CN109978299A - 用于海上风电业务的数据分析方法、装置和存储介质 - Google Patents
用于海上风电业务的数据分析方法、装置和存储介质 Download PDFInfo
- Publication number
- CN109978299A CN109978299A CN201711456624.4A CN201711456624A CN109978299A CN 109978299 A CN109978299 A CN 109978299A CN 201711456624 A CN201711456624 A CN 201711456624A CN 109978299 A CN109978299 A CN 109978299A
- Authority
- CN
- China
- Prior art keywords
- analysis
- data
- phase
- current generation
- stage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 228
- 238000007405 data analysis Methods 0.000 claims abstract description 40
- 238000010276 construction Methods 0.000 claims description 44
- 238000012423 maintenance Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 8
- 238000013481 data capture Methods 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 5
- 230000005055 memory storage Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 23
- 230000032258 transport Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000006854 communication Effects 0.000 description 7
- 238000009434 installation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于海上风电业务的数据分析方法、装置和存储介质。该方法包括：基于海上风电业务的生命周期，将用于海上风电业务的数据分析作业划分为两个以上分析阶段；对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数；基于分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型；获取各个分析阶段的与多维指标参数对应的当前阶段数据，并将当前阶段数据输入阶段分析模型；利用阶段分析模型分析当前阶段数据，并输出当前阶段决策数据。由此，本发明实施例的数据分析不仅具有针对性，而且可以提高海上风电的数据分析的效率和精度。
Description
技术领域
本发明涉及风力发电技术领域，尤其涉及一种用于海上风电业务的数据分析方法、装置和存储介质。
背景技术
海上风电已成为十三五期间重点发展行业，各大发电集团也在争相开发海上风电场。由于海上风电存在很多不确定因素，如各个海域环境因素差别很大，海上风电配套产业还不够成熟，因此海上风电市场的发展趋势也存在很多变数。
申请人经研究发现：目前，海上风电业务主要包含前期市场、中期交付建设、后期运行维护三大业务阶段。这三大块业务具有鲜明的阶段性特征，各个业务阶段交互存在着大量的数据，如客户需求数据、市场行情数据和维护运营数据等。目前，用于海上风电业务的数据分析主要由业务人员依靠经验来分析这些海量的数据。通常，业务人员只能从两、三个维度去分析统计，再根据分析的结果进行监管和决策。现有的单纯依靠业务人员去监管、分析、决策的方式是低效的，且会遗漏很多有价值的信息，因此现有的用于海上风电的分析数据不仅低效且分析结果不精确。
如何针对各个业务阶段对高海上风电的数据进行精确分析，并能快速的得到分析结果，成为亟待解决的技术问题。
发明内容
为了解决用于海上风电的分析数据不仅低效且并不精确的问题，本发明实施例提供了一种用于海上风电业务的数据分析方法、装置和存储介质。
第一方面，提供了一种用于海上风电业务的数据分析方法。该方法包括以下步骤：
基于海上风电业务的生命周期，将用于海上风电业务的数据分析作业划分为两个以上分析阶段；
对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数；
基于分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型；
获取各个分析阶段的与多维指标参数对应的当前阶段数据，并将当前阶段数据输入阶段分析模型；
利用阶段分析模型分析当前阶段数据，并输出当前阶段决策数据。
第二方面，提供了一种用于海上风电业务的数据分析装置。该装置包括：
阶段划分单元，用于基于海上风电业务的生命周期，将用于海上风电业务的数据分析作业划分为两个以上分析阶段；
参数构建单元，用于对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数；
模型建立单元，用于基于分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型；
数据获取单元，用于获取各个分析阶段的与多维指标参数对应的当前阶段数据，并将当前阶段数据输入阶段分析模型；
数据分析单元，利用阶段分析模型分析当前阶段数据，并输出当前阶段决策数据。
第三方面，提供了一种用于海上风电业务的数据分析装置。该装置包括：
存储器，用于存放程序；
处理器，用于执行所述存储器存储的程序，所述程序使得所述处理器执行上述各方面所述的方法。
第四方面，提供了一种计算机可读存储介质。该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
第五方面，提供了一种包含指令的计算机程序产品。当该产品在计算机上运行时，使得计算机执行上述各方面所述的方法。
第六方面，提供了一种计算机程序。当该计算机程序在计算机上运行时，使得计算机执行上述各方面所述的方法。
上述发明实施例可以基于海上风电业务的生命周期，将用于海上风电业务的数据分析作业划分为两个以上分析阶段；对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数；基于分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型；获取各个分析阶段的与多维指标参数对应的当前阶段数据，并将当前阶段数据输入阶段分析模型；利用阶段分析模型分析当前阶段数据，并输出当前阶段决策数据，可以实现根据业务分析阶段的特征，有针对性的对各个业务阶段进行数据分析，使得数据分析不仅具有针对性，而且可以提高海上风电的数据分析的效率和精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1是本发明一实施例的用于海上风电业务的数据分析方法的流程示意图；
图2是本发明一实施例的前期市场分析阶段分析数据的示意图；
图3是本发明另一实施例的前期市场分析阶段分析数据的示意图；
图4是本发明一实施例的中期交付建设分析阶段分析数据的示意图；
图5是本发明另一实施例的中期交付建设分析阶段分析数据的示意图；
图6是本发明一实施例的后期运行维护分析阶段分析数据的示意图；
图7是本发明另一实施例的后期运行维护分析阶段分析数据的示意图；
图8是本发明实施例的用于海上风电业务的数据分析装置的结构示意图；
图9是本发明实施例的用于海上风电业务的数据分析装置的框架示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1是本发明一实施例的用于海上风电业务的数据分析方法的流程示意图。
如图1所示，该方法包括以下步骤：S110，基于海上风电业务的生命周期，将用于海上风电业务的数据分析作业划分为两个以上分析阶段；S120，对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数；S130，基于分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型；S140，获取各个分析阶段的与多维指标参数对应的当前阶段数据，并将当前阶段数据输入阶段分析模型；S150，利用阶段分析模型分析当前阶段数据，并输出当前阶段决策数据。
在步骤S110中，分析阶段包括以下阶段中的两种或者两种以上：前期市场分析阶段、中期交付建设分析阶段以及后期运行维护分析阶段。由此，本发明实施例可以通过对不同的分析阶段的数据进行分析，可以为海上风电业务提供有针对性或者完整生命周期的全方位的解决方案，不仅可以提高数据分析的效率，提高分析精度，而且适用范围广。
在步骤S120中，目标特征可以根据不同的分析阶段的最终目标进行不同设置。例如，针对前期市场分析阶段，其最终目标可以是提高市场占有率，该目标特征可以是占有率特征。针对中期交付建设分析阶段，其最终目标可以是提供合理的供货计划、最佳施工方案、最优开工时间、最短施工工期，该目标特征可以是时间特征等。针对后期运行维护分析阶段，其最终目标可以是短、中、长期运维计划策略，该目标特征可以是故障参数特征等。
在本实施例中，该步骤可以包括以下子步骤：预先获取每个分析阶段的目标特征；分解目标特征，得到多个子目标特征；基于多个子目标特征，构建与多个子目标特征对应的多维指标参数。例如，针对前期市场分析阶段，目标特征可以是提高市场占有率的指标。分解目标特征可以得到如下子目标特征：政策支持指标、开发生支持指标、整机商家支持指标和供应商支持指标等。多维指标参数可以包括：政策实时信息指标参数、开发商市场分布参数、整机商家市场分布参数、供应商市场参数、历史投标及中标参数、业主招标需求参数、项目进度参数、可扩展增加的参数等。
在本实施例中，多维指标参数中维度个数小于等于13且大于等于5。由此，本发明实施例可以通过分析较多维度的数据，为输出非常精确的决策建议提供了数据支持。
在步骤S130中，针对不同的分析阶段，阶段分析模型可以包括：前期市场分析阶段模型、中期交付建设分析阶段模型、后期运行维护分析阶段模型。由此，本发明实施例可以将前期、周期和后期不同阶段的数据分析模型整合到一个数据分析平台，可以为用户不仅可以为用户提供一套完整的解决方案，而且可以有针对性的进行数据分析，提高了分析结果的可靠性。
本步骤可以包括以下子步骤：获取与分析阶段对应的历史全局数据；从历史全局数据中选取与多维指标参数匹配的历史阶段数据以及历史阶段决策数据；基于分析阶段、历史阶段数据和历史决策数据，训练生成阶段分析模型。其中，历史全局数据可以包括全方位的较多类型、较多数量的数据。只要发生在该分析阶段的参数、变量、数值、方案等数据均可以参考或者使用。
在步骤S140中，采集各个分析阶段的当前源数据可以包括：将当前源数据进行量化处理，以生成与多维指标参数对应的当前阶段数据。
在一些实施例中，将当前源数据进行量化处理可以包括：将当前源数据转化为与多维指标参数对应的函数因子和/或多变量参数。由此，本实施例可以通过量化处理将当前源数据进行数字化、标准化以便于后期输入和分析处理。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
在步骤S150中，当前阶段是前期市场分析阶段时，可以利用前期市场分析阶段模型进行市场智能分析，输出市场布局数据、项目投标策略数据、重点客户服务策略、待挖掘的业务需求等。该方面内容将在下文进行详细描述。
上述发明实施例可以基于海上风电业务的生命周期，将用于海上风电业务的数据分析作业划分为两个以上分析阶段；对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数；基于分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型；获取各个分析阶段的与多维指标参数对应的当前阶段数据，并将当前阶段数据输入阶段分析模型；利用阶段分析模型分析当前阶段数据，并输出当前阶段决策数据，可以根据业务分析阶段的特征，有针对性的对各个业务阶段进行数据分析，使得数据分析不仅具有针对性，而且可以提高海上风电的数据分析的效率和精度。
在一些实施例中，上述方法还可以包括：实时获取当前阶段数据和当前阶段决策数据；将实时获取的当前阶段数据和当前阶段决策数据确定为当前训练数据；基于当前训练数据，优化阶段分析模型，得到当前阶段分析模型，以利用当前阶段分析模型分析对应的当前阶段数据。该方法是循环迭代的持续优化过程。
在一些实施例中，上述方法还可以包括：为多维指标参数设置加权因子和/或逻辑关系；利用当前训练数据优化加权因子和/或逻辑关系；基于优化的加权因子和/或逻辑关系，优化当前阶段分析模型。
由此，上述优化过程可以通过循环次数的增加，持续优化当前阶段分析模型，使其分析数据的效率和精度越来越高。
需要说明的是，在不冲突的情况下，本领域的技术人员可以按实际需要将上述的操作步骤的顺序进行灵活调整，或者将上述步骤进行灵活组合等操作。为了简明，不再赘述各种实现方式。另外，各实施例的内容可以相互参考引用。
图2是本发明一实施例的前期市场分析阶段分析数据的示意图。
图3是本发明另一实施例的前期市场分析阶段分析数据的示意图。
参考图2和图3，针对前期市场分析阶段，可以将该阶段的数据输入前期市场分析阶段模型，从而输出关于该阶段的决策数据。
在本实施例中，可以先将和市场相关的信息数据转换成可量化的函数因子，并引入人工智能手段，将转化后的函数因子不断进行更新。然后，前期市场分析阶段模型(可以做成网站平台形式)不断输入相关更新数据。接着，前期市场分析阶段模型进行市场智能分析，自动输出市场策略建议。例如，前期市场分析阶段模型可以根据不同业主需求喜好，在输入一系列全生命周期解决方案基础数据后，平台输出对应的最佳解决方案建议。
参考图2，输入数据可以包括如下8维度的数据：政策实时信息数据、开发商市场分布数据、整机商市场分布数据、供应商市场数据、历史投标及中标数据、业主招标需求数据、项目进度数据和可扩展增加的数据等。前期市场分析阶段模型可以对输入数据进行市场智能分析，并可以输出：市场布局策略、项目投标策略、重点客户服务策略和待挖掘的业务需求等。
参考图3，输入数据可以包括如下9维度的数据：产品机型数据、客户需求数据、项目水文气象环境数据、公司工厂生产数据、运输吊装资源数据、港口码头道路资源数据、运维船舶资源数据、供应商资源数据、项目交付建设人员架构和项目运维人员架构等。前期市场分析阶段模型可以对输入数据进行市场智能分析，并可以输出：多种运输安装方案对比、最佳运输安装方案推荐、多种运维策略对比和最佳运维策略等。
在一些实施例中，前期市场分析阶段模型对输入数据进行市场智能分析的实现方式可以如下所示：
S1，将前期市场分析阶段的最终目标确定为：提高市场占有率。
S2，模型指标分解为如下分指标：往期项目竞标评分结果；客户已招标项目中标比率；客户预期项目容量；机型市场占有率；已投产项目客户满意度，即机组可利用率、机组发电收益等；客户招标需求条件达标率；客户需求偏好，如机型偏好、解决方案偏好等；待添加的输入指标。
S3，处理过程如下：引入机器学习算法，将各指标的往期历史数据用作模型训练基础数据去训练模型，各指标的加权因子和逻辑关系可以由系统自己在数据训练中去优化。
S4，输出结果如下：当新项目招标时，输入项目基本信息如客户、容量、场址基本参数等，模型可以输出该项目中标概率及投标建议。业务人员可以根据该输出结果来决策投入到项目投标中的资源情况。
S5，反馈机制如下：可以将项目招标结果的关键指标数据输入到模型的训练数据库中。
在一些实施例中，前期市场分析阶段模型输出投标解决方案的实现方式可以如下所示：
S1，确定此处的最终目标为：自动优化出运输安装方案和运维方案。
S2，将基础数据分解为如下数据：融合海陆元素的地理信息系统(GeographicInformation System，GIS)的地理信息数据；工厂、供应商、备件库、港口码头等基础信息；项目场址基本信息；场址水文气象历史数据；安装船、运输船、运维船参数数据；机组参数数据；运输安装流程边界条件；运维活动边界条件；待添加的基础数据等。
S3，模型输入如下信息：输入待评估的项目基础信息，如海上风电场的场址坐标、风场容量和机型等。
S4，处理过程可以如下所示：运输安装模块会根据项目基础信息输入，参照运输安装流程中的边界条件去匹配基础数据库中的各项资源，进行循环迭代计算。运维模块会根据项目基础信息输入，参照运维活动的边界条件去匹配基础数据库各项资源，进行循环迭代计算。
S5，输出结果可以如下所示：运输安装方案建议，如运输方式、运输路线、安装方式，作业窗口建议等。运维方案建议，如运维船配置、码头及备件库选址、出海作业完成率评估等建议。
图4是本发明一实施例的中期交付建设分析阶段分析数据的示意图。
图5是本发明另一实施例的中期交付建设分析阶段分析数据的示意图。
参考图4和图5，针对中期交付建设分析阶段，可以将该阶段的数据输入中期交付建设分析阶段模型，从而输出关于该阶段的决策数据。
在本实施例中，可以先将交付建设线路上的关键业务均转化成数学模型(如，中期交付建设分析阶段模型)，然后根据多变量参数输入，通过人工智能的手段，数学模型能自动算出最佳交付施工策略、最佳开工时间及最优建设成本。另外，还可以通过物联网手段引入智能化硬件设备，监控交付建设实际执行的状况，采集关键业务数据，将此作为建设中后续计划策略优化的输入，数学模型能持续性给出新的交付建设执行计划。
参考图4，输入数据可以包括如下8维度的数据：项目历史水文气象数据、运输安装船舶资源数据、项目施工流程计划、工厂排产发货计划、运输安装方案、道路及码头数据、运输安装边界条件、可扩展的数据等。中期交付建设分析阶段模型可以对输入数据进行智能分析，并可以输出：交付运输安装对比、最佳交付运输安装方案策略。
参考图5，输入数据可以包括如下8维度的数据：施工组织计划数据、项目水文气象预报数据、船舶运输监控数据、运输机组状态监控数据、项目执行情况反馈、项目指令体系标准和可扩展的数据等。中期交付建设分析阶段模型可以对输入数据进行智能分析，并可以输出用于智能交付监控的项目执行状态、项目交付建设策略更新优化、项目应急策略、精益交付质量管理。
在一些实施例中，中期交付建设分析阶段模型对输入数据进行市场智能分析的实现方式可以如下所示：
S1，将中期交付建设分析阶段的最终目标确定为：合理的供货计划，最佳施工方案，最优开工时间、最短施工工期。
S2，模型输入如下数据：工厂排产供货计划；码头堆场计划；运输施工方案流程；至少10年以上场址历史水文气象数据；交付建设边界条件和待添加的影响因子等。
S3，处理过程如下所示：当前商业软件(如Mermaid、ECN Install、Shoreline的SIMSTALL软件)都未考虑工厂排产、发货、码头堆放、陆地运输等因素。本模型可以将这些因素和运输施工方案串联起来，并匹配历史水文气象进行迭代计算。
S4，输出结果可以如下所示：对比后的最佳运输施工方案，例如，开两个还是三个工作面，每个工作面需要几艘船；针对项目的工厂排产、发货计划和码头堆放计划；最佳开工月份和最短施工工期等。
在一些实施例中，为了提高交付安全度，上述方法还可以包括安全精益交付建设。其实现方式可以如下所示：
S1，确定最终目标：项目进度监控和预测调整；交付质量管控；短、中期最优施工策略调控。
S2，处理方式可以包括：大部件物流定位追踪；船舶运输状态监控；电器部件全生命周期温湿度监控；吊装作业视频监控；项目执行人员手持终端信息反馈，如任务实际完工时间、现场问题反馈；通讯调度；待添加的物联网软硬件手段
S3，平台输出可以包括：排产、发货、码头存储等持续更新计划建议；安全运输及吊装进度持续更新计划建议；现场问题处理流程跟踪等。
图6是本发明一实施例的后期运行维护分析阶段分析数据的示意图。
图7是本发明另一实施例的后期运行维护分析阶段分析数据的示意图。
参考图6和图7，针对后期运行维护分析阶段，将该阶段的数据输入后期运行维护分析阶段模型，可以输出关于该阶段的决策数据。
在本实施例中，可以先将运维业务相关的因素都转化为可量化的函数因子，然后引入人工智能手段，针对项目给出最优短、中、长期运维计划策略。再引入物联网智能化设备，实现智能化监控运维活动，而监控采集的数据也将作为平台智能系统(即后期运行维护分析阶段模型)的学习训练数据，系统可以通过自学习变得更智能，并不断给出更合理、更优化的策略。
参考图6，输入数据可以包括如下12个维度的数据：项目场址信息数据、项目历史水文气象数据、项目水文气象预报数据、运维船舶资源数据、运维人员能力模型数据、机组基础参数、机组故障数据、机组检修计划、机组实时监控数据、出海运维作业标准、备件库数据、可扩展的数据。后期运行维护分析阶段模型可以对输入数据进行智能分析，并可以输出：短、中、长期运维策略、运维成本等。
参考图7，输入数据可以包括如下7个维度的数据：运维任务计划、船舶状态监控、人员出海定位监控、通讯调度设备、水文气象预报、备件物资监控、可扩展的监控数据。后期运行维护分析阶段模型可以对输入数据进行智能分析，并可以输出：出海运维全方位监控管理、出海运维安全保障、出海运维实时调度变更等。
在一些实施例中，后期运行维护分析阶段模型对输入数据进行智能运维分析，从而得到智能运维策略的实现方式可以如下所示：
S1，将后期运行维护分析阶段的最终目标确定为：最终目标：短、中、长期运维计划策略。
S2，基础数据输入如下所示：场址水文气象数据，历史及实时预报；机型参数；项目基础信息；机组故障率；运维船舶参数；人员能力模型；备件仓储数据；零部件供应商数据；运维策略边界条件；待添加的基础数据。
S3，处理过程如下所示：引入机器学习、神经网络等算法模型，基于往期运维历史数据进行训练学习。
S4，平台(后期运行维护分析阶段模型的平台)输出如下所示：短、中、长期运维策略。
在一些实施例中，后期运行维护分析阶段模型对输入数据进行运维调度监控的实现方式可以如下所示：
S1，设定最终目标：出海作业安全监控，临时计划调度。
S2，处理方式可以包括：船舶信息系统领域学术专业组织(AIS)定位；气象预报；人员被动打卡登记作业时间及定位；文字、语音、视频通讯；机组部件扫码记录维护内容。
S3，实现功能可以包括：实时监控到天气、船、人和备件的现场状态；实时对现场应急情况进行响应。
由此可知，上述各个模型平台可以针对三大业务板块的本土化需求，通过引入物联网技术手段和大数据人工智能技术，从而可以实现：市场智能预测分析和全生命周期解决方案智能优化；交付建设方案智能化优选和交付智能化监控及反馈优化；短、中、长期运维策略智能优化和运维智能化监控，进而可以解决各板块业务人员无法从多维度系统性的去量化业务数据，做出优化策略的问题。另外，智能化监控可以解决业务人员对现场执行把控度低且难的问题。
由此，上述实施例可以实现：人工智能市场预测、智能化全生命周期解决方案、智能化交付建设策略、智能化交付建设监控及实时自动智能更新执行计划，短、中、长期智能化运维策略和运维智能化监控调度。
图8是本发明实施例的用于海上风电业务的数据分析装置的结构示意图。
如图8所示，用于海上风电业务的数据分析装置800可以包括：阶段划分单元810、参数构建单元820、模型建立单元830、数据获取单元840和数据分析单元850。
其中，阶段划分单元810可以用于基于海上风电业务的生命周期，将用于海上风电业务的数据分析作业划分为两个以上分析阶段；参数构建单元820可以用于对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数；模型建立单元830可以用于基于分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型；数据获取单元840可以用于获取各个分析阶段的与多维指标参数对应的当前阶段数据，并将当前阶段数据输入阶段分析模型；数据分析单元850可以利用阶段分析模型分析当前阶段数据，并输出当前阶段决策数据。
在一些实施例中，参数构建单元820还可以用于：预先获取每个分析阶段的目标特征；分解目标特征，得到多个子目标特征；基于多个子目标特征，构建与多个子目标特征对应的多维指标参数。
在一些实施例中，模型建立单元830还可以用于：获取与分析阶段对应的历史全局数据；从历史全局数据中选取与多维指标参数匹配的历史阶段数据以及历史阶段决策数据；基于分析阶段、历史阶段数据和历史决策数据，训练生成阶段分析模型。
在一些实施例中，数据获取单元840还可以用于：采集各个分析阶段的当前源数据；将当前源数据进行量化处理，以生成与多维指标参数对应的当前阶段数据。
在一些实施例中，数据获取单元840还可以用于：将当前源数据转化为与多维指标参数对应的函数因子和/或多变量参数。
在一些实施例中，用于海上风电业务的数据分析装置800还可以包括：第一优化单元。第一优化单元可以用于：实时获取当前阶段数据和当前阶段决策数据；将实时获取的当前阶段数据和当前阶段决策数据确定为当前训练数据；基于当前训练数据，优化阶段分析模型，得到当前阶段分析模型，以利用当前阶段分析模型分析对应的当前阶段数据。
在一些实施例中，用于海上风电业务的数据分析装置800还可以包括：第二优化单元。第二优化单元可以用于：为多维指标参数设置加权因子和/或逻辑关系；利用当前训练数据优化加权因子和/或逻辑关系；基于优化的加权因子和/或逻辑关系，优化当前阶段分析模型。
在一些实施例中，分析阶段包括以下阶段中的两种或者两种以上：前期市场分析阶段、中期交付建设分析阶段以及后期运行维护分析阶段。
在一些实施例中，多个维度的维度个数小于等于13且大于等于5。
需要说明的是，上述各实施例的装置可作为上述各实施例的用于各实施例的方法中的执行主体，可以实现各个方法中的相应流程，实现相同的技术效果，为了简洁，此方面内容不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。例如，将加密/解密单元集成在一个单元中，也可以分为两个单独的单元。又例如将请求接收单元和请求发送单元用一个传输接口替代。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令，当其在计算机上运行时，使得计算机执行上述各个实施例中描述的方法。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
图9是本发明实施例的用于海上风电业务的数据分析装置的框架示意图。
如图9所示，该框架可以包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行图1等实施例所做的各种操作。在RAM903中，还存储有系统架构操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种用于海上风电业务的数据分析方法，其特征在于，包括以下步骤：
基于海上风电业务的生命周期，将用于所述海上风电业务的数据分析作业划分为两个以上分析阶段；
对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数；
基于所述分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型；
获取各个分析阶段的与所述多维指标参数对应的当前阶段数据，并将所述当前阶段数据输入所述阶段分析模型；
利用所述阶段分析模型分析所述当前阶段数据，并输出当前阶段决策数据。
2.根据权利要求1所述的方法，其特征在于，对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数，包括：
预先获取每个分析阶段的目标特征；
分解所述目标特征，得到多个子目标特征；
基于多个所述子目标特征，构建与多个所述子目标特征对应的多维指标参数。
3.根据权利要求1所述的方法，其特征在于，获取各个分析阶段的与所述多维指标参数对应的当前阶段数据，包括：
采集各个分析阶段的当前源数据；
将所述当前源数据进行量化处理，以生成与所述多维指标参数对应的当前阶段数据。
4.根据权利要求2所述的方法，其特征在于，将所述当前源数据进行量化处理，包括：
将所述当前源数据转化为与所述多维指标参数对应的函数因子和/或多变量参数。
5.根据权利要求1所述的方法，其特征在于，基于所述分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型，包括：
获取与所述分析阶段对应的历史全局数据；
从所述历史全局数据中选取与所述多维指标参数匹配的历史阶段数据以及历史阶段决策数据；
基于所述分析阶段、所述历史阶段数据和所述历史决策数据，训练生成所述阶段分析模型。
6.根据权利要求1所述的方法，其特征在于，还包括：
实时获取所述当前阶段数据和所述当前阶段决策数据；
将实时获取的当前阶段数据和当前阶段决策数据确定为当前训练数据；
基于所述当前训练数据，优化所述阶段分析模型，得到当前阶段分析模型，以利用所述当前阶段分析模型分析对应的当前阶段数据。
7.根据权利要求6所述的方法，其特征在于，还包括：
为所述多维指标参数设置加权因子和/或逻辑关系；
利用所述当前训练数据优化所述加权因子和/或所述逻辑关系；
基于优化的所述加权因子和/或所述逻辑关系，优化所述当前阶段分析模型。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述分析阶段包括以下阶段中的两种或者两种以上：
前期市场分析阶段、中期交付建设分析阶段以及后期运行维护分析阶段。
9.根据权利要求8所述的方法，其特征在于，所述多维指标参数中维度的个数小于等于13且大于等于5。
10.一种用于海上风电业务的数据分析装置，其特征在于，包括：
阶段划分单元，用于基于海上风电业务的生命周期，将用于所述海上风电业务的数据分析作业划分为两个以上分析阶段；
参数构建单元，用于对应每个分析阶段，根据每个分析阶段的目标特征构建用于数据分析的多维指标参数；
模型建立单元，用于基于所述分析阶段及与该分析阶段对应的多维指标参数建立阶段分析模型；
数据获取单元，用于获取各个分析阶段的与所述多维指标参数对应的当前阶段数据，并将所述当前阶段数据输入所述阶段分析模型；
数据分析单元，利用所述阶段分析模型分析所述当前阶段数据，并输出当前阶段决策数据。
11.一种用于海上风电业务的数据分析装置，其特征在于，包括：
存储器，用于存放程序；
处理器，用于执行所述存储器存储的程序，所述程序使得所述处理器执行如权利要求1-9中任意一项所述的方法。
12.一种计算机可读存储介质，存储有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-9中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711456624.4A CN109978299B (zh) | 2017-12-28 | 2017-12-28 | 用于海上风电业务的数据分析方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711456624.4A CN109978299B (zh) | 2017-12-28 | 2017-12-28 | 用于海上风电业务的数据分析方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109978299A true CN109978299A (zh) | 2019-07-05 |
| CN109978299B CN109978299B (zh) | 2023-03-24 |
Family
ID=67074391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711456624.4A Active CN109978299B (zh) | 2017-12-28 | 2017-12-28 | 用于海上风电业务的数据分析方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978299B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801469A (zh) * | 2021-01-14 | 2021-05-14 | 中国华能集团清洁能源技术研究院有限公司 | 一种海上风电全寿期多维度智能管理系统和方法 |
| US20230047062A1 (en) * | 2021-08-11 | 2023-02-16 | Flipkart Internet Private Limited | System and method for determining market share of an organization |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100811453B1 (ko) * | 2007-01-17 | 2008-03-10 | 한국철도시설공단 | 지능형 철도건설지원시스템 및 그 운용방법. |
| CN102929827A (zh) * | 2012-09-25 | 2013-02-13 | 浙江图讯科技有限公司 | 一种用于面向工矿企业的安全生产云服务平台的无线传感器数据采集集群 |
| CN103440541A (zh) * | 2013-09-18 | 2013-12-11 | 山东大学 | 多风电场短期输出功率的联合概率密度预测方法 |
| CN104408562A (zh) * | 2014-11-25 | 2015-03-11 | 许继集团有限公司 | 一种基于bp神经网络的光伏系统发电效率综合评估方法 |
| CN104636511A (zh) * | 2013-11-07 | 2015-05-20 | 大连市勘察测绘研究院有限公司 | 基于Dasarathy模型的地铁施工风险快速评估方法 |
| CN107292434A (zh) * | 2017-06-13 | 2017-10-24 | 国网新疆电力公司经济技术研究院 | 一种风电出力的智能预测方法 |
-
2017
- 2017-12-28 CN CN201711456624.4A patent/CN109978299B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100811453B1 (ko) * | 2007-01-17 | 2008-03-10 | 한국철도시설공단 | 지능형 철도건설지원시스템 및 그 운용방법. |
| CN102929827A (zh) * | 2012-09-25 | 2013-02-13 | 浙江图讯科技有限公司 | 一种用于面向工矿企业的安全生产云服务平台的无线传感器数据采集集群 |
| CN103440541A (zh) * | 2013-09-18 | 2013-12-11 | 山东大学 | 多风电场短期输出功率的联合概率密度预测方法 |
| CN104636511A (zh) * | 2013-11-07 | 2015-05-20 | 大连市勘察测绘研究院有限公司 | 基于Dasarathy模型的地铁施工风险快速评估方法 |
| CN104408562A (zh) * | 2014-11-25 | 2015-03-11 | 许继集团有限公司 | 一种基于bp神经网络的光伏系统发电效率综合评估方法 |
| CN107292434A (zh) * | 2017-06-13 | 2017-10-24 | 国网新疆电力公司经济技术研究院 | 一种风电出力的智能预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| JINGYI HAN 等: "Onshore wind power development in China: Challenges behind a successful story", 《ENERGY POLICY》 * |
| 杨青等: "大数据:数据驱动下的工程项目管理新视角", 《系统工程理论与实践》 * |
| 谢珍珍: "海上风电项目运行期风险评价研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
| 郑小霞 等: "基于PSO优化核主元分析的海上风电机组运行工况分类", 《电力系统保护与控制》 * |
| 黄智军: "陆上风电工程多项目决策模型探讨", 《科技资讯》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801469A (zh) * | 2021-01-14 | 2021-05-14 | 中国华能集团清洁能源技术研究院有限公司 | 一种海上风电全寿期多维度智能管理系统和方法 |
| US20230047062A1 (en) * | 2021-08-11 | 2023-02-16 | Flipkart Internet Private Limited | System and method for determining market share of an organization |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109978299B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahdi et al. | Development of estimation and forecasting method in intelligent decision support systems | |
| Quan et al. | A computational framework for uncertainty integration in stochastic unit commitment with intermittent renewable energy sources | |
| Kuznetsova et al. | Reinforcement learning for microgrid energy management | |
| Peng et al. | Deep reinforcement learning approach for capacitated supply chain optimization under demand uncertainty | |
| Allal et al. | Multi-agent based simulation-optimization of maintenance routing in offshore wind farms | |
| Teerasoponpong et al. | A simulation-optimization approach for adaptive manufacturing capacity planning in small and medium-sized enterprises | |
| Ajagekar et al. | Deep reinforcement learning based unit commitment scheduling under load and wind power uncertainty | |
| Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
| Wang et al. | Unit commitment considering generator outages through a mixed-integer particle swarm optimization algorithm | |
| Zhang et al. | Effective dispatching rules mining based on near-optimal schedules in intelligent job shop environment | |
| Liu et al. | Forecasting the scheduling issues in engineering project management: Applications of deep learning models | |
| Machani et al. | A variable neighbourhood search for integrated production and preventive maintenance planning in multi-state systems | |
| Bukhari et al. | Federated transfer learning with orchard-optimized Conv-SGRU: A novel approach to secure and accurate photovoltaic power forecasting | |
| CN109978299A (zh) | 用于海上风电业务的数据分析方法、装置和存储介质 | |
| Rana et al. | Evolution and the Future of Industrial Engineering with the IoT and AI | |
| Badakhshan et al. | Deploying hybrid modelling to support the development of a digital twin for supply chain master planning under disruptions | |
| Chua et al. | A surrogate model to predict production performance in digital twin-based smart manufacturing | |
| Chang et al. | Digital marketing strategies leveraging data fusion and communication technology for effective human resource management and organizational configuration | |
| Malihi et al. | A decision framework for optimisation of business processes aligned with business goals | |
| CN117557047A (zh) | 一种基于深度强化学习的配电设备运维优化方法及系统 | |
| Wu et al. | Applications of AI techniques to generation planning and investment | |
| Singh et al. | Multi-objective stochastic heuristic methodology for tradespace exploration of a network centric system of systems | |
| Carmona et al. | Applying case based reasoning for prioritizing areas of business management | |
| Hossain et al. | PSO-based harmony search algorithm to aggregate production planning under possibilistic environment | |
| Chen et al. | An experimental reactive scheduling framework for the multi-mode resource constrained project scheduling problem |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |