CN110321555A - 一种基于循环神经网络模型的电网信号分类方法 - Google Patents
一种基于循环神经网络模型的电网信号分类方法 Download PDFInfo
- Publication number
- CN110321555A CN110321555A CN201910500737.2A CN201910500737A CN110321555A CN 110321555 A CN110321555 A CN 110321555A CN 201910500737 A CN201910500737 A CN 201910500737A CN 110321555 A CN110321555 A CN 110321555A
- Authority
- CN
- China
- Prior art keywords
- neural network
- recognition
- recurrent neural
- signal
- 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.)
- Pending
Links
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000002372 labelling Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001052 transient 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Abstract
本发明提供一种基于循环神经网络模型的电网信号分类方法,该方法根据电网中信号的特点形成词典,对电网运行中的历史样本数据进行分词预处理,利用无监督学习的聚类算法对数据样本进行聚类,并根据聚类后的数据集的特点标记标签;将分词预处理后的样本数据利用双向循环神经网络进行建模,得到预测标签;将标签标注后的数据集与经过循环神经网络模型分类得到的数据标签数据集进行比较,计算出准确率,验证模型建立效果;最后将电网运行中的实时信号数据输入训练好的循环神经网络模型,得到分类结果。该方法可以有效解决信号分类过程中文本信号部分缺失的问题,分类的准确性高。
Description
技术领域
本发明涉及调度自动化领域,尤其涉及一种基于循环神经网络模型的电网信号分类方法。
背景技术
目前国内调度自动化系统在信号处理上使用智能电网调度技术支持系统(D5000)对电网实时监控与智能告警,综合利用稳态、动态、暂态、预警等应用提供的告警信息进行在线汇总分析,对多个应用的告警信息进行综合和压缩,对告警信息进行相互验证,并利用网络拓扑技术,根据每种故障类型发生的条件,结合接线方式、运行方式、逻辑、时序等综合判断,给出故障报告,提供故障类型、故障过程等相关信息,并供运行人员参考、辅助故障判断及处理。但是,智能告警未对信号本身进行深层次的处理和分析,随着电力网络的规模日益增大,电网复杂程度呈指数增加,利用大数据分析的方法对告警信号本身进行分类显得尤为重要。
发明内容
本发明提出一种基于循环神经网络模型的电网信号分类方法,该方法提取电网运行的历史样本数据,分析不同应用场景下的数据关联关系,对样本数据进行应用分类。
该方法包括以下步骤:
步骤1:电网运行信号读取与预处理。
提取电网运行中的历史信号数据,具体为电网中的量测数据;利用整理好的词典,即通过原始信号数据拆分形成的词典,对信号进行分词预处理,形成分词文本,将一段信号划分成多个词语相结合的形式,完成数据的预处理。
步骤2:分词后的数据集聚类。
将分词后的数据进行K-means聚类,由于预处理后的数据没有标签,根据信号自身特性的相似程度来聚成K类。整个过程主要分为初始化、迭代更新和停止条件三个子步骤。为后续人工对文本进行标签标注提供条件。
2.1初始化。
从N个信号中随机选择K个信号为聚类的中心(下称“顶点”)。
2.2迭代更新。
对每个顶点逐一聚类。把顶点们都聚到距离自己最近的聚类中心所代表的类中。采用欧式距离作为计算公式,公式如下:
其中,dist(X,Y)表示空间中两点间的欧氏距离,表示的是两个n维向量a(x1,x2,..,xn)与b(y1,y2,..,yn)间的欧式距离。
更新聚类中心。现在每个聚类里面都有了自己的成员,然而最初随机选定的(第一次迭代)或迭代之后(之后的迭代)的每个聚类中心,由于更新了本类成员,不一定还保持中心的位置。因而再采用欧式距离计算一次各个聚类的中心。
2.3停止条件。
当迭代后聚类中心变化范围不变或小于阈值p时,停止迭代,形成分类数据集。
步骤3:对聚类后的样本人工进行标签标注。
经过k-means聚类后的分类数据集,已形成符合信号规则的样本数据集。对每一个分类数据集标注标签:公用、直流系统、交流系统、主变绕组、开关、母联、电容器、保护装置等。为下一步标签数据进行分类做准备。
步骤4:训练循环神经网络分类模型。
将步骤1分词后的数据集输入循环神经网络分类模型进行分类,分类前需进行模型建立、样本测试、模型效果验证三个步骤。
4.1模型建立。
采用基于Keras双向循环神经网络对分词预处理后的信号数据进行建模。Keras是一个python语言编写的深度学习框架,提供支持GPU运算的神经网络模块。
4.1.1首先对信号长度进行统一的预处理,定义最大长度为7,如果超长需要截断,如果长度不够则在信号后添加0补全。
4.1.2基于Keras双向循环神经网络对分词后的数据集中的信号数据进行建模。与传统的循环神经网络(RNN)的单向传播不同,在双向循环神经网络中,对于每个时刻t,输入会同时提供给两个反方向的RNN,输出由两个单项RNN共同决定。将信号x0,x1至xt按照t0,t1至tn时刻从前向后、从后向前输入循环神经网络,t1时刻,在循环神经网络的主体结构A1、A1’,进行以下公式的计算:
A1=f(WA0+UX1)
A'1=f(W'A'2+U')
其中,X1为t1时刻的输入,U为输入到隐藏层的权重,W为自身递归的权重,f是激活函数,
最终输出为:y1=g(VA1+V'A'2)
其中,g为激活函数,V为隐藏层到输出的权重,复制y1进入下一个循环神经网络。
4.2样本测试。
将分词后的数据集中的数据经过步骤4.1,得到经过循环神经网络模型分类得到的数据标签。
4.3模型效果验证。
将步骤3中人工标注标签后的数据集与经过循环神经网络模型分类得到的标签数据集进行对比,得出准确率,所属同一标签下信号相同个数达90%以上,标签一致;所属同一标签下信号相同个数10%及以下,标签不一致;准确率计算公式如下:
正准确率越高,分类效果越好。
步骤5:利用训练好的循环神经网络分类模型给信号分类。
当步骤4中的准确率大于95%时,输出训练好的循环神经网络模型,将电网实时信号带入到上述模型中,得到基于循环神经网络模型的电网信号的分类结果。
本发明的有益效果在于:
本发明根据电网中原始信号数据拆分形成的词典,对电网运行中的历史样本数据进行分词预处理,利用无监督学习的聚类算法对数据样本进行聚类,并根据聚类后的数据集的特点标记标签;再将分词预处理后的样本数据利用双向循环神经网络进行建模,得到经过循环神经网络模型分类得到的数据标签;将标签标注后的数据集与经过循环神经网络模型分类得到的数据标签经过公式计算,得出准确率,验证模型建立效果;最后将电网运行中的实时信号数据输入循环神经网络模型,得到实时信号分类结果。该方法与传统的循环神经网络相比,将信号前一时刻的状态与下一时刻的状态相结合,得到当前时刻的输出,该方法的实现可以有效解决信号分类过程中文本信号部分缺失值的问题,分类的准确性高,为电网信号分析提供有力的技术支撑。
附图说明
图1是一种基于循环神经网络模型的电网信号分类方法的流程图;
图2是双向循环神经网络建模的流程图。
具体实施方式
以下结合附图对本发明做进一步详细说明,图1示出了一种基于循环神经网络模型的电网信号分类方法流程图,提取电网运行的历史样本数据,对样本中的信号进行分词预处理,根据形成具有电网特点的词典,将样本中的一段信号划分为几个短词相结合的方式;对分词后的数据集进行k-means聚类,经过k-means聚类后的分类数据集,已形成符合信号规则的样本数据集,对每一个分类数据集标注标签;使用分词后的数据集训练循环神经网络分类模型,得到预测标签;将标签标注后的数据集与经过循环神经网络模型分类得到的数据标签经过公式计算,得出准确率,验证模型建立效果;最后将电网运行中的实时信号数据输入循环神经网络模型,得到实时信号分类结果。
该方法包括以下步骤:
步骤1:电网运行信号读取与预处理。
提取电网运行中的历史信号数据,具体为电网中的量测数据;利用整理好的词典,即通过原始信号数据拆分形成的词典,对信号进行分词预处理,形成分词文本,将一段信号划分成多个词语相结合的形式,完成数据的预处理。
步骤2:分词后的数据集聚类。
将分词后的数据进行K-means聚类,由于预处理后的数据没有标签,根据信号自身特性的相似程度来聚成K类。整个过程主要分为初始化、迭代更新和停止条件三个子步骤。为后续人工对文本进行标签标注提供条件。
2.1初始化。
从N个信号中随机选择K个信号为聚类的中心(下称“顶点”)。
2.2迭代更新。
对每个顶点逐一聚类。把顶点们都聚到距离自己最近的聚类中心所代表的类中。采用欧式距离作为计算公式,公式如下:
其中,dist(X,Y)表示空间中两点间的欧氏距离,表示的是两个n维向量a(x1,x2,..,xn)与b(y1,y2,..,yn)间的欧式距离。
更新聚类中心。现在每个聚类里面都有了自己的成员,然而最初随机选定的(第一次迭代)或迭代之后(之后的迭代)的每个聚类中心,由于更新了本类成员,不一定还保持中心的位置。因而再采用欧式距离计算一次各个聚类的中心。
2.3停止条件。
当迭代后聚类中心变化范围不变或小于阈值p时,停止迭代,形成分类数据集。
步骤3:对聚类后的样本进行人工标签标注。
经过k-means聚类后的分类数据集,已形成符合信号规则的样本数据集。对每一个分类数据集标注标签:公用、直流系统、交流系统、主变绕组、开关、母联、电容器、保护装置等。为下一步标签数据进行分类做准备。
步骤4:训练循环神经网络分类模型。
将步骤1分词后的数据集输入循环神经网络分类模型进行分类,分类前需进行模型建立、样本测试、模型效果验证三个步骤。
4.1模型建立。
采用基于Keras双向循环神经网络对分词预处理后的信号数据进行建模。Keras是一个python语言编写的深度学习框架,提供支持GPU运算的神经网络模块。
4.1.1首先对信号长度进行统一的预处理,定义最大长度为7,如果超长需要截断,如果长度不够则在信号后添加0补全。
4.1.2基于Keras双向循环神经网络对分词后的数据集中的信号数据进行建模。与传统的循环神经网络(RNN)的单向传播不同,在双向循环神经网络中,对于每个时刻t,输入会同时提供给两个反方向的RNN,输出由两个单项RNN共同决定。图2所示为双向循环神经网络建模的流程图,将信号x0,x1至xt按照t0,t1至tn时刻从前向后、从后向前输入循环神经网络,t1时刻,在循环神经网络的主体结构A1、A1’,进行以下公式的计算:
A1=f(WA0+UX1)
A'1=f(W'A'2+U')
其中,X1为t1时刻的输入,U为输入到隐藏层的权重,W为自身递归的权重,f是激活函数,
最终输出为:y1=g(VA1+V'A'2)
其中,g为激活函数,V为隐藏层到输出的权重,复制y1进入下一个循环神经网络。
4.2样本测试。
将分词后的数据集中的数据经过步骤4.1,得到经过循环神经网络模型分类得到的数据标签。
4.3模型效果验证。
将步骤3中人工标签标注后的数据集与经过循环神经网络模型分类得到的数据标签经过公式计算,得出准确率,所属同一标签下信号相同个数达90%以上,标签一致;所属同一标签下信号相同个数10%及以下,标签不一致;准确率计算公式如下:
正准确率越高,分类效果越好。
步骤5:利用训练好的循环神经网络分类模型给信号分类。
当步骤4中的准确率大于95%时,输出训练好的循环神经网络模型,将电网实时信号带入到上述模型中,得到基于循环神经网络模型的电网信号的分类结果。
根据发上述方法流程,选取江苏省告警信号数据作为信号分类实施例阐述说明如下:
步骤1:从历史告警库中读取历史信号样本数据,通过对原始信号拆分形成词典。选取历史告警库中信号,将名称如“江苏.槽坊变/10kV.太阳#1线114”、“江苏.板桥变/220kV.公共信号二”的样本数据,通过分词拆分形成“江苏.槽坊变”、“10kV”、“太阳#1线114”、“公共信号一”、“220kV”、“江苏.板桥变”、“公共信号二”的字典;
步骤2:将分词后的数据进行K-means聚类,根据信号数据量特点,选取K=500,设置阈值p=0.1,选取江苏省历史告警信号中数据共计454968条,通过聚类分成500类,即标签数500;
步骤3:经过k-means聚类后的分类数据集,已形成符合信号规则的样本数据集。对每一个分类数据集标注标签;
步骤4:使用分词后的数据集训练循环神经网络分类模型。将分词后的信号按照先后顺序输入循环神经网络,设置输出的激活函数g为softmax函数,隐藏层的激活函数f为tanh函数,循环神经网络的参数(权重)训练通过随时间进行反向传播算法得出。
使用分词后数据训练循环神经网络分类模型,454968条数据进入循环神经网络分类模型,得到500预测标签,其中所属同一标签下信号相同个数达90%以上信号数据为443238条,标签数为487。
通过公式计算准确率为487/500=97.4%。
步骤5:准确率大于95%,模型验证良好,将电网运行过程中的实时信号数据导入循环神经网络模型,得到基于循环神经网络模型的电网信号的分类结果。
经过循环神经网络模型得到的信号分类结果,调度监控人员可以了解电网运行实时情况,对可能出现的故障信号做出判断,采取相应措施。该方法还为后续建立监控信号事件化基础模型提供研究依据。
以上所述仅为本发明的一种实施案例,应当指出,对于本技术领域的普通技术人员来说,在不脱离发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (12)
1.一种基于循环神经网络模型的电网信号分类方法,该方法包括以下步骤:
步骤1:电网运行信号读取与预处理;
提取电网运行中的历史信号数据,利用整理好的词典,即通过原始信号数据拆分形成的词典,对信号进行分词预处理;
步骤2:分词后的数据集聚类;
将分词预处理后的数据进行K-means聚类;
步骤3:对聚类后的数据样本进行人工标注标签;
对经过k-means聚类后的分类数据集进行人工标注标签;
步骤4:训练循环神经网络分类模型;
将步骤1中分词预处理后的数据集输入循环神经网络分类模型进行训练,将步骤3中人工标注标签的数据集与经过循环神经网络模型分类得到的标签数据集进行对比,计算准确率;
步骤5:利用训练好的循环神经网络分类模型给信号分类;
当步骤4中准确率符合要求时,输出该训练好的循环神经网络分类模型,将电网实时信号带入到上述训练好的循环神经网络模型中,得到基于循环神经网络模型的电网信号的分类结果。
2.如权利要求1所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:
在步骤1中,历史信号数据具体为电网中的量测数据。
3.如权利要求1所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:
步骤2包括初始化、迭代更新和停止条件三个子步骤:
2.1 初始化,从N个信号中随机选择K个信号为聚类的中心,即顶点;
2.2 迭代更新,对每个顶点逐一聚类,采用欧式距离作为计算公式:
其中,dist(X,Y)表示空间中两点间的欧氏距离,表示的是两个n维向量a(x1,x2,..,xn)与b(y1,y2,..,yn)间的欧式距离,根据上述计算公式更新聚类中心;
2.3 停止条件,当迭代后聚类中心变化范围不变或小于阈值p时,停止迭代,形成分类数据集。
4.如权利要求1所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:
步骤3中,对每一个分类数据集标注标签包括:公用、直流系统、交流系统、主变绕组、开关、母联、电容器、保护装置等。
5.如权利要求1所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:步骤4包括三个子步骤:
4.1 模型建立;
4.2 样本测试;
4.3 模型效果验证。
6.如权利要求5所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:
其中子步骤模型建立采用基于Keras双向循环神经网络对分词预处理后的信号数据进行建模,包括:
4.1.1 首先对信号长度进行统一的预处理,定义最大长度为7,如果超长需要截断,如果长度不够则在信号后添加0补全;
4.1.2 基于Keras双向循环神经网络对分词后的数据集中的信号数据进行建模,将信号x0,x1至xt按照t0,t1至tn时刻从前向后、从后向前输入循环神经网络,t1时刻,在循环神经网络的主体结构A1、A1’,进行以下公式的计算:
A1=f(WA0+UX1)
A′1=f(W'A′2+U')
其中,X1为t1时刻的输入,U为输入到隐藏层的权重,W为自身递归的权重,f是隐藏层激活函数,
最终输出为:y1=g(VA1+V'A′2),
其中,g为激活函数,V为隐藏层到输出的权重,复制y1进入下一个循环神经网络。
7.如权利要求5所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:
其中子步骤样本测试包括:
将分词预处理后的数据集经过步骤4.1,得到经过循环神经网络模型分类得到的标签数据集。
8.如权利要求7所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:
其中子步骤模型效果验证包括:
将步骤3中人工标注标签后的数据集与经过循环神经网络模型分类得到的标签数据集进行对比,得出准确率,准确率计算公式如下:
9.如权利要求8所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:
当上述准确率达90%以上,标签一致;当准确达10%及以下,标签不一致;准确率越高,分类效果越好。
10.如权利要求8所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:
当步骤4中的准确率大于95%时,输出训练好的循环神经网络模型,将电网实时信号带入到上述模型中,得到基于循环神经网络模型的电网信号的分类结果。
11.如权利要求3所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:其中阈值p=0.1。
12.如权利要求6所述的一种基于循环神经网络模型的电网信号分类方法,其特征在于:
其中激活函数g为softmax函数,隐藏层激活函数f为tanh函数,循环神经网络的权重U、V、W通过随时间进行反向传播算法得出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910500737.2A CN110321555A (zh) | 2019-06-11 | 2019-06-11 | 一种基于循环神经网络模型的电网信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910500737.2A CN110321555A (zh) | 2019-06-11 | 2019-06-11 | 一种基于循环神经网络模型的电网信号分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110321555A true CN110321555A (zh) | 2019-10-11 |
Family
ID=68119497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910500737.2A Pending CN110321555A (zh) | 2019-06-11 | 2019-06-11 | 一种基于循环神经网络模型的电网信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321555A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090747A (zh) * | 2019-12-03 | 2020-05-01 | 国家电网有限公司 | 一种基于神经网络分类的电力通信故障应急处置方法 |
CN113591475A (zh) * | 2021-08-03 | 2021-11-02 | 美的集团(上海)有限公司 | 无监督可解释分词的方法、装置和电子设备 |
CN113837669A (zh) * | 2021-11-26 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 一种标签体系的评价指标构建方法和相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228280A (zh) * | 2016-07-06 | 2016-12-14 | 吴本刚 | 电网运行监控信息辨识分类系统 |
CN107818153A (zh) * | 2017-10-27 | 2018-03-20 | 中航信移动科技有限公司 | 数据分类方法和装置 |
CN108364028A (zh) * | 2018-03-06 | 2018-08-03 | 中国科学院信息工程研究所 | 一种基于深度学习的互联网网站自动分类方法 |
CN108921285A (zh) * | 2018-06-22 | 2018-11-30 | 西安理工大学 | 基于双向门控循环神经网络的序列中单一元素分类方法 |
-
2019
- 2019-06-11 CN CN201910500737.2A patent/CN110321555A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228280A (zh) * | 2016-07-06 | 2016-12-14 | 吴本刚 | 电网运行监控信息辨识分类系统 |
CN107818153A (zh) * | 2017-10-27 | 2018-03-20 | 中航信移动科技有限公司 | 数据分类方法和装置 |
CN108364028A (zh) * | 2018-03-06 | 2018-08-03 | 中国科学院信息工程研究所 | 一种基于深度学习的互联网网站自动分类方法 |
CN108921285A (zh) * | 2018-06-22 | 2018-11-30 | 西安理工大学 | 基于双向门控循环神经网络的序列中单一元素分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090747A (zh) * | 2019-12-03 | 2020-05-01 | 国家电网有限公司 | 一种基于神经网络分类的电力通信故障应急处置方法 |
CN113591475A (zh) * | 2021-08-03 | 2021-11-02 | 美的集团(上海)有限公司 | 无监督可解释分词的方法、装置和电子设备 |
CN113837669A (zh) * | 2021-11-26 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 一种标签体系的评价指标构建方法和相关装置 |
CN113837669B (zh) * | 2021-11-26 | 2022-03-18 | 腾讯科技(深圳)有限公司 | 一种标签体系的评价指标构建方法和相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105930277B (zh) | 一种基于缺陷报告分析的缺陷源代码定位方法 | |
CN110070183A (zh) | 一种弱标注数据的神经网络模型训练方法及装置 | |
CN103914735B (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN105678253B (zh) | 半监督人脸年龄估计装置及半监督人脸年龄估计方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN113283027B (zh) | 一种基于知识图谱和图神经网络的机械故障诊断方法 | |
CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
CN109299262A (zh) | 一种融合多粒度信息的文本蕴含关系识别方法 | |
CN108921285B (zh) | 基于双向门控循环神经网络的电能质量扰动的分类方法 | |
CN110321555A (zh) | 一种基于循环神经网络模型的电网信号分类方法 | |
CN111475655B (zh) | 一种基于配电网知识图谱的电力调度文本实体链接方法 | |
CN109596942A (zh) | 一种基于深度置信网络的电压暂降原因识别方法 | |
CN109165275B (zh) | 基于深度学习的智能变电站操作票信息智能搜索匹配方法 | |
CN105426908A (zh) | 一种基于卷积神经网络的变电站属性分类方法 | |
CN112632288A (zh) | 一种基于知识图谱的电力调度系统及方法 | |
CN109871449A (zh) | 一种基于语义描述的端到端的零样本学习方法 | |
CN110414837A (zh) | 基于错因分析的人机交互系统 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN111369535A (zh) | 一种细胞检测方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN109670042A (zh) | 一种基于递归神经网络的试题分类及难度分级方法 | |
CN109033378A (zh) | 一种Zero-shot Learning在智能客服系统中的应用方法 | |
CN112507720A (zh) | 基于因果语义关系传递的图卷积网络根因识别方法 | |
CN116663414A (zh) | 一种用于电力变压器的故障诊断方法及系统 | |
CN110362828A (zh) | 网络资讯风险识别方法及系统 |
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 |