CN114818898A - 一种综合能源负荷异常值检测方法及装置 - Google Patents
一种综合能源负荷异常值检测方法及装置 Download PDFInfo
- Publication number
- CN114818898A CN114818898A CN202210411007.7A CN202210411007A CN114818898A CN 114818898 A CN114818898 A CN 114818898A CN 202210411007 A CN202210411007 A CN 202210411007A CN 114818898 A CN114818898 A CN 114818898A
- Authority
- CN
- China
- Prior art keywords
- data
- comprehensive energy
- energy load
- detected
- neural network
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及综合能源系统中的异常值检测技术领域,具体提供了一种综合能源负荷异常值检测方法及装置,包括:对待检测综合能源负荷数据进行归一化处理;基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据。本发明提供的技术方案,能够有效提高综合能源系统的数据清洗效率,对综合能源系统后续的优化有实际价值。
Description
技术领域
本发明涉及综合能源系统中的异常值检测技术领域,具体涉及一种综合能源负荷异常值检测方法及装置。
背景技术
随着能源互联网技术的快速发展,用户用能需求呈现爆炸式增长。综合能源负荷数据整体表现出海量、多样、增速快等特征。综合能源负荷数据的质量对整个系统的稳定运行以及实时分析有着十分重要的影响。但实际生产生活中,用户侧采集到的海量数据因自身设备故障或者外部环境因素影响会出现大量的异常负荷数据。因此,为提高综合能源系统运行的安全性和可靠性,对用户用能数据进行精准有效的检测具有重要意义。
目前在异常数据检测领域已开展了一系列研究,考虑到综合能源负荷数据具备量大、高维以及类型多样化的特点,因此必须选择具备较优聚类性能的模型。
发明内容
为了克服上述缺陷,本发明提出了一种综合能源负荷异常值检测方法及装置。
第一方面,提供一种综合能源负荷异常值检测方法,所述综合能源负荷异常值检测方法包括:
对待检测综合能源负荷数据进行归一化处理;
基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据。
优选的,所述基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据,包括:
将归一化处理后的待检测综合能源负荷数据输入至预先构建的SOM神经网络,得到预先构建的SOM神经网络输出的待检测综合能源负荷数据中的异常值数据及其对应的异常类型。
进一步的,所述预先构建的SOM神经网络的获取过程包括:
利用标注异常类型的综合能源负荷历史数据构建训练数据和测试数据;
基于所述训练数据和测试数据对初始SOM神经网络进行训练,得到所述预先构建的SOM神经网络。
进一步的,所述异常类型包括下述中的至少一种:极大极小数据、冲击负荷数据、毛刺负荷数据。
进一步的,所述基于所述训练数据和测试数据对初始SOM神经网络进行训练的过程中,基于迭代次数对学习率和邻域尺寸进行自适应调整。
进一步的,所述学习率的调整公式如下:
上式中,αt为第t次迭代训练时的学习率,α0为初始学习率,T为迭代总次数。
进一步的,所述邻域尺寸的调整公式如下:
上式中,λt为第t次迭代训练时的邻域尺寸,λ0为初始邻域尺寸,T为迭代总次数。
优选的,所述基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据之后,包括:
剔除待检测综合能源负荷数据中的异常值数据;
采用拉格朗日插补法对待检测综合能源负荷数据中的缺失数据进行填充。
进一步的,按下式对待检测综合能源负荷数据中的缺失数据进行填充:
上式中,L(x)为序号为x的缺失数据的填补数据值,yj为第j个负荷数据,x为缺失数据对应的序号,xi为第i个负荷数据对应的序号,xj为第j个负荷数据对应的序号,k为待检测综合能源负荷数据的负荷数据总数。
第二方面,提供一种综合能源负荷异常值检测装置,所述综合能源负荷异常值检测装置包括:
处理模块,用于对待检测综合能源负荷数据进行归一化处理;
识别模块,用于基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据。
优选的,所述识别模块具体用于:
将归一化处理后的待检测综合能源负荷数据输入至预先构建的SOM神经网络,得到预先构建的SOM神经网络输出的待检测综合能源负荷数据中的异常值数据及其对应的异常类型。
进一步的,所述预先构建的SOM神经网络的获取过程包括:
利用标注异常类型的综合能源负荷历史数据构建训练数据和测试数据;
基于所述训练数据和测试数据对初始SOM神经网络进行训练,得到所述预先构建的SOM神经网络。
进一步的,所述基于所述训练数据和测试数据对初始SOM神经网络进行训练的过程中,基于迭代次数对学习率和邻域尺寸进行自适应调整。
进一步的,所述学习率的调整公式如下:
上式中,αt为第t次迭代训练时的学习率,α0为初始学习率,T为迭代总次数。
进一步的,所述邻域尺寸的调整公式如下:
上式中,λt为第t次迭代训练时的邻域尺寸,λ0为初始邻域尺寸,T为迭代总次数。
第三方面,提供一种计算机设备,包括:一个或多个处理器;
所述处理器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现所述的综合能源负荷异常值检测方法。
第四方面,提供一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现所述的综合能源负荷异常值检测方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明提供了一种综合能源负荷异常值检测方法及装置,包括:对待检测综合能源负荷数据进行归一化处理;基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据。本发明提供的技术方案,基于预先构建的SOM神经网络能够有效提高综合能源系统的数据清洗效率,对综合能源系统后续的优化有实际价值;
进一步的,所述预先构建的SOM神经网络通过分阶段的自适应学习率与自适应邻域尺寸的耦合调整,具体的,本发明将改进算法分为加速段和减缓段两个阶段,加速段提出了一种促进神经元响应程度的权值调整方法,使学习率迅速降低,实现神经元的初步聚类,同时通过设置较大的邻域值,提高了收敛速度,实现了较好的响应效果,减缓段通过减缓学习率,并逐步缩减邻域尺寸,耦合调整保证了聚类的准确性与稳定性,能够处理综合能源系统的大规模负荷数据,具有显著的稳定性和可靠性。
附图说明
图1是本发明实施例的综合能源负荷异常值检测方法的主要步骤流程示意图;
图2是本发明实施例的综合能源负荷异常值检测装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
参阅附图1,图1是本发明的一个实施例的综合能源负荷异常值检测方法的主要步骤流程示意图。如图1所示,本发明实施例中的综合能源负荷异常值检测方法主要包括以下步骤:
步骤S101:对待检测综合能源负荷数据进行归一化处理;
步骤S102:基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据。
在一个实施方式中,所述步骤S101可以按下式对待检测综合能源负荷数据进行归一化处理:
上式中,x和x’分别表示负荷实际值和归一化处理后的负荷序列值,xmax和xmin分别表示负荷序列值的最大值和最小值。
本事实例中,所述步骤S102具体包括:
将归一化处理后的待检测综合能源负荷数据输入至预先构建的SOM神经网络,得到预先构建的SOM神经网络输出的待检测综合能源负荷数据中的异常值数据及其对应的异常类型。
在一个实施方式中,所述预先构建的SOM神经网络的获取过程包括:
利用标注异常类型的综合能源负荷历史数据构建训练数据和测试数据;
基于所述训练数据和测试数据对初始SOM神经网络进行训练,得到所述预先构建的SOM神经网络。
其中,所述异常类型包括下述中的至少一种:极大极小数据、冲击负荷数据、毛刺负荷数据。
本事实例中,可以根据用能异常负荷数据特点,对其进行分类:
极大极小数据:极大极小异常数据是指在负荷峰、谷时间段之外出现的高于当日负荷峰值或低于负荷谷值的数据;
冲击负荷数据:冲击负荷数据是指负荷数值在某时刻剧增或剧减,随后恢复正常的数据,区别于极大极小数据,其数值不会超过或低于当日负荷峰值和谷值;
毛刺负荷数据:毛刺负荷数据是指负荷数值在相邻时间段剧增或剧减的数据;
进一步的,所述基于所述训练数据和测试数据对初始SOM神经网络进行训练的过程中,基于迭代次数对学习率和邻域尺寸进行自适应调整。具体的,将学习率调整阶段分为两个阶段,迭代次数小于T/2为加速阶段,反之则定义为减缓阶段,加速阶段通过使用余弦衰减函数对学习率进行调整,促进神经元迅速完成初步聚类;减缓阶段在加速阶段的基础上采用线性递减函数调整学习率,保证聚类的准确性,其中,所述学习率的调整公式如下:
上式中,αt为第t次迭代训练时的学习率,α0为初始学习率,T为迭代总次数。
同时根据不同阶段的学习率对邻域进行同步调整,学习率调整处于加速阶段时,较大的邻域可以扩大初始输入神经元影响效果和范围,从而促进收敛速度的提升;学习率调整处于减缓阶段时,通过对邻域尺寸的缩减逐步保障聚类的稳定性;所述邻域尺寸的调整公式如下:
上式中,λt为第t次迭代训练时的邻域尺寸,λ0为初始邻域尺寸,T为迭代总次数。
本事实例中,所述基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据之后,包括:
剔除待检测综合能源负荷数据中的异常值数据;
采用拉格朗日插补法对待检测综合能源负荷数据中的缺失数据进行填充。
在一个实施方式中,按下式对待检测综合能源负荷数据中的缺失数据进行填充:
上式中,L(x)为序号为x的缺失数据的填补数据值,yj为第j个负荷数据,x为缺失数据对应的序号,xi为第i个负荷数据对应的序号,xj为第j个负荷数据对应的序号,k为待检测综合能源负荷数据的负荷数据总数。
实施例2
基于同一种发明构思,本发明还提供了一种综合能源负荷异常值检测装置,如图2所示,所述综合能源负荷异常值检测装置包括:
处理模块,用于对待检测综合能源负荷数据进行归一化处理;
识别模块,用于基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据。
优选的,所述识别模块具体用于:
将归一化处理后的待检测综合能源负荷数据输入至预先构建的SOM神经网络,得到预先构建的SOM神经网络输出的待检测综合能源负荷数据中的异常值数据及其对应的异常类型。
进一步的,所述预先构建的SOM神经网络的获取过程包括:
利用标注异常类型的综合能源负荷历史数据构建训练数据和测试数据;
基于所述训练数据和测试数据对初始SOM神经网络进行训练,得到所述预先构建的SOM神经网络。
进一步的,所述异常类型包括下述中的至少一种:极大极小数据、冲击负荷数据、毛刺负荷数据。
进一步的,所述基于所述训练数据和测试数据对初始SOM神经网络进行训练的过程中,基于迭代次数对学习率和邻域尺寸进行自适应调整。
进一步的,所述学习率的调整公式如下:
上式中,αt为第t次迭代训练时的学习率,α0为初始学习率,T为迭代总次数。
进一步的,所述邻域尺寸的调整公式如下:
上式中,λt为第t次迭代训练时的邻域尺寸,λ0为初始邻域尺寸,T为迭代总次数。
优选的,所述基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据之后,包括:
剔除待检测综合能源负荷数据中的异常值数据;
采用拉格朗日插补法对待检测综合能源负荷数据中的缺失数据进行填充。
进一步的,按下式对待检测综合能源负荷数据中的缺失数据进行填充:
上式中,L(x)为序号为x的缺失数据的填补数据值,yj为第j个负荷数据,x为缺失数据对应的序号,xi为第i个负荷数据对应的序号,xj为第j个负荷数据对应的序号,k为待检测综合能源负荷数据的负荷数据总数。
实施例3
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中一种综合能源负荷异常值检测方法的步骤。
实施例4
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种综合能源负荷异常值检测方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (17)
1.一种综合能源负荷异常值检测方法,其特征在于,所述方法包括:
对待检测综合能源负荷数据进行归一化处理;
基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据。
2.如权利要求1所述的方法,其特征在于,所述基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据,包括:
将归一化处理后的待检测综合能源负荷数据输入至预先构建的SOM神经网络,得到预先构建的SOM神经网络输出的待检测综合能源负荷数据中的异常值数据及其对应的异常类型。
3.如权利要求2所述的方法,其特征在于,所述预先构建的SOM神经网络的获取过程包括:
利用标注异常类型的综合能源负荷历史数据构建训练数据和测试数据;
基于所述训练数据和测试数据对初始SOM神经网络进行训练,得到所述预先构建的SOM神经网络。
4.如权利要求2所述的方法,其特征在于,所述异常类型包括下述中的至少一种:极大极小数据、冲击负荷数据、毛刺负荷数据。
5.如权利要求3所述的方法,其特征在于,所述基于所述训练数据和测试数据对初始SOM神经网络进行训练的过程中,基于迭代次数对学习率和邻域尺寸进行自适应调整。
8.如权利要求1所述的方法,其特征在于,所述基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据之后,包括:
剔除待检测综合能源负荷数据中的异常值数据;
采用拉格朗日插补法对待检测综合能源负荷数据中的缺失数据进行填充。
10.一种综合能源负荷异常值检测装置,其特征在于,所述装置包括:
处理模块,用于对待检测综合能源负荷数据进行归一化处理;
识别模块,用于基于归一化处理后的待检测综合能源负荷数据和预先构建的SOM神经网络识别待检测综合能源负荷数据中的异常值数据。
11.如权利要求10所述的装置,其特征在于,所述识别模块具体用于:
将归一化处理后的待检测综合能源负荷数据输入至预先构建的SOM神经网络,得到预先构建的SOM神经网络输出的待检测综合能源负荷数据中的异常值数据及其对应的异常类型。
12.如权利要求11所述的装置,其特征在于,所述预先构建的SOM神经网络的获取过程包括:
利用标注异常类型的综合能源负荷历史数据构建训练数据和测试数据;
基于所述训练数据和测试数据对初始SOM神经网络进行训练,得到所述预先构建的SOM神经网络。
13.如权利要求12所述的装置,其特征在于,所述基于所述训练数据和测试数据对初始SOM神经网络进行训练的过程中,基于迭代次数对学习率和邻域尺寸进行自适应调整。
16.一种计算机设备,其特征在于,包括:一个或多个处理器;
所述处理器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至9中任意一项所述的综合能源负荷异常值检测方法。
17.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至9中任意一项所述的综合能源负荷异常值检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411007.7A CN114818898A (zh) | 2022-04-19 | 2022-04-19 | 一种综合能源负荷异常值检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411007.7A CN114818898A (zh) | 2022-04-19 | 2022-04-19 | 一种综合能源负荷异常值检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818898A true CN114818898A (zh) | 2022-07-29 |
Family
ID=82505680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210411007.7A Pending CN114818898A (zh) | 2022-04-19 | 2022-04-19 | 一种综合能源负荷异常值检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818898A (zh) |
-
2022
- 2022-04-19 CN CN202210411007.7A patent/CN114818898A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510063B (zh) | 一种应用于卷积神经网络的加速方法和加速器 | |
CN107203891A (zh) | 一种自动多阀值特征过滤方法及装置 | |
CN108334496A (zh) | 用于特定领域的人机对话理解方法与系统及相关设备 | |
WO2021169271A1 (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
CN111737099B (zh) | 一种基于高斯分布的数据中心异常检测方法及装置 | |
CN111625399A (zh) | 一种计量数据恢复方法及系统 | |
WO2022077907A1 (zh) | 对抗攻击的检测方法、系统、设备、计算机可读存储介质 | |
CN111639793A (zh) | 一种锅炉群组调度优化方法及装置 | |
CN114170002A (zh) | 一种访问频次的预测方法及装置 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
CN110502395A (zh) | 基于聚类的设备运行状态评估方法、终端设备及存储介质 | |
CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
CN116644804B (zh) | 分布式训练系统、神经网络模型训练方法、设备和介质 | |
CN114818898A (zh) | 一种综合能源负荷异常值检测方法及装置 | |
CN108073464A (zh) | 一种基于速度和加速度的时序数据异常点检测方法及装置 | |
CN114492787A (zh) | 自适应的神经网络训练方法、电子设备、介质和程序产品 | |
US11270208B2 (en) | Neural network batch normalization optimization method and apparatus | |
CN114844696A (zh) | 一种基于风险池最小化的网络入侵动态监测方法、系统、设备和可读存储介质 | |
CN109347143B (zh) | 风场输出功率调整方法与装置 | |
CN114330500A (zh) | 基于storm平台的电网电力设备在线并行诊断方法及系统 | |
CN109978038A (zh) | 一种集群异常判定方法及装置 | |
CN112446735A (zh) | 一种农产品价格预测方法、存储介质及计算设备 | |
CN112085584A (zh) | 企业信用违约概率计算方法及系统 | |
CN116340765B (zh) | 一种窃电用户预测方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |