CN117291314B - 能源风险识别模型的构建方法、能源风险识别方法及装置 - Google Patents

能源风险识别模型的构建方法、能源风险识别方法及装置 Download PDF

Info

Publication number
CN117291314B
CN117291314B CN202311576455.3A CN202311576455A CN117291314B CN 117291314 B CN117291314 B CN 117291314B CN 202311576455 A CN202311576455 A CN 202311576455A CN 117291314 B CN117291314 B CN 117291314B
Authority
CN
China
Prior art keywords
energy
data set
preset
risk identification
data
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
Application number
CN202311576455.3A
Other languages
English (en)
Other versions
CN117291314A (zh
Inventor
高琰
屈道宽
明玲
姜海洋
马海苓
朱宁坦
房庆圆
金娜
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.)
Shandong Ligong Haoming New Energy Co ltd
Original Assignee
Shandong Ligong Haoming New Energy 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 Shandong Ligong Haoming New Energy Co ltd filed Critical Shandong Ligong Haoming New Energy Co ltd
Priority to CN202311576455.3A priority Critical patent/CN117291314B/zh
Publication of CN117291314A publication Critical patent/CN117291314A/zh
Application granted granted Critical
Publication of CN117291314B publication Critical patent/CN117291314B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0475—Generative 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/094—Adversarial learning
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

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

Abstract

本发明提供一种能源风险识别模型的构建方法、能源风险识别方法及装置，涉及能源风险识别技术领域，包括：获取预先构建的能源安全数据集，通过对初始数据集进行数据扩充后得到；基于能源安全数据集的时序信息，对能源安全数据集进行特征提取，得到基于时序信息的目标特征向量；将目标特征向量及对应的安全等级标签输入至预先构建的集成分类器中，对集成分类器进行分类训练，并在集成分类器满足预设的训练条件时，基于集成分类器构建能源风险识别模型；其中，能源风险识别模型用于对能源监测数据进行能源风险识别。基于此，能够处理复杂的数据依赖关系，进而可以保证能源风险识别的精度。

Description

能源风险识别模型的构建方法、能源风险识别方法及装置
技术领域
本发明涉及能源风险识别技术领域，尤其涉及一种能源风险识别模型的构建方法、能源风险识别方法及装置。
背景技术
在现代社会中，随着科技的进步，能源系统的规模和复杂性也在不断增长，这为保证能源系统的安全运行带来了挑战。由于能源系统的重要性，任何小的故障或者安全事故都可能导致严重的后果。因此，对于能源系统中的潜在风险的及时发现和识别就显得尤为重要。
在传统的能源安全和风险识别方法中，主要依赖于人工检查和经验判断，这种方式效率低下且准确性受到限制。而随着大数据和人工智能技术的发展，可以通过分析和挖掘大规模的能源数据，来自动识别和预测能源系统中的安全风险，从而提高能源系统的安全性。
然而，这种识别和预测的任务面临着一些挑战，例如数据的质量和数量问题，特别是不平衡的数据问题；复杂的数据依赖关系，例如长期和短期的依赖关系。
发明内容
有鉴于此，本发明的目的在于提供一种能源风险识别模型的构建方法、能源风险识别方法及装置，可以处理数据的依赖关系，保证模型识别精度。
第一方面，本发明实施例提供了一种能源风险识别模型的构建方法，其中，该方法包括：获取预先构建的能源安全数据集；能源安全数据集中的每个能源安全数据包括以下特征：设备编号、运行时间、设备状态、气候条件、历史事故记录，以及，安全等级标签，且，能源安全数据集通过对初始数据集进行数据扩充后得到；基于能源安全数据集的时序信息，对能源安全数据集进行特征提取，得到基于时序信息的目标特征向量；将目标特征向量及对应的安全等级标签输入至预先构建的集成分类器中，对集成分类器进行分类训练，并在集成分类器满足预设的训练条件时，基于集成分类器构建能源风险识别模型；其中，能源风险识别模型用于对能源监测数据进行能源风险识别。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，方法还包括：采集多种能源的安全数据；安全数据包括设备数据和设备数据对应的运行时间；设备数据包括历史事故记录和数据发生条件，数据发生条件至少包括气候条件、设备状态和设备运行数据；根据预设的标注条件对安全数据进行标注，确定安全数据对应的安全等级标签；对安全数据进行数据清洗，使安全数据满足预设的取值范围；基于安全数据包括的特征类别，对数据清洗的安全数据的特征参数进行特征编码，生成初始数据集；将初始数据集输入至预设的样本生成模型中，基于预先设置的噪声，对初始数据集进行样本扩充，得到初始数据集对应的扩充样本；基于扩充样本和初始数据集构建能源安全数据集。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，预设的样本生成模型包括改进型生成对抗网络；将初始数据集输入至预设的样本生成模型中，基于预先设置的噪声，对初始数据集进行样本扩充，得到初始数据集对应的扩充样本的步骤，包括：将初始数据集，以及预先确定的噪声输入至预先设置的改进型生成对抗网络中，对改进型生成对抗网络进行样本生成训练，生成初始数据集对应的初始生成样本；改进型生成对抗网络包括改进的目标函数，目标函数中包括预先计算的离散特征，离散特征基于初始数据集对应的伪概率向量确定；基于目标函数的损失值，对噪声进行自适应调整；直到样本生成训练满足预设的训练条件，基于当前初始生成样本得到初始数据集对应的扩充样本。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，基于能源安全数据集对应的时序信息，对能源安全数据集进行特征提取，得到基于时序信息的目标特征向量的步骤，包括：通过预设的特征选择算法对能源安全数据集进行特征选择，得到第一特征参数；通过预设的特征提取算法根据第一特征参数对应的时序信息，对第一特征参数进行特征提取，确定特征输出向量；将特征输出向量输入至预设的多头注意力机制模块中，得到多个注意力头输出；将多个注意力头输出连接处理，得到基于时序信息的目标特征向量。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，通过预设的特征提取算法根据第一特征参数对应的时序信息，对第一特征参数进行特征提取，确定特征输出向量的步骤，包括：根据第一特征参数对应的时序信息，以及预设的LSTM模型，计算第一特征参数对应的前向隐状态和后向隐状态；计算前向隐状态和后向隐状态分别对应的注意力权重，并使用对应的注意力权重对前向隐状态和后向隐状态分别进行加权；基于加权的前向隐状态和加权的后向隐状态确定特征输出向量。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，将目标特征向量及对应的安全等级标签输入至预先构建的集成分类器中，对集成分类器进行分类训练，并在分类训练满足预设的训练条件时，基于集成分类器构建能源风险识别模型的步骤，包括：将目标特征向量输入至预先构建的集成分类器中，对集成分类器包括的多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果；其中，每个基分类器根据对应的输出层权值确定预测分类结果，输出层权值根据预设的代价矩阵确定；根据每个基分类器分别对应的模型权重，对多个基分类器的预测分类结果进行加权平均，得到集成预测结果；模型权重根据基分类器的预测分类结果对应的验证准确率确定；判断集成预测结果是否满足预设的预测结果阈值，如果否，更新代价矩阵，并执行对多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果的步骤；直到集成预测结果满足预设的预测结果阈值，根据当前验证准确率生成集成分类器对应的置信度参数，并基于置信度参数和包括当前多个基分类器的集成分类器，构建能源风险识别模型。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，代价矩阵包括多个错误分类代价系数；错误分类代价系数用于指示基分类器对不同类别的错误分类代价；方法还包括：针对每个基分类器，根据每个目标特征向量对应的安全等级标签，以及当前基分类器对应的预测分类结果，确定当前基分类器对应的错误分类率；利用预设的迭代算法对错误分类代价系数进行迭代，更新错误分类率；直到错误分类率最小，根据当前错误分类代价系数生成当前基分类器对应的代价矩阵，并根据代价矩阵计算当前基分类器对应的输出层权值。
第二方面，本发明实施例提供了一种能源风险识别方法，该方法包括：对预设设备的能源数据进行监测，得到能源监测数据；将能源监测数据输入至预先构建的能源风险识别模型中，通过能源风险识别模型对能源监测数据进行能源风险预测；其中，能源风险识别模型为通过上述能源风险识别模型的构建方法构建得到的；基于能源风险预测的结果，对能源监测数据进行能源风险识别。
第三方面，本发明实施例提供了一种能源风险识别模型的构建装置，该装置包括：数据获取模块，用于获取预先构建的能源安全数据集；能源安全数据集中的每个能源安全数据包括以下特征：设备编号、运行时间、设备状态、气候条件、历史事故记录，以及，安全等级标签，且，能源安全数据集通过对初始数据集进行数据扩充后得到；特征提取模块，用于基于能源安全数据集的时序信息，对能源安全数据集进行特征提取，得到基于时序信息的目标特征向量；训练模块，用于将目标特征向量及对应的安全等级标签输入至预先构建的集成分类器中，对集成分类器进行分类训练，并在集成分类器满足预设的训练条件时，基于集成分类器构建能源风险识别模型；其中，能源风险识别模型用于对能源监测数据进行能源风险识别。
第四方面，本发明实施例提供了一种能源风险识别装置，该装置包括：数据采集模块，用于对预设设备的能源数据进行监测，得到能源监测数据；处理模块，用于将能源监测数据输入至预先构建的能源风险识别模型中，通过能源风险识别模型对能源监测数据进行能源风险预测；其中，能源风险识别模型为通过上述能源风险识别模型的构建方法构建得到的；执行模块，用于基于能源风险预测的结果，对能源监测数据进行能源风险识别。
本发明实施例带来了以下有益效果：本发明提供的一种能源风险识别模型的构建方法、能源风险识别方法及装置，首先获取预先构建的能源安全数据集，在基于其时序信息对其进行特征提取后，对分类器进行训练，可以使构建的模型能够处理复杂的数据依赖关系，例如长期和短期的依赖关系，进而可以保证能源风险识别的精度。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种能源风险识别模型的构建方法的流程图；
图2为本发明实施例提供的另一种能源风险识别模型的构建方法的流程图；
图3为本发明实施例提供的另一种能源风险识别模型的构建方法的流程图；
图4为本发明实施例提供的一种能源风险识别方法的流程图；
图5为本发明实施例提供的一种能源风险识别模型的构建装置的结构示意图；
图6为本发明实施例提供的另一种能源风险识别模型的构建装置的结构示意图；
图7为本发明实施例提供的一种能源风险识别装置的结构示意图；
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
其中，本发明实施例提供的一种能源风险识别模型的构建方法、能源风险识别方法及装置，其中，本发明实施例可以处理数据的依赖关系，保证模型识别精度。
为便于对本实施例进行理解，首先对本发明的实施例所公开的一种能源风险识别模型的构建方法进行详细介绍，图1示出了本发明实施例提供的一种能源风险识别模型的构建方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取预先构建的能源安全数据集。
步骤S104，基于能源安全数据集的时序信息，对能源安全数据集进行特征提取，得到基于时序信息的目标特征向量。
步骤S106，将目标特征向量及对应的安全等级标签输入至预先构建的集成分类器中，对集成分类器进行分类训练，并在集成分类器满足预设的训练条件时，基于集成分类器构建能源风险识别模型。
具体的，本发明实施例利用预先构建的能源安全数据集进行模型构建，其中，本发明实施例的能源安全数据集中的每个能源安全数据包括以下特征：设备编号、运行时间、设备状态、气候条件、历史事故记录，以及，安全等级标签，且，能源安全数据集通过对初始数据集进行数据扩充后得到。在具体实现时，可以根据各类能源的安全数据，包括气候条件、设备状态、运行数据、历史事故记录等构建能源安全数据集，本发明实施例中，这些数据来源是公开的数据集或特定机构的内部数据。进一步地，基于构建的能源安全数据集的时序信息，如设备状态中的设备振动信号数据，第i个能源设备在t时刻的数据，对能源安全数据集进行特征提取，得到基于时序信息的目标特征向量，再利用对应于时序信息的目标特征向量分类器进行训练，从而构建能源风险识别模型，其中，能源风险识别模型用于对能源监测数据进行能源风险识别。
本发明实施例提供的一种能源风险识别模型的构建方法，首先获取预先构建的能源安全数据集，在基于其时序信息对其进行特征提取后，对分类器进行训练，可以使构建的模型能够处理复杂的数据依赖关系，例如长期和短期的依赖关系，进而可以保证能源风险识别的精度。
进一步地，在上述实施例的基础上，本发明实施例还提供了另一种能源风险识别模型的构建方法，该方法主要对上述能源安全数据集的构建过程进行说明。图2示出了本发明实施例提供的另一种能源风险识别模型的构建方法的流程图，如图2所示，该方法包括以下步骤：
步骤S202，采集多种能源的安全数据。
在具体实现时，本发明实施例利用各类能源的安全数据进行模型训练，其中，本发明实施例采集各类能源的安全数据，包括气候条件、设备状态、运行数据、历史事故记录等。按照安全数据的性质划分，本发明实施例的安全数据包括设备数据和设备数据对应的运行时间；设备数据包括历史事故记录和数据发生条件，数据发生条件至少包括气候条件、设备状态和设备运行数据。这些数据来源是公开的数据集或特定机构的内部数据。其中，设采集到的能源安全数据集为，采集到的数据包含以下主要特征：设备编号（/>）、运行时间（/>）、设备状态（/>）、气候条件（/>）、历史事故记录（/>）。在本发明实施例中，这些数据特征以结构化的形式存储，即以CSV格式存储。
在一个实施例中，假设第个能源设备在/>时刻的数据为/>，则该设备在该时刻的运行数据可以表示为/>。其中，/>是设备的编号，/>是运行时间，是设备状态，/>是气候条件，/>是历史事故记录。
步骤S204，根据预设的标注条件对安全数据进行标注，确定安全数据对应的安全等级标签。
采集得到的数据需要进行标注，以作为训练样本用于后续模型的训练。在具体实现时，本发明实施例采用专家人工标注的方式，标注各类能源设备在不同状态下的安全等级。安全等级分为“安全”、“可能有风险”和“危险”三类，分别用、/>和/>表示。假设标注的安全等级为/>，则/>。
步骤S206，对安全数据进行数据清洗，使安全数据满足预设的取值范围。
确定安全等级标签后的安全数据可以用于模型训练，其中，为了提升算法的运行效率，以及，提高模型的准确性和鲁棒性，本发明实施例还对原始数据（安全数据集）进行预处理。其中，主要在于对安全数据进行数据清洗，使安全数据满足预设的取值范围。
在具体实现时，首先对采集得到的安全数据进行数据清洗，可以预见的是，对于从实际环境中获取的数据，可能存在一些错误的记录，比如超出实际可能取值范围的数值，或者与其他属性矛盾的记录。对于这些数据，需要进行清洗操作。如，对于设备状态，如果其取值不在可能的状态集合中，如/>，则将这部分数据记录清除。
进一步地，本发明实施例的预处理步骤除包括数据清洗外，还包括但不限于空值处理、归一化步骤。具体地，对于某些记录可能存在部分特征值为空的情况进行空值处理。如，某个设备的某个时间点的历史事故记录可能为空。对于这类情况，可以选择填充空值或者丢弃这部分记录。在本发明实施例中，引入一个创新性的算法进行填充空值。在具体实现时，本发明实施例基于k-最近邻的空值填充算法。对于每一个空值/>，寻找在其他特征空间距离其最近的k个记录，然后取这些记录的/>值的中位数进行填充。
进一步地，本发明实施例对数据进行归一化处理。设，对特征进行归一化，其原始值为/>，则归一化后的值/>可以按照以下公式进行计算：
其中，和/>分别为特征/>在数据集/>中的最小值和最大值。基于上述处理，可以使安全数据满足预设的取值范围。
步骤S208，基于安全数据包括的特征类别，对数据清洗的安全数据的特征参数进行特征编码，生成初始数据集。
进一步地，本发明实施例还对安全数据进行特征编码，在具体实现时，对于某些特征类别的特征，如，设备编号，需要进行特征编码操作。本发明实施例使用基于聚类的特征编码算法，先对设备编号进行聚类，然后用每个设备编号对应的聚类中心的编号来代替原始的设备编号，从而实现特征的编码。基于此，得到对应的初始数据集。
此外，可以预见的是，在实际能源安全风险预测任务中，样本的数量往往是不足够训练较为鲁棒的模型的。故，本发明实施例还对初始数据集进行数据扩充，具体参照下述步骤S210-S212。
步骤S210，将初始数据集输入至预设的样本生成模型中，基于预先设置的噪声，对初始数据集进行样本扩充，得到初始数据集对应的扩充样本。
步骤S212，基于扩充样本和初始数据集构建能源安全数据集。
为了增加训练样本的梳理，提高模型的鲁棒性，本发明实施例基于预设的样本生成模型对样本进行扩充，预设的样本生成模型包括改进型生成对抗网络。具体地，本发明实施例引入一种基于改进型生成对抗网络和离散生成的数据扩充方法。生成对抗网络是一种有效的生成模型，通过训练生成器和判别器进行对抗学习，生成器的目标是生成尽可能真实的样本以欺骗判别器，而判别器的目标是尽可能准确地识别出真实样本和生成的样本。在本发明实施例中，提出了一种改进型生成对抗网络。不同于传统的生成对抗网络，改进的生成对抗网络引入了一种新的损失函数，即Wasserstein距离，用于度量生成样本与真实样本的分布差异。
在具体实现时，本发明实施例通过将初始数据集，以及预先确定的噪声输入至预先设置的改进型生成对抗网络中，对改进型生成对抗网络进行样本生成训练，生成初始数据集对应的初始生成样本。本发明实施例的改进型生成对抗网络包括改进的目标函数，该目标函数中包括预先计算的离散特征。具体的，表示生成器为，判别器为/>，真实样本的数据分布为/>，生成样本的数据分布为/>，则，改进的生成对抗网络的训练目标函数/>可以表示为以下形式：
其中，表示期望，/>为离散特征，/>表示输入样本/>服从于数据分布/>，表示输入样本/>服从于数据分布/>。本发明实施例通过优化目标函数/>，可以使得生成的样本分布尽可能接近真实样本分布。
具体地，传统的生成对抗网络输入的是噪声，为加快生成对抗网络在训练时的收敛速度，本发明实施例通过输入离散特征进行样本扩充，产生的特征的分布好。其中，本发明实施例使用的上述离散特征基于初始数据集对应的伪概率向量确定；其中，本发明实施例由基于Gumbel-Softmax的离散生成策略生成。具体的，如果设离散特征可能的取值集合为/>，则，在生成离散特征时，首先生成一个连续的伪概率向量，该伪概率向量由预设的随机森林分类器得到的离散特征的每个特征的重要性确定。然后通过Gumbel-Softmax操作将其转换为离散特征：
其中，为从Gumbel分布中采样的随机变量。
进一步地，本发明实施例还对上述改进的生成对抗网络进行谱标准化操作，也即，对样本生成模型进行优化。谱标准化的基本原理是将模型参数（如权重矩阵）的最大特征值（谱）限制在1以内。这样可以避免模型在训练过程中参数更新过快，导致模型过拟合或者是出现其他训练稳定性问题。具体的，针对上述改进的生成对抗网络，在判别器中使用谱标准化。设是判别器的某一层的权重矩阵，则定义谱标准化如下：
其中，是/>的最大特征值，/>为判别器的某一层的权重矩阵，其中，可以通过幂迭代法近似计算：
其中，和/>是/>和/>的幂迭代向量，/>是/>的转置。通过谱标准化，改进的生成对抗网络在训练过程中可以保持较好的稳定性，从而能够更准确、更高效地生成能源数据。
此外，本发明实施例利用初始数据集和预先确定的噪声对上述改进型生成对抗网络进行训练，在对改进的生成对抗网络进行每一次迭代训练时，提出一种基于自适应噪声注入的数据扩充方法，基于目标函数的损失值，对噪声进行自适应调整，直到样本生成训练满足预设的训练条件，基于当前初始生成样本得到初始数据集对应的扩充样本。该方法的基本想法是根据数据的自身特性调整添加到数据中的噪声的规模，从而实现更加有效的数据扩充。
在具体实现时，假设初始数据集，其中/>是输入数据，是对应的安全等级标签。定义/>为模型，/>为损失函数。在每一次训练迭代中，对于每一个数据点/>，添加一个噪声/>，其中/>是噪声的标准差，/>是单位矩阵。当上述目标函数/>的值不满足要求时，则对噪声进行自适应调整。噪声的标准差是根据以下公式进行自适应调整的：
其中，是一个超参数，用于控制噪声的规模，/>是模型的参数；/>为求偏导的符号。故，如果一个数据点对损失函数的贡献较大（即，它对损失函数的梯度较大），那么就添加更大的噪声，反之则添加较小的噪声。基于此，数据扩充方法能够自适应地调整噪声的规模，从而更好地考虑到数据的内在特性，实现更有效的数据扩充。进一步地，将扩充后的数据（当前初始生成样本）添加至原始训练样本数据集（初始数据集），组成新的训练样本数据集，即上述预先构建的能源安全数据集。
本发明实施例提供的另一种能源风险识别模型的构建方法，包括数据清洗、空值处理、归一化以及特征编码步骤，通过对原始数据的预处理，不仅可以提升算法的运行效率，也有助于提高模型的准确性和鲁棒性。此外，在实际能源安全风险预测任务中，样本的数量往往是不足够训练较为鲁棒的模型的，本发明实施例引入种基于改进型生成对抗网络和离散生成的数据扩充方法，改进的生成对抗网络引入了一种新的损失函数，即Wasserstein距离，用于度量生成样本与真实样本的分布差异，可以使得生成的样本分布尽可能接近真实样本分布。
此外，还对改进的生成对抗网络进行谱标准化操作，谱标准化的基本原理是将模型参数（如权重矩阵）的最大特征值（谱）限制在 1以内，这样可以避免模型在训练过程中参数更新过快，导致模型过拟合或者是出现其他训练稳定性问题。基于此，本发明实施例改进的生成对抗网络在训练过程中可以保持较好的稳定性，从而能够更准确、更高效地生成能源数据。
进一步地，在对改进的生成对抗网络进行每一次迭代训练时，本发明实施例提出一种基于自适应噪声注入的数据扩充方法，该方法的基本想法是根据数据的自身特性调整添加到数据中的噪声的规模，从而实现更加有效的数据扩充，数据扩充方法能够自适应地调整噪声的规模，从而更好地考虑到数据的内在特性，实现更有效的数据扩充。
进一步地，在上述实施例的基础上，本发明实施例还提供另一种能源风险识别模型的构建方法，其中，本发明实施例主要对特征提取的步骤，以及，分类训练的步骤进行详细介绍。图3示出了本发明实施例提供的另一种能源风险识别模型的构建方法的流程图，如图3所示，该方法包括如下步骤：
步骤S302，获取预先构建的能源安全数据集。
步骤S304，通过预设的特征选择算法对能源安全数据集进行特征选择，得到第一特征参数。
步骤S306，通过预设的特征提取算法根据第一特征参数对应的时序信息，对第一特征参数进行特征提取，确定特征输出向量。
本发明实施例对预先构建的能源安全数据集进行特征提取，其中，本发明实施例的能源安全数据集基于上述步骤S202-S212构建，也即，该能源安全数据集中包括扩充后的样本。在具体实现时，本发明实施例首先对能源安全数据集进行特征选择，进而进行特征提取。其中，在进行特征选择时，本发明实施例使用的特征选择算法基于特征的分类错误率和所选特征数量的线性组合进行提取；特征提取算法根据第一特征参数对应的时序信息，确定特征输出向量；再对特征输出向量经过多头注意力机制处理，可以得到基于时序信息的目标特征向量。基于此，最终提取的特征参数能够解决数据依赖关系，以提高模型识别精度。
具体地，首先应用火蚁算法进行特征选择。火蚁算法是一种基于群体智能的优化算法。设，数据特征，其中/>是特征的数量，则，选择一个最优的特征子集。其中，X为上述时序信息，x1、x2等都是指每一时刻的特征值。在火蚁算法中，每只火蚁会根据特征的选择概率/>来选择特征，其中/>初始时可以设置为相等。火蚁算法的目标是最小化适应度函数/>，该适应度函数/>为所选特征的分类错误率和所选特征数量的线性组合。具体的，适应度函数定义为：
其中，是分类错误率，/>是选择的特征数量，/>是一个权重参数，用于平衡错误率和特征数量。在每一轮的迭代中，火蚁会根据当前的适应度函数值更新特征的选择概率/>，具体的更新公式为：
其中，是一个控制选择概率变化的参数，一般设定为一个正数，并且随着迭代次数的增加逐渐减小。
进一步地，对于从火蚁算法选择出来的特征子集，也即第一特征参数，本发明实施例通过预设的特征提取算法根据第一特征参数对应的时序信息，对其进行特征提取，确定特征输出向量。在具体实现时，该特征提取算法基于时序信息以及预设的LSTM模型，计算第一特征参数对应的前向隐状态和后向隐状态；并计算前向隐状态和后向隐状态分别对应的注意力权重；之后，使用对应的注意力权重对前向隐状态和后向隐状态分别进行加权，并基于加权的前向隐状态和加权的后向隐状态确定特征输出向量。
其中，本发明实施例利用BiLSTM进行时序特征的提取。对于输入序列，定义前向和后向隐状态的计算公式为：
前向隐状态：
后向隐状态：
其中是标准的LSTM单元，具体的，可以进一步分解为以下步骤：
其中，，/>，/>和/>分别是遗忘门，输入门，输出门和记忆单元，/>，/>，/>，/>，，/>，/>，/>是权重矩阵，/>，/>，/>，/>是偏置项。t为第t时刻。
最后，前向和后向隐状态合并成一个输出向量：
其中，对于上述第一特征参数对应的前向隐状态和后向隐状态，本发明实施例还引入注意力机制，以增强模型对关键信息的识别能力。具体的，在计算出前向和后向隐状态后，为每一个隐状态计算一个注意力权重/>，该注意力权重/>表示模型对于每一个隐状态的关注程度。计算公式如下：
其中，是每一个隐状态的“能量”，由一个预设的神经网络计算得到，具体的计算公式如下：
/>
其中，和/>是注意力网络的权重和偏置。
之后，根据上述注意力权重，计算出带有注意力权重的隐状态/>，表示使用对应的注意力权重对前向隐状态和后向隐状态分别进行加权：
步骤S308，将特征输出向量输入至预设的多头注意力机制模块中，得到多个注意力头输出。
步骤S310，将多个注意力头输出连接处理，得到基于时序信息的目标特征向量。
进一步地，将带有注意力权重的隐状态输入至多头注意力机制模块中。具体的，将/>线性转换后得到Query（/>）、Key（/>）、Value（/>）三个矩阵，对于每一个注意力头，计算加权后的/>矩阵、/>矩阵、/>矩阵，可以表示为：
其中，、/>和/>是可以学习的权重矩阵，对应于每一个注意力头。/>为第/>个注意力头对应的/>矩阵，/>为第/>个注意力头对应的/>矩阵，/>为第/>个注意力头对应的/>矩阵。
进一步地，为了进行重要特征的增强，进而提高分类精度，对于每一个注意力头，本发明实施例还计算对应的注意力权重和带权重的隐藏状态，可以表示为：
其中，为第/>个注意力头对应的注意力权重，/>为第/>个注意力头对应的隐藏状态，/>是Key的维度，/>是为了缓解点积可能导致的梯度消失问题。
之后，各个注意力头的输出被连接起来并通过一个线性变换，得到输出，可以表示为：
其中，是可以学习的权重矩阵，/>表示将/>进行连接操作，/>为特征提取后的输出特征，同时为分类器的输入特征，也即目标特征向量。
步骤S312，将目标特征向量输入至预先构建的集成分类器中，对集成分类器包括的多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果。
经过上述步骤后，得到目标特征向量，本发明实施例利用该目标特征向量及对应的安全等级标签对分类器进行训练，以构建能源风险识别模型。其中，本发明实施例提出一种集成模型分类器训练方法，在所述集成模型中，其组成单元为各基分类器，具体的，设，有个分类器模型，也即基分类器，对于第/>个样本，第/>个模型的预测结果为/>。具体的，本发明实施例所提出的基分类器训练方法为基于极限学习机和代价敏感函数的改进型分类器训练方法。
极限学习机是一种单隐层前馈神经网络，其具有学习速度快、通用逼近能力强等优点。传统的极限学习机通过最小化输出层权值的二范数来学习模型参数，本发明实施例提出在极限学习机中引入代价敏感函数，以提升分类精度，加快收敛速度。具体的，本发明实施例的每个基分类器根据对应的输出层权值确定预测分类结果，输出层权值根据预设的代价矩阵确定。在单隐层前馈神经网络中，模型输出可表示为：
其中，表示输入数据，/>为隐层的激活函数，/>为输出层的权值，/>为实际输出矩阵。在极限学习机中，隐层参数是随机产生的，不需要调整，仅需要学习输出层权值/>。在传统的极限学习机中，/>是通过最小化二范数来学习的：
本发明实施例在极限学习机中引入代价敏感函数。则，模型的学习目标变为：
其中，是代价矩阵，其赋予了不同类别不同的错误分类代价。如，在二分类问题中，/>可以表示为：
其中，和/>是类别1和类别2的错误分类代价系数，在本发明实施例中，由自适应确定。
步骤S314，根据每个基分类器分别对应的模型权重，对多个基分类器的预测分类结果进行加权平均，得到集成预测结果。
本发明实施例对多个基分类器组成的集成分类器进行训练，故，在得到预测分类结果后，本发明实施例根据每个基分类器的预测分类结果确定集成预测结果，模型融合的结果为所有模型预测结果的加权平均，其公式为：
/>
其中，集成预测结果根据每个基分类器分别对应的模型权重进行计算，为每个模型的权重，该模型权重根据基分类器的预测分类结果对应的验证准确率确定。
在具体实现时，本发明实施例通过交叉验证的方式计算每个模型的验证准确率，然后将验证准确率归一化为对应的模型权重。具体的公式为：
其中，是模型/>的验证准确率。模型/>的权重为/>，并且满足/>。
步骤S316，判断集成预测结果是否满足预设的预测结果阈值，如果否，更新代价矩阵，并执行对多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果的步骤。
得到上述集成预测结果后，还需判断该结果是否满足预设的训练条件，也即，目标特征向量对应于安全等级标签是否分类准确，如果否，还需对集成分类器进行训练。在具体实现时，通过更新基分类器的代价矩阵进行迭代训练。具体的，本发明实施例的代价矩阵包括多个错误分类代价系数；错误分类代价系数用于指示基分类器对不同类别的错误分类代价，如，和/>，是类别1和类别2的错误分类代价系数，由自适应确定。在本发明实施例中，通过下述步骤进行迭代训练：
1）针对每个基分类器，根据每个目标特征向量对应的安全等级标签，以及当前基分类器对应的预测分类结果，确定当前基分类器对应的错误分类率。
具体地，定义一个错误率函数，其表示当代价系数为/>时，模型的错误分类率。可以表示为：
2）利用预设的迭代算法对错误分类代价系数进行迭代，更新错误分类率；直到错误分类率最小，根据当前错误分类代价系数生成当前基分类器对应的代价矩阵，并根据代价矩阵计算当前基分类器对应的输出层权值。
具体地，本发明实施例使用梯度下降法作为预设的迭代算法来调整错误分类代价系数，使得错误率/>最小。具体的更新公式为：
其中，是学习率，/>是迭代次数，/>是/>在/>处的梯度，为/>的变化量对/>求导，可以通过数值方法来近似计算，可以降低错误率。其中，当错误率/>最小时，得到迭代后的错误分类代价系数，此时，可以得到更新的代价矩阵/>。进一步地，可以根据该代价矩阵计算当前基分类器对应的输出层权值。具体地，本发明实施例在求解输出层权值时，使用Moore-Penrose伪逆来求解，具体的求解公式为：/>
其中，是/>的Moore-Penrose伪逆，可以加快训练速度，Y是理论输出矩阵。得到更新的输出层权值后，可以得到更新的预测分类结果，进而确定更新的模型权重及集成预测结果，以对多个基分类器进行分类训练后，更新集成预测结果。
步骤S318，直到集成预测结果满足预设的预测结果阈值，根据当前验证准确率生成集成分类器对应的置信度参数，并基于置信度参数和包括当前多个基分类器的集成分类器，构建能源风险识别模型。
模型训练完成后，用于在新的未标记数据上预测风险。假设定义模型的输入数据为，训练得到的模型为/>。对于第/>个样本，模型的预测结果为/>。可以预见的是，在一些实际情况下，模型在训练数据上的分布可能与测试数据上的分布存在一定的偏差，导致模型的表现下降。为了解决这个问题，本发明提出一种基于置信度调整的模型推理策略，将模型预测的结果和模型在训练数据上的表现进行结合，以获取更准确的预测结果。
在本发明实施例中，假设集成分类器在训练数据（能源安全数据集）上的准确率为，对于第/>个样本，其预测的置信度为/>，基于此置信度参数和上述训练好的多个基分类器的集成分类器，构建能源风险识别模型，该能源风险识别模型用于对能源监测数据进行能源风险识别。
本发明实施例提供的另一种能源风险识别模型的构建方法，通过对扩充后组成的新的训练样本数据集进行特征提取后，训练分类器。其中，本发明实施例提出一种集成模型分类器训练方法，为基于极限学习机和代价敏感函数的改进型分类器训练方法，其中，提出一种基于置信度调整的模型推理策略，将模型预测的结果和模型在训练数据上的表现进行结合，以获取更准确的预测结果。
其中，极限学习机是一种单隐层前馈神经网络，其具有学习速度快、通用逼近能力强等优点。传统的极限学习机通过最小化输出层权值的二范数来学习模型参数，本发明实施例提出在极限学习机中引入代价敏感函数，以提升分类精度，加快收敛速度。且，使用梯度下降法来调整代价系数，能够使得错误率最小。而且，本发明实施例的特征提取方法中，采用火蚁算法选择特征子集后，利用 BiLSTM进行时序特征的提取，并引入注意力机制以增强模型对关键信息的识别能力，最终提取的特征参数能够解决数据依赖关系，以提高模型识别精度。
进一步地，本发明实施例还提供了一种能源风险识别方法，图4示出了本发明实施例提供的一种能源风险识别方法的流程图，如图4所示，该方法包括以下步骤：
步骤S402，对预设设备的能源数据进行监测，得到能源监测数据。
步骤S404，将能源监测数据输入至预先构建的能源风险识别模型中，通过能源风险识别模型对能源监测数据进行能源风险预测。
步骤S406，基于能源风险预测的结果，对能源监测数据进行能源风险识别。
其中，本发明实施例基于预先构建的能源风险识别模型对能源监测数据进行风险识别，该能源风险识别模型为通过上述能源风险识别模型的构建方法构建得到的。在具体实现时，训练数据和测试数据可能出现分布不一致的情况，对应的，模型的表现可能会下降，基于此，本发明实施例的能源风险识别模型基于置信度参数构建，故，在使用该能源风险识别模型对预设设备的能源监测数据进行能源风险预测时，结合该模型对于样本的置信度参数确定最终的能源风险预测的结果。具体地，本发明实施例结合置信度参数的模型的预测结果为：
其中，是分类的类别数。/>为能源风险识别模型在能源安全数据集上的准确率，/>为第/>个样本对应的预测的置信度，采集的数据和训练数据近似，该置信度对应的样本对应于上述训练过程使用的能源安全数据集中的某个样本，为/>。即，若模型对某个样本的预测结果非常有信心（置信度高），则主要依据模型的预测；若模型对某个样本的预测结果没有信心（置信度低），则主要依据模型在训练数据上的整体表现。基于此，可以在一定程度上缓解模型由于训练数据和测试数据分布的不同导致的表现下降问题。
本发明实施例提供的一种能源风险识别方法，为解决模型在训练数据上的分布可能与测试数据上的分布存在一定的偏差，导致模型的表现下降，本发明实施例提出一种基于置信度调整的模型推理策略，将模型预测的结果和模型在训练数据上的表现进行结合，以获取更准确的预测结果。若模型对某个样本的预测结果非常有信心（置信度高），则主要依据模型的预测；若模型对某个样本的预测结果没有信心（置信度低），则主要依据模型在训练数据上的整体表现。基于此，可以在一定程度上缓解模型由于训练数据和测试数据分布的不同导致的表现下降问题。此外，本发明实施例提供的一种能源风险识别方法，与上述实施例提供的能源风险识别模型的构建方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
进一步地，本发明实施例还提供一种能源风险识别模型的构建装置，图5示出了本发明实施例提供的一种能源风险识别模型的构建装置的结构示意图，如图5所示，该装置包括：
数据获取模块100，用于获取预先构建的能源安全数据集；能源安全数据集中的每个能源安全数据包括以下特征：设备编号、运行时间、设备状态、气候条件、历史事故记录，以及，安全等级标签，且，能源安全数据集通过对初始数据集进行数据扩充后得到。特征提取模块200，用于基于能源安全数据集的时序信息，对能源安全数据集进行特征提取，得到基于时序信息的目标特征向量；训练模块300，用于将目标特征向量及对应的安全等级标签输入至预先构建的集成分类器中，对集成分类器进行分类训练，并在集成分类器满足预设的训练条件时，基于集成分类器构建能源风险识别模型；其中，能源风险识别模型用于对能源监测数据进行能源风险识别。
本发明实施例提供的一种能源风险识别模型的构建装置，与上述实施例提供的能源风险识别模型的构建方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
进一步地，本发明实施例还提供另一种能源风险识别模型的构建装置，图6示出了本发明实施例提供的一种能源风险识别模型的构建装置的结构示意图，如图6所示，该装置还包括样本处理模块400，用于采集多种能源的安全数据；安全数据包括设备数据和设备数据对应的运行时间；设备数据包括历史事故记录和数据发生条件，数据发生条件至少包括气候条件、设备状态和设备运行数据；根据预设的标注条件对安全数据进行标注，确定安全数据对应的安全等级标签；对安全数据进行数据清洗，使安全数据满足预设的取值范围；基于安全数据包括的特征类别，对数据清洗的安全数据的特征参数进行特征编码，生成初始数据集；将初始数据集输入至预设的样本生成模型中，基于预先设置的噪声，对初始数据集进行样本扩充，得到初始数据集对应的扩充样本；基于扩充样本和初始数据集构建能源安全数据集。
其中，预设的样本生成模型包括改进型生成对抗网络；样本处理模块400，还用于将初始数据集，以及预先确定的噪声输入至预先设置的改进型生成对抗网络中，对改进型生成对抗网络进行样本生成训练，生成初始数据集对应的初始生成样本；改进型生成对抗网络包括改进的目标函数，目标函数中包括预先计算的离散特征，离散特征基于初始数据集对应的伪概率向量确定；基于目标函数的损失值，对噪声进行自适应调整；直到样本生成训练满足预设的训练条件，得到初始数据集对应的扩充样本。
特征提取模块200，还用于通过预设的特征选择算法对能源安全数据集进行特征选择，得到第一特征参数；通过预设的特征提取算法根据第一特征参数对应的时序信息，对第一特征参数进行特征提取，确定特征输出向量；将特征输出向量输入至预设的多头注意力机制模块中，得到多个注意力头输出；将多个注意力头输出连接处理，得到基于时序信息的目标特征向量。
特征提取模块200，还用于根据第一特征参数对应的时序信息，以及预设的LSTM模型，计算第一特征参数对应的前向隐状态和后向隐状态；计算前向隐状态和后向隐状态分别对应的注意力权重，并使用对应的注意力权重对前向隐状态和后向隐状态分别进行加权；基于加权的前向隐状态和加权的后向隐状态确定特征输出向量。
训练模块300，还用于将目标特征向量输入至预先构建的集成分类器中，对集成分类器包括的多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果；其中，每个基分类器根据对应的输出层权值确定预测分类结果，输出层权值根据预设的代价矩阵确定；根据每个基分类器分别对应的模型权重，对多个基分类器的预测分类结果进行加权平均，得到集成预测结果；模型权重根据基分类器的预测分类结果对应的验证准确率确定；判断集成预测结果是否满足预设的预测结果阈值，如果否，更新代价矩阵，并执行对多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果的步骤；直到集成预测结果满足预设的预测结果阈值，根据当前验证准确率生成集成分类器对应的置信度参数，并基于置信度参数和包括当前多个基分类器的集成分类器，构建能源风险识别模型。
代价矩阵包括多个错误分类代价系数；错误分类代价系数用于指示基分类器对不同类别的错误分类代价；训练模块300，还用于针对每个基分类器，根据每个目标特征向量对应的安全等级标签，以及当前基分类器对应的预测分类结果，确定当前基分类器对应的错误分类率；利用预设的迭代算法对错误分类代价系数进行迭代，更新错误分类率；直到错误分类率最小，根据当前错误分类代价系数生成当前基分类器对应的代价矩阵，并根据代价矩阵计算当前基分类器对应的输出层权值。
进一步地，本发明实施例还提供一种能源风险识别装置，图7示出了本发明实施例提供的一种能源风险识别装置的结构示意图，如图7所示，该装置包括：数据采集模块10，用于对预设设备的能源数据进行监测，得到能源监测数据；处理模块20，用于将能源监测数据输入至预先构建的能源风险识别模型中，通过能源风险识别模型对能源监测数据进行能源风险预测；其中，能源风险识别模型为通过上述能源风险识别模型的构建方法构建得到的；执行模块30，用于基于能源风险预测的结果，对能源监测数据进行能源风险识别。
本发明实施例提供的一种能源风险识别装置，与上述实施例提供的能源风险识别模型的构建方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述图1至图4任一所示的方法的步骤。本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述图1至图4任一所示的方法的步骤。本发明实施例还提供了一种电子设备的结构示意图，如图8所示，为该电子设备的结构示意图，其中，该电子设备包括处理器81和存储器80，该存储器80存储有能够被该处理器81执行的计算机可执行指令，该处理器81执行该计算机可执行指令以实现上述图1至图4任一所示的方法。在图8示出的实施方式中，该电子设备还包括总线82和通信接口83，其中，处理器81、通信接口83和存储器80通过总线82连接。
其中，存储器80可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口83（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线82可以是ISA（Industry StandardArchitecture，工业标准体系结构）总线、PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（Extended Industry Standard Architecture，扩展工业标准结构）总线等，还可以是AMBA（Advanced Microcontroller Bus Architecture，片上总线的标准）总线，其中，AMBA定义了三种总线，包括APB（Advanced Peripheral Bus）总线、AHB（Advanced High-performance Bus）总线和AXI（Advanced eXtensible Interface）总线。总线82可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器81可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器81中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器81可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器81读取存储器中的信息，结合其硬件完成前述图1至图4任一所示的方法。本发明实施例所提供的一种能源风险识别模型的构建方法、能源风险识别方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种能源风险识别模型的构建方法，其特征在于，所述方法包括：
获取预先构建的能源安全数据集；所述能源安全数据集中的每个能源安全数据包括以下特征：设备编号、运行时间、设备状态、气候条件、历史事故记录，以及，安全等级标签，且，所述能源安全数据集通过对初始数据集进行数据扩充后得到；
基于所述能源安全数据集的时序信息，对所述能源安全数据集进行特征提取，得到基于时序信息的目标特征向量；
将所述目标特征向量及对应的安全等级标签输入至预先构建的集成分类器中，对所述集成分类器进行分类训练，并在所述集成分类器满足预设的训练条件时，基于所述集成分类器构建能源风险识别模型；其中，所述能源风险识别模型用于对能源监测数据进行能源风险识别；
其中，基于所述能源安全数据集对应的时序信息，对所述能源安全数据集进行特征提取，得到基于时序信息的目标特征向量的步骤，包括：
通过预设的特征选择算法对所述能源安全数据集进行特征选择，得到第一特征参数；
通过预设的特征提取算法根据所述第一特征参数对应的时序信息，对所述第一特征参数进行特征提取，确定特征输出向量；
将所述特征输出向量输入至预设的多头注意力机制模块中，得到多个注意力头输出；
将多个所述注意力头输出连接处理，得到基于时序信息的目标特征向量；
将所述目标特征向量及对应的安全等级标签输入至预先构建的集成分类器中，对所述集成分类器进行分类训练，并在所述分类训练满足预设的训练条件时，基于所述集成分类器构建能源风险识别模型的步骤，包括：
将所述目标特征向量输入至预先构建的集成分类器中，对所述集成分类器包括的多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果；其中，每个所述基分类器根据对应的输出层权值确定所述预测分类结果，所述输出层权值根据预设的代价矩阵确定；
根据每个基分类器分别对应的模型权重，对多个所述基分类器的预测分类结果进行加权平均，得到集成预测结果；所述模型权重根据基分类器的预测分类结果对应的验证准确率确定；
判断所述集成预测结果是否满足预设的预测结果阈值，如果否，更新所述代价矩阵，并执行对多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果的步骤；
直到所述集成预测结果满足预设的预测结果阈值，根据当前验证准确率生成所述集成分类器对应的置信度参数，并基于所述置信度参数和包括当前多个基分类器的集成分类器，构建能源风险识别模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采集多种能源的安全数据；所述安全数据包括设备数据和所述设备数据对应的运行时间；所述设备数据包括历史事故记录和数据发生条件，所述数据发生条件至少包括气候条件、设备状态和设备运行数据；
根据预设的标注条件对所述安全数据进行标注，确定所述安全数据对应的安全等级标签；
对所述安全数据进行数据清洗，使所述安全数据满足预设的取值范围；
基于所述安全数据包括的特征类别，对数据清洗的所述安全数据的特征参数进行特征编码，生成初始数据集；
将所述初始数据集输入至预设的样本生成模型中，基于预先设置的噪声，对所述初始数据集进行样本扩充，得到所述初始数据集对应的扩充样本；
基于所述扩充样本和所述初始数据集构建所述能源安全数据集。
3.根据权利要求2所述的方法，其特征在于，预设的样本生成模型包括改进型生成对抗网络；
将所述初始数据集输入至预设的样本生成模型中，基于预先设置的噪声，对所述初始数据集进行样本扩充，得到所述初始数据集对应的扩充样本的步骤，包括：
将所述初始数据集，以及预先确定的噪声输入至预先设置的改进型生成对抗网络中，对所述改进型生成对抗网络进行样本生成训练，生成所述初始数据集对应的初始生成样本；所述改进型生成对抗网络包括改进的目标函数，所述目标函数中包括预先计算的离散特征，所述离散特征基于所述初始数据集对应的伪概率向量确定；
基于所述目标函数的损失值，对所述噪声进行自适应调整；
直到样本生成训练满足预设的训练条件，基于当前所述初始生成样本得到所述初始数据集对应的扩充样本。
4.根据权利要求1所述的方法，其特征在于，所述通过预设的特征提取算法根据所述第一特征参数对应的时序信息，对所述第一特征参数进行特征提取，确定特征输出向量的步骤，包括：
根据所述第一特征参数对应的时序信息，以及预设的LSTM模型，计算所述第一特征参数对应的前向隐状态和后向隐状态；
计算所述前向隐状态和所述后向隐状态分别对应的注意力权重，并使用对应的注意力权重对所述前向隐状态和所述后向隐状态分别进行加权；
基于加权的前向隐状态和加权的后向隐状态确定所述特征输出向量。
5.根据权利要求1所述的方法，其特征在于，所述代价矩阵包括多个错误分类代价系数；所述错误分类代价系数用于指示所述基分类器对不同类别的错误分类代价；所述方法还包括：
针对每个所述基分类器，根据每个所述目标特征向量对应的安全等级标签，以及当前所述基分类器对应的预测分类结果，确定当前基分类器对应的错误分类率；
利用预设的迭代算法对所述错误分类代价系数进行迭代，更新所述错误分类率；
直到所述错误分类率最小，根据当前错误分类代价系数生成当前所述基分类器对应的代价矩阵，并根据所述代价矩阵计算当前所述基分类器对应的输出层权值。
6.一种能源风险识别方法，其特征在于，所述方法包括：
对预设设备的能源数据进行监测，得到能源监测数据；
将所述能源监测数据输入至预先构建的能源风险识别模型中，通过所述能源风险识别模型对所述能源监测数据进行能源风险预测；其中，所述能源风险识别模型为通过权利要求1~5任一项所述的能源风险识别模型的构建方法构建得到的，
基于所述能源风险预测的结果，对所述能源监测数据进行能源风险识别。
7.一种能源风险识别模型的构建装置，其特征在于，所述装置包括：
数据获取模块，用于获取预先构建的能源安全数据集；所述能源安全数据集中的每个能源安全数据包括以下特征：设备编号、运行时间、设备状态、气候条件、历史事故记录，以及，安全等级标签，且，所述能源安全数据集通过对初始数据集进行数据扩充后得到；
特征提取模块，用于基于所述能源安全数据集的时序信息，对所述能源安全数据集进行特征提取，得到基于时序信息的目标特征向量；
训练模块，用于将所述目标特征向量及对应的安全等级标签输入至预先构建的集成分类器中，对所述集成分类器进行分类训练，并在所述集成分类器满足预设的训练条件时，基于所述集成分类器构建能源风险识别模型；其中，所述能源风险识别模型用于对能源监测数据进行能源风险识别；
其中，所述特征提取模块，还用于通过预设的特征选择算法对所述能源安全数据集进行特征选择，得到第一特征参数；通过预设的特征提取算法根据所述第一特征参数对应的时序信息，对所述第一特征参数进行特征提取，确定特征输出向量；将所述特征输出向量输入至预设的多头注意力机制模块中，得到多个注意力头输出；将多个所述注意力头输出连接处理，得到基于时序信息的目标特征向量；
所述训练模块，还用于将所述目标特征向量输入至预先构建的集成分类器中，对所述集成分类器包括的多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果；其中，每个所述基分类器根据对应的输出层权值确定所述预测分类结果，所述输出层权值根据预设的代价矩阵确定；根据每个基分类器分别对应的模型权重，对多个所述基分类器的预测分类结果进行加权平均，得到集成预测结果；所述模型权重根据基分类器的预测分类结果对应的验证准确率确定；判断所述集成预测结果是否满足预设的预测结果阈值，如果否，更新所述代价矩阵，并执行对多个基分类器进行分类训练，得到多个基分类器分别对应的预测分类结果的步骤；直到所述集成预测结果满足预设的预测结果阈值，根据当前验证准确率生成所述集成分类器对应的置信度参数，并基于所述置信度参数和包括当前多个基分类器的集成分类器，构建能源风险识别模型。
8.一种能源风险识别装置，其特征在于，所述装置包括：
数据采集模块，用于对预设设备的能源数据进行监测，得到能源监测数据；
处理模块，用于将所述能源监测数据输入至预先构建的能源风险识别模型中，通过所述能源风险识别模型对所述能源监测数据进行能源风险预测；其中，所述能源风险识别模型为通过权利要求1~5任一项所述的能源风险识别模型的构建方法构建得到的；
执行模块，用于基于所述能源风险预测的结果，对所述能源监测数据进行能源风险识别。
CN202311576455.3A 2023-11-24 2023-11-24 能源风险识别模型的构建方法、能源风险识别方法及装置 Active CN117291314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311576455.3A CN117291314B (zh) 2023-11-24 2023-11-24 能源风险识别模型的构建方法、能源风险识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311576455.3A CN117291314B (zh) 2023-11-24 2023-11-24 能源风险识别模型的构建方法、能源风险识别方法及装置

Publications (2)

Publication Number Publication Date
CN117291314A CN117291314A (zh) 2023-12-26
CN117291314B true CN117291314B (zh) 2024-03-05

Family

ID=89244746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311576455.3A Active CN117291314B (zh) 2023-11-24 2023-11-24 能源风险识别模型的构建方法、能源风险识别方法及装置

Country Status (1)

Country Link
CN (1) CN117291314B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009058915A1 (en) * 2007-10-29 2009-05-07 The Trustees Of The University Of Pennsylvania Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri)
CN110010248A (zh) * 2019-04-17 2019-07-12 电子科技大学 一种基于代价敏感集成学习模型的再入院风险预测方法
CN111370122A (zh) * 2020-02-27 2020-07-03 西安交通大学 一种基于知识指导的时序数据风险预测方法、系统及其应用
CN115048870A (zh) * 2022-07-02 2022-09-13 南京航空航天大学 基于残差网络和注意力机制的目标轨迹识别方法
CN116595463A (zh) * 2023-07-18 2023-08-15 国网山东省电力公司武城县供电公司 窃电识别模型的构建方法、窃电行为识别方法及装置
CN116910493A (zh) * 2023-09-12 2023-10-20 山东能源数智云科技有限公司 基于多源特征提取的设备故障诊断模型的构建方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3454260A1 (en) * 2017-09-11 2019-03-13 Tata Consultancy Services Limited Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009058915A1 (en) * 2007-10-29 2009-05-07 The Trustees Of The University Of Pennsylvania Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri)
CN110010248A (zh) * 2019-04-17 2019-07-12 电子科技大学 一种基于代价敏感集成学习模型的再入院风险预测方法
CN111370122A (zh) * 2020-02-27 2020-07-03 西安交通大学 一种基于知识指导的时序数据风险预测方法、系统及其应用
CN115048870A (zh) * 2022-07-02 2022-09-13 南京航空航天大学 基于残差网络和注意力机制的目标轨迹识别方法
CN116595463A (zh) * 2023-07-18 2023-08-15 国网山东省电力公司武城县供电公司 窃电识别模型的构建方法、窃电行为识别方法及装置
CN116910493A (zh) * 2023-09-12 2023-10-20 山东能源数智云科技有限公司 基于多源特征提取的设备故障诊断模型的构建方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Haoye Lu等.A Deep Neural Network for Audio Classification with a Classifier Attention Mechanism.《eess.AS》.2020,1-15. *
基于改进在线序列学习机的危险源识别算法;佘雅莉;周良;;计算机技术与发展(第09期);全文 *
杨琴琴等.基于注意力机制和多关系事件的时序知识图谱推理.《微电子学与计算机》.2023,第40卷(第7期),18-26. *

Also Published As

Publication number Publication date
CN117291314A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN111783875B (zh) 基于聚类分析的异常用户检测方法、装置、设备及介质
CN108520272B (zh) 一种改进苍狼算法的半监督入侵检测方法
CN116881832B (zh) 旋转机械设备故障诊断模型的构建方法及装置
CN116910493B (zh) 基于多源特征提取的设备故障诊断模型的构建方法及装置
CN116595463B (zh) 窃电识别模型的构建方法、窃电行为识别方法及装置
CN117648643B (zh) 基于人工智能的索具预测性诊断方法及装置
CN117077871B (zh) 基于大数据的能源需求预测模型的构建方法及装置
CN117851921B (zh) 基于迁移学习的设备寿命预测方法及装置
CN116934385B (zh) 用户流失预测模型的构建方法、用户流失预测方法及装置
CN117155706B (zh) 网络异常行为检测方法及其系统
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN117874639B (zh) 基于人工智能的机械设备寿命预测方法及装置
CN117407781B (zh) 基于联邦学习的设备故障诊断方法及装置
CN115564155A (zh) 一种分散式风电机组功率预测方法及相关设备
CN117290732A (zh) 故障分类模型的构建方法、风电设备故障分类方法及装置
CN109121133B (zh) 一种位置隐私保护方法及装置
CN110795736A (zh) 一种基于svm决策树的恶意安卓软件检测方法
CN117312865A (zh) 基于非线性动态优化的数据分类模型的构建方法及装置
CN117668622A (zh) 设备故障诊断模型的训练方法、故障诊断方法及装置
CN117291314B (zh) 能源风险识别模型的构建方法、能源风险识别方法及装置
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
CN117194903A (zh) 一种基于生成对抗网络的网络流量数据补全方法及系统
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN116956197B (zh) 基于深度学习的能源设施故障预测方法、装置及电子设备
CN118032327A (zh) 基于人工智能的设备智能润滑监测方法及装置

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
GR01 Patent grant
GR01 Patent grant