CN114925938A - 一种基于自适应svm模型的电能表运行状态预测方法、装置 - Google Patents

一种基于自适应svm模型的电能表运行状态预测方法、装置 Download PDF

Info

Publication number
CN114925938A
CN114925938A CN202210842783.2A CN202210842783A CN114925938A CN 114925938 A CN114925938 A CN 114925938A CN 202210842783 A CN202210842783 A CN 202210842783A CN 114925938 A CN114925938 A CN 114925938A
Authority
CN
China
Prior art keywords
electric energy
energy meter
adaptive
svm model
class
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.)
Granted
Application number
CN202210842783.2A
Other languages
English (en)
Other versions
CN114925938B (zh
Inventor
陈应林
杨文锋
代洁
陈勉舟
张荣霞
周阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Gelanruo Intelligent Technology Co ltd
Original Assignee
Wuhan Glory Road Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Glory Road Intelligent Technology Co ltd filed Critical Wuhan Glory Road Intelligent Technology Co ltd
Priority to CN202210842783.2A priority Critical patent/CN114925938B/zh
Publication of CN114925938A publication Critical patent/CN114925938A/zh
Application granted granted Critical
Publication of CN114925938B publication Critical patent/CN114925938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于自适应SVM模型的电能表运行状态预测方法及装置，其方法包括：获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征；基于训练完成的神经网络，根据时序特征计算不同周期下电能表的第一类异常概率；基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率；根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型；利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。本发明从多个维度提取电能表的故障特征，并利用训练完成的多个SVM模型自适应地预测电能表的状态，提高了预测的准确性和自适应性。

Description

一种基于自适应SVM模型的电能表运行状态预测方法、装置
技术领域
本发明电力测量技术领域，具体涉及一种基于自适应SVM模型的电能表运行状态预测方法、装置。
背景技术
智能电表作为用电信息采集系统的重要组成部分，其可靠性和采集准确性成为电力部门和用户最为关注的对象。如何依据智能电表现有运行数据准确预测其运行状态，是智能电表健康管理领域的一个新兴热点课题。
引起智能电表发生异常的原因除了设备本身的质量因素外，还包括气象因素、运行因素等，在以往的研究中很少从多个维度数据对智能电表的运行状态进行分析，从而导致状态预测的准确度不高。
发明内容
为提高预测电能表的运行状态的准确率的问题，在本发明的第一方面提供了一种基于自适应SVM模型的电能表运行状态预测方法，包括：获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征；基于训练完成的神经网络，根据时序特征计算不同周期下电能表的第一类异常概率；基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率；根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型；利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。
在本发明的一些实施例中，所述神经网络为基于CNN和LSTM融合的神经网络；所述基于群体智能优化算法优化后的机器学习分类器为基于被囊群算法优化的LightGBM模型。
进一步的，所述基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率包括：将LightGBM模型中树的棵数、树的最大深度和学习率作为被囊群算法的优化目标，求解同时满足三个优化目标预设条件的最优解；利用所述最优解训练LightGBM模型，并根据训练完成的LightGBM模型计算不同统计特征和设备特征下的第二类异常概率。
进一步的，所述被囊群算法通过如下方法进行动态反向学习优化：
Figure 245904DEST_PATH_IMAGE001
，
其中，
Figure 186310DEST_PATH_IMAGE002
，
Figure 726880DEST_PATH_IMAGE003
，i=1,2，…W；
Figure 230673DEST_PATH_IMAGE004
为第t次被囊群算法迭代时种群 第i个个体位置；
Figure 188134DEST_PATH_IMAGE005
为
Figure 909227DEST_PATH_IMAGE004
对应的反向解，a t 和b t 分别为当前搜索区间上的最小值和最大值；U表示反向学习的步长，W为种群大小，t为迭代次数，T为最大迭代次数。
在本发明的一些实施例中，所述根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型包括：根据所述第一类异常概率和所述第二类异常概率构建特征向量；基于所述特征向量和多个核函数，训练多个SVM模型；根据每个SVM模型的准确率确定自适应参数，并根据所述自适应参数确定SVM模型。
在上述的实施例中，所述获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征包括：
获取多个电能表在运行过程中的气象、运行及设备数据，并将其进行数据清洗和相关度关联，并构建与智能电表故障相关的设备特征、统计特征和时序特征。
本发明的第二方面，提供了一种基于自适应SVM模型的电能表运行状态预测装置，包括：获取模块，用于获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征；计算模块，用于基于训练完成的神经网络，根据时序特征计算不同周期下电能表的第一类异常概率；基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率；预测模块，用于根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型；利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，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，使得所述一个或多个处理器实现本发明在第一方面提供的基于自适应SVM模型的电能表运行状态预测方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明在第一方面提供的基于自适应SVM模型的电能表运行状态预测方法。
本发明的有益效果是：
本发明从设备数据、统计数据、多尺度时序数据出发，对智能电表数据进行分析、挖掘及模型构建，从而实现了智能电表运行状态的准确预判；采用了自适应的SVM模型针对每一个具体的样本，实现对分类模型的自适应筛选，避免由于单一分类模型对某类样本的预测效果不理想而致使预测效果差的问题，保证了SVM模型分类的准确率，模型适用性强。
附图说明
图1为本发明的一些实施例中的基于自适应SVM模型的电能表运行状态预测方法的基本流程示意图；
图2为本发明的一些实施例中的基于自适应SVM模型的电能表运行状态预测方法的具体流程示意图；
图3为本发明的一些实施例中的利用CNN-LSTM模型计算第一类异常概率的原理示意图；
图4为本发明的一些实施例中的自适应SVM模型训练过程的原理示意图；
图5为本发明的一个具体实施例中的基于自适应SVM模型的电能表运行状态预测方法的原理框架图；
图6为本发明的一些实施例中的基于自适应SVM模型的电能表运行状态预测装置的结构示意图；
图7为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1与图2，在本发明的第一方面，提供了一种基于自适应SVM模型的电能表运行状态预测方法，包括：S100.获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征；S200.基于训练完成的神经网络，根据时序特征计算不同周期下电能表的第一类异常概率；基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率；S300.根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型；利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。
在本发明的一些实施例中的步骤S100中，获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征：获取多个电能表在运行过程中的气象、运行及设备数据，并将其进行数据清洗和相关度关联，并构建与智能电表故障相关的设备特征、统计特征和时序特征。
具体地，收集智能电表运行过程中的气象、运行及设备数据，在完成异常数据清洗后，通过相关度分析，删除数据集中的冗余特征和不相关属性，构建与智能电表故障相关的设备特征、统计特征、时序特征。设备特征：库存时长、使用时长、安装月份、故障月份、省份、供电单位、设备规格、通信方式，供应商；统计特征：日最高气温、日最低气温、日最大湿度、故障次数、电流不平衡、电压不平衡；时序特征：电压、电流、功率因素、温度、湿度。
参考图3，在本发明的一些实施例中的步骤S200中，所述神经网络为基于CNN和LSTM融合的神经网络；所述基于群体智能优化算法优化后的机器学习分类器为基于被囊群算法优化的LightGBM模型。具体地，对于时序性特征，采用CNN-LSTM模型，对不同周期长度（一周、一个月、一季度、半年）的时序特征进行模型训练，获取不同周期下的异常概率。
在图3中，输入数据：不同时间周期内的电压、电流、功率因素、温度、湿度数据。CNN-LSTM模型：对于t+1时刻的异常率，基于不同周期数据分别构建CNN-LSTM模型，模型最后输出为Softmax函数，得到不同状态（正常、异常）概率向量，第i个样本经Softmax函数输出的概率表示为：
Figure 106466DEST_PATH_IMAGE006
（1），
其中，
Figure 538584DEST_PATH_IMAGE007
代表状态类型总数，这里为2；a为LSTM隐藏层输出。
定义模型的损失函数为：
Figure 383175DEST_PATH_IMAGE008
（2），
其中
Figure 117913DEST_PATH_IMAGE009
表示交叉熵损失函数，其中
Figure 116962DEST_PATH_IMAGE010
为样本 的真实状态值，
Figure 185061DEST_PATH_IMAGE011
为样本预测值，N为样本总数。
Figure 523639DEST_PATH_IMAGE012
表示样本间的距离函数，其 中
Figure 507907DEST_PATH_IMAGE013
为权重系数，
Figure 696049DEST_PATH_IMAGE014
表示同类样本间的距离，
Figure 860183DEST_PATH_IMAGE015
表示 通过CNN-LSTM函数采集的第k类样本的第j个样本特征，
Figure 131895DEST_PATH_IMAGE016
为第k类状态的样本真实个数；
Figure 959168DEST_PATH_IMAGE017
表示不同类样本间的距离，因为仅考虑异常、正常两 类样本，所以
Figure 932809DEST_PATH_IMAGE018
为两类样本的特征均值的距离函数，
Figure 65414DEST_PATH_IMAGE019
、
Figure 988371DEST_PATH_IMAGE020
分别为两类状态的真实个数。
通过上述方法，分别构建基于一周、一个月、一季度、半年数据的CNN-LSTM模型，得 到不同周期下的t+1时刻电能表的异常概率
Figure 953921DEST_PATH_IMAGE021
，其中1，2，3，4对应一周、一个 月、一个季度、半年数据模型，i代表第i个样本。
进一步的，所述基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率包括：将LightGBM模型中树的棵数、树的最大深度和学习率作为被囊群算法的优化目标，求解同时满足三个优化目标预设条件的最优解；利用所述最优解训练LightGBM模型，并根据训练完成的LightGBM模型计算不同统计特征和设备特征下的第二类异常概率。
具体地，LightGBM （Light Gradient Boosting Machine）是一种基于梯度提升树的提升算法，通过堆叠低级别的弱分类器形成强分类器来达到增强预测精度的目的。比起标准的梯度提升树算法，LightGBM 通过直方图优化对连续特征值进行分段处理，可以节省内存并加快运行速度，决策树通过leaf‐wise 的叶子生长策略对树进行生长，同时限制树的深度以防止过拟合，能够有效提高模型预测的准确率和鲁棒性。当已知电能表的运行状态为正常、异常2个类别时，基本LightGBM 模型对每个待测样本都输出2个状态概率，如:
Figure 181903DEST_PATH_IMAGE022
（3），且
Figure 376255DEST_PATH_IMAGE023
（4）；
其中
Figure 402986DEST_PATH_IMAGE024
代表模型将样本判为第d类的概率，这里d为1或2，分别表示正常、异常状 态。
基本LightGBM 模型训练流程如下：
1）初始化Y棵决策树作为弱分类器，设迭代次数m=1，最大迭代次数
Figure 821329DEST_PATH_IMAGE025
。
2）根据直方图优化算法对特征数据进行处理并寻找最优分割点，采用带有深度限 制的leafwise叶子生长策略训练每棵决策树
Figure 861572DEST_PATH_IMAGE026
。
3）计算训练误差并根据误差确定当前弱分类器的话语权
Figure 390774DEST_PATH_IMAGE027
，并合并弱分类器为强 分类器。
Figure 537590DEST_PATH_IMAGE028
（5），Y为决策树的数量。
4）若训练误差或最大迭代次数满足要求则停止训练，否则
Figure 126835DEST_PATH_IMAGE029
,转2）。
在实际运用Light GBM时，其核心参数如树的棵数、树的最大深度、学习率等设置将影响模型识别精度。这里采用优化的被囊群算法（Tunicate Swarm Algorithm，TSA）对Light GBM的超参数进行寻优，寻优过程如下：
首先设置参数，包括种群规模W；迭代次数M，种群边界
Figure 594987DEST_PATH_IMAGE030
，
Figure 927880DEST_PATH_IMAGE031
。
（1）：采用半数均匀初始化策略进行种群初始化，提高种群多样性；
初始化模型：
Figure 929202DEST_PATH_IMAGE032
（6），
其中，UB、LB分别代表搜索空间的上、下限区间向量，rand()表示在限定空间内生 成向量的随机函数，s=1,2，…,W/2,
Figure 892610DEST_PATH_IMAGE033
,
Figure 850989DEST_PATH_IMAGE034
,
Figure 987572DEST_PATH_IMAGE035
代表种群内个体初始值，W 为种群规模。
（2）执行喷气推进行为；
Figure 640139DEST_PATH_IMAGE036
(7)，
Figure 571186DEST_PATH_IMAGE037
(8)，
Figure 13931DEST_PATH_IMAGE038
(9)，
式（7）表示避免搜索种群之间的冲突行为。r、
Figure 688626DEST_PATH_IMAGE039
、
Figure 664541DEST_PATH_IMAGE040
、
Figure 766489DEST_PATH_IMAGE041
是[0,1]上服从均匀分布的 随机数，
Figure 693601DEST_PATH_IMAGE042
、
Figure 358937DEST_PATH_IMAGE043
分别表示初始的相互作用速度范围，一般
Figure 674512DEST_PATH_IMAGE044
，
Figure 963673DEST_PATH_IMAGE045
；式（8）计算个 体与食物时间的位置，其中
Figure 364699DEST_PATH_IMAGE046
为第t次迭代时当前种群的最优位置，
Figure 896043DEST_PATH_IMAGE047
为第t次迭代时 种群第i个个体位置；式（9）表示个体向最优位置收敛，其个体的位置更新为
Figure 66124DEST_PATH_IMAGE048
；
在搜索食物过程中，被囊动物个体以当前位置为中心，在当前最优位置(食物源位置)与当前位置的差值构建的扇形区域内进行随机搜索，未考虑被囊动物行为中的其他智能行为。此种单一模式的搜索方式使被囊动物的觅食活动缺乏机动性和灵活性，难以跳出局部最优，导致算法的搜索精度不高。因此，本实施例采用了动态反向学习对TSA进行优化，提高算法性能。
①动态反向学习：对式（9）最优位置收敛后的个体位置进行动态反向学习：
Figure 540835DEST_PATH_IMAGE049
(11)，
其中，
Figure 429157DEST_PATH_IMAGE050
，
Figure 233034DEST_PATH_IMAGE051
，i=1,2，…W，其中
Figure 788780DEST_PATH_IMAGE052
为第t次迭代时种群第i个 个体位置；
Figure 419744DEST_PATH_IMAGE053
为
Figure 795361DEST_PATH_IMAGE054
对应的反向解，
Figure 668508DEST_PATH_IMAGE055
和
Figure 813182DEST_PATH_IMAGE056
分别为当前搜索区间上的最小值和最大值。W为种 群大小，t为迭代次数，T为最大迭代次数。算法初期U值偏大，提供较大反向步长，提高全局 搜索能力，算法后期U值变小，可增强局部搜索能力，保证算法的寻优性能。
计算
Figure 612117DEST_PATH_IMAGE053
的适应度，若
Figure 209452DEST_PATH_IMAGE057
，则替换原
Figure 620710DEST_PATH_IMAGE058
。
Figure 885470DEST_PATH_IMAGE059
(12)。
（3）执行群体行为；
被囊群是由被囊动物所构成，是群体性的动物。所以在完成个体运动行为建模之后，接下来就是对群体行为的建模。群体行为：
Figure 592657DEST_PATH_IMAGE060
(13)
其中，
Figure 739604DEST_PATH_IMAGE061
表示上一代被囊个体相对于食物源更新后的位置，
Figure 157816DEST_PATH_IMAGE062
为[0,1]内的随 机数。
（4）：计算更新后每个个体的适应度值，如果适应度优于之前，则更新；
（5）：当达到最大迭代次数的时候，输出最优个体以及其适应度值，如果没有，则继续重复步骤（2）~（5）。
分别基于设备数据、统计数据，构建优化后的Light GBM模型，得到样本t+1时刻的 异常概率
Figure 73820DEST_PATH_IMAGE063
，
Figure 466755DEST_PATH_IMAGE064
，其中
Figure 792344DEST_PATH_IMAGE065
代表基于设备数据获取的异常概率，i代表第i个样本。
参考图4，在本发明的一些实施例的步骤S300中，所述根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型包括：根据所述第一类异常概率和所述第二类异常概率构建特征向量；基于所述特征向量和多个核函数，训练多个SVM模型；根据每个SVM模型的准确率确定自适应参数，并根据所述自适应参数确定SVM模型。
具体地，以时序特征、统计特征、设备特征下的异常概率构建特征向量
Figure 30558DEST_PATH_IMAGE066
：
Figure 315915DEST_PATH_IMAGE067
，其中j表示第j个样本。基于样本的特征参量，采用SVM模型 寻求一个能将不同类别样本完全分开的最优超平面。考虑到数据中的离群点会严重影响 SVM的分类性能，为使模型更加稳健，引入软间隔和惩罚项，改进后的SVM目标函数如下：
Figure 879751DEST_PATH_IMAGE068
Figure 689707DEST_PATH_IMAGE069
（14），
其中，
Figure 997191DEST_PATH_IMAGE070
为权重，ｂ为阈值。C为惩罚系数，
Figure 74737DEST_PATH_IMAGE071
是松弛因子。SVM另一个重要部分为核 函数及其核函数参数，核函数能够帮助SVM处理其不能解决的非线性问题。核映射情况下的 SVM的分类函数为：
Figure 809475DEST_PATH_IMAGE072
（15），
其中
Figure 152732DEST_PATH_IMAGE073
为核函数。常用的核函数有多项式核函数、高斯径向基核函数和 sigmoid核函数。不同的核函数在训练方式上有很大区别，在分类结果上会存在差异，因此， 本专利采用了自适应的SVM智能诊断方法进行智能电表运行状态判断。
令SVM1代表以多项式核函数为分类模型，SVM2代表以高斯径向基核函数为分类模型；SVM3代表以sigmoid核函数为分类模型。
Step1：通过粒子群寻优算法对每个模型中的惩罚项系数Ｃ和核函数参数进行寻优，构建优化模型SVM1、SVM2、SVM3；
Step2：计算各分类模型对各样本类预测准确率。
Figure 480552DEST_PATH_IMAGE074
（16），
式中，I为指示函数，
Figure 428916DEST_PATH_IMAGE075
表示样本
Figure 583823DEST_PATH_IMAGE076
实际为k类，评估也为k 类时为1，否则为0，其中k=1，2，分别表示正常、异常；A=1，2，3，分别代表模型SVM1、SVM2、 SVM3。
Figure 617638DEST_PATH_IMAGE077
表示模型分类为k类的样本数。
基于上述公式，得到各模型对正常、异常的分类准确率：
Figure 814395DEST_PATH_IMAGE078
（17），
Step3：设定判断阈值，进行模型自适应选择
Figure 820528DEST_PATH_IMAGE079
（18），
其中，
Figure 943074DEST_PATH_IMAGE080
表示第k类样本的准确率阈值；
Figure 464185DEST_PATH_IMAGE081
为阈值系数，满足
Figure 659107DEST_PATH_IMAGE082
。
Figure 316484DEST_PATH_IMAGE083
（19），
Figure 16456DEST_PATH_IMAGE084
表示分类模型SVM1明显高于SVM2、SVM3，取分类模型 SVM1的分类结果；
Figure 24863DEST_PATH_IMAGE085
表示分类模型SVM2明显高于SVM1、SVM3，取分类模型SVM2的分类结果；
Figure 235527DEST_PATH_IMAGE086
表示分类 模型SVM3明显高于SVM1、SVM2，取分类模型SVM3的分类结果；
Figure 527837DEST_PATH_IMAGE087
表示存在模型之间分类 准确率没有明显差别，需要进一步选择判断。
Step4：基于多分类模型的自适应分类结果，对于
Figure 680601DEST_PATH_IMAGE088
的情况，通过距离函数完 成模型自适应选择。
步骤1：计算
Figure 973042DEST_PATH_IMAGE089
情况下，各模型划分为k类的样本距离函数D。
Figure 250046DEST_PATH_IMAGE090
（20）
其中
Figure 616436DEST_PATH_IMAGE091
表示对k类识别准确率较大的多个模型，
Figure 720527DEST_PATH_IMAGE092
。
Figure 703527DEST_PATH_IMAGE093
为
Figure 787152DEST_PATH_IMAGE094
模 型的超平面法向量，
Figure 991737DEST_PATH_IMAGE095
为超平面的位移，
Figure 548620DEST_PATH_IMAGE096
为评估为k类的第
Figure 710261DEST_PATH_IMAGE097
个样本，R为模型划分为 k类的样本总数R。
步骤2：基于距离进行模型自适应选择。
Figure 846844DEST_PATH_IMAGE098
（21），
则自适应SVM模型为：
Figure 250144DEST_PATH_IMAGE099
（22），
Figure 430458DEST_PATH_IMAGE100
表示样本
Figure 122471DEST_PATH_IMAGE101
经过自适应SVM模型后输出的标签，分别为异常、正常类别。
参考图2与图5，基于上述实施例的技术手段，在本发明的一个实施例中，基于自适应SVM模型的电能表运行状态预测方法包括：步骤1：收集智能电表的各项运行数据，基于相关性分析，构建时序特征、统计特征、设备特征。步骤2：对于时序性特征，采用CNN-LSTM模型，对不同周期长度（一周、一个月、一季度、半年）的时序特征进行模型训练，获取不同周期下的异常概率。步骤3：对于统计特征、设备特征，分别构建TSA-LightGBM模型，计算得到不同特征下的异常概率。步骤4：基于时序特征、统计特征、设备特征的各诊断模型得到样本i的多维度异常概率，构建特征向量，采用自适应的SVM分类算法，对智能电表的运行状态进行准确判断。步骤5：基于上述模型对待评估的智能电表进行状态预测。
实施例2
参考图6，本发明的第二方面，提供了一种基于自适应SVM模型的电能表运行状态预测装置1，包括：获取模块11，用于获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征；计算模块12，用于基于训练完成的神经网络，根据时序特征计算不同周期下电能表的第一类异常概率；基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率；预测模块13，用于根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型；利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。
进一步地，所述预测模块13包括：训练单元，用于根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型；预测单元，用于利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。
实施例3
参考图7，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，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，使得所述一个或多个处理器实现本发明在第一方面的基于自适应SVM模型的电能表运行状态预测方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。需要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于自适应SVM模型的电能表运行状态预测方法，其特征在于，包括：
获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征；
基于训练完成的神经网络，根据时序特征计算不同周期下电能表的第一类异常概率；基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率；
根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型；利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。
2.根据权利要求1所述的基于自适应SVM模型的电能表运行状态预测方法，其特征在于，所述神经网络为基于CNN和LSTM融合的神经网络；
所述基于群体智能优化算法优化后的机器学习分类器为基于被囊群算法优化的LightGBM模型。
3.根据权利要求2所述的基于自适应SVM模型的电能表运行状态预测方法，其特征在于，所述基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率包括：
将LightGBM模型中树的棵数、树的最大深度和学习率作为被囊群算法的优化目标，求解同时满足三个优化目标预设条件的最优解；
利用所述最优解训练LightGBM模型，并根据训练完成的LightGBM模型计算不同统计特征和设备特征下的第二类异常概率。
4.根据权利要求2所述的基于自适应SVM模型的电能表运行状态预测方法，其特征在于，所述被囊群算法通过如下方法进行动态反向学习优化：
Figure 84547DEST_PATH_IMAGE001
，
其中，
Figure DEST_PATH_IMAGE002
，
Figure 438738DEST_PATH_IMAGE003
，i=1,2，…W；
Figure DEST_PATH_IMAGE004
为第t次被囊群算法迭代时种群第i个 个体位置；
Figure 883888DEST_PATH_IMAGE005
为
Figure 895575DEST_PATH_IMAGE004
对应的反向解，a t 和b t 分别为当前搜索区间上的最小值和最大值；U表示 反向学习的步长，W为种群大小，t为迭代次数，T为最大迭代次数。
5.根据权利要求1所述的基于自适应SVM模型的电能表运行状态预测方法，其特征在于，所述根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型包括：
根据所述第一类异常概率和所述第二类异常概率构建特征向量；
基于所述特征向量和多个核函数，训练多个SVM模型；
根据每个SVM模型的准确率确定自适应参数，并根据所述自适应参数确定SVM模型。
6.根据权利要求1至5任一项所述的基于自适应SVM模型的电能表运行状态预测方法，其特征在于，所述获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征包括：
获取多个电能表在运行过程中的气象、运行及设备数据，并将其进行数据清洗和相关度关联，并构建与智能电表故障相关的设备特征、统计特征和时序特征。
7.一种基于自适应SVM模型的电能表运行状态预测装置，其特征在于，包括：
获取模块，用于获取多个电能表的运维数据，并从其中构建与智能电表故障相关的设备特征、统计特征和时序特征；
计算模块，用于基于训练完成的神经网络，根据时序特征计算不同周期下电能表的第一类异常概率；基于群体智能优化算法优化后的机器学习分类器，计算不同统计特征和设备特征下电能表的第二类异常概率；
预测模块，用于根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型；利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。
8.根据权利要求7所述的基于自适应SVM模型的电能表运行状态预测装置，其特征在于，所述预测模块包括：
训练单元，用于根据所述第一类异常概率和所述第二类异常概率，训练自适应SVM模型；
预测单元，用于利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。
9.一种电子设备，包括：一个或多个处理器；存储装置，其特征在于，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，使得所述一个或多个处理器实现如权利要求1至6任一项所述的基于自适应SVM模型的电能表运行状态预测方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于自适应SVM模型的电能表运行状态预测方法。
CN202210842783.2A 2022-07-18 2022-07-18 一种基于自适应svm模型的电能表运行状态预测方法、装置 Active CN114925938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210842783.2A CN114925938B (zh) 2022-07-18 2022-07-18 一种基于自适应svm模型的电能表运行状态预测方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210842783.2A CN114925938B (zh) 2022-07-18 2022-07-18 一种基于自适应svm模型的电能表运行状态预测方法、装置

Publications (2)

Publication Number Publication Date
CN114925938A true CN114925938A (zh) 2022-08-19
CN114925938B CN114925938B (zh) 2022-10-04

Family

ID=82816004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210842783.2A Active CN114925938B (zh) 2022-07-18 2022-07-18 一种基于自适应svm模型的电能表运行状态预测方法、装置

Country Status (1)

Country Link
CN (1) CN114925938B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115632443A (zh) * 2022-11-09 2023-01-20 淮阴工学院 一种基于黑寡妇算法的能源监测与优化调控系统与方法
CN115936166A (zh) * 2022-09-28 2023-04-07 海南电网有限责任公司 一种电能表检定误差分析预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030033194A1 (en) * 2001-09-05 2003-02-13 Pavilion Technologies, Inc. System and method for on-line training of a non-linear model for use in electronic commerce
CN110348615A (zh) * 2019-06-27 2019-10-18 西安工程大学 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN110929918A (zh) * 2019-10-29 2020-03-27 国网重庆市电力公司南岸供电分公司 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN111751650A (zh) * 2020-07-06 2020-10-09 重庆大学 非侵入式家庭用电设备在线监测系统与故障辨识方法
US20200342346A1 (en) * 2019-04-24 2020-10-29 Cisco Technology, Inc. Adaptive threshold selection for sd-wan tunnel failure prediction
CN113011530A (zh) * 2021-04-29 2021-06-22 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 一种基于多分类器融合的智能电表故障预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030033194A1 (en) * 2001-09-05 2003-02-13 Pavilion Technologies, Inc. System and method for on-line training of a non-linear model for use in electronic commerce
US20200342346A1 (en) * 2019-04-24 2020-10-29 Cisco Technology, Inc. Adaptive threshold selection for sd-wan tunnel failure prediction
CN110348615A (zh) * 2019-06-27 2019-10-18 西安工程大学 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN110929918A (zh) * 2019-10-29 2020-03-27 国网重庆市电力公司南岸供电分公司 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN111751650A (zh) * 2020-07-06 2020-10-09 重庆大学 非侵入式家庭用电设备在线监测系统与故障辨识方法
CN113011530A (zh) * 2021-04-29 2021-06-22 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 一种基于多分类器融合的智能电表故障预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HONGLING XU等: "Two-stage prediction of machinery fault trend based on deep learning for time series analysis", 《DIGITAL SIGNAL PROCESSING》 *
JINWOONG PARK等: ""A two-stage multistep-Ahead Electricity Load Forecasting Scheme Based on LightGBM and Attention-BiLSTM"", 《SENSORS》 *
XIANGHAO ZHAN等: "An electric power forecasting method based on dual time series attention mechanism neural network structure", 《2021 IEEE 21ST INTERNATIONAL CONFERENCE ON SOFTWARE QUALIRY,RELIABILITY AND SECURITY COMPANION》 *
崔宇: "基于深度学习的变压器故障诊断与预测", 《中国优秀硕士论文库 工程科技Ⅱ辑》 *
杜京义: "基于核算法的故障智能诊断理论及方法研究", 《中国优秀博士论文 工程科技II辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936166A (zh) * 2022-09-28 2023-04-07 海南电网有限责任公司 一种电能表检定误差分析预测方法
CN115936166B (zh) * 2022-09-28 2024-06-04 海南电网有限责任公司 一种电能表检定误差分析预测方法
CN115632443A (zh) * 2022-11-09 2023-01-20 淮阴工学院 一种基于黑寡妇算法的能源监测与优化调控系统与方法

Also Published As

Publication number Publication date
CN114925938B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN111950596B (zh) 一种用于神经网络的训练方法以及相关设备
US20200265301A1 (en) Incremental training of machine learning tools
CN114925938B (zh) 一种基于自适应svm模型的电能表运行状态预测方法、装置
US20090043715A1 (en) Method to Continuously Diagnose and Model Changes of Real-Valued Streaming Variables
CN112052948B (zh) 一种网络模型压缩方法、装置、存储介质和电子设备
CN110138595A (zh) 动态加权网络的时间链路预测方法、装置、设备及介质
CN106709588B (zh) 预测模型构建方法和设备以及实时预测方法和设备
US20220067588A1 (en) Transforming a trained artificial intelligence model into a trustworthy artificial intelligence model
CN112699998B (zh) 一种时间序列预测方法、装置、电子设备及可读存储介质
CN111382930B (zh) 一种面向时序数据的风险预测方法及系统
Khodaverdian et al. An energy aware resource allocation based on combination of CNN and GRU for virtual machine selection
CN111126576A (zh) 一种深度学习的新型训练策略
CN114298050A (zh) 模型的训练方法、实体关系抽取方法、装置、介质、设备
CN111582315B (zh) 样本数据处理方法、装置及电子设备
CN113986674A (zh) 时序数据的异常检测方法、装置和电子设备
CN110795736B (zh) 一种基于svm决策树的恶意安卓软件检测方法
Lu et al. Image classification and identification for rice leaf diseases based on improved WOACW_SimpleNet
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
Liu et al. An RBF neural network based on improved black widow optimization algorithm for classification and regression problems
CN111582313B (zh) 样本数据生成方法、装置及电子设备
CN116245259B (zh) 基于深度特征选择的光伏发电预测方法、装置和电子设备
Alam Recurrent neural networks in electricity load forecasting
Yik et al. NeuroBench: A Framework for Benchmarking Neuromorphic Computing Algorithms and Systems
Khodaverdian et al. Combination of convolutional neural network and gated recurrent unit for energy aware resource allocation
JP6233432B2 (ja) 混合モデルの選択方法及び装置

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee after: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method and device for predicting the operation state of electric energy meter based on adaptive SVM model

Effective date of registration: 20221230

Granted publication date: 20221004

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20221004

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404

PC01 Cancellation of the registration of the contract for pledge of patent right