CN112419086A - 一种基于调控数据分析的故障研判方法 - Google Patents
一种基于调控数据分析的故障研判方法 Download PDFInfo
- Publication number
- CN112419086A CN112419086A CN202011296230.9A CN202011296230A CN112419086A CN 112419086 A CN112419086 A CN 112419086A CN 202011296230 A CN202011296230 A CN 202011296230A CN 112419086 A CN112419086 A CN 112419086A
- Authority
- CN
- China
- Prior art keywords
- regulation
- data
- method based
- control data
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000033228 biological regulation Effects 0.000 title claims abstract description 44
- 238000007405 data analysis Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000011160 research Methods 0.000 claims abstract description 6
- 230000002787 reinforcement Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000007619 statistical method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002898 library design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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
Abstract
本发明公开了一种基于调控数据分析的故障研判方法,包括:数据清洗所接入的不同系统的数据,统一分类存储清洗后的数据;利用GBDT算法建立GBDT模型,基于所述GBDT模型计算分类清洗后的数据,得到特征值;基于推理机模型及专家数据优化专家库数据,推理分析所述特征值,输出特征值及决策,完成故障研判。本发明能够达到全面监控,能够大大减轻调度员的工作压力,提高供电质量,加强电网缺陷管控,降低设备检修的超期停电,提高电网安全稳定运行水平,提升调控员的工作效率并降低操作风险。
Description
技术领域
本发明涉及调控数据分析技术领域,尤其涉及一种基于调控数据分析的故障研判方法。
背景技术
随着贵州电网的飞速发展,电网结构日益复杂,调控业务与日俱增,调控员关注的信息及工作越来越繁重;近年来大数据技术日渐成熟,因此将大数据趋势研判技术与电网调控业务相结合是电网调控业务发展的必然趋势,但是现有的调控业务监控系统还停留在统计分析阶段,还未整合大数据的趋势研判技术,还未实现智能调控,导致现有电网调控数据价值未充分利用,只能为调控员提供简单的统计分析,调控人员压力大,不能提高调度员的工作效率。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的调控数据分析系统采用SpringMVC框架,Echarts,Bootstrap等技术,相对落后,对数据的分析停留在表面的图形、报表的简单统计分析层面,对数据没有深度利用,未统计分析出调控员亟需的信息,只是让调控人员对电网调控状态有一个浅显的了解,并且缺少故障研判和事故处理的功能。
为解决上述技术问题,本发明提供如下技术方案:数据清洗所接入的不同系统的数据,统一分类存储清洗后的数据;利用GBDT算法建立GBDT模型,基于所述GBDT模型计算分类清洗后的数据,得到特征值;基于推理机模型及专家数据,优化专家库数据,推理分析所述特征值,输出特征值及决策,完成故障研判。
作为本发明所述的基于调控数据分析的故障研判方法的一种优选方案,其中:所述GBDT模型包括k个基模型组成的一个加法模型。
作为本发明所述的基于调控数据分析的故障研判方法的一种优选方案,其中:所述加法模型第t次迭代要训练的树模型包括ft(xi),
作为本发明所述的基于调控数据分析的故障研判方法的一种优选方案,其中:所述GBDT算法步骤包括,初始化学习器;对每个样本i=1、2...,N,计算负梯度,即残差;将上步得到的残差作为样本新的真实值,并将数据(xi,rim),i=1、2..N作为下棵树的训练数据,得到一颗新的回归树fm(x)其对应的叶子节点区域为Rjm,j=1、2...J;对叶子区域j=1、2..J计算最佳拟合值;更新强化学习器;得到最终学习器。
作为本发明所述的基于调控数据分析的故障研判方法的一种优选方案,其中:所述初始化学习器包括,
作为本发明所述的基于调控数据分析的故障研判方法的一种优选方案,其中:所述残差包括,
作为本发明所述的基于调控数据分析的故障研判方法的一种优选方案,其中:所述计算最佳拟合值包括,
基于叶子区域j=1、2..J计算最佳拟合值:
作为本发明所述的基于调控数据分析的故障研判方法的一种优选方案,其中:所述更新强化学习器包括,
作为本发明所述的基于调控数据分析的故障研判方法的一种优选方案,其中:所述最终学习器包括,
作为本发明所述的基于调控数据分析的故障研判方法的一种优选方案,其中:清洗所述数据的清洗规则包括数据填充、前后均值替换、直接删除样本。
本发明的有益效果:本发明能够达到全面监控,能够大大减轻调度员的工作压力,提高供电质量,加强电网缺陷管控,降低设备检修的超期停电,提高电网安全稳定运行水平,提升调控员的工作效率并降低操作风险。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的一些实施例,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它的附图。其中:
图1为本发明一个实施例提供的基于调控数据分析的故障研判方法的基本流程示意图;
图2为本发明一个实施例提供的基于调控数据分析的故障研判方法的基于Jupyter notebook进行展示的展示结果图;
图3为本发明一个实施例提供的基于调控数据分析的故障研判方法的残差举例图;
图4为本发明一个实施例提供的基于调控数据分析的故障研判方法的推理机作出决策的基本原理图;
图5为本发明一个实施例提供的基于调控数据分析的故障研判方法的专家库模型示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
为了实现智能调度,为了实现大数据在调控信息多源化的应用,本发明通过调控系统数据源统一建模、调控数据挖掘分析和业务故障研判智能处理等关键技术,能够实现智能监视、统计与分析,提出解决方案等功能。
参照图1~5,为本发明的一个实施例,提供了一种基于调控数据分析的故障研判方法,包括:
S1:数据清洗所接入的不同系统的数据,统一分类存储清洗后的数据;需要说明的是:清洗数据的清洗规则包括数据填充、前后均值替换、直接删除样本。
具体的,目前电网调控数据存储在不同的系统之中,库名、表名、字段名等不一致,导致数据不能统一规范化存储,该步骤就是需要接入不同系统的数据,将不同系统中的数据进行数据清洗,删掉没有意义的数据,将清洗后的数据统一的分类存储。
更加具体的,本发明在调度运行信号离散分布到各个系统的基础上,搭建一套能整合调度实时运行信号的系统,该系统能够整合各个采集器采集到的数据,与各个系统采用数据接口的方式,实时的获取数据,通过不同的设备类型、设备参数、指标等分类数据,实现数据的规范化采集和存储;通过各个数据类型的特征,建立一套合适的清洗规则,包括数据填充、前后均值替换、直接删除样本等步骤,编写存储过程,通过使用表与表之间的关系,生成设计训练宽表,按照适合的清洗规则,对数据进行清理并对历史数据同样进行分类清洗、梳理、存储。
S2:利用GBDT算法建立GBDT模型,基于GBDT模型计算分类清洗后的数据,得到特征值;需要说明的是:GBDT模型包括k个基模型组成的一个加法模型。
其中,加法模型第t次迭代要训练的树模型包括ft(xi),
具体的,GBDT算法步骤包括:
初始化学习器;
当m=1,2,.…,M时,对每个样本i=1、2...,N,计算负梯度,即残差;将上步得到的残差作为样本新的真实值,并将数据(xi,rim),i=1、2..N作为下棵树的训练数据,得到一颗新的回归树fm(x)其对应的叶子节点区域为Rjm,j=1、2...J;对叶子区域j=1、2..J计算最佳拟合值;更新强化学习器;
得到最终学习器。
其中,初始化学习器包括,
残差包括,
计算最佳拟合值包括,
基于叶子区域j=1、2..J计算最佳拟合值:
进一步的,更新强化学习器包括,
最终学习器包括,
对于一般的损失函数而言,残差不好计算。GBDT将损失函数的负梯度作为残差替代值,拟合一个回归树;例如:预测一个人是否喜欢电脑游戏,图3表明小男孩更喜欢打游戏。
具体的,GBDT是集成算法,由n棵树组成,使用Jupyter notebook进行数据分析与结果展示,在pycharm中编写可以工程化的程序,图2为使用Jupyternotebook进行展示的展示结果,显示了算法特征重要度。
GDBT是Boosted trees,它由k个基模型组成的一个加法模型,假设我们第t次迭代要训练的树模型是ft(xi),则有:
基于上述步骤的GBDT算法模型,带入大量的历史数据,进行模型训练,能够提高算法的准确性。
S3:基于推理机模型及专家数据优化专家库数据,推理分析特征值,输出特征值及决策,完成故障研判。
其中,专家库设计不同于传统的程序设计,因为其问题通常没有算法去求解,而是依靠推理获得一个合理解决方法,算法是一种理想的解决方案,因为它会在有限的时间内给出答案,然而,算法也许不能令人满意而问题的复杂性增加,所以需要使用人工智能,在没有任何可用的算法帮助我获得最佳方法时,一个合理的方法就是最好的;专家库依赖于推理,解释机用于解释这个过程,这个过程是可检查的;专家库允许系统通过规则归纳从例子中学习规则,在归纳时,专家库从数据中生成规则;如图4所示为推理机根据知识库对数据库做出决策的基本原理图,专家库的模型是按照图5设计,通过知识工程师的数据录入以及后期用户的使用数据来作为后期获取数据的入口,将专业数据放入知识库,操作数据通过解释器,放入综合数据库,结合推理机的推理分析,最后得到推断内容。
实施例2
为对本方法中采用的技术效果加以验证说明,本实施例采用传统技术方案与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
传统的技术方案:传统的方法采用FineReport、Echarts技术,对调控数据进行故障研判分析,数据的分析层面属于统计分析维度,缺少对调控数据进行深度的分析和人工智能的故障研判,分析层面低,需要调度员结合统计分析数据进行人工的故障分析与研判,分析难度大,对调度员的技术水平要求高,采用人工的故障研判方法,会因为人工判断失误,导致故障未及时的发现,甚至导致故障研判错误,故障研判准确率低下。
为验证本发明方法相对传统方法具有较高的故障研判准确性,能提供更准确的故障处理操作,能更加快速的定位故障并给出优秀的解决方案,能够减轻操作人员人工故障研判的负担,能够让故障更及时的更准确的被发现被处理;本实施例中将采用传统故障研判方法和本方法分别对调控数据进行故障研判统计分析,通过故障研判的准确性和及时性进行实时测量对比。
测试环境:将使用数据模拟器模拟调控数据的发送,采用3组测试数据,每组100个人,第一组测试1000次信号,第二组测试5000个信号,第三组测试10000个信号,分别利用传统方法对调控数据进行故障研判,并对故障研判的准确性和及时性进行记录,获得测试结果数据;采用本方法,则通过对调控数据人工智能的故障研判的仿真测试,根据实验结果得到仿真数据:故障研判的准确性和及时性的;每种方法各测试3组数据,计算获得每组数据处理时间进行对比;结果如下表所示:
表1:分析故障准确率对比表。
表2:研判及时性对比表。
从表中的实验对比数据可以看出,本发明方法的分析故障准确率远远高于传统方法,且在时间上远远小于传统方法的时间,说明了本发明本发明能够达到全面监控,能够大大减轻调度员的工作压力,提高供电质量,加强电网缺陷管控,降低设备检修的超期停电,提高电网安全稳定运行水平,提升调控员的工作效率并降低操作风险。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于调控数据分析的故障研判方法,其特性在于,包括:
数据清洗所接入的不同系统的数据,统一分类存储清洗后的数据;
利用GBDT算法建立GBDT模型,基于所述GBDT模型计算分类清洗后的数据,得到特征值;
基于推理机模型及专家数据优化专家库数据,推理分析所述特征值,输出特征值及决策,完成故障研判。
2.如权利要求1所述的基于调控数据分析的故障研判方法,其特征在于:所述GBDT模型包括k个基模型组成的一个加法模型。
4.如权利要求2所述的基于调控数据分析的故障研判方法,其特征在于:所述GBDT算法步骤包括,
初始化学习器;
对每个样本i=1、2...,N,计算负梯度,即残差;将上步得到的残差作为样本新的真实值,并将数据(xi,rim),i=1、2..N作为下棵树的训练数据,得到一颗新的回归树fm(x)其对应的叶子节点区域为Rjm,j=1、2...J;对叶子区域j=1、2..J计算最佳拟合值;更新强化学习器;
得到最终学习器。
10.如权利要求1或9所述的基于调控数据分析的故障研判方法,其特征在于:清洗所述数据的清洗规则包括数据填充、前后均值替换、直接删除样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296230.9A CN112419086A (zh) | 2020-11-18 | 2020-11-18 | 一种基于调控数据分析的故障研判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296230.9A CN112419086A (zh) | 2020-11-18 | 2020-11-18 | 一种基于调控数据分析的故障研判方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112419086A true CN112419086A (zh) | 2021-02-26 |
Family
ID=74773464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011296230.9A Pending CN112419086A (zh) | 2020-11-18 | 2020-11-18 | 一种基于调控数据分析的故障研判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419086A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017129030A1 (zh) * | 2016-01-29 | 2017-08-03 | 阿里巴巴集团控股有限公司 | 磁盘的故障预测方法和装置 |
CN110309771A (zh) * | 2019-06-28 | 2019-10-08 | 南京丰厚电子有限公司 | 一种基于gbdt-insgaii的eas声磁系统标签识别算法 |
CN110488150A (zh) * | 2019-08-09 | 2019-11-22 | 国网河北省电力有限公司沧州供电分公司 | 一种基于多算法融合的故障智能诊断方法 |
CN110738349A (zh) * | 2019-09-05 | 2020-01-31 | 国网浙江省电力有限公司杭州供电公司 | 基于多模型融合的电网故障抢修时长预测方法 |
CN110929451A (zh) * | 2019-10-24 | 2020-03-27 | 同济大学 | 一种燃料电池单体电压一致性预测方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
-
2020
- 2020-11-18 CN CN202011296230.9A patent/CN112419086A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017129030A1 (zh) * | 2016-01-29 | 2017-08-03 | 阿里巴巴集团控股有限公司 | 磁盘的故障预测方法和装置 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN110309771A (zh) * | 2019-06-28 | 2019-10-08 | 南京丰厚电子有限公司 | 一种基于gbdt-insgaii的eas声磁系统标签识别算法 |
CN110488150A (zh) * | 2019-08-09 | 2019-11-22 | 国网河北省电力有限公司沧州供电分公司 | 一种基于多算法融合的故障智能诊断方法 |
CN110738349A (zh) * | 2019-09-05 | 2020-01-31 | 国网浙江省电力有限公司杭州供电公司 | 基于多模型融合的电网故障抢修时长预测方法 |
CN110929451A (zh) * | 2019-10-24 | 2020-03-27 | 同济大学 | 一种燃料电池单体电压一致性预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378818B (zh) | 基于难度的个性化习题推荐方法、系统及介质 | |
CN101315680B (zh) | 基于自动调查问卷的群体意见定性分析工具及实现方法 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN109636243A (zh) | 模型故障检测方法、装置、计算机设备以及存储介质 | |
CN107515822B (zh) | 基于多目标优化的软件缺陷定位方法 | |
CN104656620A (zh) | 重型机床再制造综合评价系统 | |
CN111210049A (zh) | 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 | |
CN115419558A (zh) | 一种风电机组运行状态评估方法及装置 | |
CN111679972A (zh) | 软件系统可靠性预计方法、装置、计算机设备和存储介质 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
CN115222284A (zh) | 一种基于成熟度模型的数字孪生系统成熟度评价方法 | |
CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
CN115145817A (zh) | 一种软件测试方法、装置、设备及可读存储介质 | |
CN112580288B (zh) | 基于多梯度神经网络的半导体器件特性建模方法和系统 | |
CN113836822A (zh) | 一种基于mclstm模型的航空发动机寿命预测方法 | |
CN113592017A (zh) | 一种深度学习模型标准化训练方法、管理系统、处理终端 | |
CN106202668B (zh) | 基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法 | |
CN112419086A (zh) | 一种基于调控数据分析的故障研判方法 | |
CN112712205A (zh) | 一种基于长短期记忆神经网络的配电网故障预防方法 | |
CN116842433A (zh) | 一种基于集成学习及天牛须算法的配电网故障分类方法 | |
CN111242266A (zh) | 一种运行数据管理系统 | |
CN114139802B (zh) | 一种基于流域水情变化趋势分析模型的实时优化调度方法 | |
Lu | Prediction model and data simulation of sports performance based on the artificial intelligence algorithm | |
CN114648060A (zh) | 基于机器学习的故障信号规范化处理及分类方法 |
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 |