CN114070747B - 基于vi算法的高斯混合模型的物联网设备状态检测方法 - Google Patents
基于vi算法的高斯混合模型的物联网设备状态检测方法 Download PDFInfo
- Publication number
- CN114070747B CN114070747B CN202111349650.3A CN202111349650A CN114070747B CN 114070747 B CN114070747 B CN 114070747B CN 202111349650 A CN202111349650 A CN 202111349650A CN 114070747 B CN114070747 B CN 114070747B
- Authority
- CN
- China
- Prior art keywords
- state
- internet
- equipment
- threshold range
- things
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N5/041—Abduction
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Emergency Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于VI算法的高斯混合模型的物联网设备状态检测方法,获取多台物联网设备的历史用能数据,并清洗异常数据;建立变分推断高斯混合模型,获得模型参数;根据模型参数确定每个物联网设备的各个状态阈值范围;将物联网设备上传的新数据与各个状态阈值范围进行对比,如果新数据落在某个状态阈值范围内,可判断设备处于哪个正常状态;如果超出阈值范围,则发出警告。结合物联网采集数据间隔性的特点,在不知道耗能设备状态的情况下,根据时段性采集的用能数据,建立基于VI算法的高斯混合模型,并对模型参数求解和更新,根据更新后的模型参数建立状态阈值范围,对比新上传的数据与状态阈值范围,可以较准确的检测出设备的状态。
Description
技术领域
本发明涉及物联网设备用能检测技术领域,具体的说,是一种基于VI算法的高斯混合模型的物联网设备状态检测方法。
背景技术
在物联网用能监测的场景中,由于物联网采集设备的特性,只能间隔性的采集并上传耗能设备的用能数据,通常间隔时段为15分钟-1个小时(电表),甚至1天(水表)。因为更短采集上传间隔会消耗更多的物联网卡的流量、物联网设备(网关+计量表)的电池电量、带宽、服务器资源,最终会造成该物联网采集方案成本的飙升。且由于越来越多的设备是以变频方式工作,故耗能设备的用能数据也常常不是定值,而是在一定范围内变化的值。因为耗电设备的负载不同,所需电流就不同,功率就不同,导致用能数据就不同。这就对通过这些时段性用能数据判断设备状态造成了困难,因此,使用传统的平均值的方法判断的设备状态准确率较低。
发明内容
本发明的目的在于提供一种基于VI算法的高斯混合模型的物联网设备状态检测方法,用于解决现有技术中由于耗能设备的用能数据是在一定范围内变化的值,通过时段性用能数据判断设备状态准确率低的问题。
本发明通过下述技术方案解决上述问题:
一种基于VI算法的高斯混合模型的物联网设备状态检测方法,其特征在于,包括:
步骤S100、获取多台物联网设备的历史用能数据,并清洗异常数据;
步骤S200、建立基于变分推断的高斯混合模型,根据历史用能数据对模型参数求解和迭代更新,模型收敛后,根据更新后的模型参数建立状态阈值范围;
步骤S300、将物联网设备上传的新数据与该物联网设备的各个状态阈值范围进行对比,如果新数据落在该设备的某个状态阈值范围内,则判断该物联网设备处于哪个正常状态;如果超出阈值范围,则发出警告。如果超出阈值范围,可以产生两种警报,模型警报和设备警报。模型警报:说明模型不能拟合当前数据,应该重新训练,获得更合适的阈值范围。设备警报:设备用能异常,运维人员应该及时检查设备。
所述步骤S200具体包括:
步骤S210、建立基于变分推断的高斯混合模型,随机初始化模型参数ξb,ξe,cl,ch,其中,ξb为惩罚前因子,ξe为惩罚后因子,cl为均值下边界系数,ch为均值上边界系数;
其中,为高斯混合模型类别,K为单个设备的状态数量;xi为样本数据X的第i条样本,n为样本数据X的样本数量;m为K个高斯分布的均值的集合,表示为m=(m1,...,mk,...,mK),mk为单个设备第k个状态的高斯分布的均值。s2为单个设备K个状态的高斯分布方差的集合,表示为sk 2为单个设备第k个状态的高斯分布的方差,表示第i个样本属于单个设备第k个状态的概率;
步骤S240:根据公式(3)更新sk:
步骤S250:根据公式(4)更新mk:
步骤S260:采用更新后的参数再根据公式(1)计算ELBO,如果ELBO收敛,则停止并进入下一步,否则返回步骤S230;
步骤S270:根据公式(5)和(6)计算mkmin、mkmax:
其中,mkmin为mk的下界,mkmax为mk的上界;
步骤S280、根据模型参数确定每个物联网设备的各个状态阈值范围:
[(mkmin-3σ2),(mkmax+3σ2)],其中,k=1,2,…,K。
所述步骤S300中当状态阈值包括待机阈值和工作阈值时,在最值附近设置容忍区间系数c,则待机阈值范围为:
[0,(mkmax+3σ1)*(1+c)]
工作阈值范围为:
[(mkmin-3σ2)*(1-c),(mkmax+3σ2)*(1+c)]。
当新上传一条用能数据时,立刻与该设备的待机阈值范围和工作阈值范围进行对比,如果在待机阈值范围内,该设备该时间段就是待机状态,如果在工作阈值范围内,就是工作状态。如果在两个范围之间,根据经验,可能短暂开机,判断开机或待机均可。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明结合物联网采集数据间隔性的特点,在不知道耗能设备状态的情况下,根据时段性采集的用能数据,建立基于VI算法的高斯混合模型,并对模型参数求解和更新,根据更新后的模型参数建立状态阈值范围,将新上传的数据与状态阈值范围对比,可以较准确的检测出设备的状态;相比传统的利用平均值作为设备状态固定阈值的方法,本发明针对耗能设备的能耗数据是变化这一特点,给出不同状态阈值范围,可以更准确判断出设备状态,同时还具阈值范围更新和设备用能异常报警功能。
(2)传统求解GMM(高斯混合模型)的参数的方法是随机采样或者技巧法,需要进行很多次采样和复杂的计算,而本发明基于的VI算法,可以更高效的,更快速的,消耗更低的计算资源的情况下,获得较好的结果。
(3)本发明还具有设备状态异常检测报警功能。当物联网平台收到的设备用能数据不在各个状态的阈值范围内时,说明:1)该设备的高斯混合模型可能需要重新进行训练,应该发出模型警告,提醒系统运维人员重新训练模型;2)该设备状态可能出现用能异常,应该发出设备异常警告,提醒设备运维人员检查。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例:
结合附图1所示,基于VI算法的高斯混合模型的物联网设备状态检测方法,包括:
一、数据获取
1根据物联网平台提供的用能数据库,获取一定数量的设备及每个设备近段时间的用能数据。
二、清洗数据
例如,为减少噪声干扰,以15分钟为基准,清洗掉那些小于14分钟或者大于16分钟的数据。
三、建立模型,计算模型参数:
1.首先介绍变分推断算法原理及公式推导,由贝叶斯定理可得:
p(x,z)=p(z|x)p(x) (1)
其中z为隐变量,表示无法直接观察的变量,则:
式(2)左右两边同时取对数可得:
log p(x)=log p(x,z)-log p(z|x) (3)
引入分布q(z),是关于隐变量z的一个分布,用q(z)来近似p(z|x),于是:
其中式(4)等号右边可记为两项之和;
减号的左边的部分可写为:
式(5)为证据下界ELBO(Evidence Lower Bound),用来表示分布或者函数的下边界。
减号的右边部分可写为:
式(6)在数学上叫做KL Divergence,用来衡量两个分布之间的距离(相似性),所以式(4)可写成:
log p(x)=ELBO+KL (7)
引入变分推断思想,即将很难求解后验分布,转换为优化问题进行求解:
q(z)*=arg minq(z)KL(q(z)||p(z|x))
根据KL>=0的性质,上式可写成log p(x)>=ELBO(q(z)),即最大化ELBO(q(z))就是最大化p(x);
其算法原理如下图1所示:
由于样本数据x已给定,则log p(x)为定值,通过不断增大ELBO,让KL(q(z)||p(z|x))的值不断减小,最终log p(x)=ELBO(q(z)),即KL(q(z)||p(z|x))=0,即找到一个与p(z|x)相等的q(z);
将KL展开得:
所以:
引入平均场理论,将q(z)表示为多个分量的乘积:
则ELBO(q(z))可转化为:
于是,上式(11)可简化:
则式(12)可简化为:
ELBO(q(zj))=-KL(q(zj)||D)+c (13)
由KL>=0,当q(zj)=D时,上式的KL等于0,可得:
ELBO(q(zj))=0+c=c (14)
此时BLBO(q(zj))=c最大,此时:
所以基于平均场变分推断算法为:
2)计算ELBO(q(zj)),如果收敛则结束,否则返回第一步;
2.结合间隔性的时段能耗数据,建立基于VI(变分推断)算法高斯混合模型。为了简便,合理的建立模型,做如下约定:
·约定对每个耗能设备建立一个高斯混合模型,每个模型中的多个高斯分布代表这个耗能设备的多个能耗状态,如设这个设备有K个状态,就有K个高斯分布。例如:设K=2,代表这个耗能设备有2个状态(如待机状态和开机状态),则该设备的能耗的样本数据来自这两个高斯分布。
·约定1条能耗样本数据xi来源于均值为μk,方差σ2为1的高斯分布,其中方差为1是为了简化运算,因为决定高斯分布位置的参数为均值μk,不是方差。
·约定ci为类别参数,即样本数据xi属于第k个高斯分布的概率
基于如上约定,后验概率可写为:
式(21)分子可写为:
式(21)分母可写为:
说明:根据边缘概率,式(23)右边把μ积掉,再把c求和消掉,就等于左边的p(x);
根据平均场理论,设变分参数为:
结合理论部分的式(12)可得:
式(25)为高斯混合模型理论的ELBO,而实际工作中的ELBO往往与理论部分存在一定差异。为了更好的满足实际工作的需要,包容差异,提升鲁棒性,设ELBO的惩罚因子为ξb和ξe,其中ξb为惩罚前因子,ξe为惩罚后因子,则式(25)可写为:
对应的高斯混合模型的均值更新公式,其中方差更新公式为:
其中均值更新公式为:
根据高斯分布为一左右对称的钟形分布的特性,可使均值更新参数为一范围更新参数,这样即能更加符合实际工作需要(例如一个变频设备的一个工作状态往往存在多个功率值),又能包容与理论计算的差异,增加容忍度。故设均值容忍因子为cl和ch,其中cl为均值下边界系数,ch为均值上边界系数,则均值更新公式可写为:
综上,基于VI(变分推断)的高斯混合模型算法求解过程如下:
1)根据经验设定ξb,ξe,cl,ch;
4)根据式(28)更新sk;
5)根据式(29)更新mk;
6)根据式(26)计算ELBO,如果ELBO收敛,则停止,否则继续第3)步;
7)根据式(30)、(31)计算mkmin和mkmax;
当ELBO收敛,即求得mk,然后求得mkmin和mkmax,于是就有了单个设备的各个高斯分布的均值范围了,因为均值决定了高斯分布的位置,方差前面已设定为1(也可以根据经验适当调整)。当有了方差和均值范围,就可以计算出样本数据落在这个高斯分布的区间概率了。
因为根据高斯分布的性质,P(μ-3σ<x<u+3σ)=99.7%,即数据x落在均值左右3倍标准差面积内的概率占整个高斯分布曲线下面积的概率的99.7%。同时,为防止频繁出现异常值及警报,根据经验在最值的附近,应设立容忍区间系数c,如c=20%,综上,如待机阈值设定范围[0,(mk max+3σ1)*(1+20%)],在这个范围内,可以检测为待机状态。如果在
[(mk min-3σ2)*(1-20%),(mk max+3σ2)*(1+20%)],在这个范围内,可以检测为开机状态。
四、对比阈值范围,判断耗能设备工作状态。
当新上传一条用能数据时,立刻与该设备的待机阈值范围和工作阈值范围
进行对比,如果在待机阈值范围内,该设备该时间段就是待机状态,如果在工作阈值范围内,就是工作状态。如果在两个范围之间,根据经验,可能短暂开机,判断开机或待机均可。
五、异常报警。
如果超出阈值范围,就应该产生两种警报,模型警报和设备警报。模型警报:说明模型不能拟合当前数据,应该重新训练,获得更合适的阈值范围。设备警报:设备用能异常,运维人员应该及时检查设备。
尽管这里参照本发明的解释性实施例对本发明进行了描述,上述实施例仅为本发明较佳的实施方式,本发明的实施方式并不受上述实施例的限制,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (2)
1.一种基于VI算法的高斯混合模型的物联网设备状态检测方法,其特征在于,包括:
步骤S100、获取多台物联网设备的历史用能数据,并清洗异常数据;
步骤S200、建立基于变分推断的高斯混合模型,根据历史用能数据对模型参数求解和迭代更新,模型收敛后,根据更新后的模型参数建立状态阈值范围;
步骤S300、将物联网设备上传的新数据与该物联网设备的各个状态阈值范围进行对比,如果新数据落在该设备的某个状态阈值范围内,则判断该物联网设备处于哪个正常状态;如果超出阈值范围,则发出警告;
所述步骤S200包括:
步骤S210、建立基于变分推断的高斯混合模型,随机初始化模型参数ξb,ξe,cl,ch,其中,ξb为惩罚前因子,ξe为惩罚后因子,cl为均值下边界系数,ch为均值上边界系数;
其中,为高斯混合模型类别,K为单个设备的状态数量;xi为样本数据X的第i条样本,n为样本数据X的样本数量;m为K个高斯分布的均值的集合,表示为m=(m1,…,mk,…,mk),mk为单个设备第k个状态的高斯分布的均值,σ2为超参数;s2为单个设备K个状态的高斯分布方差的集合,表示为sk 2为单个设备第k个状态的高斯分布的方差,表示第i个样本属于单个设备第k个状态的概率;
步骤S240:根据公式(3)更新sk:
步骤S250:根据公式(4)更新mk:
步骤S260:采用更新后的参数再根据公式(1)计算ELBO,如果ELBO收敛,则停止并进入下一步,否则返回步骤S230;
步骤S270:根据公式(5)和(6)计算mkmin、mkmax:
其中,mk min为mk的下界,mkmax为mk的上界;
步骤S280、根据模型参数确定每个物联网设备的各个状态阈值范围:
[(mkmin-3σ2),(mkmax+3σ2)],其中,k=1,2,…,K;σ2为工作状态下高斯分布的标准差。
2.根据权利要求1所述的基于VI算法的高斯混合模型的物联网设备状态检测方法,其特征在于,所述步骤S280中当状态阈值包括待机阈值和工作阈值时,在最值附近设置容忍区间系数c,则待机阈值范围为:
[0,(mk max+3σ1)*(1+c)]
其中,σ1为待机状态下高斯分布的标准差;
工作阈值范围为:
[(mkmin-3σ2)*(1-c),(mkmax+3σ2)*(1+c)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111349650.3A CN114070747B (zh) | 2021-11-15 | 2021-11-15 | 基于vi算法的高斯混合模型的物联网设备状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111349650.3A CN114070747B (zh) | 2021-11-15 | 2021-11-15 | 基于vi算法的高斯混合模型的物联网设备状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114070747A CN114070747A (zh) | 2022-02-18 |
CN114070747B true CN114070747B (zh) | 2023-04-18 |
Family
ID=80272530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111349650.3A Active CN114070747B (zh) | 2021-11-15 | 2021-11-15 | 基于vi算法的高斯混合模型的物联网设备状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114070747B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700114A (zh) * | 2012-09-27 | 2014-04-02 | 中国航天科工集团第二研究院二O七所 | 一种基于可变高斯混合数的复杂背景建模方法 |
CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
WO2018076571A1 (zh) * | 2016-10-28 | 2018-05-03 | 南京华苏科技有限公司 | Lte网络中的异常值检测方法及系统 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN110311743A (zh) * | 2019-06-05 | 2019-10-08 | 宁波大学 | 一种变分推断估计主用户占空比的方法 |
CN112600901A (zh) * | 2020-12-08 | 2021-04-02 | 四川长虹电器股份有限公司 | 物联网设备状态检测方法、计算机设备及存储介质 |
CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
-
2021
- 2021-11-15 CN CN202111349650.3A patent/CN114070747B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700114A (zh) * | 2012-09-27 | 2014-04-02 | 中国航天科工集团第二研究院二O七所 | 一种基于可变高斯混合数的复杂背景建模方法 |
WO2018076571A1 (zh) * | 2016-10-28 | 2018-05-03 | 南京华苏科技有限公司 | Lte网络中的异常值检测方法及系统 |
CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN110311743A (zh) * | 2019-06-05 | 2019-10-08 | 宁波大学 | 一种变分推断估计主用户占空比的方法 |
CN112600901A (zh) * | 2020-12-08 | 2021-04-02 | 四川长虹电器股份有限公司 | 物联网设备状态检测方法、计算机设备及存储介质 |
CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114070747A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
CN104166787A (zh) | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 | |
CN109145516B (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
CN110715808B (zh) | 故障检测方法及装置 | |
CN112032003B (zh) | 一种大型风电机组运行性能监测方法 | |
CN109767043B (zh) | 一种电力负荷时间序列大数据智能建模与预测方法 | |
CN110175353B (zh) | 电梯运行指标趋势分析方法 | |
CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
CN116821809B (zh) | 基于人工智能的生命体征数据采集系统 | |
CN115081346B (zh) | 一种风电机组尾流效应下的健康度判断方法、装置及介质 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN114580572B (zh) | 一种异常值的识别方法、装置、电子设备及存储介质 | |
CN115617606A (zh) | 设备监测方法和系统、电子设备、存储介质 | |
CN112600901A (zh) | 物联网设备状态检测方法、计算机设备及存储介质 | |
CN114070747B (zh) | 基于vi算法的高斯混合模型的物联网设备状态检测方法 | |
CN113642238B (zh) | 基于微气象因子的径向基神经网络输电线路覆冰预测方法 | |
CN111159640A (zh) | 适用于网格预报的小雨消空方法、消空系统、电子设备及存储介质 | |
CN114118528A (zh) | 基于线性与非线性滤波器组合的船舶航迹实时预报方法 | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
CN113212244B (zh) | 一种新能源车辆动力电池寿命预测方法及系统 | |
CN116225102A (zh) | 一种移动式的储能通信温升自动监控系统及装置 | |
CN114912653A (zh) | 一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法 | |
CN114936640A (zh) | 一种新能源发电智能预测模型的在线训练方法 | |
CN114298164A (zh) | 基于klms算法和趋势滤波的自适应故障预测方法 | |
CN117057621A (zh) | 投资成本和发电系统可靠性提升水平间的量化分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |