CN111523241B - 用电负荷逻辑信息模型的构建方法 - Google Patents
用电负荷逻辑信息模型的构建方法 Download PDFInfo
- Publication number
- CN111523241B CN111523241B CN202010349417.4A CN202010349417A CN111523241B CN 111523241 B CN111523241 B CN 111523241B CN 202010349417 A CN202010349417 A CN 202010349417A CN 111523241 B CN111523241 B CN 111523241B
- Authority
- CN
- China
- Prior art keywords
- class
- model
- vector
- dictionary
- word
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新型用电负荷逻辑信息CIM模型的构建方法,首先获得新型用电负荷设备的数据字典,根据数据字典的选择重点字段形成数据子字典,并然后对数据子字典中的每个元素进行向量化处理,然后将传统配电网的CIM文件进行向量化处理得到向量化格式的文件;在传统配电网模型向量化文件中搜索与负荷设备子字典元素相匹配的类并搜索匹配结果的处理;最后确定原有类与新建类之间的关系,将所有类进行全部组合,从而形成新型负荷模型的CIM模型。本发明确定了新型用电负荷建立逻辑信息模型的自动建模实现方法;并确定类与类之间的关系时,利用神经网络深度学习模型对已有数据信息进行特征提取,提高了判断的自动化水平。
Description
技术领域
本发明涉及配电网的用电领域,尤其涉及一种用电负荷逻辑信息模型的构建方法。
背景技术
目前,用能消费清洁化不断上升,电动汽车、电供冷暖等新型用电负荷所占比例增加。但目前配电网信息模型中缺乏这些新型负荷的逻辑信息模型,无法适应电网“电能替代”的发展要求。对于新负荷,目前方法主要是通过人工抽象的方法实现,不但消耗人力成本,更容易造成不同工作人员建立的模型存在差异。
发明内容
本发明目的在于针对现有技术的不足,提出一种用电负荷逻辑信息CIM模型的构建方法。该方法依赖并扩展于传统配电网信息模型,采用智能搜索匹配方法从原有模型库里面得到原有类,并得到新的生成类,两者以关系拼接后得到新的信息模型。
本发明的目的是通过以下技术方案来实现的:一种用电负荷逻辑信息模型的构建方法,该方法包括以下步骤:
S1:从用电负荷设备厂家得到设备对应的数据字典NC;
S2:从步骤S1得到的数据字典NC中抽取重点字段内容形成数据子字典NCC,所述重点字段内容包括:英文表名、属性名、英文属性名、数据类型、是否关联、是否唯一。
S3:步骤S2得到的数据子字典NCC中每个元素为独立的词,其中包括几个英文单词或汉字,对每个元素进行向量化处理,得到每个元素对应的向量Vi;
S4:将现有配电网的CIM文件进行向量化处理,得到现有配电网模型向量化文件Vj;
S5:在现有配电网模型向量化文件Vj中搜索与用电负荷设备数据子字典元素相匹配的类;
搜索匹配的过程分为类名搜索匹配和类属性搜索匹配两个阶段进行,两个阶段过程的原理和方法完全相同;其中,类属性搜索匹配具体为:
将Vj文件中第k个类对应的向量设为Vj_k,k=1,2,3...K,K为Vj文件中类的总个数。计算向量Vi与Vj_k的余弦相似度,大于相似度阈值ε则认为两个向量相似,否则认为不相似;
S6:搜索匹配结果的处理;
当在文件Vj中存在与数据子字典元素对应的向量Vi相似的类Vj_k时,将其定义为原有类,拷贝该类及其父类;当在文件Vj中不存在与数据子字典元素对应的向量Vi相似的类时,新建该类,定义为新建类。
S7:确定原有类与新建类之间的关系;
(3)建立神经网络深度学习模型,对现有配电网信息模型CIM文件中原有类与新建类及其之间的关系Y进行特征学习,原有类与新建类分别定义为XC1和XC2,关系Y共有三种:一对一、一对多和多对多,分别表示为-1,0,1;
(4)对神经网络深度学习模型利用现有配电网中的CIM文件集进行训练和测试;
将步骤S6得到的一个原有类与一个新建类,或者一个新建类与另一个新建类作为训练好的神经网络深度学习模型的输入,神经网络深度学习模型的输出即为输入的两个类之间的关系。
S8:根据S7输出的两个类之间的关系,将所有类进行组合,从而形成用电负荷逻辑信息的CIM模型,通过得到的用电负荷逻辑信息的CIM模型进而描述用电负荷具有的属性和用电特性。
进一步地,步骤S1中,所述数据字典NC以二维表形式描述设备的基本信息及参数,包括:英文表名、属性名、英文属性名、数据类型、产生形式、产生标志、是否关联和是否唯一。
进一步地,步骤S3中,使用word2vec算法中的CBOW模型对每个元素进行向量化处理,具体过程如下:
S31:计算目标词的条件概率,条件概率计算公式如下:
其中,ω为CBOW模型输入的每个汉字或英文单词向量,x为整个词组成的词序列x=[υ(ω1),υ(ω2),υ(ω3)...υ(ωN)],υ表示将词序列中的每个词按顺序拼接后的向量,N表示整个词包含分词的个数。c为某个汉字或英文单词的上下文语境;P指的是条件概率,T为向量或矩阵的转置。V表示汉字或英文单词向量集合。
S32:通过最大化公式得到每个元素对应的向量Vi;最大化公式为:
其中,Vi为每个元素对应的向量,i=1,2,3...M,M为数据子字典NCC中的元素总个数。D表示向量ω和语境c构成的集合,P(ω,c)表示ω和c的联合概率。
进一步地,步骤S4中,现有配电网CIM文件的向量化采用DM模型,与CBOW模型相比,DM模型输入中增加了表示段落号码(Paragraph ID),结合字向量和段向量计算目标词条件概率的最大值。
进一步地,向量Vi与Vj_k的余弦相似度计算公式如下:
式中,θ表示两个向量方向之间的夹角。
本发明的有益效果:
1)确定了新型用电负荷建立逻辑信息模型的自动建模实现方法;
2)在与传统信息模型进行匹配搜索时采用智能匹配策略,减少了人工工作量。
3)在确定类与类之间的关系时,利用神经网络深度学习模型对已有数据信息进行特征提取,提高了判断的自动化水平。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为新型用电负荷逻辑信息模型构建流程图;
图2为基于神经网络深度学习模型确定关联关系流程图;
图3为电动汽车充电桩CIM模型。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
如图1所示,本发明提供的一种新型用电负荷逻辑信息模型的构建方法,该方法包括以下步骤:
S1:从用电负荷设备厂家得到设备对应的数据字典NC;所述数据字典NC以二维表形式描述设备的基本信息及参数,包括:英文表名、属性名、英文属性名、数据类型、产生形式、产生标志、是否关联和是否唯一。
S2:从步骤S1得到的数据字典NC中抽取重点字段内容形成数据子字典NCC以减少文本处理量,所述重点字段内容包括:英文表名、属性名、英文属性名、数据类型、是否关联、是否唯一。
S3:步骤S2得到的数据子字典NCC中每个元素为独立的词,其中包括几个英文单词或汉字,对每个元素进行向量化处理,得到每个元素对应的向量Vi;使用word2vec算法中的CBOW模型对每个元素进行向量化处理,具体过程如下:
S31:计算目标词的条件概率,条件概率计算公式如下:
其中,ω为CBOW模型输入的每个汉字或英文单词向量,x为整个词组成的词序列x=[υ(ω1),υ(ω2),υ(ω3)...υ(ωN)],c为某个汉字或英文单词的上下文语境;
S32:通过最大化公式得到每个元素对应的向量Vi;最大化公式为:
其中,Vi为每个元素对应的向量,i=1,2,3...M,M为数据子字典NCC中的元素总个数。
S4:将传统配电网的CIM文件进行向量化处理,得到传统配电网模型向量化文件Vj;传统配电网CIM文件的向量化采用DM模型,与CBOW模型相比,DM模型输入中增加了表示段向量的Paragraph ID,结合字向量和段向量计算目标词条件概率的最大值。
S5:在传统配电网模型向量化文件Vj中搜索与用电负荷设备数据子字典元素相匹配的类;
搜索匹配的过程分为类名搜索匹配和类属性搜索匹配两个阶段进行,两个阶段过程的原理和方法类似;类名搜索匹配具体为:
将Vj文件中第k个类对应的向量设为Vj_k,k=1,2,3...K,K为Vj文件中类的总个数。计算向量Vi与Vj_k的余弦相似度,大于相似度阈值ε则认为两个向量相似,否则认为不相似;向量Vi与Vj_k的余弦相似度计算公式如下:
cos(θ)越接近于1,说明两个向量越匹配。反之,则认为两者区别越大。本发明定义cos(θ)≥ε(ε为相似度阈值,取值为0.97)时认为两个向量相似。由于步骤S3、S4中向量化时考虑了上下文语境,因此此处比较时,不仅时每个字或单词的比较,还兼顾了语义的比较。
S6:搜索匹配结果的处理;
当在文件Vj中存在与数据子字典元素相似的类Vj_k时,将其定义为原有类,拷贝该类及其父类,所述父类是指Vj_k上一层的类,其内容包含Vj_k;当在文件Vj中不存在与数据子字典元素Vi相似的类时,新建该类,定义为新建类。
S7:确定原有类与新建类之间的关系,如图2所示;
(5)建立神经网络深度学习模型,对传统配电网信息模型CIM文件中两个类(分别定义为XC1和XC2)及其之间的关系Y(共有三种关系:一对一、一对多和多对多,分别表示为-1,0,1)进行特征学习;
(6)对神经网络深度学习模型利用传统配电网中的CIM文件集进行训练和测试;
将步骤S6得到的一个原有类与一个新建类,或者一个新建类与另一个新建类作为训练好的神经网络深度学习模型的输入,神经网络深度学习模型的输出即为两个类之间的关系。
S8:根据原有类与新建类之间的关系,将所有类进行全部组合,从而形成新型用电负荷逻辑信息的CIM模型,与传统的配电网信息模型相比,本发明构建的新型用电负荷逻辑信息模型能够描述电动汽车,风力发电等新能源领域,描述该领域的用电负荷具有的属性和用电特性。
实施例
现在以电动汽车充电站逻辑信息模型的搭建为例说明搭建过程:
S1、获得电动汽车充电站的数据字典NC;
从设备厂家得到设备对应的数据字典NC,字典内容包括:英文表名(EV ChargingPlant)、属性名(资产单位)、英文属性名(Assets_Company)、数据类型(VC18)、产生形式(S)、产生标志(Y)、是否关联(Y)、是否唯一(Y)。
S2、为了减小文本处理量,从数据字典中选择重点字段形成数据子字典NCC;
从厂家提供的数据字典NC中抽取重点字段内容,{英文表名(EV ChargingPlant)、属性名(资产单位)、英文属性名(Assets_Company)、数据类型(VC18)、是否关联(Y)、是否唯一(Y)}形成数据子字典。
S3、对数据子字典中的每个元素进行向量化处理,得到每个元素对应的向量Vi(i=1,2,3...M),M为子字典对应的元素总个数;
将子字典中的“电动汽车充电站”进行向量化处理,输入的词序列为x=[υ(电),υ(动),υ(汽)...υ(桩)];c为某个字的上下文语境。
S4、将传统配电网的CIM文件进行向量化处理得到向量化格式的文件Vj;
传统配电网CIM文件的向量化采用与数据子字典元素相类似的DM模型,与CBOW模型的区别仅仅在于输入中增加了表示段向量的Paragraph ID,即结合字向量和段向量对目标词进行条件概率的最大值。
S5,在传统配电网模型向量化文件Vj中搜索与负荷设备子字典元素相匹配的类;
在传统配电网向量化文件Vj中搜索与电动汽车充电站子字典中包括类向量,例如“电力电子设备类”、“能量储存单元类”、“电动汽车充电计划类”等的向量名称。
S6,搜索匹配结果的处理;
当在文件Vj中存在与数据子字典元素相似的类Vj_k时,将其定义为原有类,拷贝该类及其父类。
当在文件Vj中不存在与数据子字典元素Vi相似的类时,新建该类,定义为新建类。
经过搜索匹配后发现,在传统配电网信息模型CIM文件中不存在“电动汽车充电站”、“电动汽车充电桩”、“电动汽车充电计划”以及“能量储存单元”等类的向量,这些类定义为新建类,进行新建;而存在“电力电子设备”类,故将该类定义为原有类。
S7,确定原有类与新建类之间的关系;
经过神经网络深度学习模型(LSTM模型)学习后,确定了电动汽车充电站类与非车载充电机类的关系为一对一、电动汽车充电站类与电力电子设备类的关系为一对多、电动汽车与能量储存单元的关系为一对多,其余类与类之间的关系类似。
S8,根据原有类与新建类之间的关系,将所有类进行全部组合,从而形成新型负荷模型的CIM模型;
根据S7确定的类与类之间的关系,将所有类进行组合,得到电动汽车充电站模型,如附图3所示,根据电动汽车充电站模型可容易得到用电负荷具有的属性和用电特性。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (5)
1.一种用电负荷逻辑信息模型的构建方法,其特征在于,该方法包括以下步骤:
S1:从用电负荷设备厂家得到设备对应的数据字典NC;
S2:从步骤S1得到的数据字典NC中抽取重点字段内容形成数据子字典NCC,所述重点字段内容包括:英文表名、属性名、英文属性名、数据类型、是否关联、是否唯一;
S3:步骤S2得到的数据子字典NCC中每个元素为独立的词,其中包括几个英文单词或汉字,对每个元素进行向量化处理,得到每个元素对应的向量Vi;
S4:将现有配电网的CIM文件进行向量化处理,得到现有配电网模型向量化文件Vj;
S5:在现有配电网模型向量化文件Vj中搜索与用电负荷设备数据子字典元素相匹配的类;
搜索匹配的过程分为类名搜索匹配和类属性搜索匹配两个阶段进行,两个阶段过程的原理和方法完全相同;其中,类属性搜索匹配具体为:
将Vj文件中第k个类对应的向量设为Vj_k,k=1,2,3...K,K为Vj文件中类的总个数;计算向量Vi与Vj_k的余弦相似度,大于相似度阈值ε则认为两个向量相似,否则认为不相似;
S6:搜索匹配结果的处理;
当在文件Vj中存在与数据子字典元素对应的向量Vi相似的类Vj_k时,将其定义为原有类,拷贝该类及其父类;当在文件Vj中不存在与数据子字典元素对应的向量Vi相似的类时,新建该类,定义为新建类;
S7:确定原有类与新建类之间的关系;
(1)建立神经网络深度学习模型,对现有配电网信息模型CIM文件中原有类与新建类及其之间的关系Y进行特征学习,原有类与新建类分别定义为XC1和XC2,关系Y共有三种:一对一、一对多和多对多,分别表示为-1,0,1;
(2)对神经网络深度学习模型利用现有配电网中的CIM文件集进行训练和测试;
将步骤S6得到的一个原有类与一个新建类,或者一个新建类与另一个新建类作为训练好的神经网络深度学习模型的输入,神经网络深度学习模型的输出即为输入的两个类之间的关系;
S8:根据S7输出的两个类之间的关系,将所有类进行组合,从而形成用电负荷逻辑信息的CIM模型,通过得到的用电负荷逻辑信息的CIM模型进而描述用电负荷具有的属性和用电特性。
2.根据权利要求1所述的一种用电负荷逻辑信息模型的构建方法,其特征在于,步骤S1中,所述数据字典NC以二维表形式描述设备的基本信息及参数,包括:英文表名、属性名、英文属性名、数据类型、产生形式、产生标志、是否关联和是否唯一。
3.根据权利要求1所述的一种用电负荷逻辑信息模型的构建方法,其特征在于,步骤S3中,使用word2vec算法中的CBOW模型对每个元素进行向量化处理,具体过程如下:
S31:计算目标词的条件概率,条件概率计算公式如下:
其中,ω为CBOW模型输入的每个汉字或英文单词向量,x为整个词组成的词序列x=[υ(ω1),υ(ω2),υ(ω3)...υ(ωN)],υ表示将词序列中的每个词按顺序拼接后的向量,N表示整个词包含分词的个数;c为某个汉字或英文单词的上下文语境;P指的是条件概率,T为向量或矩阵的转置;V表示汉字或英文单词向量集合;
S32:通过最大化公式得到每个元素对应的向量Vi;最大化公式为:
其中,Vi为每个元素对应的向量,i=1,2,3...M,M为数据子字典NCC中的元素总个数;D表示向量ω和语境c构成的集合,P(ω,c)表示ω和c的联合概率。
4.根据权利要求1所述的一种用电负荷逻辑信息模型的构建方法,其特征在于,步骤S4中,现有配电网CIM文件的向量化采用DM模型,与CBOW模型相比,DM模型输入中增加了表示段落号码(Paragraph ID),结合字向量和段向量计算目标词条件概率的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349417.4A CN111523241B (zh) | 2020-04-28 | 2020-04-28 | 用电负荷逻辑信息模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349417.4A CN111523241B (zh) | 2020-04-28 | 2020-04-28 | 用电负荷逻辑信息模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523241A CN111523241A (zh) | 2020-08-11 |
CN111523241B true CN111523241B (zh) | 2023-06-13 |
Family
ID=71904860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010349417.4A Active CN111523241B (zh) | 2020-04-28 | 2020-04-28 | 用电负荷逻辑信息模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523241B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107872057A (zh) * | 2017-11-13 | 2018-04-03 | 国网江苏省电力公司电力科学研究院 | 一种配电物联网量测建模方法 |
CN109165275A (zh) * | 2018-07-24 | 2019-01-08 | 国网浙江省电力有限公司电力科学研究院 | 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 |
CN110232192A (zh) * | 2019-06-19 | 2019-09-13 | 中国电力科学研究院有限公司 | 电力术语命名实体识别方法及装置 |
GB201911724D0 (en) * | 2019-08-15 | 2019-10-02 | Vision Semantics Ltd | Text based image search |
CN110765755A (zh) * | 2019-10-28 | 2020-02-07 | 桂林电子科技大学 | 一种基于双重选择门的语义相似度特征提取方法 |
CN111027189A (zh) * | 2019-11-28 | 2020-04-17 | 武汉理工大学 | 基于设计信息模型的工作流模型推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10803055B2 (en) * | 2017-12-15 | 2020-10-13 | Accenture Global Solutions Limited | Cognitive searches based on deep-learning neural networks |
-
2020
- 2020-04-28 CN CN202010349417.4A patent/CN111523241B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107872057A (zh) * | 2017-11-13 | 2018-04-03 | 国网江苏省电力公司电力科学研究院 | 一种配电物联网量测建模方法 |
CN109165275A (zh) * | 2018-07-24 | 2019-01-08 | 国网浙江省电力有限公司电力科学研究院 | 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 |
CN110232192A (zh) * | 2019-06-19 | 2019-09-13 | 中国电力科学研究院有限公司 | 电力术语命名实体识别方法及装置 |
GB201911724D0 (en) * | 2019-08-15 | 2019-10-02 | Vision Semantics Ltd | Text based image search |
CN110765755A (zh) * | 2019-10-28 | 2020-02-07 | 桂林电子科技大学 | 一种基于双重选择门的语义相似度特征提取方法 |
CN111027189A (zh) * | 2019-11-28 | 2020-04-17 | 武汉理工大学 | 基于设计信息模型的工作流模型推荐方法 |
Non-Patent Citations (4)
Title |
---|
张子谦 等.基于组件匹配的变电站快速建模方法.《计算机应用与软件》.2018,69-75. * |
杨韵 ; 周特军 ; 于芮技 ; 李银红 ; .大规模电力系统复杂数据的通用匹配方法.电力与能源.2015,(05),612-617. * |
郑佩祥 ; 陈彬 ; 卢昕 ; 徐文渊 ; .基于word2vec的配电网恶意控制指令检测算法.计算机工程.2018,(04),119-123. * |
陶顺 ; 郑嘉炜 ; 陈萌 ; 肖湘宁 ; .面向有源配电网的公共信息模型扩展.现代电力.2016,(06),74-80. * |
Also Published As
Publication number | Publication date |
---|---|
CN111523241A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631479A (zh) | 基于非平衡学习的深度卷积网络图像标注方法及装置 | |
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 | |
CN109961095B (zh) | 基于非监督深度学习的图像标注系统及标注方法 | |
CN113378913A (zh) | 一种基于自监督学习的半监督节点分类方法 | |
CN112685570A (zh) | 一种基于多标签图的电网网架知识图谱的构建方法 | |
CN110059222A (zh) | 一种基于协同过滤的视频标签添加方法 | |
CN114238524B (zh) | 基于增强样本模型的卫星频轨数据信息抽取方法 | |
CN104008177A (zh) | 面向图像语义标注的规则库结构优化与生成方法及系统 | |
CN111523241B (zh) | 用电负荷逻辑信息模型的构建方法 | |
CN116667369B (zh) | 一种基于图卷积神经网络的分布式光伏电压控制方法 | |
CN113569814A (zh) | 一种基于特征一致性的无监督行人重识别方法 | |
Zhong et al. | Least-squares method and deep learning in the identification and analysis of name-plates of power equipment | |
CN116991998A (zh) | 一种基于ai语言应答模型的电力仿真培训方法、系统 | |
Wu et al. | Intelligent fault diagnostic model for industrial equipment based on multimodal knowledge graph | |
CN103942779A (zh) | 一种基于图论和半监督学习相结合的图像分割方法 | |
CN116502380A (zh) | 基于可解释图神经网络的电网暂态失稳定位方法和系统 | |
CN111275079A (zh) | 基于图神经网络的众包标签推测方法及系统 | |
CN113780347B (zh) | 负荷曲线多重聚类集成方法、系统及存储介质 | |
CN113421004B (zh) | 输配协同的主动配电网分布式鲁棒扩展规划系统及方法 | |
CN115391519A (zh) | 一种基于nlp技术的企业自动打标签模型生成方法、系统、设备以及存储介质 | |
CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
WO2021128521A1 (zh) | 一种产业自动分类方法及系统 | |
CN113807027A (zh) | 一种风电机组健康状态评估模型、方法及系统 | |
Mehran et al. | Particle swarm extension to LOLIMOT | |
CN111626792A (zh) | 一种对配网内综合能源源荷储精准画像技术 |
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 |