CN110110757B - 一种基于随机森林模型的输变电可疑数据筛查方法和设备 - Google Patents
一种基于随机森林模型的输变电可疑数据筛查方法和设备 Download PDFInfo
- Publication number
- CN110110757B CN110110757B CN201910293642.8A CN201910293642A CN110110757B CN 110110757 B CN110110757 B CN 110110757B CN 201910293642 A CN201910293642 A CN 201910293642A CN 110110757 B CN110110757 B CN 110110757B
- Authority
- CN
- China
- Prior art keywords
- data
- random forest
- screening
- transformation
- forest model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 38
- 230000005540 biological transmission Effects 0.000 title claims abstract description 27
- 238000012216 screening Methods 0.000 title claims abstract description 27
- 230000009466 transformation Effects 0.000 title claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000002790 cross-validation Methods 0.000 claims abstract description 5
- 230000000737 periodic effect Effects 0.000 claims abstract description 5
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 claims 2
- 230000001603 reducing effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种基于随机森林模型的输变电可疑数据筛查方法和设备，方法包括：S1、根据输变电设备的类别和周期性规律，选取多个维度的数据构建数据特征项；S2、根据采样时间远近为数据分配不同权重，将已知的正常数据和异常数据分别标记为正负样本，并将数据集分为K份；S3、采用K折交叉验证方法训练随机森林模型，以正负样本准确率平均值为目标，迭代调整随机森林中树的数量T，获得指标最优时T的值；S4、使用训练好的模型筛查可疑数据。以输变电设备为对象构建可疑数据筛查对象，运用优化训练集的随机森林模型从大量历史采样数据中学习数据规律，实现输变电可疑数据的识别和筛查，降低人工筛查的工作量，提高电力调控系统的数据质量。
Description
技术领域
本发明涉及一种基于随机森林模型的输变电可疑数据筛查方法，用于自动化系统输变电采样数据正确性筛查，属电网技术领域。
背景技术
随着智能电网的不断发展，现代电力调度自动化运行系统对输变电设备基础数据采集的种类和规模也在不断扩大，但由于基础设施建设时期不同，采集方式不同，其数据质量水平也不尽相同，如果发生了设备故障等特殊情况，很可能造成缺失数据或异常数据进入数据存储系统。而正确、可靠的采样数据是电力系统各应用进行数据分析和挖掘的基础，为了保证分析结果的有效性，需要将采样数据中的可疑错误数据及时筛查出来。
传统的可疑数据筛查方法多基于人工设置数据的上下限值，以超过限值作为可疑数据的判断标准。这种方法的优点是简单易操作，缺点是限值往往是一个固定不变的值，不能考虑电力数据具有周期性、季节性变化的特点，也不考虑一个设备多个量测之间相关的特性，此外，限值对跳变的感知能力也比较弱。
因此，如何提供一种以设备为对象，综合考虑多种量测，适应电力系统周期性变化规律的可疑数据筛查方法是本领域技术人员目前需要解决的问题。
发明内容
发明目的：针对上述问题，本发明提供一种基于优化的随机森林模型的输变电可疑数据筛查方法和设备，能够以设备为对象，综合多种量测的历史数据，通过机器学习提取数据规律，有效筛查出实时数据中的可疑数据，提高数据质量。
技术方案：根据本发明的第一方面，提供一种基于优化的随机森模型的输变电可疑数据筛查方法，包括如下步骤：
S1、根据输变电设备的类别和周期性规律，选取多个维度的数据构建数据特征项；
S2、根据采样时间远近为数据特征项分配不同的权重，将分配权重后的正常数据和异常数据分别标记为正负样本，并将数据集分为K份；
S3、采用K折交叉验证方法训练随机森林模型，以正负样本准确率平均值为目标，迭代调整随机森林中树的数量T，获得指标最优时参数T的值；
S4、使用训练好的模型筛查可疑数据。
根据本发明的第二方面，提供一种计算机设备，所述设备包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如本发明第一方面所述的步骤。
有益效果：本发明以输变电设备为对象构建可疑数据筛查对象，运用优化训练集的随机森林模型从大量历史采样数据中学习数据规律，实现输变电可疑数据的识别和筛查，降低人工筛查的工作量，提高电力调控系统的数据质量。
附图说明
图1为根据本发明实施例的输变电可疑数据筛查方法流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。应当了解，以下提供的实施例仅是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的技术构思，本发明还可以用许多不同的形式来实施，并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
如图1所示，一种基于优化的随机森林模型的输变电可疑数据筛查方法按照如下的步骤进行：
步骤S1，收集历史数据。
以输变电设备为对象，根据设备的类别和周期性规律，选取设备的电气量测、非电气量测、时间和季节性、统计特性等多个维度的数据作为一条数据的分量，即训练数据中的特征项。以变压器数据为例，可收集的分量有：变压器有功量测采样值，变压器无功量测采样值，变压器电流量测采样值，变压器的运行油温采样值，变压器的电压等级，采样时间，采样时间的季节，至采样时刻前15分钟的采样数据的平均值、极差、标准差值。
步骤S2，构建机器学习训练数据集。
首先，为所有数据确定权重：根据采样时间远近为样本分配不同的权重，近期的采样权重高，远期采样权重低，使得训练结果更符合设备近期的状态。所述近期、远期的划分以指定时间期限为基准，例如近10天内为近期，10天以前视作远期；所述高低权重的划分以指定阈值为基准，例如高权重大于0.5，低权重小于0.5，当然这只是示例，本发明对具体划分方式和基准并不作限制，在具体实施时可以根据输变电设备的特性和特征进行分配。接着，为数据做标注，在所有收集的历史数据中，将已知的正常数据标记为正样本，已知的错误数据和异常数据标记为负样本。然后将数据集分为K份，如果收集到的数据集中，正负样本的比例大致相同，则使用随机抽样的方法将数据分为K份；如果正负样本的数量差距超过指定倍数，则通过对正样本重新采样并与负样本组成数量相当的K份比例平衡的样本集。具体方法如下：记R为正负样本数量比，那么训练数据集分成的份数K应大于R，实施例中R设为2。首先将负样本随机平分为K份，再从正样本中随机抽取K份正样本，每份正样本的数量与每份负样本数量相当，再将正负样本一一混合得到K份正负样本比例平衡的数据集。
步骤S3，训练随机森林模型。
假设随机森林中有T棵各自独立的决策树，T应当满足T≥3。训练方法具体包括：
步骤S3.1，采用K折交叉验证方法训练模型，每次保留K份数据中的一份作为测试数据，对每棵决策树抽取剩余K-1份训练数据中的一份进行训练。若决策树的数量T≤K-1，采用无放回的抽取方法；若T>K-1，前K-1棵树采用无放回抽取方法，其余的数采取随机抽取方法。
步骤S3.2，使用测试数据测试随机森林模型的准确率。
随机森林中的每棵决策树模型独立判断测试数据为正确数据还是异常数据。随机森林模型对数据的判断由所有T棵决策树投票决定，如果超过半数的决策树判断数据是正确数据，则随机森林输出数据正确的判断。如果超过半数的决策树判断数据是异常数据，则随机森林输出数据异常的判断。
步骤S3.3，定义指标f为随机森林模型对正样本、负样本识别准确率平均值，以f为目标调整随机森林中树的数量。
记验证数据中正样本数量为P，模型判断为正确数据的数量为TP，负样本数量为N，模型判断为错误数据的数量为TN，则f为：
调整T的值，重复步骤S3.1和S3.2，获得f值最高时的T的值。
步骤S4，使用训练好的随机森林模型识别输变电设备量测中的可疑数据。
首先根据训练数据的特征项，为待检测数据构建相同的特征分量；接着以待检测数据作为输入变量通过训练后的随机森林模型，随机森林模型中的每棵决策树各自独立判断该数据是否为异常数据，若超过半数的决策树认为该数据为正常数据，则模型判断该数据正常；若超过半数的决策树认为该数据为异常数据，则模型判断该数据可疑；可疑数据应当提交用户人工审核并给出该数据为异常的概率作为参考。
基于与方法实施例相同的技术构思，根据本发明的另一实施例，提供一种计算机设备，所述设备包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现方法实施例中的各步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于随机森林模型的输变电可疑数据筛查方法，其特征在于，所述方法包括以下步骤：
S1、根据输变电设备的类别和周期性规律，选取多个维度的数据构建数据特征项；
S2、根据采样时间远近为数据特征项分配不同的权重，将分配权重后的正常数据和异常数据分别标记为正负样本，并将数据集分为K份；
S3、采用K折交叉验证方法训练随机森林模型，以正负样本准确率平均值为目标，迭代调整随机森林中树的数量T，获得指标最优时参数T的值，具体包括：
S3.1、采用K折交叉验证方法训练模型，每次保留K份数据中的一份作为测试数据，对每棵决策树抽取剩余K-1份训练数据中的一份进行训练，若决策树的数量T≤K-1，采用无放回的抽取方法；若T>K-1，前K-1棵树采用无放回抽取方法，其余的树采取随机抽取方法；
S3.2、使用测试数据测试随机森林模型的准确率，当超过半数的决策树判断数据是正确数据时，随机森林输出数据正确的判断，否则输出数据异常的判断；
S3.3、定义随机森林模型对正样本、负样本识别准确率平均值f，记验证数据中正样本数量为P，模型判断为正确数据的数量为TP，负样本数量为N，模型判断为错误数据的数量为TN，则f为：
调整T的值，重复步骤S3.1和S3.2，获得f值最高时T的值；
S4、使用训练好的模型筛查可疑数据。
2.根据权利要求1所述的基于随机森林模型的输变电可疑数据筛查方法，其特征在于，所述步骤S1中选取设备数据包括：电气量测、非电气量测、时间和季节性数据、统计特性数据。
3.根据权利要求1所述的基于随机森林模型的输变电可疑数据筛查方法，其特征在于，所述步骤S2中根据采样时间远近为数据分配不同的权重具体方法为：为近期的采样数据分配高权重，为远期的采样数据分配低权重，所述近期、远期的划分以指定时间期限为基准，所述高低权重的划分以指定阈值为基准。
4.根据权利要求1所述的基于随机森林模型的输变电可疑数据筛查方法，其特征在于，所述步骤S2中将数据集分为K份包括：如果收集到的数据集中，正负样本的比例在指定倍数以下，则使用随机抽样的方法将数据分为K份；如果正负样本的数量差距超过指定倍数，则通过对正样本重新采样并与负样本组成数量相当的K份比例平衡样本集。
5.根据权利要求4所述的基于随机森林模型的输变电可疑数据筛查方法，其特征在于，所述指定倍数为2倍。
6.根据权利要求4所述的基于随机森林模型的输变电可疑数据筛查方法，其特征在于，所述重新采样具体方法如下：将负样本随机平分为K份，再从正样本中随机抽取K份正样本，每份正样本的数量与每份负样本数量相当，再将正负样本一一混合得到K份正负样本比例平衡的数据集。
7.根据权利要求1所述的基于随机森林模型的输变电可疑数据筛查方法，其特征在于，所述步骤S4包括：
根据训练数据的特征项，为待检测数据构建相同的特征分量；
以待检测数据作为输入变量通过训练后的随机森林模型，随机森林模型中的每棵决策树各自独立判断该数据是否为异常数，若超过半数的决策树认为该数据为正常数据，则模型判断该数据正常，若超过半数的决策树认为该数据为异常数据，则模型判断该数据可疑。
8.一种计算机设备，其特征在，所述设备包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-7中的任一项所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910293642.8A CN110110757B (zh) | 2019-04-12 | 2019-04-12 | 一种基于随机森林模型的输变电可疑数据筛查方法和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910293642.8A CN110110757B (zh) | 2019-04-12 | 2019-04-12 | 一种基于随机森林模型的输变电可疑数据筛查方法和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110110757A CN110110757A (zh) | 2019-08-09 |
| CN110110757B true CN110110757B (zh) | 2021-02-05 |
Family
ID=67484043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910293642.8A Active CN110110757B (zh) | 2019-04-12 | 2019-04-12 | 一种基于随机森林模型的输变电可疑数据筛查方法和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110757B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880014B (zh) * | 2019-10-11 | 2023-09-05 | 中国平安财产保险股份有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
| CN113123955B (zh) * | 2019-12-30 | 2022-07-26 | 北京国双科技有限公司 | 柱塞泵异常检测方法、装置、存储介质及电子设备 |
| CN111753907A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种电量数据的处理方法、装置、设备和存储介质 |
| CN112288025B (zh) * | 2020-11-03 | 2024-04-30 | 中国平安财产保险股份有限公司 | 基于树结构的异常案件识别方法、装置、设备及存储介质 |
| CN113256304B (zh) * | 2021-05-20 | 2022-09-06 | 山东大学 | 一种校园卡异常使用行为在线预警方法及系统 |
| CN115600112B (zh) * | 2022-11-23 | 2023-03-07 | 北京结慧科技有限公司 | 获取行为预测模型训练集的方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018004580A1 (en) * | 2016-06-30 | 2018-01-04 | Intel Corporation | Device-based anomaly detection using random forest models |
| CN108062560A (zh) * | 2017-12-04 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于随机森林的电力用户特征识别分类方法 |
| CN108304884A (zh) * | 2018-02-23 | 2018-07-20 | 华东理工大学 | 一种基于特征逆映射的代价敏感堆叠集成学习框架 |
| CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及系统 |
| CN109597967A (zh) * | 2018-11-20 | 2019-04-09 | 江苏云上电力科技有限公司 | 一种电力系统配变电站负荷数据异常检测与修复方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108062571B (zh) * | 2017-12-27 | 2021-04-27 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
-
2019
- 2019-04-12 CN CN201910293642.8A patent/CN110110757B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018004580A1 (en) * | 2016-06-30 | 2018-01-04 | Intel Corporation | Device-based anomaly detection using random forest models |
| CN108062560A (zh) * | 2017-12-04 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于随机森林的电力用户特征识别分类方法 |
| CN108304884A (zh) * | 2018-02-23 | 2018-07-20 | 华东理工大学 | 一种基于特征逆映射的代价敏感堆叠集成学习框架 |
| CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及系统 |
| CN109597967A (zh) * | 2018-11-20 | 2019-04-09 | 江苏云上电力科技有限公司 | 一种电力系统配变电站负荷数据异常检测与修复方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于随机森林及时间序列模型的电能量异常数据检测及修复方法;杨学良 等;《计算机工程与应用》;20181231;第224-228页 * |
| 基于随机森林的偷税漏税行为自动识别;吴超 等;《软件导刊》;20180831;第17卷(第8期);第15页 * |
| 电力系统中同步相量测量技术的研究与实现;程武超;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151115(第11期);论文第25-29页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110110757A (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110110757B (zh) | 一种基于随机森林模型的输变电可疑数据筛查方法和设备 | |
| CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
| WO2019214309A1 (zh) | 模型测试的方法及装置 | |
| CN112381476B (zh) | 用于确定状态异常的电能表的方法及装置 | |
| CN109255517B (zh) | 风控策略的生成方法、装置、服务器及可读存储介质 | |
| CN117394337A (zh) | 一种电网负荷预警方法及其系统 | |
| CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
| CN110991761B (zh) | 一种供热负荷预测方法及装置 | |
| CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
| CN113868953A (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| CN113535546B (zh) | 一种开源组件评估方法、装置及计算机可读存储介质 | |
| CN110826196B (zh) | 一种工业设备运行数据的处理方法及装置 | |
| CN112637888B (zh) | 覆盖空洞区域识别方法、装置、设备及可读存储介质 | |
| CN113886373A (zh) | 一种数据处理方法、装置及电子设备 | |
| CN115809622B (zh) | 具有自动优化配置功能的芯片仿真加速系统 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| CN115712834A (zh) | 一种告警误报检测方法、装置、设备及存储介质 | |
| CN109858632A (zh) | 一种确定阈值的方法及装置 | |
| Minku et al. | Using unreliable data for creating more reliable online learners | |
| CN110690982A (zh) | 一种电信网络管理性能数据关联分析方法及系统 | |
| CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
| CN112398706B (zh) | 数据评估标准确定方法、装置及存储介质、电子设备 | |
| CN102902838A (zh) | 基于趋势的过程控制目标设定方法和系统 | |
| CN111768021A (zh) | 订单价格调整方法、装置、服务器及存储介质 | |
| Akl et al. | Optimal information ordering in sequential detection problems with cognitive biases |
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 |