CN115940124A - 一种电网故障智能辅助处置方法及处置系统 - Google Patents

一种电网故障智能辅助处置方法及处置系统 Download PDF

Info

Publication number
CN115940124A
CN115940124A CN202210997151.3A CN202210997151A CN115940124A CN 115940124 A CN115940124 A CN 115940124A CN 202210997151 A CN202210997151 A CN 202210997151A CN 115940124 A CN115940124 A CN 115940124A
Authority
CN
China
Prior art keywords
fault
information
combination
combinations
handling
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
Application number
CN202210997151.3A
Other languages
English (en)
Inventor
杨永济
朱红杰
左娟娟
刘全
肖航
金寿玉
黄桂雪
李加东
王慧娟
张晟铭
杨胜
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.)
Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Baoshan Power Supply Bureau of Yunnan Power Grid 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 Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd filed Critical Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority to CN202210997151.3A priority Critical patent/CN115940124A/zh
Publication of CN115940124A publication Critical patent/CN115940124A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电网故障智能辅助处置方法,包括对历史故障信息提取并识别出每个故障信息包含的预设具体故障描述项目以及该故障处置措施信息;根据识别出的信息将每个故障信息以及其故障处置措施用组合的方式表达归类;生成此类故障信息及次数的组合;将所有故障信息组合及次数的组合表示为矩阵;将获取的所有故障信息及次数的组合作为深度卷积神经网络的输入项、每个故障信息组合对应的最优的4个故障处置措施作为输出项训练深度卷积神经网络;生成目标故障信息组合,将目标故障信息组合传入深度卷积神经网络中,深度卷积神经网络输出4种最优的处置措施信息并通过电子化处置预案向用户推荐。本发明能够实现电网故障的快速处置。

Description

一种电网故障智能辅助处置方法及处置系统
技术领域
本发明涉及电网故障恢复技术领域,具体涉及一种电网故障智能辅助处置方法及处置系统。
背景技术
随着地区电网规模的不断扩大,电网事故后将造成大量用户停电,经济损失巨大,事故影响更加严重,因此电网故障恢复问题日益受到电力企业的重视。如果在发生故障后,在尽可能短的时间内,为停电负荷恢复供电,并将电网调整在一个安全稳定的状态下运行,则可以将停电损失和事故影响减小到最小。
地区电网网架结构薄弱,电气设备众多,运行方式多变,电网故障时常发生。电网故障发生后,如果迅速采取正确有效的恢复措施,可有效地缩短停电时间,减小停电范围,降低停电造成的损失。
当电网发生复杂故障时,更多依赖调控值班员运行经验来处理,可能导致故障研判和处置时间过长,不利于事故抢修和快速恢复供电。为减轻调控人员在事故处理过程中的压力,避免出现人为错误,通过对电网事故处理的辅助决策来实现故障的快速处置成为一项重要且有效的措施。
发明内容
1.所要解决的技术问题:
针对上述技术问题,本发明提供一种电网故障智能辅助处置方法及处置系统,针对不同情况的电网故障信息条件下,针对性地根据电网故障的情况进行故障措施及电子化预案的辅助推荐,实现电网故障的快速处置。
2.技术方案:
一种电网故障智能辅助处置方法,其特征在于:包括以下步骤:
步骤一:统计过去预设时间段内的电网发生的所有的故障信息,以及故障信息所对应的处置措施信息;
步骤二:对故障信息进行信息处理,提取并识别出每个故障信息包含的预设具体故障描述项目以及该故障处置措施信息;所述预设的具体故障描述项目包括故障设备信息、故障特征信息、故障类型信息、故障原因信息;根据识别出的信息将每个故障信息以及其故障处置措施用组合的方式表达,并将组合中的对应的元素均相同的组合归为同一种故障信息组合;统计各个相同的故障信息组合出现的次数,生成此类故障信息及次数的组合;
步骤三:获取步骤二中生成的所有故障信息及次数的组合的所有组合;并将所有故障信息组合及次数的组合表示为矩阵;将获取的所有故障信息及次数的组合作为深度卷积神经网络的输入项、每个故障信息组合对应的最优的4个故障处置措施作为输出项训练深度卷积神经网络;该深度卷积神经网络由卷积层和全连接层组成,全连接层分别有4个,每个对应一种最优的故障处置措施;
步骤四:获取目标故障信息,识别该故障信息中包含的预设故障描述项目;生成目标故障信息组合,将目标故障信息组合传入步骤三中训练好的深度卷积神经网络中,深度卷积神经网络输出4种最优的处置措施信息;
步骤四:将最优的处置措施信息通过对应的电子化处置预案向用户推荐。
进一步地,步骤二中将故障设备信息、故障特征信息、故障类型信息、故障原因信息以及处置措施信息分别用集合A、B、C、D、S表示,则有
A={A1,A2,A3,…,AnA}
B={B1,B2,B3,…,BnB}
C={C1,C2,C3,…,CnC}
D={D1,D2,D3,...,DnD}
S={S1,S2,S3,…,SnS}
上式中,A表示所有的nA个故障设备的集合;B为所有的nB个故障特征的集合;C为所有的nC个故障类型的集合;D为所有的nD个故障原因的集合;S为所有的nS个故障处置措施的集合;每个集合中的An、Bn、Cn、Dn、Sn分别表示其对应的集合中的一个具体元素;
根据识别出的故障描述项目的数目将所述故障信息组合分类为“2+1”组合、“3+1”组合和“4+1”组合;
所述“2+1”组合为从集合A、B、C、D集合中任意两个集合中的分别取一个元素作为该组合中的前两个元素,处置措施集合S中的对应处置措施作为最后一个元素的组合;
所述“3+1”组合为从集合A、B、C、D集合中任意三个集合中的分别取一个元素作为该组合中的前三个元素,处置措施集合S中的对应处置措施作为最后一个元素的组合;
所述“4+1”组合为从集合A、B、C、D集合中每个集合中的分别取一个元素作为该组合中的前四个元素,处置措施集合S中的对应处置措施作为最后一个元素的组合。
进一步地,步骤三中,获取步骤二中生成的包括该类故障信息及出现次数的组合的所有组合,具体为:如果识别目标故障包括2个具体故障描述项目,则所述包括该类故障信息及出现次数的组合的所有组合包括“2+1”组合、“3+1”组合和“4+1”组合中所有包括该2个具体故障描述项目任意两个的组合;
如果识别目标故障包括3个具体故障描述项目,则所述包括该类故障信息及出现次数的组合的所有组合包括“2+1”组合中所有包括该3个具体故障描述项目任意两个的组合,以及“3+1”组合和“4+1”组合中所有包括该3个具体故障描述项目任意三个的组合;
如果识别目标故障包括4个具体故障描述项目,则所述包括该类故障信息及出现次数的组合的所有组合包括“2+1”组合中所有包括该4个具体故障描述项目任意两个的组合,以及“3+1”组合中所有包括该4个具体故障描述项目任意三个的组合,以及“4+1”组合中所有包括该4个具体故障描述项目任意四个的组合。
进一步地,所述矩阵是一个m×3维矩阵,其中m≤nS;该矩阵的每一行表示一种故障处置措施分别对应的“2+1”组合、“3+1”组合和“4+1”组合出现的次数。
进一步地,所述电子化处置预案包括预案编号、故障名称、处置的要点、处置的区域、处置的顺序、稳定要求,为用户决策提供辅助;处置的要点主要是对恢复电网故障的处置措施和紧急状态调整的描述,处置的区域是描述需要进行电网故障处置的区域,处置的顺序是对电网故障处置措施步骤的描述,稳定要求是主要包括了在故障处置工作中需要遵守的稳定规定。
一种电网故障智能辅助处置方法的处置系统,数据存储模块用于存储相关故障信息与处置措施信息的组合数据及其次数;
处置预案推荐模块实现对电网故障处置预案的推荐;
数据更新模块实现对系统中相关信息的实时更新。
进一步地,所述的数据更新模块通过读取用户传入的最新的相关故障信息及处置措施信息组合,来更新系统中存储的组合内容及其次数。。
3.有益效果:
(1)本发明能够对不同情况的电网故障信息条件下,针对性地根据电网故障的情况进行故障措施及电子化预案的辅助推荐,实现电网故障的快速处置。
(2)本方面能够在故障信息不足的情况下,本发明亦可以对故障措施及电子化预案进行辅助推荐,更能适应多种信息条件。
附图说明
图1为具体实施例中实施例中得出最优处置措施信息流程图;
图2为一种电网故障智能辅助处置系统的结构示意图;
图3为本发明中的深度卷积神经网络的示意图。
具体实施方式
下面结合附图对本发明进行具体的说明。
一种电网故障智能辅助处置方法,其特征在于:包括以下步骤:
步骤一:统计过去预设时间段内的电网发生的所有的故障信息,以及故障信息所对应的处置措施信息。
步骤二:对故障信息进行信息处理,提取并识别出每个故障信息包含的预设具体故障描述项目以及该故障处置措施信息;所述预设的具体故障描述项目包括故障设备信息、故障特征信息、故障类型信息、故障原因信息;根据识别出的信息将每个故障信息以及其故障处置措施用组合的方式表达,并将组合中的对应的元素均相同的组合归为同一种故障信息组合;统计各个相同的故障信息组合出现的次数,生成此类故障信息及出现次数的组合;
进一步地,将故障设备信息、故障特征信息、故障类型信息、故障原因信息以及处置措施信息分别用集合A、B、C、D、S表示,则有
A={A1,A2,A3,…,AnA}
B={B1,B2,B3,…,BnB}
C={C1,C2,C3,…,CnC}
D={D1,D2,D3,…,DnD}
S={S1,S2,S3,…,SnS,}
上式中,A表示所有的nA个故障设备的集合;B为所有的nB个故障特征的集合;C为所有的nC个故障类型的集合;D为所有的nD个故障原因的集合;S为所有的nS个故障处置措施的集合;每个集合中的An、Bn、Cn、Dn、Sn分别表示其对应的集合中的一个具体元素。
例如:从历史数据中依次提取出具体的相关故障信息与所对应的处置措施信息的组合情况,包括有<A1、B1、S1>、<A2、B1、S2>、<B1、D1、S2>、<A1、B1、C1、S2>、<A1、B1、C1、D1、S1>等。
根据识别出的故障描述项目的数目将所述故障信息组合分类为“2+1”组合、“3+1”组合和“4+1”组合;
所述“2+1”组合为从集合A、B、C、D集合中任意两个集合中的分别取一个元素作为该组合中的前两个元素,处置措施集合S中的对应处置措施作为最后一个元素的组合;
所述“3+1”组合为从集合A、B、C、D集合中任意三个集合中的分别取一个元素作为该组合中的前三个元素,处置措施集合S中的对应处置措施作为最后一个元素的组合;
所述“4+1”组合为从集合A、B、C、D集合中每个集合中的分别取一个元素作为该组合中的前四个元素,处置措施集合S中的对应处置措施作为最后一个元素的组合。
因此,“2+1”组合包括:<A’、B’、S’>、<A’、C’、S’>、<A’、D’、S’>、<B’、C’、S’>、<B’、D’、S’>、<C’、D’、S’>组合;
“3+1”组合包括:<A’、B’、C’、S’>、<A’、B’、D’、S’>、<B’、C’、D’、S’>、<A’、C’、D’、S’>组合;
“4+1”组合包括:<A’、B’、C’、D’、S’>组合。
上述的A’、B’、C’、D’、S’分别表示集合A、B、C、D、S中的某个元素。
步骤三:获取步骤二中生成的所有故障信息及次数的组合的所有组合;并将所有故障信息组合及次数的组合表示为矩阵;将获取的所有故障信息及次数的组合作为深度卷积神经网络的输入项、每个故障信息组合对应的最优的4个故障处置措施作为输出项训练深度卷积神经网络;如附图3所示,该深度卷积神经网络由卷积层和全连接层组成,全连接层分别有4个,每个对应一种最优的故障处置措施。
如附图1所示,如果识别目标故障包括3个具体故障描述项目,则所述包括该类故障信息及出现次数的组合的所有组合包括“2+1”组合中所有包括该3个具体故障描述项目任意两个的组合,以及“3+1”组合和“4+1”组合中所有包括该3个具体故障描述项目任意三个的组合;
如果识别目标故障包括4个具体故障描述项目,则所述包括该类故障信息及出现次数的组合的所有组合包括“2+1”组合中所有包括该4个具体故障描述项目任意两个的组合,以及“3+1”组合中所有包括该4个具体故障描述项目任意三个的组合,以及“4+1”组合中所有包括该4个具体故障描述项目任意四个的组合。
例如,如果获取的故障信息是<A1、B1>,那么需要读取包含故障信息<A1、B1>的“2+1”组合数据包括:[<A1、B1、S1>,2次],[<A1、B1、S3>,5次],[<A1、B1、S4>,6次],[<A1、B1、S7>,2次]等。
同时,需要读取包含故障信息<A1、B1>的“3+1”组合数据,包括:[<A1、B1、C1、S1>,2次],[<A1、B1、D2、S1>,4次],[<A1、B1、D4、S2>,6次]等。
同时,需要读取包含故障信息<A1、B1>的“4+1”组合数据,包括:[<A1、B1、C2、D2、S1>,1次],[<A1、B1、C1、D1、S2>,5次],[<A1、B1、C1、D4、S3>,2次]等。
步骤四:将最优的处置措施信息通过对应的电子化处置预案向用户推荐。
进一步地,所述电子化处置预案包括预案编号、故障名称、处置的要点、处置的区域、处置的顺序、稳定要求,为用户决策提供辅助;处置的要点主要是对恢复电网故障的处置措施和紧急状态调整的描述,处置的区域是描述需要进行电网故障处置的区域,处置的顺序是对电网故障处置措施步骤的描述,稳定要求是主要包括了在故障处置工作中需要遵守的稳定规定。
进一步地,所述矩阵是一个m×3维矩阵,其中m≤nS;该矩阵的每一行表示一种故障处置措施分别对应的“2+1”组合、“3+1”组合和“4+1”组合出现的次数。
如下表所示为m*3维的矩阵表,表中的x表示不同故障处置措施在各个组合下的统计次数,x_max表示取这些次数中最大的那个值;表中的三个矩阵分别表示在获取的不同的故障信息组合下的矩阵表示方式,当x_max位于第一列时,表示获取的故障信息组合是“2+1”组合;当x_max位于第二列时,表示获取的故障信息组合是“3+1”组合;当x_max位于第三列时,表示获取的故障信息组合是“4+1”组合,分别对应表中的a、b、c三个子表。
m×3维的矩阵
(a)“2+1”组合的矩阵
(b)“3+1”组合的矩阵
(c)“4+1”组合的矩阵
进一步地,数据存储模块用于存储相关故障信息与处置措施信息的组合数据及其次数;
处置预案推荐模块实现对电网故障处置预案的推荐;
数据更新模块实现对系统中相关信息的实时更新。
如附图2所示,所述的数据更新模块通过读取用户传入的最新的相关故障信息及处置措施信息组合,来更新系统中存储的组合内容及其次数。
虽然本发明已以较佳实施例公开如上,但它们并不是用来限定本发明的,任何熟习此技艺者,在不脱离本发明之精神和范围内,自当可作各种变化或润饰,因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。

Claims (7)

1.一种电网故障智能辅助处置方法,其特征在于:包括以下步骤:
步骤一:统计过去预设时间段内的电网发生的所有的故障信息,以及故障信息所对应的处置措施信息;
步骤二:对故障信息进行信息处理,提取并识别出每个故障信息包含的预设具体故障描述项目以及该故障处置措施信息;所述预设的具体故障描述项目包括故障设备信息、故障特征信息、故障类型信息、故障原因信息;根据识别出的信息将每个故障信息以及其故障处置措施用组合的方式表达,并将组合中的对应的元素均相同的组合归为同一种故障信息组合;统计各个相同的故障信息组合出现的次数,生成此类故障信息及次数的组合;
步骤三:获取步骤二中生成的所有故障信息及次数的组合的所有组合;并将所有故障信息组合及次数的组合表示为矩阵;将获取的所有故障信息及次数的组合作为深度卷积神经网络的输入项、每个故障信息组合对应的最优的4个故障处置措施作为输出项训练深度卷积神经网络;该深度卷积神经网络由卷积层和全连接层组成,全连接层分别有4个,每个对应一种最优的故障处置措施;
步骤四:获取目标故障信息,识别该故障信息中包含的预设故障描述项目;生成目标故障信息组合,将目标故障信息组合传入步骤三中训练好的深度卷积神经网络中,深度卷积神经网络输出4种最优的处置措施信息;
步骤四:将最优的处置措施信息通过对应的电子化处置预案向用户推荐。
2.根据权利要求1所述的一种电网故障智能辅助处置方法,其特征在于:步骤二中将故障设备信息、故障特征信息、故障类型信息、故障原因信息以及处置措施信息分别用集合A、B、C、D、S表示,则有
A={A1,A2,A3,...,AnA}
B={B1,B2,B3,...,BnB}
C={C1,C2,C3,...,CnC}
D={D1,D2,D3,...,DnD}
S={S1,S2,S3,...,SnS}
上式中,A表示所有的nA个故障设备的集合;B为所有的nB个故障特征的集合;C为所有的nC个故障类型的集合;D为所有的nD个故障原因的集合;S为所有的nS个故障处置措施的集合;每个集合中的An、Bn、Cn、Dn、Sn分别表示其对应的集合中的一个具体元素;
根据识别出的故障描述项目的数目将所述故障信息组合分类为“2+1”组合、“3+1”组合和“4+1”组合;
所述“2+1”组合为从集合A、B、C、D集合中任意两个集合中的分别取一个元素作为该组合中的前两个元素,处置措施集合S中的对应处置措施作为最后一个元素的组合;
所述“3+1”组合为从集合A、B、C、D集合中任意三个集合中的分别取一个元素作为该组合中的前三个元素,处置措施集合S中的对应处置措施作为最后一个元素的组合;
所述“4+1”组合为从集合A、B、C、D集合中每个集合中的分别取一个元素作为该组合中的前四个元素,处置措施集合S中的对应处置措施作为最后一个元素的组合。
3.根据权利要求2所述的一种电网故障智能辅助处置方法,其特征在于:步骤三中,获取步骤二中生成的包括该类故障信息及出现次数的组合的所有组合,具体为:如果识别目标故障包括2个具体故障描述项目,则所述包括该类故障信息及出现次数的组合的所有组合包括“2+1”组合、“3+1”组合和“4+1”组合中所有包括该2个具体故障描述项目任意两个的组合;
如果识别目标故障包括3个具体故障描述项目,则所述包括该类故障信息及出现次数的组合的所有组合包括“2+1”组合中所有包括该3个具体故障描述项目任意两个的组合,以及“3+1”组合和“4+1”组合中所有包括该3个具体故障描述项目任意三个的组合;
如果识别目标故障包括4个具体故障描述项目,则所述包括该类故障信息及出现次数的组合的所有组合包括“2+1”组合中所有包括该4个具体故障描述项目任意两个的组合,以及“3+1”组合中所有包括该4个具体故障描述项目任意三个的组合,以及“4+1”组合中所有包括该4个具体故障描述项目任意四个的组合。
4.根据权利要求3所述的一种电网故障智能辅助处置方法,其特征在于:所述矩阵是一个m×3维矩阵,其中m≤nS;该矩阵的每一行表示一种故障处置措施分别对应的“2+1”组合、“3+1”组合和“4+1”组合出现的次数。
5.根据权利要求4所述的一种电网故障智能辅助处置系统,其特征在于:所述电子化处置预案包括预案编号、故障名称、处置的要点、处置的区域、处置的顺序、稳定要求,为用户决策提供辅助;处置的要点主要是对恢复电网故障的处置措施和紧急状态调整的描述,处置的区域是描述需要进行电网故障处置的区域,处置的顺序是对电网故障处置措施步骤的描述,稳定要求是主要包括了在故障处置工作中需要遵守的稳定规定。
6.一种应用如权利要求1-5任一权利要求所述电网故障智能辅助处置方法的处置系统,其特征在于:数据存储模块用于存储相关故障信息与处置措施信息的组合数据及其次数;
处置预案推荐模块实现对电网故障处置预案的推荐;
数据更新模块实现对系统中相关信息的实时更新。
7.根据权利要求6所述的一种电网故障智能辅助处置系统,其特征在于:所述的数据更新模块通过读取用户传入的最新的相关故障信息及处置措施信息组合,来更新系统中存储的组合内容及其次数。
CN202210997151.3A 2022-08-19 2022-08-19 一种电网故障智能辅助处置方法及处置系统 Pending CN115940124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210997151.3A CN115940124A (zh) 2022-08-19 2022-08-19 一种电网故障智能辅助处置方法及处置系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210997151.3A CN115940124A (zh) 2022-08-19 2022-08-19 一种电网故障智能辅助处置方法及处置系统

Publications (1)

Publication Number Publication Date
CN115940124A true CN115940124A (zh) 2023-04-07

Family

ID=86699418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210997151.3A Pending CN115940124A (zh) 2022-08-19 2022-08-19 一种电网故障智能辅助处置方法及处置系统

Country Status (1)

Country Link
CN (1) CN115940124A (zh)

Similar Documents

Publication Publication Date Title
Wen et al. Memristor-based design of sparse compact convolutional neural network
CN110515931B (zh) 一种基于随机森林算法的电容型设备缺陷预测方法
CN108921411A (zh) 一种基于案例推理的电力事故应急辅助决策方法
CN114328950A (zh) 配电网故障处置知识图谱构建、智能辅助决策系统及方法
CN111861250A (zh) 一种调度决策生成方法、装置、电子设备和存储介质
EP0901658B1 (de) Verfahren zur optimierung eines fuzzy-regelsatzes durch einen rechner
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及系统
CN114091615A (zh) 一种基于生成对抗网络的电能计量数据补全方法和系统
CN108256626A (zh) 时间序列的预测方法及装置
CN114021425B (zh) 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质
CN115940124A (zh) 一种电网故障智能辅助处置方法及处置系统
CN100520791C (zh) 印刷电路板排版前的处理系统及方法
CN113592192A (zh) 短期电力负荷预测方法、装置及终端设备
CN107945079A (zh) 一种扶贫对象选择方法及装置
CN116542315A (zh) 一种基于张量分解的大规模神经网络参数压缩方法及系统
CN115378136A (zh) 一种电网二次设备安全风险智能预警方法及预警装置
CN114756722B (zh) 一种多元数据集中管理控制系统及方法
CN113642669B (zh) 基于特征分析的防欺诈检测方法、装置、设备及存储介质
CN115577927A (zh) 基于粗糙集的重要电力用户用电安全评估方法及装置
CN114819103A (zh) 一种基于自组织的模糊小脑模型神经网络学习的开关柜设备故障预测方法
CN114511179A (zh) 一种处理配电柜异常的智能规划方法及系统
Yen et al. Simplification of fuzzy rule based systems using orthogonal transformation
CN116523037A (zh) 一种可增量学习的决策树生成方法、系统、设备及终端
CN117194991B (zh) 基于gpu集群的高维数据推荐系统及方法
CN116541766B (zh) 脑电数据修复模型的训练方法、脑电数据修复方法及装置

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