CN111291027B - 一种数据预处理方法 - Google Patents
一种数据预处理方法 Download PDFInfo
- Publication number
- CN111291027B CN111291027B CN202010041152.1A CN202010041152A CN111291027B CN 111291027 B CN111291027 B CN 111291027B CN 202010041152 A CN202010041152 A CN 202010041152A CN 111291027 B CN111291027 B CN 111291027B
- Authority
- CN
- China
- Prior art keywords
- information
- sub
- data
- history information
- history
- 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 25
- 238000007781 pre-processing Methods 0.000 title claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012952 Resampling Methods 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 208000028659 discharge Diseases 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 208000025274 Lightning injury Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012876 topography Methods 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种数据预处理方法,涉及机器学习领域,用于对国家电网的电力杆塔、电力传输线路和电力通道做灾害风险预测前对采集的数据进行处理,包括如下步骤:采集历史信息,形成完整的历史数据,对完整的历史数据进行重采样,或对数据特征进行选择,得到训练集。本发明所提供的方法对采集而来的数据加以处理,使其满足预测所需。
Description
【技术领域】
本发明涉及机器学习领域,具体涉及一种数据预处理方法。
【背景技术】
在电力行业,自然灾害、人为灾害对于国家电网塔杆、输电线路的破坏一直是极力需要避免的。借助于机器学习以及大数据技术的发展,电力行业逐步开始对自然灾害、人为灾害可能发生的概率进行预测。而对于自然灾害、人为灾害可能发生的概率进行预测,需要大量的数据作为支撑,同时需要保证数据的准确性、有效性,方能保证预测的准确率。但是,由于过往对于自然灾害、人为灾害的记录存在着各种各样的缺陷,例如数据的缺损、数据的冗余等等,因而需要对采集来的数据进行处理,方能满足预测所需。
【发明内容】
为解决前述问题,本发明提供了一种数据预处理方法,对采集而来的数据加以处理,使其满足预测所需。
为了达到上述目的,本发明采用如下技术方案:
一种数据预处理方法,用于对国家电网的电力杆塔、电力传输线路和电力传输通道做灾害风险预测前对采集的数据进行处理,包括如下步骤:
采集历史信息,并对历史信息进行整理,形成完整的历史数据;
所述完整的历史数据具有若干维度,所述维度即为数据特征;
对完整的历史数据进行重采样,或对数据特征进行选择,得到训练集。
可选的,采集历史信息包括:现场维修部门部署历史信息、杆塔及线路台账历史信息、气象历史信息;
现场维修部门部署历史信息包括线路缺陷子信息、隐患子信息、故障子信息;
气象历史信息包括天气状况子信息、气温子信息、湿度子信息、风速子信息、风向子信息。
可选的,对历史信息进行整理,形成完整的历史数据具体包括:
基于国家线网的电力传输线路,将与同一条电力传输线路相关的历史信息及其子信息作为一条完整的历史数据,一条完整的历史数据下,不同的历史信息及其子信息作为该完整的历史数据下不同的维度;
对历史信息进行整理,确定各个历史信息下的数值子信息和/或非数值子信息;
对各个历史信息下缺失的数值子信息补充完整;
对各个历史信息下的非数值子信息进行独热编码;
独热编码后,对气象历史信息构建气象子信息,构建的气象子信息包括每日温度、每日湿度、每日风速以及每日气压的平均统计、最大值统计、最小值统计,还包括月平均降雨频数统计、月平均降雨频率统计、月平均降雪频数统计、月平均降雪频率统计。
可选的,对各个历史信息下缺失的数值子信息补充完整时,如果某一历史信息下的数值子信息缺失量超过一半,则删除该历史信息及其数值子信息;如果该历史信息下的数值子信息缺失量未超过一半,则使用该历史信息下数值子信息的平均数、中位数或行/列众数对该历史信息补充完整。
可选的,对非数值子信息进行独热编码时,将同一历史信息下的各个非数值子信息分别作为状态值,所述状态值的位数与该历史信息下的各个非数值子信息的个数相等,每个状态值中只有一位为1,其余位为0。
可选的,所述灾害风险包括:覆冰灾害、雷击灾害、树线放电灾害、地质灾害以及机械外破灾害。
可选的,若做覆冰灾害或雷击灾害风险预测前对采集的数据进行处理,则对数据特征进行选择,得到训练集;若做树线放电灾害、地质灾害或机械外破灾害风险预测前对采集的数据进行处理,则对完整的历史数据进行重采样,得到训练集。
本发明具有如下有益效果:
由于国家电网遭到自然灾害、人为灾害的数据来源不同,脏数据比较多,因此,对采集的数据进行处理,对缺失的数据补全,对非数值型的数据进行编码,不仅便于计算机识别,也避免了脏数据、缺失数据对算法效果造成负面影响。而由于自然灾害、人为灾害的数据来源较多,有些灾害的数据维度较高,有些灾害的数据又较为稀少,因此,对于维度较高的数据,筛选出数量合适的最优数据作为训练集,避免数据冗余导致计算速度减慢;对于较为稀少或不平衡的数据进行重采样,使样本数量得到有效扩充,保证了样本的多样性。同时,经过处理,还能保证数据的准确,进而保证预测结果的准确。
本发明的这些特点和优点将会在下面的具体实施方式以及附图中进行详细的揭露。本发明最佳的实施方式或手段将结合附图来详尽表现,但并非是对本发明技术方案的限制。另外,在每个下文和附图中出现的这些特征、要素和组件是具有多个,并且为了表示方便而标记了不同的符号或数字,但均表示相同或相似构造或功能的部件。
【附图说明】
下面结合附图对本发明作进一步说明:
图1为本发明实施例一的示意图;
图2为本发明实施例二的示意图。
【具体实施方式】
下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明,但下述实施例仅为本发明的优选实施例,并非全部。基于实施方式中的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例,都属于本发明的保护范围。
在本说明书中引用的“一个实施例”或“实例”或“例子”意指结合实施例本身描述的特定特征、结构或特性可被包括在本专利公开的至少一个实施例中。短语“在一个实施例中”在说明书中的各位置的出现不必都是指同一个实施例。
实施例一:
如图1所示,本实施例提供了一种数据预处理方法,用于对国家电网的电力杆塔、电力传输线路和电力通道做灾害风险预测前对采集的数据进行处理,本实施例所提供的预处理方法用于对覆冰灾害或雷击灾害风险预测前对采集的数据进行处理,包括如下步骤:
采集历史信息,包括现场维修部门部署历史信息、杆塔及线路台账历史信息、气象历史信息,其中,现场维修部门部署历史信息包括线路缺陷子信息、隐患子信息、故障子信息;气象历史信息包括天气状况子信息、气温子信息、湿度子信息、风速子信息、风向子信息。
在进行覆冰灾害风险预测前,还需要采集:包括观冰站上报历史信息、PMS系统历史信息、国网覆冰预警中心历史信息、以及覆冰告警等级,观冰站上报历史信息包括第一天气状况、第一气温、第一湿度、第一风速、第一风向、线路设计覆冰厚度、有无模拟导线;PMS系统历史信息包括塔杆子信息、线路子信息、导线子信息;国网覆冰预警中心历史信息包括历史线路覆冰子信息、短期覆冰预测子信息。在进行雷击风险预测前,还需要采集:雷电历史信息、地形地貌历史信息。
对采集的上述历史信息进行整理,形成完整的历史数据,完整的历史数据具有若干维度,维度即为数据特征。由于国家电网覆冰灾害数据来源不同,脏数据比较多,因此,需要对采集的历史信息进行处理,对缺失的数据补全,以避免脏数据、缺失数据对后续算法效果造成负面影响,还需要对非数值型的数据进行编码,以便于计算机读取、识别。对历史信息进行整理,形成完整的历史数据具体包括如下子步骤:
基于国家线网的电力传输线路,将与同一条电力传输线路相关的历史信息及其子信息作为一条完整的历史数据,一条完整的历史数据下,不同的历史信息及其子信息作为该完整的历史数据下不同的维度;
对历史信息进行整理,确定各个历史信息下的数值子信息和/或非数值子信息;
对各个历史信息下缺失的数值子信息补充完整:如果某一历史信息下的数值子信息缺失量超过一半,则删除该历史信息及其数值子信息;如果该历史信息下的数值子信息缺失量未超过一半,则采用相近的数值子信息合理地对缺失数值子信息的历史信息进行填补,具体可使用该历史信息下数值子信息的平均数、中位数或行/列众数对该历史信息补充完整,本实施例优选采用中位数对缺失数值子信息的历史信息补充完整。
对各个历史信息下的非数值子信息进行独热编码:将同一历史信息下的各个非数值子信息分别作为状态值,状态值的位数与该历史信息下的各个非数值子信息的个数相等,每个状态值中只有一位为1,其余位为0。进行独热编码后,各个历史信息下的非数值子信息可由计算机读取、识别并计算。
独热编码后,对气象历史信息构建气象子信息,构建的气象子信息包括每日温度、每日湿度、每日风速以及每日气压的平均统计、最大值统计、最小值统计,还包括月平均降雨频数统计、月平均降雨频率统计、月平均降雪频数统计、月平均降雪频率统计。
完成了对历史信息的整理和补全,形成完整的历史数据以后,由于完整的历史数据的维度,即数据特征较多,因此,需要对众多的数据特征进行筛选,筛选出数量适中的最优特征作为训练集,以避免数据冗余导致计算速度减慢。而数据特征的筛选方法,可根据实际需要采用不同的算法进行筛选,在此不作限定。
由于国家电网遭到自然灾害、人为灾害的数据来源不同,脏数据比较多,因此,对采集的数据进行处理,对缺失的数据补全,对非数值型的数据进行编码,不仅便于计算机识别,也避免了脏数据、缺失数据对算法效果造成负面影响。而由于自然灾害、人为灾害的数据来源较多,覆冰灾害、雷击的数据维度较高,因此,筛选出数量合适的最优数据作为训练集,避免数据冗余导致计算速度减慢。同时,经过处理,还能保证数据的准确,进而保证预测结果的准确。
实施例二:
如图2所示,本实施例提供了一种数据预处理方法,用于对国家电网的电力杆塔、电力传输线路和电力传输通道做灾害风险预测前对采集的数据进行处理,本实施例所提供的预处理方法用于对树线放电灾害、地质灾害或机械外破风险预测前对采集的数据进行处理,包括如下步骤:
采集历史信息,包括现场维修部门部署历史信息、杆塔及线路台账历史信息、气象历史信息,其中,现场维修部门部署历史信息包括线路缺陷子信息、隐患子信息、故障子信息;气象历史信息包括天气状况子信息、气温子信息、湿度子信息、风速子信息、风向子信息。
在进行树线放电风险预测前,还需要采集:树木类型历史信息、净空距离历史信息。
在进行地质灾害风险预测前,还需要采集:地质灾害预警系统历史信息以及植被历史信息。
对采集的上述历史信息进行整理,形成完整的历史数据,完整的历史数据具有若干维度,维度即为数据特征。由于国家电网灾害数据来源不同,脏数据比较多,因此,需要对采集的历史信息进行处理,对缺失的数据补全,以避免脏数据、缺失数据对后续算法效果造成负面影响,还需要对非数值型的数据进行编码,以便于计算机读取、识别。对历史信息进行整理,形成完整的历史数据具体包括如下子步骤:
基于国家线网的电力传输线路,将与同一条电力传输线路相关的历史信息及其子信息作为一条完整的历史数据,一条完整的历史数据下,不同的历史信息及其子信息作为该完整的历史数据下不同的维度;
对历史信息进行整理,确定各个历史信息下的数值子信息和/或非数值子信息;
对各个历史信息下缺失的数值子信息补充完整:如果某一历史信息下的数值子信息缺失量超过一半,则删除该历史信息及其数值子信息;如果该历史信息下的数值子信息缺失量未超过一半,则采用相近的数值子信息合理地对缺失数值子信息的历史信息进行填补,具体可使用该历史信息下数值子信息的平均数、中位数或行/列众数对该历史信息补充完整,本实施例优选采用中位数对缺失数值子信息的历史信息补充完整。
对各个历史信息下的非数值子信息进行独热编码:将同一历史信息下的各个非数值子信息分别作为状态值,状态值的位数与该历史信息下的各个非数值子信息的个数相等,每个状态值中只有一位为1,其余位为0。进行独热编码后,各个历史信息下的非数值子信息可由计算机读取、识别并计算。
独热编码后,对气象历史信息构建气象子信息,构建的气象子信息包括每日温度、每日湿度、每日风速以及每日气压的平均统计、最大值统计、最小值统计,还包括月平均降雨频数统计、月平均降雨频率统计、月平均降雪频数统计、月平均降雪频率统计。
完成了对历史信息的整理和补全,形成完整的历史数据以后,由于机械外破、地质灾害或树线放电在现实环境中较少,因此机械外破、地质灾害或树线放电的完整的历史数据是不平衡数据。为了避免不平衡数据对后续算法效果的影响,保证数据的准确以及预测结果的准确,需要对数据进行重采样,得到训练集。而重采样的方法,可根据实际需要采用不同的算法进行,在此不作限定。
由于国家电网遭到自然灾害、人为灾害的数据来源不同,脏数据比较多,因此,对采集的数据进行处理,对缺失的数据补全,对非数值型的数据进行编码,不仅便于计算机识别,也避免了脏数据、缺失数据对算法效果造成负面影响。而由于自然灾害、人为灾害的数据来源较多,机械外破或树线放电的数据量又较少,属于不平衡数据,因此,对数量较少的不平衡数据进行重采样,保证了样本的多样性。同时,经过处理,还能保证数据的准确,进而保证预测结果的准确。同时,经过处理,还能保证数据的准确,进而保证预测结果的准确。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (6)
1.一种数据预处理方法,其特征在于,所述数据预处理方法用于对国家电网的电力杆塔、电力传输线路和电力传输通道做灾害风险预测前对采集的数据进行处理,包括如下步骤:采集历史信息,并对历史信息进行整理,形成完整的历史数据;
所述完整的历史数据具有若干维度,所述维度即为数据特征;
对完整的历史数据进行重采样,或对数据特征进行选择,得到训练集;
对历史信息进行整理,形成完整的历史数据具体包括:基于国家线网的电力传输线路,将与同一条电力传输线路相关的历史信息及其子信息作为一条完整的历史数据,一条完整的历史数据下,不同的历史信息及其子信息作为该完整的历史数据下不同的维度;
对历史信息进行整理,确定各个历史信息下的数值子信息和/或非数值子信息;
对各个历史信息下缺失的数值子信息补充完整;
对各个历史信息下的非数值子信息进行独热编码;
独热编码后,对气象历史信息构建气象子信息,构建的气象子信息包括每日温度、每日湿度、每日风速以及每日气压的平均统计、最大值统计、最小值统计,还包括月平均降雨频数统计、月平均降雨频率统计、月平均降雪频数统计、月平均降雪频率统计。
2.根据权利要求1所述的数据预处理方法,其特征在于,采集历史信息包括:现场维修部门部署历史信息、杆塔及线路台账历史信息、气象历史信息;
现场维修部门部署历史信息包括线路缺陷子信息、隐患子信息、故障子信息;
气象历史信息包括天气状况子信息、气温子信息、湿度子信息、风速子信息、风向子信息。
3.根据权利要求1所述的数据预处理方法,其特征在于,对各个历史信息下缺失的数值子信息补充完整时,如果某一历史信息下的数值子信息缺失量超过一半,则删除该历史信息及其数值子信息;如果该历史信息下的数值子信息缺失量未超过一半,则使用该历史信息下数值子信息的平均数、中位数或行/列众数对该历史信息补充完整。
4.根据权利要求1所述的数据预处理方法,其特征在于,对非数值子信息进行独热编码时,将同一历史信息下的各个非数值子信息分别作为状态值,所述状态值的位数与该历史信息下的各个非数值子信息的个数相等,每个状态值中只有一位为1,其余位为0。
5.根据权利要求1至4之一所述的数据预处理方法,其特征在于,所述灾害风险包括:覆冰灾害、雷击灾害、树线放电灾害、地质灾害以及机械外破灾害。
6.根据权利要求5所述的数据预处理方法,其特征在于,若做覆冰灾害或雷击灾害风险预测前对采集的数据进行处理,则对数据特征进行选择,得到训练集;若做树线放电灾害、地质灾害或机械外破灾害风险预测前对采集的数据进行处理,则对完整的历史数据进行重采样,得到训练集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041152.1A CN111291027B (zh) | 2020-01-15 | 2020-01-15 | 一种数据预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041152.1A CN111291027B (zh) | 2020-01-15 | 2020-01-15 | 一种数据预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291027A CN111291027A (zh) | 2020-06-16 |
CN111291027B true CN111291027B (zh) | 2023-08-15 |
Family
ID=71028342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010041152.1A Active CN111291027B (zh) | 2020-01-15 | 2020-01-15 | 一种数据预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291027B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393037A (zh) * | 2021-06-16 | 2021-09-14 | 潍坊科技学院 | 一种区域地质灾害趋势预测方法及系统 |
CN117824757B (zh) * | 2024-03-06 | 2024-05-28 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于恶劣气象条件下的智能感知预警系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN106157177A (zh) * | 2016-07-29 | 2016-11-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于小型雷达的输电线路降雪广域监测预警方法 |
CN107807309A (zh) * | 2017-10-27 | 2018-03-16 | 广东电网有限责任公司中山供电局 | 一种基于大数据的输电线路故障预警方法及系统 |
CN108475393A (zh) * | 2016-01-27 | 2018-08-31 | 华为技术有限公司 | 通过合成特征和梯度提升决策树进行预测的系统和方法 |
CN108898247A (zh) * | 2018-06-22 | 2018-11-27 | 国网湖南省电力有限公司 | 一种电网暴雨灾害风险预测方法、系统及存储介质 |
CN110675243A (zh) * | 2019-08-30 | 2020-01-10 | 北京银联金卡科技有限公司 | 一种融合机器学习的信贷预测逾期方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080090736A1 (en) * | 2007-07-27 | 2008-04-17 | Quantum Intelligence, Inc. | Using knowledge pattern search and learning for selecting microorganisms |
JP6404457B2 (ja) * | 2014-08-26 | 2018-10-17 | スイス リインシュランス カンパニー リミテッド | 災害リスク管理及び資金調達システム、並びにその対応する方法 |
US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
US20190318248A1 (en) * | 2018-04-13 | 2019-10-17 | NEC Laboratories Europe GmbH | Automated feature generation, selection and hyperparameter tuning from structured data for supervised learning problems |
-
2020
- 2020-01-15 CN CN202010041152.1A patent/CN111291027B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN108475393A (zh) * | 2016-01-27 | 2018-08-31 | 华为技术有限公司 | 通过合成特征和梯度提升决策树进行预测的系统和方法 |
CN106157177A (zh) * | 2016-07-29 | 2016-11-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于小型雷达的输电线路降雪广域监测预警方法 |
CN107807309A (zh) * | 2017-10-27 | 2018-03-16 | 广东电网有限责任公司中山供电局 | 一种基于大数据的输电线路故障预警方法及系统 |
CN108898247A (zh) * | 2018-06-22 | 2018-11-27 | 国网湖南省电力有限公司 | 一种电网暴雨灾害风险预测方法、系统及存储介质 |
CN110675243A (zh) * | 2019-08-30 | 2020-01-10 | 北京银联金卡科技有限公司 | 一种融合机器学习的信贷预测逾期方法及系统 |
Non-Patent Citations (1)
Title |
---|
邵亚洁.基于复合CatBoost模型的P2P网贷违约分类预测.中国优秀硕士学位论文全文数据库经济与管理科学辑.2019,(第undefined期),第J157-161页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111291027A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005827B (zh) | 一种基于电力突发事件的应急响应预警方法 | |
CN111444240A (zh) | 输电线路故障预警方法及装置 | |
CN111291027B (zh) | 一种数据预处理方法 | |
CN108008252B (zh) | 一种输电线路故障类型诊断方法和装置 | |
CN106469356A (zh) | 基于多维数据的输电设备状态评价及风险分析方法及装置 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
CN111612315A (zh) | 一种新型电网灾害性大风预警方法 | |
CN114442198B (zh) | 一种基于加权算法的森林火险气象等级预报方法 | |
CN111222709B (zh) | 一种国家电网树线放电预测方法 | |
CN107069975A (zh) | 一种分布式输电设备状态数据反馈系统及其方法 | |
CN111210086B (zh) | 一种国家电网覆冰灾害预测方法 | |
CN114548601A (zh) | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 | |
CN113313342B (zh) | 多种自然灾害引发电网设备故障概率分析方法和系统 | |
CN107066689A (zh) | 一种输电线路风偏故障的气象风险预警方法 | |
CN110542936B (zh) | 基于主导环流的电网暴雨灾害预报偏差的预报方法和系统 | |
Broström | Ice storm modelling in transmission system reliability calculations | |
CN116843528A (zh) | 多源卫星高时频电网火险监测方法及系统 | |
CN112925760B (zh) | 一种异构同源的电网灾害数据共享服务实现方法 | |
CN111310785A (zh) | 一种国家电网机械外破预测方法 | |
CN114545097A (zh) | 一种基于多要素动态权重算法的雷电预警研判方法 | |
CN111275298B (zh) | 一种基于电网的地质灾害风险预警方法 | |
CN112382977A (zh) | 一种输电线路差异化防雷方法及系统 | |
CN112560790A (zh) | 一种基于摄像头视频图像智能识别能见度的方法 | |
CN109782123A (zh) | 基于大数据的电力故障监测方法、系统及可读存储介质 | |
CN116243103A (zh) | 基于多源数据的输变电设备状态智能感知预警方法 |
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 |
Effective date of registration: 20230713 Address after: Room 130, Building 4, No. 6-2, Gaoshun Road, Wuchang Subdistrict, Yuhang District, Hangzhou City, Zhejiang Province 310000 Applicant after: Zhejiang Huawang Hengye Technology Co.,Ltd. Address before: Room B1-201-28, No. 198, Qidi Road, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province, 311200 Applicant before: HANGZHOU HUAWANG INFORMATION TECHNOLOGY CO.,LTD. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |