言模型能更方便的将单字转化为特征向量。
采用t分布领域计算方法能更好的将高维的特征向量转化为低维的特征向量。
具体实施方式
以下通过具体实施方式对本发明做进一步描述,但是本发明不仅限于以下具体实施方式。
一种电力调度日志故障分类方法,
(1)、首先收集M条电力调度日志语料,按照日志内容进行人工标注故障类型,将线路故障标记为1,将变压器故障标记为2,将母线故障标记为3,将四小器故障标记为4,将其他故障标注为5,形成训练集,其中训练集有五条,如下表1所示:
表1
(2)、将上述的测试日志进行预处理,即将无意义的标点符号进行删除,例如引号“”、波浪号~等,将不规范的字进行转化,并且将预处理后的日志拆分成多个单字,
(3)利用Word2Vec工具生成每个单字的d维特征向量,本具体实施例将取d=100,例如:
“变”可表示为
其他的单字也可以表示为由100个数字组成的特征向量;
(4)、将日志中每个单字的特征向量相加取平均后获得每条日志的文档特征向量,它也是一条包括100个数字的特征向量;
(5)、利用tSNE算法(t分布领域计算方法)把文档特征向量降维为2维,即r=2,它主要包括以下步骤:
Sa、用概率pj|i来表示原空间中选择作为近邻的概率,即:
其中σi表示以为中心时高斯函数的标准差,第i个文档特征向量与第j个文档特征之间的相似程度可用pij来表示,即
Sb、取M个r维向量Y=(x1,x2,……,xM)作为对应的子空间数据,其中,r小于d,然后采用t分布表达子空间数据间的概率,qij代表子空间xi和xj之间的相似度,
t分布领域算法通过最小化原空间和子空间两个概率分布的Kullback-Leibler散度获得最佳子空间的表示,即
然后对上式用梯度下降法求解最优值,即可得到文档特征向量的低维表示形式,因为变成了二维的特征向量,所以一个特征向量可以看做坐标上的一个点;
(6)、分别以类别组合(1,2)(1,3)(1,4)(1,5)(2,3)(2,4)(2,5)(3,4)(3,5)(4,5)形成数据集,训练10个SVM模型;
形成SVM模型主要包括以下步骤:
S71、将降维后的文档特征向量和故障类别构成分类样本集(x1,y1),(x2,y2),……,(xM,yM),其中样本特征向量xi∈Rr,yi∈{1,2,3,4,5},1-5分别表示五种故障类型,M表示样本数;
S72,对于二类支持向量机算法,其原始形式是:
其约束条件为,yi(w*φ(xi)+b)≥1-ξ (i=1,2,……,M)
ξ≥0 (i=1,2,……,M)
其中M为样本数,yi∈{1,-1},1表示正例,-1表示负例,w和b是分类超平面w*φ(xi)+b=0中的参数,ξ为第i个样本的松弛系数,C为惩罚系数,φ(xi)为低维到高维映射的函数;
S73、通过拉格朗日函数将步骤S72中的原始形式写成对偶式:
其约束条件为:
0≤αi≤C;
其中,α为拉格朗日系数向量,K(xi,xj)为核函数,且其具体形式为K(x,z)=exp(-γ||x-z||2),其中γ为大于0的系数,然后通过优化方法求解上述对偶式,可以得到最优参数α*和b*;
S74、根据步骤S73得到的最优参数得到支持向量机模型的分类函数:
(7)、收集测试日志,如下表2;
表2
(8)、与处理训练日志一样处理测试日志,即进行预处理然后转化为d维特征向量,之后再进行降维;
(9)、之后将降维后的数据输入10个SVM模型,获取投票数最多的类别作为测试数据的故障类别。
Claims (7)
1.一种电力调度日志故障分类方法,其特征在于,它包括以下步骤:
S1、切换到训练模式,收集训练日志;
S2、对步骤S1收集到的训练日志进行故障标注;
S3、对步骤S1收集到的训练日志进行预处理,并且将预处理后的训练日志拆分成多个单字;
S4、将步骤S3得到的多个单字均转化为d维的特征向量;
S5、将步骤S4得到的每条训练日志中的多个单字的d维的特征向量取平均值得到对应训练日志的d维的文档特征向量;
S6、将步骤S5得到训练日志的d维的文档特征向量进行降维;
S7、将步骤S6得到的降维后的文档特征向量和其对应的故障标注通过支持向量机算法形成支持向量机模型;
S8、切换到测试模式,收集测试日志;
S9、对步骤S8得到的测试日志进行预处理,并且将预处理后的测试日志拆分成多个单字;
S10、将步骤S9得到的多个单字转化为d维的特征向量;
S11、将步骤S10得到每条测试日志中的多个单字的d维的特征向量取平均值得到对应测试日志的d维的文档特征向量;
S12、将步骤S11得到测试日志的d维的文档特征向量进行降维;
S13、将降维后的测试日志的文档特征向量输入步骤S7形成的支持向量机模型,得到测试日志的故障类型。
2.根据权利要求1所述的一种电力调度日志故障分类方法,其特征在于:步骤S3以及步骤S9所述的预处理为是指将电力调度日志中的无意义的标点符号进行删除。
3.根据权利要求2所述的一种电力调度日志故障分类方法,其特征在于:步骤S3以及步骤S9所述的预处理还包括将电力调度日志中的不规范的字进行转化。
4.根据权利要求1所述的一种电力调度日志故障分类方法,其特征在于:步骤S4以及S10为采用Word2Vec工具中的skip-gram语言模型将每一个单字转化为d维的特征向量Vwi。
5.根据权利要求1所述的一种电力调度日志故障分类方法,其特征在于:步骤S6以及S12中采用t分布领域计算方法进行降维。
6.根据权利要求5所述的一种电力调度日志故障分类方法,其特征在于:其中,预处理后的电力调度日志表示为其中为调度日志中第N个单子的d维特征向量,所述降维方法具体包括以下步骤:
Sa、用概率pj|i来表示原空间中选择作为近邻的概率,即:
其中σi表示以为中心时高斯函数的标准差,第i个文档特征向量与第j个文档特征之间的相似程度可用pij来表示,即
Sb、取M个r维向量Y=(x1,x2,……,xM)作为对应的子空间数据,其中,r小于d,然后采用t分布表达子空间数据间的概率,qij代表子空间xi和xj之间的相似度,
t分布领域算法通过最小化原空间和子空间两个概率分布的Kullback-Leibler散度获得最佳子空间的表示,即
然后对上式用梯度下降法求解最优值,即可得到文档特征向量的低维表示形式。
7.根据权利要求1所述的一种电力调度日志故障分类方法,其特征在于:步骤S7具体包括以下步骤:
S71、将降维后的文档特征向量和故障类别构成分类样本集(x1,y1),(x2,y2),……,(xM,yM),其中样本特征向量xi∈Rr,yi∈{1,2,3,4,5},1-5分别表示五种故障类型,M表示样本数;
S72,对于二类支持向量机算法,其原始形式是:
其约束条件为,yi(w*φ(xi)+b)≥1-ξ(i=1,2,……,M)
ξ≥0(i=1,2,……,M)
其中M为样本数,yi∈{1,-1},1表示正例,-1表示负例,w和b是分类超平面w*φ(xi)+b=0中的参数,ξ为第i个样本的松弛系数,C为惩罚系数,φ(xi)为低维到高维映射的函数;
S73、通过拉格朗日函数将步骤S72中的原始形式写成对偶式:
其约束条件为:
0≤αi≤C;
其中,α为拉格朗日系数向量,K(xi,xj)为核函数,且其具体形式为K(x,z)=exp(-γ||x-z||2),其中γ为大于0的系数,然后通过优化方法求解上述对偶式,可以得到最优参数α*和b*;
S74、根据步骤S73得到的最优参数得到支持向量机模型的分类函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536046.3A CN108845560B (zh) | 2018-05-30 | 2018-05-30 | 一种电力调度日志故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536046.3A CN108845560B (zh) | 2018-05-30 | 2018-05-30 | 一种电力调度日志故障分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108845560A true CN108845560A (zh) | 2018-11-20 |
CN108845560B CN108845560B (zh) | 2021-07-13 |
Family
ID=64210123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810536046.3A Active CN108845560B (zh) | 2018-05-30 | 2018-05-30 | 一种电力调度日志故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108845560B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933049A (zh) * | 2019-03-29 | 2019-06-25 | 国网山东省电力公司费县供电公司 | 一种电力调度日志故障分类方法及系统 |
CN110826601A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 基于改进的支持向量机算法的林火预测方法 |
CN112884015A (zh) * | 2021-01-26 | 2021-06-01 | 山西三友和智慧信息技术股份有限公司 | 一种面向供水管网分区计量系统日志信息的故障预测方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110093226A1 (en) * | 2008-07-04 | 2011-04-21 | Inotera Memories, Inc. | Fault detection and classification method for wafer acceptance test parameters |
CN102750528A (zh) * | 2012-06-27 | 2012-10-24 | 西安理工大学 | 一种基于手掌特征提取身份识别方法 |
JP2012257048A (ja) * | 2011-06-08 | 2012-12-27 | Nec Infrontia Corp | 障害情報収集システム及び音声通信端末、障害情報収集方法 |
CN102929928A (zh) * | 2012-09-21 | 2013-02-13 | 北京格致璞科技有限公司 | 基于多维相似度的个性化新闻推荐方法 |
CN102929894A (zh) * | 2011-08-12 | 2013-02-13 | 中国人民解放军总参谋部第五十七研究所 | 一种文本在线聚类可视化方法 |
US20130042147A1 (en) * | 2010-03-11 | 2013-02-14 | Nec Corporation | Fault analysis rule extraction device, fault analysis rule extraction method and storage medium |
US20130046724A1 (en) * | 2011-08-15 | 2013-02-21 | Xerox Corporation | Identification of significant sequences of fault codes by statistical hypothesis testing |
US20130338808A1 (en) * | 2012-06-18 | 2013-12-19 | International Business Machines Corporation | Method and Apparatus for Hierarchical Wafer Quality Predictive Modeling |
CN103761173A (zh) * | 2013-12-28 | 2014-04-30 | 华中科技大学 | 一种基于日志的计算机系统故障诊断方法及装置 |
CN104616205A (zh) * | 2014-11-24 | 2015-05-13 | 北京科东电力控制系统有限责任公司 | 一种基于分布式日志分析的电力系统运行状态监视方法 |
CN104951433A (zh) * | 2015-06-24 | 2015-09-30 | 北京京东尚科信息技术有限公司 | 基于上下文进行意图识别的方法和系统 |
CN105095920A (zh) * | 2015-09-10 | 2015-11-25 | 大连理工大学 | 基于聚类的大规模多标签分类方法 |
CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和系统 |
CN105843915A (zh) * | 2016-03-24 | 2016-08-10 | 国网浙江奉化市供电公司 | 一种数据管理方法及系统 |
CN106096066A (zh) * | 2016-08-17 | 2016-11-09 | 盐城工学院 | 基于随机近邻嵌入的文本聚类方法 |
CN106570170A (zh) * | 2016-11-09 | 2017-04-19 | 武汉泰迪智慧科技有限公司 | 基于深度循环神经网络的文本分类和命名实体识别一体化方法及系统 |
CN106980821A (zh) * | 2017-03-13 | 2017-07-25 | 西京学院 | 一种基于icde的手掌bis身份识别方法 |
CN106991296A (zh) * | 2017-04-01 | 2017-07-28 | 大连理工大学 | 基于随机化贪心特征选择的集成分类方法 |
CN107038480A (zh) * | 2017-05-12 | 2017-08-11 | 东华大学 | 一种基于卷积神经网络的文本情感分类方法 |
CN107729520A (zh) * | 2017-10-27 | 2018-02-23 | 北京锐安科技有限公司 | 文件分类方法、装置、计算机设备及计算机可读介质 |
CN107748783A (zh) * | 2017-10-24 | 2018-03-02 | 天津大学 | 一种基于句向量的多标签公司描述文本分类方法 |
CN108009148A (zh) * | 2017-11-16 | 2018-05-08 | 天津大学 | 基于深度学习的文本情感分类表示方法 |
-
2018
- 2018-05-30 CN CN201810536046.3A patent/CN108845560B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110093226A1 (en) * | 2008-07-04 | 2011-04-21 | Inotera Memories, Inc. | Fault detection and classification method for wafer acceptance test parameters |
US20130042147A1 (en) * | 2010-03-11 | 2013-02-14 | Nec Corporation | Fault analysis rule extraction device, fault analysis rule extraction method and storage medium |
JP2012257048A (ja) * | 2011-06-08 | 2012-12-27 | Nec Infrontia Corp | 障害情報収集システム及び音声通信端末、障害情報収集方法 |
CN102929894A (zh) * | 2011-08-12 | 2013-02-13 | 中国人民解放军总参谋部第五十七研究所 | 一种文本在线聚类可视化方法 |
US20130046724A1 (en) * | 2011-08-15 | 2013-02-21 | Xerox Corporation | Identification of significant sequences of fault codes by statistical hypothesis testing |
US20130338808A1 (en) * | 2012-06-18 | 2013-12-19 | International Business Machines Corporation | Method and Apparatus for Hierarchical Wafer Quality Predictive Modeling |
CN102750528A (zh) * | 2012-06-27 | 2012-10-24 | 西安理工大学 | 一种基于手掌特征提取身份识别方法 |
CN102929928A (zh) * | 2012-09-21 | 2013-02-13 | 北京格致璞科技有限公司 | 基于多维相似度的个性化新闻推荐方法 |
CN103761173A (zh) * | 2013-12-28 | 2014-04-30 | 华中科技大学 | 一种基于日志的计算机系统故障诊断方法及装置 |
CN104616205A (zh) * | 2014-11-24 | 2015-05-13 | 北京科东电力控制系统有限责任公司 | 一种基于分布式日志分析的电力系统运行状态监视方法 |
CN104951433A (zh) * | 2015-06-24 | 2015-09-30 | 北京京东尚科信息技术有限公司 | 基于上下文进行意图识别的方法和系统 |
CN105095920A (zh) * | 2015-09-10 | 2015-11-25 | 大连理工大学 | 基于聚类的大规模多标签分类方法 |
CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和系统 |
CN105843915A (zh) * | 2016-03-24 | 2016-08-10 | 国网浙江奉化市供电公司 | 一种数据管理方法及系统 |
CN106096066A (zh) * | 2016-08-17 | 2016-11-09 | 盐城工学院 | 基于随机近邻嵌入的文本聚类方法 |
CN106570170A (zh) * | 2016-11-09 | 2017-04-19 | 武汉泰迪智慧科技有限公司 | 基于深度循环神经网络的文本分类和命名实体识别一体化方法及系统 |
CN106980821A (zh) * | 2017-03-13 | 2017-07-25 | 西京学院 | 一种基于icde的手掌bis身份识别方法 |
CN106991296A (zh) * | 2017-04-01 | 2017-07-28 | 大连理工大学 | 基于随机化贪心特征选择的集成分类方法 |
CN107038480A (zh) * | 2017-05-12 | 2017-08-11 | 东华大学 | 一种基于卷积神经网络的文本情感分类方法 |
CN107748783A (zh) * | 2017-10-24 | 2018-03-02 | 天津大学 | 一种基于句向量的多标签公司描述文本分类方法 |
CN107729520A (zh) * | 2017-10-27 | 2018-02-23 | 北京锐安科技有限公司 | 文件分类方法、装置、计算机设备及计算机可读介质 |
CN108009148A (zh) * | 2017-11-16 | 2018-05-08 | 天津大学 | 基于深度学习的文本情感分类表示方法 |
Non-Patent Citations (1)
Title |
---|
年素磊: "基于主动半监督学习的智能电网信调日志分类", 《计算机科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933049A (zh) * | 2019-03-29 | 2019-06-25 | 国网山东省电力公司费县供电公司 | 一种电力调度日志故障分类方法及系统 |
CN109933049B (zh) * | 2019-03-29 | 2020-10-13 | 国网山东省电力公司费县供电公司 | 一种电力调度日志故障分类方法及系统 |
CN110826601A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 基于改进的支持向量机算法的林火预测方法 |
CN110826601B (zh) * | 2019-10-23 | 2023-07-11 | 上海理工大学 | 基于改进的支持向量机算法的林火预测方法 |
CN112884015A (zh) * | 2021-01-26 | 2021-06-01 | 山西三友和智慧信息技术股份有限公司 | 一种面向供水管网分区计量系统日志信息的故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108845560B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846056B (zh) | 一种科技成果评审专家推荐方法及装置 | |
CN111444236B (zh) | 一种基于大数据的移动终端用户画像构建方法及系统 | |
Picard et al. | Improving image similarity with vectors of locally aggregated tensors | |
CN109165294B (zh) | 一种基于贝叶斯分类的短文本分类方法 | |
CN108845560A (zh) | 一种电力调度日志故障分类方法 | |
CN102629279B (zh) | 一种用于图像或视频搜索重排序的方法 | |
CN106649490A (zh) | 一种基于深度特征的图像检索方法及装置 | |
CN108268875B (zh) | 一种基于数据平滑的图像语义自动标注方法及装置 | |
CN107545038B (zh) | 一种文本分类方法与设备 | |
CN106708940A (zh) | 用于处理图片的方法和装置 | |
CN110347791B (zh) | 一种基于多标签分类卷积神经网络的题目推荐方法 | |
CN111507350A (zh) | 一种文本识别方法和装置 | |
Nam et al. | Padding methods in convolutional sequence model: an application in Japanese handwriting recognition | |
CN107832307B (zh) | 基于无向图与单层神经网络的中文分词方法 | |
CN108241662A (zh) | 数据标注的优化方法及装置 | |
CN110110326B (zh) | 一种基于主题信息的文本切割方法 | |
CN106611016A (zh) | 一种基于可分解词包模型的图像检索方法 | |
CN103268346A (zh) | 半监督分类方法及系统 | |
CN114742047A (zh) | 基于最大概率填充和多头注意力机制的文本情感识别方法 | |
CN109902173A (zh) | 一种中文文本分类方法 | |
CN107220320B (zh) | 基于专利引文的新兴技术识别方法 | |
CN103218420A (zh) | 一种网页标题提取方法及装置 | |
JP2015109024A (ja) | 画像辞書生成装置、画像辞書生成方法及びコンピュータプログラム | |
CN111552810A (zh) | 实体抽取与分类方法、装置、计算机设备和存储介质 | |
CN110263163A (zh) | 一种获取文本摘要的方法和装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190329 Address after: 315010 No. 1408 Liyuan North Road, Haishu District, Ningbo City, Zhejiang Province Applicant after: State Grid Zhejiang Electric Power Co., Ltd. Ningbo power supply company Address before: 315010 No. 1408 Liyuan North Road, Haishu District, Ningbo City, Zhejiang Province Applicant before: State Grid Zhejiang Electric Power Co., Ltd. Ningbo power supply company Applicant before: Ningbo Tianling Information Technology Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |