CN114254702A - 母线负荷异常数据识别方法、装置、设备、介质和产品 - Google Patents
母线负荷异常数据识别方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN114254702A CN114254702A CN202111544742.7A CN202111544742A CN114254702A CN 114254702 A CN114254702 A CN 114254702A CN 202111544742 A CN202111544742 A CN 202111544742A CN 114254702 A CN114254702 A CN 114254702A
- Authority
- CN
- China
- Prior art keywords
- data set
- data
- abnormal
- marked
- training
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 263
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 103
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 36
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及电力技术领域,提供了一种基于半监督学习的母线负荷异常数据识别方法、装置、设备、介质和产品。本申请能够实现提高母线负荷异常数据识别的准确性。该方法包括:获取原始数据集并进行空零值和连续恒值识别得到标识数据集,根据切比雪夫不等式法将该数据集进行显著异常数据识别得到显著异常数据集,根据显著异常数据标识将该数据集划分为标记和未标记数据集并将标记数据集划分为训练和测试数据集,利用训练数据集训练半监督学习算法模型的分类器,利用分类器对未标记数据集预测得到预测结果,选取预测结果大于阈值的数据形成伪标签数据集,若基于测试数据集和伪标签数据集的匹配度得到的准确度满足条件则根据上述数据集得到识别结果。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种基于半监督学习的母线负荷异常数据识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电力行业的发展,对母线负荷进行准确的预测有利于电力行业未来的发展。受到多方面因素的影响,母线负荷数据中存在较多异常数据,正确识别出母线负荷异常数据是进行准确的母线负荷预测的前提条件。
传统技术通常是基于时域变换的方法进行母线负荷异常数据识别,但通过该技术进行母线负荷异常数据识别的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种基于半监督学习的母线负荷异常数据识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种基于半监督学习的母线负荷异常数据识别方法。所述方法包括:
获取母线负荷的原始数据集;
将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集;
根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;
根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集;
利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果;
选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集;
基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度;
若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
在其中一个实施例中,选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集之后,方法还包括:
将伪标签数据集迁移至训练数据集。
在其中一个实施例中,根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果,包括:
检测未标记数据集中是否存在未添加到伪标签数据集的伪标签数据;伪标签数据为对应于数据预测结果大于预设阈值的数据;
若否,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
在其中一个实施例中,方法还包括:
若是,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
在其中一个实施例中,方法还包括:
若准确度不满足准确度条件,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
在其中一个实施例中,半监督学习算法模型的分类器采用逻辑回归算法。
第二方面,本申请还提供了一种基于半监督学习的母线负荷异常数据识别装置。所述装置包括:
原始数据集获取模块,用于获取母线负荷的原始数据集;
异常数据标识模块,用于将所述原始数据集进行空零值识别处理和连续恒值识别处理,在所述原始数据集中标识异常数据,得到标识异常数据的数据集;
显著异常数据标识模块,用于根据切比雪夫不等式法,将所述标识异常数据的数据集进行显著异常数据识别处理,在所述标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;
标记数据集划分模块,用于根据显著异常数据标识,将所述标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将所述标记数据集划分为训练数据集和测试数据集;
数据预测结果得到模块,用于利用所述训练数据集训练半监督学习算法模型的分类器,并利用所述分类器对所述未标记数据集进行数据预测,得到所述未标记数据集中各数据的数据预测结果;
伪标签数据集形成模块,用于选取所述未标记数据集中对应于所述数据预测结果大于预设阈值的数据形成伪标签数据集;
准确度得到模块,用于基于所述测试数据集和伪标签数据集的匹配度,得到所述分类器的准确度;
异常数据识别结果得到模块,用于若所述准确度满足预设的准确度条件,则根据所述标识异常数据的数据集、标记数据集和伪标签数据集,得到所述母线负荷的异常数据识别结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取母线负荷的原始数据集;将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集;根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集;利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果;选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集;基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度;若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取母线负荷的原始数据集;将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集;根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集;利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果;选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集;基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度;若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取母线负荷的原始数据集;将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集;根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集;利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果;选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集;基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度;若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
上述基于半监督学习的母线负荷异常数据识别方法、装置、计算机设备、存储介质和计算机程序产品,获取母线负荷的原始数据集,将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集,根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集,根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集,利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果,选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集,基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度,若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。该方案获取母线负荷的原始数据集,将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识了异常数据的原始数据集,根据切比雪夫不等式法,将标识了异常数据的原始数据集进行显著异常数据识别处理,在标识了异常数据的原始数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集,根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集,利用训练数据集训练半监督学习算法模型的分类器,然后利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据对应的数据预测结果,选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集,基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度,若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果,从而提高母线负荷异常数据识别的准确性。
附图说明
图1为一个实施例中基于半监督学习的母线负荷异常数据识别方法的流程示意图;
图2为另一个实施例中基于半监督学习的母线负荷异常数据识别方法的流程示意图;
图3(a)为Z地区母线负荷的原始数据图;
图3(b)为Z地区母线负荷的真实异常数据标识图;
图3(c)为本申请对应的Z地区母线负荷的异常数据识别结果图;
图4为一个实施例中基于半监督学习的母线负荷异常数据识别装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于半监督学习的母线负荷异常数据识别方法,本实施例以该方法应用于终端进行举例说明,包括以下步骤:
步骤S101,获取母线负荷的原始数据集。
具体的,如图2所示,终端获取母线负荷的原始数据集。
步骤S102,将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集。
其中,空零值识别处理和连续恒值识别处理可以是通过设定阈值的方式对原始数据集中空值、零值、近零值和连续恒定值进行识别定位的处理。
具体的,如图2所示,终端对原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识出异常数据,得到标识异常数据的数据集。
示例性的,终端通过设定阈值,对原始数据集中空值、零值、近零值和连续恒定值进行识别定位,得到对异常数据作出了标识的标识异常数据的数据集。
步骤S103,根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集。
本步骤中,显著异常数据可以是终端根据切比雪夫不等式法识别到的标识异常数据的数据集的异常数据。
具体的,终端根据切比雪夫不等式法,对标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集。
示例性的,如图2所示,终端通过不依赖任何分布假设的切比雪夫不等式法对标识异常数据的数据集识别显著异常数据样本,并将显著异常数据样本进行显著异常数据标识标记,得到标识异常数据及显著异常数据的数据集。
进一步的,在一些实施例中,切比雪夫不等式法可以是
其中,ΔPt是相邻两个时间节点的负荷差,prob()是概率,E是ΔPt的期望,D是ΔPt的标准差,k代表样本偏离样本的程度。
步骤S104,根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集。
具体的,如图2所示,终端根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集。
步骤S105,利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果。
本步骤中,半监督学习算法模型的分类器可以采用逻辑回归算法,逻辑回归算法的输出函数可以是其中,{x(i),y(i)}可以是给定有标签样本集,y(i)可以是输入数据x(i)的标签,wT可以为权重矩阵,b可以为偏置项,可以为预测输出,σ(z)=1/(1-e-z)可以为sigmoid激活函数,通过sigmoid激活函数,逻辑回归算法的预测输出为[0,1]之间的概率值。
具体的,终端利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据对应的数据预测结果。
示例性的,如图2所示,终端利用训练数据集训练逻辑回归算法,并利用逻辑回归算法对未标记数据集进行数据预测,得到未标记数据集中各数据对应的数据预测结果。
步骤S106,选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集。
具体的,终端选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集。
示例性的,如图2所示,终端根据预设的阈值,选取未标记数据集中对应于数据预测结果大于预设阈值的数据进行伪标签标记,将携带有伪标签标记的数据形成伪标签数据集。
步骤S107,基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度。
具体的,如图2所示,终端基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度。
步骤S108,若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
其中,准确度条件可以是A%准确率。
具体的,如图2所示,若准确度满足预设的准确度条件,则终端根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
示例性的,若准确度满足预设的准确度条件,则终端融合标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
上述基于半监督学习的母线负荷异常数据识别方法中,获取母线负荷的原始数据集,将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集,根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集,根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集,利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果,选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集,基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度,若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。该方案获取母线负荷的原始数据集,将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识了异常数据的原始数据集,根据切比雪夫不等式法,将标识了异常数据的原始数据集进行显著异常数据识别处理,在标识了异常数据的原始数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集,根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集,利用训练数据集训练半监督学习算法模型的分类器,然后利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据对应的数据预测结果,选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集,基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度,若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果,从而提高母线负荷异常数据识别的准确性。
在一个实施例中,上述方法还可以通过如下步骤将伪标签数据集迁移至训练数据集,具体包括:将伪标签数据集迁移至训练数据集。
具体的,如图2所示,终端将伪标签数据集迁移至训练数据集。
本实施例的技术方案,通过将伪标签数据集迁移至训练数据集,使得训练数据集有更多的训练数据,从而训练数据集训练半监督学习算法模型的分类器时的训练效果更好,从而有利于提高后续母线负荷异常数据识别的准确性。
在一个实施例中,上述步骤S108的根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果具体包括:检测未标记数据集中是否存在未添加到伪标签数据集的伪标签数据,若否,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
本实施例中,伪标签数据为对应于数据预测结果大于预设阈值的数据。
具体的,如图2所示,若准确度满足预设的准确度条件之后,终端检测未标记数据集中是否存在未添加到伪标签数据集的伪标签数据,检测结果若否,则终端根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
本实施例的技术方案,通过检测未标记数据集中是否存在未添加到伪标签数据集的伪标签数据,从而确保数据预测结果大于预设阈值的数据全部添加到伪标签数据集,从而有利于后续终端根据标识异常数据的数据集、标记数据集和伪标签数据集,得到更准确的母线负荷的异常数据识别结果。
在一个实施例中,上述方法还可以通过如下步骤重复执行训练步骤,具体包括:若是,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
具体的,如图2所示,终端检测未标记数据集中是否存在未添加到伪标签数据集的伪标签数据,若是,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
本实施例的技术方案,通过终端当检测到未标记数据集中存在未添加到伪标签数据集的伪标签数据时,重复执行训练步骤,从而确保数据预测结果大于预设阈值的数据全部添加到伪标签数据集,且当未标记数据集中存在未添加到伪标签数据集的伪标签数据时,重复执行之前的训练步骤,从而有利于提高后续母线负荷异常数据识别的准确性。
在一个实施例中,上述方法还可以通过如下步骤重复执行训练步骤,具体包括:若准确度不满足准确度条件,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
具体的,如图2所示,若准确度不满足准确度条件,则终端执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
本实施例的技术方案,通过若准确度不满足准确度条件时重复执行训练步骤,从而有利于半监督学习算法模型的分类器有更高的准确性,从而有利于后续得到更准确的母线负荷的异常数据识别结果。
如图3(a)所示为Z地区母线负荷的原始数据图,包含了20天共480个负荷数据,如图3(b)所示为Z地区母线负荷的真实异常数据标识图,其中有30个异常数据,其中6个异常数据不满足切比雪夫不等式(即显著异常数据),另外的24个异常数据满足切比雪夫不等式,属于非显著异常数据(相当于伪标签数据)。如图3(c)所示为通过本申请的方法识别Z地区母线负荷的原始数据图得到的Z地区母线负荷的异常数据识别结果图(其中,阈值设置为[0.8,0.85]区间内,效果较好),其中标识结果包括32个异常数据(包括6个显著异常数据),其中25个异常数据与真实异常数据相匹配。可见,通过本申请方法进行母线负荷异常数据识别的准确性较高。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于半监督学习的母线负荷异常数据识别方法的基于半监督学习的母线负荷异常数据识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于半监督学习的母线负荷异常数据识别装置实施例中的具体限定可以参见上文中对于基于半监督学习的母线负荷异常数据识别方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种基于半监督学习的母线负荷异常数据识别装置,该装置400可以包括:
原始数据集获取模块401,用于获取母线负荷的原始数据集;
异常数据标识模块402,用于将所述原始数据集进行空零值识别处理和连续恒值识别处理,在所述原始数据集中标识异常数据,得到标识异常数据的数据集;
显著异常数据标识模块403,用于根据切比雪夫不等式法,将所述标识异常数据的数据集进行显著异常数据识别处理,在所述标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;
标记数据集划分模块404,用于根据显著异常数据标识,将所述标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将所述标记数据集划分为训练数据集和测试数据集;
数据预测结果得到模块405,用于利用所述训练数据集训练半监督学习算法模型的分类器,并利用所述分类器对所述未标记数据集进行数据预测,得到所述未标记数据集中各数据的数据预测结果;
伪标签数据集形成模块406,用于选取所述未标记数据集中对应于所述数据预测结果大于预设阈值的数据形成伪标签数据集;
准确度得到模块407,用于基于所述测试数据集和伪标签数据集的匹配度,得到所述分类器的准确度;
异常数据识别结果得到模块408,用于若所述准确度满足预设的准确度条件,则根据所述标识异常数据的数据集、标记数据集和伪标签数据集,得到所述母线负荷的异常数据识别结果。
在一个实施例中,该装置400还包括:数据集迁移模块,用于将所述伪标签数据集迁移至所述训练数据集。
在一个实施例中,异常数据识别结果得到模块408,还用于检测所述未标记数据集中是否存在未添加到所述伪标签数据集的伪标签数据;所述伪标签数据为所述对应于所述数据预测结果大于预设阈值的数据;若否,则根据所述标识异常数据的数据集、标记数据集和伪标签数据集,得到所述母线负荷的异常数据识别结果。
在一个实施例中,该装置400还包括:第一训练步骤执行模块,用于若是,则执行所述利用所述训练数据集训练半监督学习算法模型的分类器,并利用所述分类器对所述未标记数据集进行数据预测,得到所述未标记数据集中各数据的数据预测结果的步骤。
在一个实施例中,该装置400还包括:第二训练步骤执行模块,用于若所述准确度不满足所述准确度条件,则执行所述利用所述训练数据集训练半监督学习算法模型的分类器,并利用所述分类器对所述未标记数据集进行数据预测,得到所述未标记数据集中各数据的数据预测结果的步骤。
在一个实施例中,所述半监督学习算法模型的分类器采用逻辑回归算法。
上述基于半监督学习的母线负荷异常数据识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于半监督学习的母线负荷异常数据识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取母线负荷的原始数据集;将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集;根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集;利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果;选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集;基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度;若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将伪标签数据集迁移至训练数据集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
检测未标记数据集中是否存在未添加到伪标签数据集的伪标签数据;伪标签数据为对应于数据预测结果大于预设阈值的数据;若否,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若是,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若准确度不满足准确度条件,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
在一个实施例中,半监督学习算法模型的分类器采用逻辑回归算法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取母线负荷的原始数据集;将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集;根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集;利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果;选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集;基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度;若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将伪标签数据集迁移至训练数据集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
检测未标记数据集中是否存在未添加到伪标签数据集的伪标签数据;伪标签数据为对应于数据预测结果大于预设阈值的数据;若否,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若是,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若准确度不满足准确度条件,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
在一个实施例中,半监督学习算法模型的分类器采用逻辑回归算法。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取母线负荷的原始数据集;将原始数据集进行空零值识别处理和连续恒值识别处理,在原始数据集中标识异常数据,得到标识异常数据的数据集;根据切比雪夫不等式法,将标识异常数据的数据集进行显著异常数据识别处理,在标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;根据显著异常数据标识,将标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将标记数据集划分为训练数据集和测试数据集;利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果;选取未标记数据集中对应于数据预测结果大于预设阈值的数据形成伪标签数据集;基于测试数据集和伪标签数据集的匹配度,得到分类器的准确度;若准确度满足预设的准确度条件,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将伪标签数据集迁移至训练数据集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
检测未标记数据集中是否存在未添加到伪标签数据集的伪标签数据;伪标签数据为对应于数据预测结果大于预设阈值的数据;若否,则根据标识异常数据的数据集、标记数据集和伪标签数据集,得到母线负荷的异常数据识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若是,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若准确度不满足准确度条件,则执行利用训练数据集训练半监督学习算法模型的分类器,并利用分类器对未标记数据集进行数据预测,得到未标记数据集中各数据的数据预测结果的步骤。
在一个实施例中,半监督学习算法模型的分类器采用逻辑回归算法。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于半监督学习的母线负荷异常数据识别方法,其特征在于,所述方法包括:
获取母线负荷的原始数据集;
将所述原始数据集进行空零值识别处理和连续恒值识别处理,在所述原始数据集中标识异常数据,得到标识异常数据的数据集;
根据切比雪夫不等式法,将所述标识异常数据的数据集进行显著异常数据识别处理,在所述标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;
根据显著异常数据标识,将所述标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将所述标记数据集划分为训练数据集和测试数据集;
利用所述训练数据集训练半监督学习算法模型的分类器,并利用所述分类器对所述未标记数据集进行数据预测,得到所述未标记数据集中各数据的数据预测结果;
选取所述未标记数据集中对应于所述数据预测结果大于预设阈值的数据形成伪标签数据集;
基于所述测试数据集和伪标签数据集的匹配度,得到所述分类器的准确度;
若所述准确度满足预设的准确度条件,则根据所述标识异常数据的数据集、标记数据集和伪标签数据集,得到所述母线负荷的异常数据识别结果。
2.根据权利要求1所述的方法,其特征在于,所述选取所述未标记数据集中对应于所述数据预测结果大于预设阈值的数据形成伪标签数据集之后,所述方法还包括:
将所述伪标签数据集迁移至所述训练数据集。
3.根据权利要求1所述的方法,其特征在于,所述根据所述标识异常数据的数据集、标记数据集和伪标签数据集,得到所述母线负荷的异常数据识别结果,包括:
检测所述未标记数据集中是否存在未添加到所述伪标签数据集的伪标签数据;所述伪标签数据为所述对应于所述数据预测结果大于预设阈值的数据;
若否,则根据所述标识异常数据的数据集、标记数据集和伪标签数据集,得到所述母线负荷的异常数据识别结果。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若是,则执行所述利用所述训练数据集训练半监督学习算法模型的分类器,并利用所述分类器对所述未标记数据集进行数据预测,得到所述未标记数据集中各数据的数据预测结果的步骤。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述准确度不满足所述准确度条件,则执行所述利用所述训练数据集训练半监督学习算法模型的分类器,并利用所述分类器对所述未标记数据集进行数据预测,得到所述未标记数据集中各数据的数据预测结果的步骤。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述半监督学习算法模型的分类器采用逻辑回归算法。
7.一种基于半监督学习的母线负荷异常数据识别装置,其特征在于,所述装置包括:
原始数据集获取模块,用于获取母线负荷的原始数据集;
异常数据标识模块,用于将所述原始数据集进行空零值识别处理和连续恒值识别处理,在所述原始数据集中标识异常数据,得到标识异常数据的数据集;
显著异常数据标识模块,用于根据切比雪夫不等式法,将所述标识异常数据的数据集进行显著异常数据识别处理,在所述标识异常数据的数据集中标识显著异常数据,得到标识异常数据及显著异常数据的数据集;
标记数据集划分模块,用于根据显著异常数据标识,将所述标识异常数据及显著异常数据的数据集划分为标记数据集以及未标记数据集,并将所述标记数据集划分为训练数据集和测试数据集;
数据预测结果得到模块,用于利用所述训练数据集训练半监督学习算法模型的分类器,并利用所述分类器对所述未标记数据集进行数据预测,得到所述未标记数据集中各数据的数据预测结果;
伪标签数据集形成模块,用于选取所述未标记数据集中对应于所述数据预测结果大于预设阈值的数据形成伪标签数据集;
准确度得到模块,用于基于所述测试数据集和伪标签数据集的匹配度,得到所述分类器的准确度;
异常数据识别结果得到模块,用于若所述准确度满足预设的准确度条件,则根据所述标识异常数据的数据集、标记数据集和伪标签数据集,得到所述母线负荷的异常数据识别结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111544742.7A CN114254702A (zh) | 2021-12-16 | 2021-12-16 | 母线负荷异常数据识别方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111544742.7A CN114254702A (zh) | 2021-12-16 | 2021-12-16 | 母线负荷异常数据识别方法、装置、设备、介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114254702A true CN114254702A (zh) | 2022-03-29 |
Family
ID=80795309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111544742.7A Pending CN114254702A (zh) | 2021-12-16 | 2021-12-16 | 母线负荷异常数据识别方法、装置、设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114254702A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461409A (zh) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | 一种中长期负荷数据的异常值处理方法 |
CN113128612A (zh) * | 2021-04-26 | 2021-07-16 | 国网河北省电力有限公司营销服务中心 | 电力数据中异常值的处理方法及终端设备 |
CN113344144A (zh) * | 2021-07-29 | 2021-09-03 | 中国人民解放军国防科技大学 | 半监督的小样本类别增量学习方法、装置及分类识别方法 |
CN113541834A (zh) * | 2021-06-24 | 2021-10-22 | 西安电子科技大学 | 一种异常信号半监督分类方法、系统、数据处理终端 |
-
2021
- 2021-12-16 CN CN202111544742.7A patent/CN114254702A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461409A (zh) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | 一种中长期负荷数据的异常值处理方法 |
CN113128612A (zh) * | 2021-04-26 | 2021-07-16 | 国网河北省电力有限公司营销服务中心 | 电力数据中异常值的处理方法及终端设备 |
CN113541834A (zh) * | 2021-06-24 | 2021-10-22 | 西安电子科技大学 | 一种异常信号半监督分类方法、系统、数据处理终端 |
CN113344144A (zh) * | 2021-07-29 | 2021-09-03 | 中国人民解放军国防科技大学 | 半监督的小样本类别增量学习方法、装置及分类识别方法 |
Non-Patent Citations (1)
Title |
---|
黄润: "电力系统异常检测与分类研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 7, 15 July 2020 (2020-07-15), pages 042 - 510 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363231B (zh) | 基于半监督深度学习的异常识别方法、装置及存储介质 | |
CN111767707B (zh) | 雷同病例检测方法、装置、设备及存储介质 | |
CN115409111A (zh) | 命名实体识别模型的训练方法和命名实体识别方法 | |
CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
CN114201572A (zh) | 基于图神经网络的兴趣点分类方法和装置 | |
WO2021114613A1 (zh) | 基于人工智能的故障节点识别方法、装置、设备和介质 | |
CN117036855A (zh) | 目标检测模型训练方法、装置、计算机设备和存储介质 | |
CN114254702A (zh) | 母线负荷异常数据识别方法、装置、设备、介质和产品 | |
CN116029760A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN115762667A (zh) | 化学反应类型的识别方法、装置、计算机设备 | |
De Oliveira et al. | An optimization-based process mining approach for explainable classification of timed event logs | |
CN115169155A (zh) | 发动机故障预测方法、装置、计算机设备和存储介质 | |
CN114782960A (zh) | 模型训练方法、装置、计算机设备及计算机可读存储介质 | |
CN114399459A (zh) | 两分支神经网络缺陷检测方法、装置、设备、介质和产品 | |
CN113782094A (zh) | 修饰位点的预测方法、装置、计算机设备和存储介质 | |
CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
CN117436484A (zh) | 图像识别模型构建、装置、计算机设备和存储介质 | |
CN112269793B (zh) | 一种基于区块链的检测用户类型的方法与设备 | |
CN117078112B (zh) | 应用于企业异常用电管理的能耗检测方法及数据分析系统 | |
CN116894112A (zh) | 数据分类方法、装置、计算机设备及其存储介质 | |
CN115618260A (zh) | 故障诊断模型训练方法和故障诊断方法 | |
CN113901223A (zh) | 企业分类模型的生成方法、装置、计算机设备、存储介质 | |
CN115618288A (zh) | 等级确定方法、装置、设备、存储介质和程序产品 | |
CN116304742A (zh) | 维修申请方法、装置、计算机设备以及存储介质 | |
CN116366357A (zh) | 识别异常客户端方法、装置、计算机设备和存储介质 |
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 |