CN112948364A - 基于协同拟合的电能计量数据恢复方法 - Google Patents
基于协同拟合的电能计量数据恢复方法 Download PDFInfo
- Publication number
- CN112948364A CN112948364A CN202110173156.XA CN202110173156A CN112948364A CN 112948364 A CN112948364 A CN 112948364A CN 202110173156 A CN202110173156 A CN 202110173156A CN 112948364 A CN112948364 A CN 112948364A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- electric energy
- fitting
- energy metering
- 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
Images
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
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Abstract
本发明属于用电数据分析处理应用领域,尤其涉及基于协同拟合的电能计量数据恢复方法。包括以下步骤:S1:以电能计量的准确的历史数据为基准建立二叉树数据模型;S2:搜索目标用户的m个最近邻;S3:生成含有缺失项的矩阵X*∈R(m+1)×N;S4:随机生成子矩阵A∈Rk×(m+1)和B∈Rk×N;S5:以泛化函数为目标函数交替优化矩阵A和B;S6:计算近似矩阵,实现缺失数据恢复。为了解决电能计量缺失数据的恢复问题,本发明提出了一种基于协同拟合的数据恢复算法,用以满足更为广泛的业务应用,支撑电网企业内部管理需求、电力用户综合能效管理需求、政府重大分析决策需求。此算法可以有效地减少算法复杂度,提高数据恢复精度。
Description
技术领域
本发明属于用电数据分析处理应用领域,尤其涉及基于协同拟合的电能计量数据恢复 方法。
背景技术
为了实现国家可持续绿色发展,节能减排的战略方针已刻不容缓。电能在我国能源结构 中占有主要地位,电网的精细化管理将有助于国家战略的实施。随着人民生活水平的提高和 工业发展,用户对电网的服务质量也有了更高的要求。得益于新能源技术和网络技术的进步, 传统电网正向能源网络综合发展。多种能源正向电网聚合,使得电能计量的问题变得复杂。 为了提高电能计量的准确性和实时性,先进的通信技术和信息采集技术被用来升级传统的电 能计量设备。但由于计量器的物理误差、通信时延、数据丢包、线路故障等原因,导致部分 计量数据错误、丢失,制约着依赖计量数据集的业务应用与电网的发展。因此电能计量的数 据缺失是一个亟需解决的问题。
用户的用电量会因天气、主观偏好、用电设备改变等引发不确定性和强非线性。仅依 据用户自身的历史计量数据很难精准预测和恢复丢失数据。如何依据用户的特征来恢复计 量数据是需要解决的关键问题。
电网中用户类型繁多,包括普通居民用户、工厂、商场等。矩阵分解方法虽然可以加 快算法速度,但如果使用相同维度的特征值来描述不同类型的用户,势必会造成较大的计 算误差。如何克服用户异构对数据恢复精度的影响也是一项难题。
协同过滤算法可以提高电能计量缺失数据的恢复精度,然而电网中用户数量巨大,如何 从庞大的用户群中快速搜索协同目标也是亟待解决的重要问题。
中国专利申请CN201810958160.5公开了一种多时间尺度时间序列协同预测模型的构建 方法,包括:步骤1),输入用户用电情况随着时间的变化而产生的记录数据,根据所述记 录数据构建相关的时序表示;步骤2),基于步骤1)得到的时序表示,对所有用电数据进行 分析,捕获不同的特征并分析其相对应的变化规律,并以此来构建时间尺度矩阵序列;步 骤3),根据步骤1)和步骤2)的输出,构建用电数据时间序列的预测模型,所述时间序列的 预测模型为多尺度RNN模型;步骤4),根据步骤1)、步骤2)和步骤3)的输出,以及外部因素的输出进行加权融合求解,得到多时间尺度用电时序数据协同预测模型。其存在的不足是采用时序数据进行协同预测,误差较大。
发明内容
针对现有技术存在的问题,本发明提出了一种减少算法复杂度,提高数据恢复精度的 基于协同拟合的电能计量数据恢复方法。
本发明是这样实现的,基于协同拟合的电能计量数据恢复方法,其特征在于:包括以 下步骤:
S1:以电能计量的准确的历史数据为基准建立二叉树数据模型;
S2:搜索目标用户的m个最近邻;
S3:生成含有缺失项的矩阵X*∈R(m+1)×N;
S4:随机生成子矩阵A∈Rk×(m+1)和B∈Rk×N;
S5:以泛化函数为目标函数交替优化矩阵A和B;
S6:计算近似矩阵,实现缺失数据恢复。
所述的建立二叉树数据模型包括
1)构造根节点:以xi1为参考轴,所有用户在参考轴上坐标的中位数median为切分点, 选定距中位数最近的用户为根节点将计量数据分为左、右子区域,左区域对应坐标小于切分 点的子区域,右区域对应坐标大于切分点的子区域,
2)重复构造子节点:对于深度为h子节点,选取xip为参考轴,按照步骤1)为每个子区 域构造根节点,并以此作为其父节点的子节点,直至子区域中不包含用户数据,
p=h mod N+1。
所述的S2搜索目标用户的m个最近邻,是指最近邻搜索,给定一个目标用户,根据其 已有数据,在树结构中首先找到包含此用户的子节点,然后依次回退到父节点,按照欧式 距离,不断查找其最邻近的点。
所述的泛化函数为了求解矩阵分解之后的子矩阵A和B,首先定义损失函数C为:
进一步,为了防止数据的过拟合,引入泛化函数,对式(1)进行修正,可得
式中,Xi与Wi分别表示相应矩阵的第i行,B.d表示矩阵B的第d列;
若令WI∈RN×k表示k个Wi T组成的矩阵,E表示单位矩阵,则可得
Ai=Xi(WI e B)[(WI e B)T(WI e B)-λE]-1 (3)
同理,如果矩阵A是已知的,可求得
Bi=X.j(W.J e A)[(W.J e B)T(W.J e B)-λE]-1 (4)
式中,W.J∈RM×k表示示k个列向量W.j组成的矩阵;
矩阵分解即按照公式(3)和(4)迭代求解,对损失函数进行最小优化,直至获得最优解。
本发明的优点及积极效果为:
在快速高效的恢复电能计量数据的缺失值,为此在二叉树搜索算法和矩阵分解算法的 基础上提出了协同拟合算法。首先建立树形结构的用户历史数据,然后以此获得与数据缺 失用户邻近的用户组,最后运用交替最小二乘矩阵分解算法对缺失数据进行恢复。该方法 在解决数据缺失问题上具有较高的可靠性和精确度。
附图说明
图1是本发明的方法流程框图;
图2是本发明的随机用户协同ALS算法示意图;
图3是本发明的协同拟合ALS算法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进 行进一步详细说明。
实施例1:
如图1所示,本发明是这样实现的,基于协同拟合的电能计量数据恢复方法,包括以 下步骤:S1:以电能计量的准确的历史数据为基准建立二叉树数据模型;
S2:搜索目标用户的m个最近邻;
S3:生成含有缺失项的矩阵X*∈R(m+1)×N;
S4:随机生成子矩阵A∈Rk×(m+1)和B∈Rk×N;
S5:以泛化函数为目标函数交替优化矩阵A和B;
S6:计算近似矩阵,实现缺失数据恢复。
具体上,
一、数学模型
令U=(u1,u2,L,ui,L,uM)表示电网中用户集合,其中ui表示用户i,M表示用户数量。令 T=(t1,t2,L,tj,L,tN)表示电能计量的采样时刻集合,其中tj表示第j次的采样时刻,N表示对 于一个用户的采样总数。令xij表示用户i在tj时刻的计量数据,表示xij的估计值,则用户 电能计量的时间序列数据如表1所示。
表1电能计量时间序列数据
令W∈RM×N表示计量数据的布尔状态矩阵,若计量数据缺失则标记为0。wij表示W中的 元素,即
设矩阵X∈RM×N为含有缺失项的待分解矩阵,其可以近似表示为两个矩阵的乘法。
X≈ABT
其中,A∈RM×k和B∈RN×k是两个低秩矩阵,k表示特征维度。A表示用户的特征矩阵,其 中每行表示每一用户的特征向量;B表示时间序列特征矩阵,其中每行表示当前采样时刻 的特征向量。
用户i与用户i*之间的相似度用欧氏距离来表示,
二、协同拟合算法
1)ALS矩阵分解
当前常用的矩阵分解算法主要有两种,分别是奇异值分解(SVD)和交替最小二乘法分解 (ALS)。SVD要求预先使用加权平均值的方法将矩阵中的缺失值补全,才可进行矩阵分解运 算,算法复杂度较高。而ALS的复杂度则相对较低,它从全局的角度通过一组低维度的隐 语义因子表达数据的特征,进而恢复矩阵中的缺失项。
为了求解矩阵分解之后的子矩阵A和B,首先定义损失函数C为:
进一步,为了防止数据的过拟合,引入泛化函数,对式(1)进行修正,可得
式中,Xi与Wi分别表示相应矩阵的第i行,B.d表示矩阵B的第d列。若令WI∈RN×k表示k个Wi T组成的矩阵,E表示单位矩阵,则可得
Ai=Xi(WI e B)[(WI e B)T(WI e B)-λE]-1 (3)
同理,如果矩阵A是已知的,可求得
Bi=X.j(W.J e A)[(W.J e B)T(W.J e B)-λE]-1 (4)
式中,W.J∈RM×k表示示k个列向量W.j组成的矩阵。
ALS矩阵分解即按照公式(3)和(4)迭代求解,对损失函数进行最小优化,直至获得最优 解。
2)最近邻算法
在ALS矩阵分解算法中,通过式(3)和(4)可以发现,恢复矩阵的损失函数C与特征值 维度k有密切联系。因用户类型不同,它们的特征维度势必不一致。若在矩阵分解时针对所 有用户均提取相同的特征维度,将会造成误差偏大,影响数据拟合精度。为了提高数据恢 复精度,需要尽可能的避免因特征维度不一致带来的误差。并且高维度的矩阵分解算法也 存在计算复杂度较高的问题。因此需要利用相似用户的数据进行协同拟合,以降低算法复 杂度和实现缺失计量数据的恢复。
最近邻算法旨在为用户找到特征最相似的协同用户。其实现的最简单方法是遍历搜索, 但当电网用户数据量巨大时,此方法将会花费大量的运算时间。针对电网中电能计量数据 具有数据条目远远大于数据维度的特点,基于树型结构的数据模型可以实现最近邻用户的 快速搜索。
以电能计量的准确的历史数据为基准建立二叉树数据模型,其维度与历史采样次数一致, 用N表示。令Xi=(xi1,L,xiN)表示用户ui的计量数据。最近邻搜索算法实现步骤如下:
①构造根节点。以xi1为参考轴,所有用户在参考轴上坐标的中位数median为切分点,选 定距中位数最近的用户为根节点将计量数据分为左、右子区域,左区域对应坐标小于切分点 的子区域,右区域对应坐标大于切分点的子区域。
②重复构造子节点。对于深度为h子节点,选取xip为参考轴,按照步骤①为每个子区域 构造根节点,并以此作为其父节点的子节点。直至子区域中不包含用户数据。
p=h mod N+1
③最近邻搜索。给定一个目标用户,根据其已有数据。在树结构中首先找到包含此用户 的叶节点,然后依次回退到父节点,按照欧式距离,不断查找其最邻近的点。
3)数据恢复算法
设恢复一个用户的缺失数据,需m个用户的数据进行协同拟合,m=M。对本文所提出的数据恢复算法流程如图1所示。
若最近邻搜索采用遍历搜索算法时,其复杂度为O(M),采用二叉树搜索算法时其复杂度 为显然本文采用的最近邻算法提高了搜索速度。采用ALS矩阵分解算法时,矩阵 的维度由M×N降低为m×N,在提高数据恢复精度的同时,简化了计算参数,进一步降低了 算法的复杂度。
4)数值仿真与分析
为了进一步验证所设计的数据恢复算法的有效性,借助于某电网计量中心统计的电能计 量数据集将本文提出的算法与多项式拟合算法进行分析。数据集中M=11397,N=92,缺失 数据约有658项。这些缺失数据不但影响到正常出账业务,而且引起了用户的投诉。
仿真验证中提取测试用户u1的计量数据,如表2所示。利用多项式拟合算法对其时间 序列进行拟合以达到恢复缺失数据的目的,本文分别采用一阶和五阶多项式进行测试,可 得结果图2、图3。
表2用户u1采样周期内的计量数据
采用矩阵分解方法恢复丢失数据的仿真实验中λ=0.001,m=7,数据恢复精度用估计误 差表示。以测试用户u1为例,其第10个采样的数据设置为丢失数据。以此将随 机选择m个用户协同矩阵分解和选择m个最近邻用户进行矩阵分解以实现丢失数据恢复的结 果作对比,可得图2、图3。
当ALS算法运行时,若协同用户随机选取,其恢复结果误差值e=1163.627;若协同用户 随机选取,其恢复结果误差值e=0.007。通过算法误差对比和观察图2与图3曲线图,可得 经过改进的协同拟合ALS算法具有较高的恢复精度。进一步说明了用电行为相似的用户, 相互之间的电能计量值相关性密切。另外,在现实生活中,通过最近邻用户的电能计量来 解决用户电量缺失比基于时间序列拟合算法更具有说服力和可靠性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和 原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于协同拟合的电能计量数据恢复方法,其特征在于:包括以下步骤:
S1:以电能计量的准确的历史数据为基准建立二叉树数据模型;
S2:搜索目标用户的m个最近邻;
S3:生成含有缺失项的矩阵X*∈R(m+1)×N;
S4:随机生成子矩阵A∈Rk×(m+1)和B∈Rk×N;
S5:以泛化函数为目标函数交替优化矩阵A和B;
S6:计算近似矩阵,实现缺失数据恢复。
3.如权利要求1所述的基于协同拟合的电能计量数据恢复方法,其特征在于,所述的S2搜索目标用户的m个最近邻,是指最近邻搜索,给定一个目标用户,根据其已有数据,在树结构中首先找到包含此用户的子节点,然后依次回退到父节点,按照欧式距离,不断查找其最邻近的点。
5.如权利要求4所述的基于协同拟合的电能计量数据恢复方法,其特征在于,所述的计算近似矩阵,是指采用交替最小二乘法分解,根据最小二乘法原理,如果矩阵B是已知的,那么式(2)对A中任一元素Aid求导,令可得
式中,Xi与Wi分别表示相应矩阵的第i行,B.d表示矩阵B的第d列;
若令WI∈RN×k表示k个Wi T组成的矩阵,E表示单位矩阵,则可得
Ai=Xi(WIe B)[(WIe B)T(WIe B)-λE]-1 (3)
同理,如果矩阵A是已知的,可求得
Bi=X.j(W.Je A)[(W.Je B)T(W.Je B)-λE]-1 (4)
式中,W.J∈RM×k表示示k个列向量W.j组成的矩阵;
矩阵分解即按照公式(3)和(4)迭代求解,对损失函数进行最小优化,直至获得最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110173156.XA CN112948364A (zh) | 2021-02-08 | 2021-02-08 | 基于协同拟合的电能计量数据恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110173156.XA CN112948364A (zh) | 2021-02-08 | 2021-02-08 | 基于协同拟合的电能计量数据恢复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112948364A true CN112948364A (zh) | 2021-06-11 |
Family
ID=76244259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110173156.XA Pending CN112948364A (zh) | 2021-02-08 | 2021-02-08 | 基于协同拟合的电能计量数据恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112948364A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013073256A (ja) * | 2011-09-26 | 2013-04-22 | Osaka Prefecture Univ | 近似最近傍探索方法、最近傍探索プログラムおよび装置 |
CN107766294A (zh) * | 2017-10-31 | 2018-03-06 | 北京金风科创风电设备有限公司 | 缺失数据的恢复方法和装置 |
WO2019056572A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳大学 | 隐私保护协同Web服务质量预测的基于模型的协同过滤方法 |
CN110008215A (zh) * | 2019-03-22 | 2019-07-12 | 武汉大学 | 一种基于改进的kd树并行算法的大数据搜索方法 |
CN110070121A (zh) * | 2019-04-15 | 2019-07-30 | 西北工业大学 | 一种基于树策略与平衡k均值聚类的快速近似k近邻方法 |
CN110705762A (zh) * | 2019-09-20 | 2020-01-17 | 天津大学 | 基于矩阵填充的泛在电力物联网感知数据缺失修复方法 |
CN111159638A (zh) * | 2019-12-26 | 2020-05-15 | 华南理工大学 | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 |
CN111625399A (zh) * | 2020-05-19 | 2020-09-04 | 国网天津市电力公司电力科学研究院 | 一种计量数据恢复方法及系统 |
-
2021
- 2021-02-08 CN CN202110173156.XA patent/CN112948364A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013073256A (ja) * | 2011-09-26 | 2013-04-22 | Osaka Prefecture Univ | 近似最近傍探索方法、最近傍探索プログラムおよび装置 |
WO2019056572A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳大学 | 隐私保护协同Web服务质量预测的基于模型的协同过滤方法 |
CN107766294A (zh) * | 2017-10-31 | 2018-03-06 | 北京金风科创风电设备有限公司 | 缺失数据的恢复方法和装置 |
CN110008215A (zh) * | 2019-03-22 | 2019-07-12 | 武汉大学 | 一种基于改进的kd树并行算法的大数据搜索方法 |
CN110070121A (zh) * | 2019-04-15 | 2019-07-30 | 西北工业大学 | 一种基于树策略与平衡k均值聚类的快速近似k近邻方法 |
CN110705762A (zh) * | 2019-09-20 | 2020-01-17 | 天津大学 | 基于矩阵填充的泛在电力物联网感知数据缺失修复方法 |
CN111159638A (zh) * | 2019-12-26 | 2020-05-15 | 华南理工大学 | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 |
CN111625399A (zh) * | 2020-05-19 | 2020-09-04 | 国网天津市电力公司电力科学研究院 | 一种计量数据恢复方法及系统 |
Non-Patent Citations (5)
Title |
---|
乔文俞等: "基于曲线相似与低秩矩阵的缺失电量数据补全方法", 《电力建设》, vol. 41, no. 1, pages 32 - 38 * |
何丹丹;王立娟;: "分布式数据库用户丢失数据恢复重构仿真", 计算机仿真, no. 06 * |
何燕文等: "基于矩阵分解的电量数据恢复研究", 《电力信息与通信技术》, vol. 16, no. 10, pages 81 - 85 * |
姜大光等: "基于距离的相似最近邻搜索算法研究", 《北京化工大学学报(自然科学版)》, vol. 44, no. 5, pages 94 - 98 * |
高振远;韩志;唐延东;: "基于整体和非局部低秩分解的视频脉冲噪声去除方法", 计算机应用, no. 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Folino et al. | An evolutionary multiobjective approach for community discovery in dynamic networks | |
CN113077097B (zh) | 一种基于深度时空相似性的空气质量预测方法 | |
CN106649658B (zh) | 针对用户角色无差异对待和数据稀疏的推荐系统及方法 | |
CN113672811B (zh) | 一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法、系统及计算机可读存储介质 | |
CN110232434A (zh) | 一种基于属性图优化的神经网络架构评估方法 | |
Zanghi et al. | Strategies for online inference of model-based clustering in large and growing networks | |
CN116340524B (zh) | 一种基于关系自适应网络的小样本时态知识图谱补全方法 | |
Liao et al. | Adaptive configuration for heterogeneous participants in decentralized federated learning | |
CN110990718A (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
CN109039721B (zh) | 基于误差重构的节点重要性评估方法 | |
Guo et al. | Dynamic Item Block and Prediction Enhancing Block for Sequential Recommendation. | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN115795329A (zh) | 一种基于大数据网格下的用电异常行为分析方法和装置 | |
Xue et al. | A graph regularized point process model for event propagation sequence | |
CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
He et al. | Network traffic prediction method based on multi-channel spatial-temporal graph convolutional networks | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
Huang et al. | Modeling complex spatial patterns with temporal features via heterogenous graph embedding networks | |
CN104156462A (zh) | 基于元胞自动学习机的复杂网络社团挖掘方法 | |
CN112948364A (zh) | 基于协同拟合的电能计量数据恢复方法 | |
CN111783879A (zh) | 基于正交注意力机制的层次化压缩图匹配方法及系统 | |
CN115664976A (zh) | 一种基于网络广义能量和信息熵的关键节点识别方法 | |
Deng et al. | Learning structured components: Towards modular and interpretable multivariate time series forecasting | |
CN111045861B (zh) | 一种基于深度神经网络的传感器数据恢复方法 | |
CN104156603B (zh) | 基于蛋白质相互作用网络和蛋白质组学的蛋白质鉴定方法 |
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 |