CN112801417A - 一种优化的模型并行的缺陷物资预测方法 - Google Patents
一种优化的模型并行的缺陷物资预测方法 Download PDFInfo
- Publication number
- CN112801417A CN112801417A CN202110279904.2A CN202110279904A CN112801417A CN 112801417 A CN112801417 A CN 112801417A CN 202110279904 A CN202110279904 A CN 202110279904A CN 112801417 A CN112801417 A CN 112801417A
- Authority
- CN
- China
- Prior art keywords
- model
- defect material
- defect
- prediction method
- parallel
- 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
- 239000000463 material Substances 0.000 title claims abstract description 85
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000002950 deficient Effects 0.000 claims abstract description 11
- 239000000126 substance Substances 0.000 claims description 9
- 239000012212 insulator Substances 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 239000002994 raw material Substances 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000004020 conductor Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 229910052573 porcelain Inorganic materials 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种优化的模型并行的缺陷物资预测方法,包括,基于Spark框架搭建分布式框架;分别在分布式框架的每个从节点上训练一个机器学习模型;将训练完成的机器学习模型分别保存到对应的节点,获得缺陷物资预测模型;利用缺陷物资预测模型对缺陷物资进行预测;本发明通过模型并行的架构,实现多模型的并行训练,提高训练模型的速度,以及提高预测速度;同时通过多模型并行训练,提高了缺陷物资预测精度。
Description
技术领域
本发明涉及物资需求预测的技术领域,尤其涉及一种优化的模型并行的缺陷物资预测方法。
背景技术
电网系统的平稳健康运行,对人民生产生活非常重要。但是电网系统太过庞大,设备也不可能一直完好无损的运行。极端天气、突发情况以及设备老化等都可能导致电网故障。
对于电网的设备物资而言,主要有三类:日常设备物资、应急设备物资和重大灾害缺陷物资。本发明主要针对的是应急设备物资。当设备发生故障时,就需要在各地仓库备有以进行更换来保证电网的正常运行。但是各地仓库应该每类物资应该采购多少,才能既不缺物资,又不会过度仓储,就成了一个值得研究的问题。
但是电网系统中,不同的区域、不同的物资数据分布很不一样,如图1所示。以修文县的真实数据分布为例,本体、复合绝缘子和金具本体的分布不一样。同时可以看到,数据的分布没有很强的规律性。因此,要实现对电网层次化的缺陷物资的精准预测,不可能实现一个模型适应于所有的缺陷物资。同时考虑到电网的传感器数据是海量的,那么单机就比较难实现高效的预测,甚至不能完成预测任务。目前大数据技术虽然已经很成熟,但还是有一些不足。当前的高性能并行计算,主要分为两类:数据并行和模型并行。数据并行是将数据划分到各个从服务器上训练模型。模型并行会把模型进行划分分区,分配到不同的机器分别运行(按功能,层次),因为参数间存在依赖关系,需要调度器。
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,本发明提供了一种优化的模型并行的缺陷物资预测方法,能够解决现有技术的预测性能不高的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,基于Spark框架搭建分布式框架;分别在分布式框架的每个从节点上训练一个机器学习模型;将训练完成的机器学习模型分别保存到对应的从节点,获得缺陷物资预测模型;利用所述缺陷物资预测模型对缺陷物资进行预测。
作为本发明所述的优化的模型并行的缺陷物资预测方法的一种优选方案,其中:所述分布式框架包括一个主节点和多个从节点。
作为本发明所述的优化的模型并行的缺陷物资预测方法的一种优选方案,其中:所述机器学习模型包括,线性回归模型、Lasso回归模型、岭回归模型、负反馈神经网络模型、梯度提升树和极端梯度提升模型。
作为本发明所述的优化的模型并行的缺陷物资预测方法的一种优选方案,其中:训练所述机器学习模型包括,根据目标公式对优化目标进行求解,完成所述机器学习模型的训练;而后利用机器学习模型预测所述缺陷物资,分别获得预测值所述目标公式如下:
其中,nsamples为样本数,w为向量在样本各个维度的权重系数,X为样本数据,y为物资缺陷的量,α、β为正则系数,||w||1、||w||2分别为系数的一阶范数、二阶范数。
作为本发明所述的优化的模型并行的缺陷物资预测方法的一种优选方案,其中:还包括,所述分布式框架在所述主节点上对缺陷物资的数据和气象数据进行分发,若有N个所述机器学习模型,则将机器学习模型的训练命令打包并发送到所述从节点。
作为本发明所述的优化的模型并行的缺陷物资预测方法的一种优选方案,其中:所述缺陷物资包括,金具本体、本体、拉线本体、混凝土电杆、瓷质绝缘子、CPU插件、架空导线、分合闸接触器、充电模块、复合绝缘子。
本发明的有益效果:本发明通过模型并行的架构,实现多模型的并行训练,提高训练模型的速度,以及提高预测速度;同时通过多模型并行训练,提高了缺陷物资预测精度。
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为本发明第一个实施例所述的一种优化的模型并行的缺陷物资预测方法的流程示意图;
图2为本发明第一个实施例所述的一种优化的模型并行的缺陷物资预测方法的分布式框架结构示意图;
图3为本发明第一个实施例所述的一种优化的模型并行的缺陷物资预测方法的模型并行架构示意图;
图4为本发明第一个实施例所述的一种优化的模型并行的缺陷物资预测方法的数据并行架构示意图;
图5为本发明第一个实施例所述的一种优化的模型并行的缺陷物资预测方法的分布式框架训练模型并行架构示意图;
图6为本发明第二个实施例所述的一种优化的模型并行的缺陷物资预测方法的平均预测时间对比示意图。
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
参照图1~图5,为本发明的第一个实施例,该实施例提供了一种优化的模型并行的缺陷物资预测方法,包括:
S1:基于Spark框架搭建分布式框架。
如图2所示,分布式框架包括一个主节点和多个从节点,具体的,主节点为ClusterManager,通过Cluster Manager控制整个集群,监控从节点;从节点为Worker节点。
S2:分别在分布式框架的每个从节点上训练一个机器学习模型,将训练完成的机器学习模型分别保存到对应的从节点,获得缺陷物资预测模型。
其中需要说明的是,机器学习模型有线性回归模型、Lasso回归模型、岭回归模型、负反馈神经网络(Back Propagation Neuron Net Wok)模型、梯度提升树(GBDT,gradientboosting decision tree)和极端梯度提升(XgBoost,eXtreme Gradient Boosting)模型等。
在分布式框架的主节点上对缺陷物资的数据(金具本体、本体、拉线本体、混凝土电杆、瓷质绝缘子、CPU插件、架空导线、分合闸接触器、充电模块和复合绝缘子)和气象数据进行分发,若有N个机器学习模型,则将这N个机器学习模型的训练命令打包发送到对应的从节点上,在每个从节点上训练相应的机器学习模型。
具体的,根据目标公式对优化目标进行求解,即训练每个机器学习模型;
目标公式如下:
其中,nsamples为样本数,w为向量在样本各个维度的权重系数,X为样本数据,y为物资缺陷的量,α、β为正则系数,||w||1、||w||2分别为系数的一阶范数、二阶范数。
参照图5,机器学习模型训练完成后,将该模型的训练结果保存在每个从节点上,然后将缺陷物资的数据和气象数据也发布到各个从节点,并利用机器学习模型预测缺陷物资,分别获得预测值以及RMSE(Root Mean Squared Error,均方根误差);
其中,为线性回归模型、Lasso回归模型、岭回归模型的缺陷物资预测值(单位为件,值为正实数),x为输入的电网物资的特征数据(投运日期、生产厂家,缺陷发生日期、发生缺陷时气象温度、湿度、是否大雪天气等),θ为权重参数向量,T为转置符号。
进一步的,将得到的RMSE取倒数,作为对应的机器学习模型的权重,然后将所有权重汇总到主节点,得到最终的预测结果。
根据训练模型时的各个模型预测得到的RMSE取值的倒数,来作为该模型的权重。从而在后期进行分布式预测的时候,每个从节点上都计算一个加权的预测值,然后将所有加权的预测值汇总到主节点,获得缺陷物资预测模型。
S3:利用缺陷物资预测模型对缺陷物资进行预测。
本发明通过搭建模型并行的电网缺陷物资预测框架,通过该框架训练机器学习模型,实现多模型的并行训练;然后分别利用保存的机器学习模型对缺陷进行预测,最后再将预测结果汇总到一个主节点上,提高了预测精度。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择的单机串行预测方法和采用本方法进行对比测试,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。
单机串行预测方法预测速度慢,对于海量的电网的传感器数据,难以实现高效的预测,甚至不能完成预测任务。
为验证本方法相对传统方法具有较快的预测速度,本实施例中将采用单机串行预测方法和本方法分别对同一缺陷物资的预测时间进行测量对比。
将1000份缺陷物资数据分别采用单机串行预测方法和本方法进行预测,单机串行预测方法和本方法的测试样本都为500份,本方法在Microsoft Visual Studio 2017上进行程序编译并运行,结果如图6所示,单机串行预测方法所需的平均预测时间为1.382s,而本方法所需的平均预测时间为1.357s,相对提升了1.8%。
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 (9)
1.一种优化的模型并行的缺陷物资预测方法,其特征在于:包括,
基于Spark框架搭建分布式框架;
分别在分布式框架的每个从节点上训练一个机器学习模型;
将训练完成的机器学习模型分别保存到对应的从节点,获得缺陷物资预测模型;
利用所述缺陷物资预测模型对缺陷物资进行预测。
2.如权利要求1所述的优化的模型并行的缺陷物资预测方法,其特征在于:所述分布式框架包括一个主节点和多个从节点。
3.如权利要求1所述的优化的模型并行的缺陷物资预测方法,其特征在于:所述机器学习模型包括,
线性回归模型、Lasso回归模型、岭回归模型、负反馈神经网络模型、梯度提升树和极端梯度提升模型。
8.如权利要求4所述的优化的模型并行的缺陷物资预测方法,其特征在于:还包括,
所述分布式框架在所述主节点上对缺陷物资的数据和气象数据进行分发,若有N个所述机器学习模型,则将机器学习模型的训练命令打包并发送到所述从节点。
9.如权利要求1所述的优化的模型并行的缺陷物资预测方法,其特征在于:所述缺陷物资包括,
金具本体、本体、拉线本体、混凝土电杆、瓷质绝缘子、CPU插件、架空导线、分合闸接触器、充电模块、复合绝缘子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279904.2A CN112801417A (zh) | 2021-03-16 | 2021-03-16 | 一种优化的模型并行的缺陷物资预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279904.2A CN112801417A (zh) | 2021-03-16 | 2021-03-16 | 一种优化的模型并行的缺陷物资预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801417A true CN112801417A (zh) | 2021-05-14 |
Family
ID=75817072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110279904.2A Pending CN112801417A (zh) | 2021-03-16 | 2021-03-16 | 一种优化的模型并行的缺陷物资预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801417A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570657A (zh) * | 2016-11-14 | 2017-04-19 | 国家电网公司 | 一种电网评价指标权重确定方法 |
CN108268638A (zh) * | 2018-01-18 | 2018-07-10 | 浙江工业大学 | 一种基于Spark框架的生成对抗网络分布式实现方法 |
CN109523057A (zh) * | 2018-10-18 | 2019-03-26 | 国网山东省电力公司经济技术研究院 | 一种考虑经济转型背景的区域电网电力负荷预测方法 |
CN110705716A (zh) * | 2019-09-30 | 2020-01-17 | 大连民族大学 | 一种多模型并行训练方法 |
CN111295681A (zh) * | 2017-10-31 | 2020-06-16 | 甲骨文国际公司 | 使用加权混合机器学习模型进行需求预测 |
CN111639815A (zh) * | 2020-06-02 | 2020-09-08 | 贵州电网有限责任公司 | 一种多模型融合预测电网缺陷物资的方法及系统 |
-
2021
- 2021-03-16 CN CN202110279904.2A patent/CN112801417A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570657A (zh) * | 2016-11-14 | 2017-04-19 | 国家电网公司 | 一种电网评价指标权重确定方法 |
CN111295681A (zh) * | 2017-10-31 | 2020-06-16 | 甲骨文国际公司 | 使用加权混合机器学习模型进行需求预测 |
CN108268638A (zh) * | 2018-01-18 | 2018-07-10 | 浙江工业大学 | 一种基于Spark框架的生成对抗网络分布式实现方法 |
CN109523057A (zh) * | 2018-10-18 | 2019-03-26 | 国网山东省电力公司经济技术研究院 | 一种考虑经济转型背景的区域电网电力负荷预测方法 |
CN110705716A (zh) * | 2019-09-30 | 2020-01-17 | 大连民族大学 | 一种多模型并行训练方法 |
CN111639815A (zh) * | 2020-06-02 | 2020-09-08 | 贵州电网有限责任公司 | 一种多模型融合预测电网缺陷物资的方法及系统 |
Non-Patent Citations (3)
Title |
---|
李轩: "考虑经济转型的中长期电力负荷预测研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
赵滨: "大气污染大数据平台的设计与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
马利洁: "Spark框架下基于变量预测模型的变压器故障的并行化诊断", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
Nichiforov et al. | Energy consumption forecasting using ARIMA and neural network models | |
CN112803592B (zh) | 一种适用于分布式电站的智能故障预警方法及系统 | |
CN105186525B (zh) | 风电接入下无功电压控制分区方法 | |
US10474177B2 (en) | System and method for stability monitoring, analysis and control of electric power systems | |
US20160084889A1 (en) | System and method for stability monitoring, analysis and control of electric power systems | |
CN109787236A (zh) | 一种基于深度学习的电力系统频率态势预测方法 | |
CN108764684A (zh) | 基于模糊层次分析法的智能箱式变电站健康状态评估方法 | |
CN109145362A (zh) | 一种电网建模方法及系统 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN109143074A (zh) | 一种动力电池模型参数辨识方法及系统 | |
CN108182490A (zh) | 一种大数据环境下的短期负荷预测方法 | |
CN115187013A (zh) | 一种锂电池性能评分计算方法及系统 | |
CN108647838B (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
CN113792939A (zh) | 基于混合威布尔分布的电能表可靠性预测方法及装置 | |
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 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN112444772B (zh) | 一种智能电能表可靠性预测方法及装置 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN112052985B (zh) | 一种基于lightgbm的中短期低电压预测方法 | |
CN112801417A (zh) | 一种优化的模型并行的缺陷物资预测方法 | |
CN117196421A (zh) | 一种基于电厂能源调度可视化系统及校准方法 | |
CN116307773A (zh) | 一种变电站二次设备可靠性估计方法 | |
CN117114161A (zh) | 一种基于元学习的输电线路风偏闪络风险的预测方法 | |
CN111553040B (zh) | 一种基于gpu加速的电网拓扑分析高性能计算方法及装置 |
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 |