CN112084623B - 基于随机采样的ebo事件选取方法及装置 - Google Patents
基于随机采样的ebo事件选取方法及装置 Download PDFInfo
- Publication number
- CN112084623B CN112084623B CN202010746731.6A CN202010746731A CN112084623B CN 112084623 B CN112084623 B CN 112084623B CN 202010746731 A CN202010746731 A CN 202010746731A CN 112084623 B CN112084623 B CN 112084623B
- Authority
- CN
- China
- Prior art keywords
- event
- performance
- complexity
- definition
- selecting
- 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
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于随机采样的EBO事件选取方法及装置,其中,方法包括以下步骤:分析系统状态,生成所有可能的系统状态转移的集合构成事件空间;基于事件空间选取事件复杂度范围;依据事件复杂度范围在事件空间中进行随机采样,选取出性能最优的事件定义,并计算置信度。该方法不仅可以降低问题的求解复杂度,节约计算成本,而且还可以在给定计算量约束下得到令人满意的优化性能,并提供定量的性能保证。
Description
技术领域
本发明涉及事件驱动优化技术领域,特别涉及一种基于随机采样的EBO(Event-Based Optimization,事件驱动优化)事件选取方法及装置。
背景技术
相关技术中,(1)一种能量事件驱动方法及系统,其方法包括步骤1:探测环境中的能量;步骤2:采集、存储探测的环境中的能量,同时感知系统前期的存储能量;判断系统的存储能量是否超过系统工作阈值(事件),若超过,则驱动系统工作并持续采集、存储后跳至步骤4;若未超过,则返至步骤2继续采集、存储;步骤4:根据需求或能量耗尽驱动系统进入断电休眠状态。该方法通过设置能量感知模块和驱动模块,感知环境中的能量,通过事件驱动的方法,进行采集、判定,控制存储能量对负载的输出。
(2)一种基于JavaScript的事件驱动方法和事件驱动系统,包括:仪表板上的任一部件在检测到自身的事件被触发时,向事件管理器发送事件触发信息;所述事件管理器广播接收到的所述事件触发信息;所述仪表板上的任一部件以外的其他部件接收所述广播的所述事件触发信息,根据所述事件触发信息、所述事件的驱动脚本的定义和预设的JavaScript模版文件生成统一的JavaScript脚本文件,并根据所述JavaScript脚本文件向脚本管理器注册所述事件。
(3)一种事件驱动电力系统经济调度方法,主要包括以下步骤:设置电力系统的参数;计算无功率约束条件下的发电机的最优成本增量和最优功率;判断发电机的最优功率是否达到约束条件(事件);将未达到约束条件和已经达到约束条件的发电机进行分类;更新所有发电机的最优成本增量;输出发电机的最优成本增量和最优功率。
(4)一种基于采样的方法用于选取最优事件复杂度。该文献考虑多个相邻房间的暖通空调系统的协同控制,利用该问题中房间的相关联性这一结构性特征,将事件选取问题转化成事件复杂度的选取问题,即单个房间的暖通空调系统控制需考虑多少个相邻房间的状态。该方法通过在事件复杂度空间中进行采样,评估对应的性能,从而选取出最优的事件复杂度。
(5)将系统中的状态分量分类为受动作影响(action-based)状态分量和不受动作影响(action-free)状态分量,该文献提出在相同的事件复杂度下,应当优先选取不受动作影响状态分量定义的事件,这样能够取得更好的性能。
相关技术(1)、(2)和(3)将事件驱动的思路应用于一些特定的系统中(相关技术(1)用于能量收集系统,相关技术(2)用于仪表检测系统,相关技术(3)用于电机控制系统),在这类系统中均有明确的事件定义,比如:相关技术(1)中,当能量储存超过一确定阈值时为一个事件;相关技术(2)中和相关技术(3)中类似。但是,这三项技术对于如何选取事件(即阈值如何确定、确定多少个阈值等)并没有给出回答。这一问题造成的结果是:当系统处于其他运行状态或者被运用于其他场景时,原有已经确定好的事件可能不再适用,其适用性有限。为了推广事件驱动优化方法的普适性,需要提出一种通用的选取事件的方法。
相关技术(4)利用问题的结构性特征,将原有的事件选取问题转化为事件复杂度选取问题,极大地降低了问题求解难度。但是该方法仅适用于一些特定的、具有类似的结构性特征的系统,这也制约了该方法的适用性。相关技术(5)从系统状态分量的转移性质的差别角度展开研究,将状态分量归纳为两类,提出了应当优先选取不受动作影响的状态分量定义的事件,但是并未总结出一套系统性的事件选取方法。
总体来说,现有技术存在以下不足:
1、适用范围有限,仅针对特定的系统适用;
2、未解决如何选取事件的问题;
3、未形成一套系统性的事件选取方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一目的在于提出一种基于随机采样的EBO事件选取方法,该方法不仅可以降低问题的求解复杂度,节约计算成本,而且还可以在给定计算量约束下得到令人满意的优化性能,并提供定量的性能保证。
本发明的第二个目的在于提出一种基于随机采样的EBO事件选取装置。
为达到上述目的,本发明第一方面实施例提供一种基于随机采样的EBO事件选取方法,包括以下步骤:分析系统状态,生成所有可能的系统状态转移的集合构成事件空间;基于所述事件空间选取事件复杂度范围;依据所述事件复杂度范围在所述事件空间中进行随机采样,选取出性能最优的事件定义,并计算置信度。
根据本发明实施例的基于随机采样的EBO事件选取方法,通过在事件空间中进行采样,评估相应事件定义下的系统优化性能,由此确定事件的最优复杂度,并引入序优化方法最终选取出满意的事件定义,从而不仅可以降低问题的求解复杂度,节约计算成本,而且还可以在给定计算量约束下得到令人满意的优化性能,并提供定量的性能保证。
另外,根据本发明上述实施例的基于随机采样的EBO事件选取方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述基于所述事件空间选取事件复杂度范围,包括:确定复杂度范围;在所述事件空间中随机均匀采样事件复杂度为所述复杂度范围内的事件;在采样的事件定义下,基于EBO优化事件触发的动作评估所述第一性能,并计算样本的总体平均性能和各事件复杂度下对应的性能,选取出高于总体平均性能的所述事件复杂度范围。
进一步地,在本发明的一个实施例中,所述选取出性能最优的事件定义,包括:根据所述事件复杂度范围,在所述事件空间中进行均匀随机采样;基于在采样的事件,利用EBO优化事件触发的动作评估所述第二性能,以选取出性能最优的事件定义。
进一步地,在本发明的一个实施例中,所述计算置信度,包括:根据所述性能最优的事件定义计算在全事件空间的性能排名满足预设条件的概率。
进一步地,在本发明的一个实施例中,所述概率的计算公式为:
p=(1-x%)N,
其中,N为采样数,x%为性能最优的事件定义在全事件空间的中的性能排名。
为达到上述目的,本发明第二方面实施例提供一种基于随机采样的EBO事件选取装置,包括:分析模块,用于分析系统状态,生成所有可能的系统状态转移的集合构成事件空间;事件复杂度选取模块,用于基于所述事件空间选取事件复杂度范围;最优事件定义选取模块,用于依据所述事件复杂度范围在所述事件空间中进行随机采样,选取出性能最优的事件定义,并计算置信度。
根据本发明实施例的基于随机采样的EBO事件选取装置,通过在事件空间中进行采样,评估相应事件定义下的系统优化性能,由此确定事件的最优复杂度,并引入序优化方法最终选取出满意的事件定义,从而不仅可以降低问题的求解复杂度,节约计算成本,而且还可以在给定计算量约束下得到令人满意的优化性能,并提供定量的性能保证。
另外,根据本发明上述实施例的基于随机采样的EBO事件选取装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述事件复杂度选取模块进一步用于确定复杂度范围,在所述事件空间中随机均匀采样事件复杂度为所述复杂度范围内的事件,在采样的事件定义下,基于EBO优化事件触发的动作评估所述第一性能,并计算样本的总体平均性能和各事件复杂度下对应的性能,选取出高于总体平均性能的所述事件复杂度范围。
进一步地,在本发明的一个实施例中,所述最优事件定义选取模块进一步用于根据所述事件复杂度范围,在所述事件空间中进行均匀随机采样;基于在采样的事件,利用EBO优化事件触发的动作评估所述第二性能,以选取出性能最优的事件定义。
进一步地,在本发明的一个实施例中,所述最优事件定义选取模块进一步用于根据所述性能最优的事件定义计算在全事件空间的性能排名满足预设条件的概率。
进一步地,在本发明的一个实施例中,所述概率的计算公式为:
p=(1-x%)N,
其中,N为采样数,x%为性能最优的事件定义在全事件空间的中的性能排名。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例提供的基于随机采样的EBO事件选取方法的流程示意图;
图2为根据本发明一个实施例提供的基于随机采样的EBO事件选取方法的流程示意图;
图3为根据本发明实施例的基于随机采样的EBO事件选取装置的示例图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
目前,许多工业、社会等人造系统均可归类为离散事件动态系统。这类系统的主要特征是:由特定的、离散的事件触发相应动作,从而引起系统的动态变化。比如,空调控制系统中,当室温上升并触及某一阈值(事件),空调将启动制冷(动作),使室温重新降低至舒适区间(系统动态变化)。又如,工业制造系统中,当上一流程的工件到达当前的流水线(事件),当前流水线将启动加工环节(动作),使制造工序进一步完成(系统动态变化)。基于事件的优化方法(或事件驱动优化方法)是优化该类系统的通用方法。
然而现有技术一般利用专家经验确定好系统中的事件,比如空调控制系统中,依据设定好的阈值作为基准,当温度跨越设定好的阈值时作为事件,触发相应动作。当缺乏专家经验或者没有关于系统的先验知识时,现有技术无法确定事件定义。因此,本发明实施例提出一种不依赖于专家经验或先验知识的、通用的事件选取方法及装置。
下面参照附图描述根据本发明实施例提出的基于随机采样的EBO事件选取方法及装置,首先将参照附图描述根据本发明实施例提出的基于随机采样的EBO事件选取方法。
具体而言,图1为本发明实施例所提供的一种基于随机采样的EBO事件选取方法的流程示意图。
如图1所示,该基于随机采样的EBO事件选取方法包括以下步骤:
在步骤S101中,分析系统状态,生成所有可能的系统状态转移的集合构成事件空间。
需要说明的是,在EBO框架下,事件被定义为系统状态转移的集合。以空调控制系统为例,系统的状态可以用室温t表示,当室温t升高至某一阈值温度T时,这一特定的状态转移被视为一个事件。该事件会触发动作(制冷、制热或不运行),EBO通过在给定事件定义下优化事件触发的动作,从而实现系统性能的最优。
可以理解的是,如图2所示,本发明实施例分析系统状态,所有可能的系统状态转移的集合构成事件空间E。
在步骤S102中,基于事件空间选取事件复杂度范围。
在本发明的一个实施例中,基于事件空间选取事件复杂度范围,包括:确定复杂度范围;在事件空间中随机均匀采样事件复杂度为复杂度范围内的事件;在采样的事件定义下,基于EBO优化事件触发的动作评估第一性能,并计算样本的总体平均性能和各事件复杂度下对应的性能,选取出高于总体平均性能的事件复杂度范围。
具体而言,如图2所示,选取事件复杂度包括:
(1)依据计算量的限制,确定事件复杂度范围R;
(2)在事件空间E中随机均匀采样事件复杂度为R范围内的事件;
(3)在(2)中采样的事件定义下,利用EBO优化事件触发的动作,评估性能;
(4)计算样本的总体平均性能和各事件复杂度下对应的性能,选取出高于总体平均性能的事件复杂度范围R*。
在步骤S103中,依据事件复杂度范围在事件空间中进行随机采样,选取出性能最优的事件定义,并计算置信度。
在本发明的一个实施例中,选取出性能最优的事件定义,包括:根据事件复杂度范围,在事件空间中进行均匀随机采样;基于在采样的事件,利用EBO优化事件触发的动作评估第二性能,以选取出性能最优的事件定义。
具体而言,如图2所示,选取最优事件定义包括:
(5)依据上述步骤选定的事件复杂度范围R*,在事件空间E中进行均匀随机采样;
(6)在(5)中采样的事件定义下,利用EBO优化事件触发的动作,评估性能;
(7)选取出性能最优的事件定义E*。
进一步地,在本发明的一个实施例中,计算置信度,包括:根据性能最优的事件定义计算在全事件空间的性能排名满足预设条件的概率。
具体而言,记总采样数为N,则依据序优化理论可以得出:最终选取得到的事件定义,在全事件空间的性能排名前x%的概率为p=(1-x%)N。
综上,本发明实施例解决了事件如何定义的问题,为事件驱动的优化方法(EBO)提供了工具保证,具有以下有益效果:
第一、广泛的适用性。基于采样的事件选取方法是一种通用方法,不依赖于特定的系统,也不依赖于系统的结构性特征,对于离散事件动态系统具有广泛的适用性。
第二、方法灵活、简单易行。本发明实施例方法通过采样的方式,在事件空间中随机采样并评估性能,通过多次采样选取出最优的事件定义方式。该方法采样的数量越多,获得的性能越好。用户可以根据计算量限制,灵活地调节采样量,从而实现在给定计算量约束下获得满意解。
第三、提供求解性能保障。在对选取的事件进行评估时,引入了序优化方法,该方法为性能评估提供了概率保证,即能够以一定置信度给出满足一定性能的事件定义。
根据本发明实施例提出的基于随机采样的EBO事件选取方法,通过在事件空间中进行采样,评估相应事件定义下的系统优化性能,由此确定事件的最优复杂度,并引入序优化方法最终选取出满意的事件定义,从而不仅可以降低问题的求解复杂度,节约计算成本,而且还可以在给定计算量约束下得到令人满意的优化性能,并提供定量的性能保证。
其次参照附图描述根据本发明实施例提出的基于随机采样的EBO事件选取装置。
图3是本发明实施例的基于随机采样的EBO事件选取装置的方框示意图。
如图3所示,该基于随机采样的EBO事件选取装置10包括:分析模块100、事件复杂度选取模块200和最优事件定义选取模块300。
其中,分析模块100用于分析系统状态,生成所有可能的系统状态转移的集合构成事件空间;事件复杂度选取模块200用于基于事件空间选取事件复杂度范围;最优事件定义选取模块300用于依据事件复杂度范围在事件空间中进行随机采样,选取出性能最优的事件定义,并计算置信度。本发明实施例的装置10不仅可以降低问题的求解复杂度,节约计算成本,而且还可以在给定计算量约束下得到令人满意的优化性能,并提供定量的性能保证。
进一步地,在本发明的一个实施例中,事件复杂度选取模块200进一步用于确定复杂度范围,在事件空间中随机均匀采样事件复杂度为复杂度范围内的事件,在采样的事件定义下,基于EBO优化事件触发的动作评估第一性能,并计算样本的总体平均性能和各事件复杂度下对应的性能,选取出高于总体平均性能的事件复杂度范围。
进一步地,在本发明的一个实施例中,最优事件定义选取模块300进一步用于根据事件复杂度范围,在事件空间中进行均匀随机采样;基于在采样的事件,利用EBO优化事件触发的动作评估第二性能,以选取出性能最优的事件定义。
进一步地,在本发明的一个实施例中,最优事件定义选取模块300进一步用于根据性能最优的事件定义计算在全事件空间的性能排名满足预设条件的概率。
进一步地,在本发明的一个实施例中,概率的计算公式为:
p=(1-x%)N,
其中,N为采样数,x%为性能最优的事件定义在全事件空间的中的性能排名。
需要说明的是,前述对基于随机采样的EBO事件选取方法实施例的解释说明也适用于该实施例的基于随机采样的EBO事件选取装置,此处不再赘述。
根据本发明实施例提出的基于随机采样的EBO事件选取装置,通过在事件空间中进行采样,评估相应事件定义下的系统优化性能,由此确定事件的最优复杂度,并引入序优化方法最终选取出满意的事件定义,从而不仅可以降低问题的求解复杂度,节约计算成本,而且还可以在给定计算量约束下得到令人满意的优化性能,并提供定量的性能保证。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
Claims (8)
1.一种基于随机采样的EBO事件选取方法,其特征在于,包括以下步骤:
分析系统状态,生成所有可能的系统状态转移的集合构成事件空间;
基于所述事件空间选取事件复杂度范围,包括:根据计算量的限制确定复杂度范围;在所述事件空间中随机均匀采样事件复杂度为所述复杂度范围内的事件;在采样的事件定义下,基于EBO优化事件触发的动作评估第一性能,并计算样本的总体平均性能和各事件复杂度下对应的性能,选取出高于总体平均性能的所述事件复杂度范围;以及
依据所述事件复杂度范围在所述事件空间中进行随机采样,选取出性能最优的事件定义,并计算置信度。
2.根据权利要求1所述的方法,其特征在于,所述选取出性能最优的事件定义,包括:
根据所述事件复杂度范围,在所述事件空间中进行均匀随机采样;
基于在采样的事件,利用EBO优化事件触发的动作评估第二性能,以选取出性能最优的事件定义。
3.根据权利要求1或2所述的方法,其特征在于,所述计算置信度,包括:
根据所述性能最优的事件定义计算在全事件空间的性能排名满足预设条件的概率。
4.根据权利要求3所述的方法,其特征在于,所述概率的计算公式为:
p=(1-x%)N,
其中,N为采样数,x%为性能最优的事件定义在全事件空间的中的性能排名。
5.一种基于随机采样的EBO事件选取装置,其特征在于,包括:
分析模块,用于分析系统状态,生成所有可能的系统状态转移的集合构成事件空间;
事件复杂度选取模块,用于基于所述事件空间选取事件复杂度范围,所述事件复杂度选取模块进一步用于:根据计算量的限制确定复杂度范围,在所述事件空间中随机均匀采样事件复杂度为所述复杂度范围内的事件,在采样的事件定义下,基于EBO优化事件触发的动作评估第一性能,并计算样本的总体平均性能和各事件复杂度下对应的性能,选取出高于总体平均性能的所述事件复杂度范围;以及
最优事件定义选取模块,用于依据所述事件复杂度范围在所述事件空间中进行随机采样,选取出性能最优的事件定义,并计算置信度。
6.根据权利要求5所述的装置,其特征在于,所述最优事件定义选取模块进一步用于根据所述事件复杂度范围,在所述事件空间中进行均匀随机采样;基于在采样的事件,利用EBO优化事件触发的动作评估第二性能,以选取出性能最优的事件定义。
7.根据权利要求5或6所述的装置,其特征在于,所述最优事件定义选取模块进一步用于根据所述性能最优的事件定义计算在全事件空间的性能排名满足预设条件的概率。
8.根据权利要求7所述的装置,其特征在于,所述概率的计算公式为:
p=(1-x%)N,
其中,N为采样数,x%为性能最优的事件定义在全事件空间的中的性能排名。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746731.6A CN112084623B (zh) | 2020-07-29 | 2020-07-29 | 基于随机采样的ebo事件选取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746731.6A CN112084623B (zh) | 2020-07-29 | 2020-07-29 | 基于随机采样的ebo事件选取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084623A CN112084623A (zh) | 2020-12-15 |
CN112084623B true CN112084623B (zh) | 2022-05-03 |
Family
ID=73734772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010746731.6A Active CN112084623B (zh) | 2020-07-29 | 2020-07-29 | 基于随机采样的ebo事件选取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084623B (zh) |
-
2020
- 2020-07-29 CN CN202010746731.6A patent/CN112084623B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112084623A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meng et al. | Localizing failure root causes in a microservice through causality inference | |
EP1806658B1 (en) | Analyzing method and device | |
US8812427B2 (en) | System and method for disaggregating power load | |
US10515308B2 (en) | System, method and cloud-based platform for predicting energy consumption | |
Ouf et al. | A simulation-based method to investigate occupant-centric controls | |
JP2000181526A (ja) | プラント状態推定・予測装置及び方法 | |
CN111639002B (zh) | 休眠功耗测试方法、系统、计算机设备和存储介质 | |
CN111624986A (zh) | 基于案例库的故障诊断方法和系统 | |
CN111123223A (zh) | 用于雷达健康管理的通用开发平台、管理系统及方法 | |
Albayati et al. | Semi-supervised machine learning for fault detection and diagnosis of a rooftop unit | |
CN110727943A (zh) | 一种入侵检测方法及装置 | |
CN112084623B (zh) | 基于随机采样的ebo事件选取方法及装置 | |
CN111858140B (zh) | 污染物监控数据的校验方法、装置、服务器和介质 | |
EP3979154A1 (en) | Method for evaluating an energy efficiency of a site | |
CN113011482B (zh) | 非侵入式负荷识别方法、终端设备及存储介质 | |
CN111861012A (zh) | 一种测试任务执行时间预测方法及最优执行节点选择方法 | |
CN113919225A (zh) | 环境试验箱可靠性评估方法和系统 | |
Gifty et al. | Weibull cumulative distribution based real-time response and performance capacity modeling of cyber–physical systems through software defined networking | |
CN112991574B (zh) | 一种分析电堆衰减的方法 | |
CN116739532B (zh) | 一种能源项目管理方法、系统、终端设备及存储介质 | |
CN117575176B (zh) | 一种电力数据中异常值的处理方法及系统 | |
CN111274112A (zh) | 应用程序压测方法、装置、计算机设备和存储介质 | |
CN113642198B (zh) | 一种基于可靠性增长的独立运载系统设备可靠性评估方法 | |
CN113705818B (zh) | 对支付指标波动进行归因的方法及装置 | |
CN117291311A (zh) | 一种耗电量预估方法及装置、电子设备、存储介质 |
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 |