CN111178699B - 一种调度操作票智能校核系统构建方法 - Google Patents
一种调度操作票智能校核系统构建方法 Download PDFInfo
- Publication number
- CN111178699B CN111178699B CN201911288021.7A CN201911288021A CN111178699B CN 111178699 B CN111178699 B CN 111178699B CN 201911288021 A CN201911288021 A CN 201911288021A CN 111178699 B CN111178699 B CN 111178699B
- Authority
- CN
- China
- Prior art keywords
- dispatch
- ticket
- data model
- data
- rule
- 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 31
- 238000013499 data model Methods 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008521 reorganization Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000012937 correction Methods 0.000 abstract description 7
- 230000001965 increasing effect Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 15
- 238000010276 construction Methods 0.000 description 5
- 239000013589 supplement Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种调度操作票智能校核系统构建方法,包括以下步骤:a、获取调度票数据,并转换为机器学习数据模型M1;b、对所述转换后的调度票数据进行随机重组,生成重组调度票数据模型M2;c、将所述重组调度票数据模型M2与所述步骤a获取的调度票数据模型M1组合形成数据模型M3;d、使用规则学习算法对所述数据模型M3进行计算,并生成规则库。据统计,传统的“三审三校”模式共发现调度操作票错误87处,而人工智能校验则发现错误95处,错误识别率提升高达8.4%。更重要的是,“三审三校”模式所发现的87处错误均涵盖在人工智能校验方法所发现错误中,充分证明了规则学习算法解决调度操作校核问题的有效性。
Description
技术领域
本发明属于电网调度安全技术领域,涉及电网调度操作票校核技术,具体涉及一种调度操作票智能校核系统构建方法。
背景技术
调度操作票校核的目的在于辨识操作票潜在的错误,避免误操作、误控制事件发生。传统模式下,调度操作票主要依靠调度员人工校核。实际执行中,电网多采用“三审三校”校核模式,依靠增加审核环节和人力投入,提升校核准确率。然而近年来频发的误操作、误控制事件表明,通过增加审核环节虽然对提升校核准确性有一定帮助,但这起到的作用仍然不够理想,而且还费时费力,加重了相关人员的工作量,严重影响了调度操作效率。
为此,采用自动智能校核代替人工,已成为调度操作校核领域发展的必然趋势。特别是近年来,随着人工智能技术的快速发展,效用评估、模糊理论、字典学习、神经网络等新方法不断引入该研究领域。然而目前的研究主要集中于调度操作票文字错误、潮流校核两个方面,尽管在辨识错字、拓扑分析、潮流控制等方面取得了良好的实际效果。但是并不能结合操作任务,对调度操作票的内在逻辑进行校核,难以满足实际需要。
发明内容
针对现有技术的不足,本发明所要解决的技术问题在于现有的电网调度票人工校核人力投入大、校核准确度不够,机器校核由于学习深入不足导致校核准确性不够等问题,提出了一种调度操作票智能校核系统构建方法。
依据本发明的一个方面,提供一种调度操作票智能校核系统构建方法,包括以下步骤:
a、获取调度票数据,并转换为机器学习数据模型M1;
b、对所述转换后的调度票数据进行随机重组,生成重组调度票数据模型M2;
c、将所述重组调度票数据模型M2与所述步骤a获取的调度票数据模型M1组合形成数据模型M3;
d、使用规则学习算法对所述数据模型M3进行计算,并生成规则库。
依据本发明的一个方面,一种调度操作票智能校核系统构建方法,所述步骤a中调度票数据转换为机器学习数据模型的方法为,提取调度指令中的操作对象和操作措施,并以操作对象、操作措施和对应关系存储。
依据本发明的一个方面,一种调度操作票智能校核系统构建方法,所述步骤a中调度票数据转换为机器学习数据模型的操作,包括人工三审三校对转换数据进行复核,和/或修改。
依据本发明的一个方面,一种调度操作票智能校核系统构建方法,所述步骤b中对所述转换后的调度票数据进行随机重组的操作,包括随机泛化算法对数据进行重组。
依据本发明的一个方面,一种调度操作票智能校核系统构建方法,所述步骤b的操作产生的数据模型M2的数据量为数据模型M1的数据量的1.5-2.5倍。
本发明所提供的一种调度操作票智能校核系统构建方法,以某电网一年全年共计7430张调度操作票为基础,通过模型构建和异常调度操作票重构,共生成包含15000张调度操作票数据的训练数据集。利用规则学习算法对上述训练数据集进行智能体训练,共得到120条调度操作票校核规则,将潮流校核人工补充设置为规则后,所得到的规则库包括校核规则121条,其中以“线路由运行转检修”为操作目的的调度操作票对应校核规则共10条。该规则库为调度运行人员进行调度操作校核提供了智能化的解决方案,测试过程已成功用于1200张调度操作票的校核。为保证最终结果的正确,在利用人工智能方法进行校核的同时,也采用传统的“三审三校”模式对上述调度操作票进行校核。据统计,传统的“三审三校”模式共发现调度操作票错误87处,而人工智能校验则发现错误95处,错误识别率提升高达8.4%。更重要的是,“三审三校”模式所发现的87处错误均涵盖在人工智能校验方法所发现错误中,充分证明了规则学习算法解决调度操作校核问题的有效性。
而从校核业务投入来看,规则学习具有自我学习完善的特性,通过补充新的训练数据,该方法能保持与调度操作习惯的一致性,校核耗时在10秒以内,不需要投入新的调度员人力。而传统的“三审三校”则需要投入三名专业调度运行技术员,以该省实际运行经验,每张票的平均校核时间在1小时左右。这一特点表明,规则学习能够大大降低校核的人力投入,提升操作效率。
附图说明
图1为本发明实施例的解决方案中的规则学习算法实施流程;
图2为本发明实施例构建的调度操作票智能校核系统智能校核实施流程。
具体实施方式
以下配合图式及本发明的较佳实施例,进一步阐述本发明为达成预定发明目的所采取的技术手段。
如图1及图2所示,本发明一可选实施例中,提供了一种调度操作票智能校核系统构建方法,包括以下步骤:
a、获取调度票数据,并转换为机器学习数据模型M1;
b、对所述转换后的调度票数据进行随机重组,生成重组调度票数据模型M2;
c、将所述重组调度票数据模型M2与所述步骤a获取的调度票数据模型M1组合形成数据模型M3;
d、使用规则学习算法对所述数据模型M3进行计算,并生成规则库。
依据本发明实施例的一个方面,一种调度操作票智能校核系统构建方法,所述步骤a中调度票数据转换为机器学习数据模型的方法为,提取调度指令中的操作对象和操作措施,并以操作对象、操作措施和对应关系存储。以下为两条调度指令转换为机器学习数据模型的过程。
依据本发明实施例的一个方面,一种调度操作票智能校核系统构建方法,所述步骤a中调度票数据转换为机器学习数据模型的操作,包括人工三审三校对转换数据进行复核,和/或修改。
依据本发明实施例的一个方面,一种调度操作票智能校核系统构建方法,所述步骤b中对所述转换后的调度票数据进行随机重组的操作,包括随机泛化算法对数据进行重组。
依据本发明实施例的一个方面,一种调度操作票智能校核系统构建方法,所述步骤b的操作产生的数据模型M2的数据量为数据模型M1的数据量的1.5-2.5倍。
作为本发明实施例的一种,包括:
异常数据重构:异常数据重构的目的在于根据经过“三审三校”、票面正确的调度操作票隶属数据生成大量异常数据。采用随机泛化算法,对历史票进行随机重组,生成异常票数据集,其基本思路是对于每一步操作指令,其操作对象和操作措施,可以从操作对象和操作措施库中按照一定概率随机选取,以生成庞大的异常调度操作票。
规则完善:规则完善的目的在于解决规则学习过程主要基于调度操作票文本信息,而忽略了其与电网运行特性之间关系的问题。结合调度操作校核实际,需要补充的规则主要为潮流校核规则,可表示为:若某一步调度指令操作导致系统运行断面越限,则该调度操作票有误。
实施方法
以某省电网某年全年共计7430张调度操作票为基础,通过模型构建和异常调度操作票重构,共生成包含15000张调度操作票数据的训练数据集。利用规则学习算法对上述训练数据集进行智能体训练,共得到120条调度操作票校核规则,将潮流校核人工补充设置为规则后,所得到的规则库包括校核规则121条,其中以“线路由运行转检修”为操作目的的调度操作票对应校核规则共10条,如表2所示。
表2调度操作智能校核规则库
该规则库为调度运行人员进行调度操作校核提供了智能化的解决方案,试用以来已成功用于1200张调度操作票的校核。为保证最终结果的正确,在利用人工智能方法进行校核的同时,也采用传统的“三审三校”模式对上述调度操作票进行校核。据统计,传统的“三审三校”模式共发现调度操作票错误87处,而人工智能校验则发现错误95处,错误识别率提升高达8.4%。更重要的是,“三审三校”模式所发现的87处错误均涵盖在人工智能校验方法所发现错误中,充分证明了规则学习算法解决调度操作校核问题的有效性。
而从校核业务投入来看,规则学习具有自我学习完善的特性,通过补充新的训练数据,该方法能保持与调度操作习惯的一致性,校核耗时在10秒以内,不需要投入新的调度员人力。而传统的“三审三校”则需要投入三名专业调度运行技术员,以该省实际运行经验,每张票的平均校核时间在1小时左右。这一特点表明,规则学习能够大大降低校核的人力投入,提升操作效率。
在上述实施例中,使用的规则学习算法具体如下:
规则学习中的“规则”指:能够描述数据分布隐含的客观规律并能够标准形式表达的逻辑语句。其中所谓的标准形式为条件表达式,即
⊕←f1∧f2∧LfL (1)
式(1)中,“←”为逻辑推导符号,其右侧部分“f1∧f2∧LfL”称为“规则体”,左侧部分“⊕”称为“规则头”,其含义为若满足右侧规则体的条件,则能够推导得到左侧规则头的结论。规则体中,f1、f2、…fL依次为所需要满足的L个条件,∧为表示并列关系的逻辑判断符号。
规则学习实际上就是通过对训练数据集的归纳分析,生成如式(1)所示的规则语句,并利用规则语句对待判定的数据进行校验,以检验其是否满足相同规则的人工智能算法。根据训练数据集学习模式的不同,规则学习可分为“自顶向下”和“自底向上”两种算法类型,结合本发明所介绍的调度操作校核任务的实际需要,这里重点介绍“自顶向下”学习算法。
其算法流程为:“自顶向下”规则学习算法是指从训练数据集最显著的条件项出发,不断增加条件项约束,缩小规则覆盖范围,直至得到满足搜索要求的规则语句的学习过程。规定训练数据集中每一个数据项可表示为(a1,a2,…aM,r),其中a1,a2,…aM为数据项的M项属性类型,第i项属性类型有si项取值可能;r为判定结果,包括R种取值可能。则“自顶向下”规则学习算法的实施过程如图1所示。
(1)根据显著性,选定初始规则体条件
判定结果显著性由其在训练数据集中的出现次数决定,次数越多,表明判定结果r在该取值下的概率越高,显著性越强。选取显著性最强的判定结果取值ri,计算不同属性不同取值与该判定结果取值的相关性,计算公式为:
式(2)中,Cor()为满足r=ri和aj=aj,m条件的相关性函数;Count()为记数函数,用于给定数据集中统计满足条件的数据量;Data为训练数据集。则Count(Data,r=ri,aj=aj,m),Count(Data,r≠ri,aj=aj,m)分别为训练数据集中在判定结果取值为ri和不为ri两种情况下属性aj取值为aj,m的数据项数。
统计显著性最强的判定结果ri下所有属性取值与其的相关性,相关性最高的一项属性取值即为初始规则体条件。
(2)根据相关性概率,完善规则体语句
在满足aj=aj,m条件下,继续搜索其他属性取值与判定结果r=ri的相关性,并将相关性最高的属性条件补充进规则体语句。
(3)收敛性判定
预先设置规则体语句和规则学习的收敛条件,避免规则学习过拟合。一般设置的条件项为规则体中条件数和规则语句条数限制,即:
Count(Rule(fi))≤RFmax (3a)
Count(Rule)≤Rmax (3b)
式(3a)、(3b)中,Count(Rule(fi))、Count(Rule)分别为任意规则中的规则体条件数量和规则学习所得规则条数,RFmax、Rmax分别为给定的规则体条件数限值和规则条数限值。
上述规则生成的过程本质上为一个贪心搜索的过程,一方面为了拓展规则挖掘的深度,需要学习过程具有一定的泛化能力,另一方面为了避免学习结果变成决策树式的穷举,要设置一定过拟合控制手段。
以上所述仅是本发明的优选实施例而已,并非对本发明做任何形式上的限制,虽然本发明已以优选实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案的范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本实用发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.一种调度操作票智能校核系统构建方法,其特征在于,包括以下步骤:
a、获取调度票数据,并转换为机器学习数据模型M1,其中机器学习数据模型M1包括操作对象和操作措施;
b、对所述转换后的调度票数据进行随机重组,生成重组调度票数据模型M2;
c、将所述重组调度票数据模型M2与所述步骤a获取的调度票数据模型M1组合形成数据模型M3;
d、使用规则学习算法对所述数据模型M3进行计算,并生成规则库;
利用生成的规则库判断调度操作票是否异常;
其中步骤b具体包括采用随机泛化算法,从操作对象和操作措施库中按照一定概率随机选取,以生成庞大的异常调度操作票。
2.根据权利要求1所述的一种调度操作票智能校核系统构建方法,其特征在于,所述步骤a中调度票数据转换为机器学习数据模型的方法为,提取调度指令中的操作对象和操作措施,并以操作对象、操作措施和对应关系存储。
3.根据权利要求1所述的一种调度操作票智能校核系统构建方法,其特征在于,所述步骤a中调度票数据转换为机器学习数据模型的操作,包括人工三审三校对转换数据进行复核,和/或修改。
4.根据权利要求1所述的一种调度操作票智能校核系统构建方法,其特征在于,所述步骤b中对所述转换后的调度票数据进行随机重组的操作,包括随机泛化算法对数据进行重组。
5.根据权利要求1-4之任一项权利要求所述的一种调度操作票智能校核系统构建方法,其特征在于,所述步骤b的操作产生的数据模型M2的数据量为数据模型M1的数据量的1.5-2.5倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911288021.7A CN111178699B (zh) | 2019-12-15 | 2019-12-15 | 一种调度操作票智能校核系统构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911288021.7A CN111178699B (zh) | 2019-12-15 | 2019-12-15 | 一种调度操作票智能校核系统构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178699A CN111178699A (zh) | 2020-05-19 |
CN111178699B true CN111178699B (zh) | 2023-05-23 |
Family
ID=70653901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911288021.7A Active CN111178699B (zh) | 2019-12-15 | 2019-12-15 | 一种调度操作票智能校核系统构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178699B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112134310B (zh) * | 2020-09-18 | 2022-04-22 | 贵州电网有限责任公司 | 一种基于大数据的人工智能电网调控操作方法及系统 |
CN112860872A (zh) * | 2021-03-17 | 2021-05-28 | 广东电网有限责任公司 | 基于自学习的配电网操作票语义合规性的校验方法及系统 |
CN113991843A (zh) * | 2021-10-21 | 2022-01-28 | 广东电网有限责任公司 | 一种电网调度操作的防误方法、系统、设备和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119755A (zh) * | 2019-03-22 | 2019-08-13 | 国网浙江省电力有限公司信息通信分公司 | 基于Ensemble学习模型的电量异常检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009070536A1 (en) * | 2007-11-30 | 2009-06-04 | Massachusetts Institute Of Technology | Method and apparatus for performing probabilistic inference and providing related solution methods |
US9769094B2 (en) * | 2011-05-04 | 2017-09-19 | Celeritasworks, Llc | Notification delivery system |
CN103593809A (zh) * | 2013-12-03 | 2014-02-19 | 国家电网公司 | 电网调度自动化系统智能操作票语义校验方法 |
CN104135362B (zh) * | 2014-07-21 | 2017-06-16 | 南京大学 | 一种基于差分隐私发布的数据的可用性计算方法 |
CN105608636B (zh) * | 2015-12-17 | 2021-08-31 | 国家电网公司 | 一种基于规则挖掘的电网倒闸操作规则库建立方法 |
CN107368787B (zh) * | 2017-06-16 | 2020-11-10 | 长安大学 | 一种面向深度智驾应用的交通标志识别方法 |
CN108564117B (zh) * | 2018-03-30 | 2022-03-29 | 华南理工大学 | 一种基于svm的贫困生辅助认定方法 |
CN108596138A (zh) * | 2018-05-03 | 2018-09-28 | 南京大学 | 一种基于迁移层次网络的人脸识别方法 |
CN109886214A (zh) * | 2019-02-26 | 2019-06-14 | 中南民族大学 | 一种基于图像处理的鸟鸣声特征强化方法 |
-
2019
- 2019-12-15 CN CN201911288021.7A patent/CN111178699B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119755A (zh) * | 2019-03-22 | 2019-08-13 | 国网浙江省电力有限公司信息通信分公司 | 基于Ensemble学习模型的电量异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111178699A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178699B (zh) | 一种调度操作票智能校核系统构建方法 | |
CN109102157A (zh) | 一种基于深度学习的银行工单派单方法及系统 | |
CN110826237B (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
CN115081918A (zh) | 基于数据驱动的轨道交通风险点预测方法及系统 | |
CN114168740A (zh) | 基于图卷积神经网络和知识图谱的变压器并发性故障诊断方法 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN117439256A (zh) | 一种基于物联网的电站设备管理方法及系统 | |
CN114118730A (zh) | 一种电力企业业务流程的合规检测方法 | |
CN112783865A (zh) | 一种半监督人机结合的运维故障库生成方法及系统 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN115407053B (zh) | 征兆优选方法、计算机设备以及可读存储介质 | |
CN116258206A (zh) | 一种基于中文自然语言处理的分布式专家系统 | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
CN114781495A (zh) | 一种基于样本全局再平衡的智能电表故障分类方法 | |
CN103236383B (zh) | 等离子显示屏制造过程参数重要性的动态确定与优化方法 | |
CN112116216A (zh) | 一种基于多对象多维度的新能源消纳评价方法及系统 | |
CN114168583A (zh) | 一种基于正则自动编码器的电量数据清洗方法及系统 | |
CN113361746A (zh) | 一种配电网物资品类优化方法 | |
CN109669932A (zh) | 一种基于次序依赖的电力数据集修复方法 | |
Vnukova et al. | Identifying changes in insurance companies’ competitiveness on the travel services market | |
CN113656267B (zh) | 设备能效的计算方法、装置、电子设备及存储介质 | |
CN111369083A (zh) | 一种面向电网项目投资效益的评价方法与系统 | |
CN108830699A (zh) | 一种智能核算技术 | |
CN114911847B (zh) | 一种基于大数据的跨境贸易数据统计及分析方法 | |
Yong et al. | Big-data-based KPI Performance Appraisal System of State Grid Provincial Metering Center |
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 |