CN117610559A - 一种基于bert的应急预案推荐方法 - Google Patents
一种基于bert的应急预案推荐方法 Download PDFInfo
- Publication number
- CN117610559A CN117610559A CN202311628101.9A CN202311628101A CN117610559A CN 117610559 A CN117610559 A CN 117610559A CN 202311628101 A CN202311628101 A CN 202311628101A CN 117610559 A CN117610559 A CN 117610559A
- Authority
- CN
- China
- Prior art keywords
- fault
- power grid
- vector
- word
- type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 129
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于BERT的应急预案推荐方法,属于大数据分析技术领域。其中,该方法包括:对电网故障记录文本进行预处理后与词表进行特征匹配,得到故障类型、故障设备和故障描述。检索电网应急预案知识库,得到关联的关联电网故障预案。计算电网故障词集中的故障描述和关联电网故障预案中的故障描述的故障描述相似度。计算电网故障词集中的故障类型和关联电网故障预案中的故障类型的故障类型相关度。根据故障描述相似度和故障类型相关度得到电网故障相关度。将电网故障相关度最大值对应的处置方式作为最终推荐预案输出。使用基于BiGRU多层连接的BERT模型,加强了层级之间特征的获取和传递,提供更精确全面的决策支持,提升事故处理的效率。
Description
技术领域
本发明属于大数据分析技术领域,具体涉及一种基于BERT的应急预案推荐方法。
背景技术
电网调控主要针对电力系统运行和供需平衡进行管理和调度。在电网调控中,需要实时监测和控制电力系统的各个环节,以确保电力的安全稳定供应。电网应急预案是指面对突发电网故障的应急处理步骤。电网应急预案在电网系统中不仅仅起到预防作用,其主要作用是使调度人员在电网事故发生时,可迅速准确地作出判断,进而达到电网调度无差错的目的。目前,在电网领域,智能故障辅助决策手段较少,当电网故障应急处置时,调度员需要集中精力手工查询故障预案、稳定规定和调度规程等文件,不仅效率低下,而且容易出错,受不同调度员经验和能力水平影响,不能保证随时能制定出有效的处置措施。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种基于BERT的应急预案推荐方法,通过如下的技术方案实施:
S1:获取电网故障记录文本,对所述电网故障记录文本进行特征提取得到故障类型、故障设备和故障描述;
S2:根据所述故障设备检索预构建的电网应急预案知识库,得到与所述故障设备关联的关联电网故障预案,所述关联电网故障预案包括故障设备、故障类型、故障描述和处置方式,将所述关联电网故障预案载入关联电网故障预案集中;
S3:对所述关联电网故障预案集中的关联电网故障预案和所述关联电网故障预案计算电网故障相关度;
S4:将所述电网故障相关度的最大值对应的处置方式作为最终推荐预案输出。
2.根据权利要求1所述的方法,其特征在于,所述S1的具体实现步骤包括:
S101:对所述电网故障记录文本进行文本格式清洗和文本分词,得到电网故障词集;
S102:将所述电网故障词集与预构建的电网故障类型词表、电网故障设备词表和电网故障描述词表进行特征匹配得到故障类型、故障设备和故障描述。
具体地,S2中的电网应急预案知识库使用电网应急预案文本作为训练语料构建
具体地,S2中的电网应急预案知识库的构建过程包括:
对所述训练语料进行文本分词和同义词去重得到分词结果,对所述分词结果使用word2vec模型进行分布式处理,得到词向量,对所述词向量使用TF-IDF方法进行权重计算得到加权文本向量,对所述加权文本向量使用BiLSTM模型进行实体抽取和关系抽取,得到所述电网应急预案知识库。
具体地,S3中的电网故障相关度包括:
计算所述电网故障词集中的故障描述和所述关联电网故障预案中的故障描述的相似度,得到故障描述相似度;
计算所述电网故障词集中的故障类型和所述关联电网故障预案中的故障类型的相关度,得到故障类型相关度;
根据所述故障描述相似度和所述故障类型相关度得到电网故障相关度。
具体地,所述故障描述相似度的计算方式如下:
对所述电网故障词集中的故障描述和所述关联电网故障预案中的故障描述分别获取位置嵌入向量、段嵌入向量和词嵌入向量,将所述位置嵌入向量、所述段嵌入向量和所述词嵌入向量相加得到故障词向量和关联故障词向量;
通过BiGRU模型计算所述故障词向量的隐藏状态值和所述关联故障词向量的的关联隐藏状态值;
计算所述故障词向量和所述关联故障词向量的余弦相似度,计算公式为:其中,/>为所述故障词向量,/>为所述关联故障词向量,根据所述余弦相似度计算加权值,计算公式为:/>其中J为所述电网故障词集中的分词总数,根据所述加权值得到加权故障词向量和加权关联故障词向量;
对所述加权故障词向量和所述加权关联故障词向量使用卷积核进行池化,得到池化故障特征和池化关联故障特征,将所述池化故障特征和所述池化关联故障特征进行融合得到融合特征向量,融合公式为:v=[p;q;p+q;|p-q|],其中,p为所述池化故障特征,q为所述池化关联故障特征,对所述融合特征向量使用softmax分类器计算概率分布,根据所述概率分布得到所述故障描述相似度。
具体地,所述故障类型相关度的计算方式如下:
将所述电网故障词集中的故障类型和所述关联电网故障预案中的故障类型映射为低维向量表示,得到类型向量和关联类型向量;
对所述类型向量和所述关联类型向量使用滤波器进行二维卷积,得到类型特征向量和关联类型特征向量,将所述类型特征向量和所述关联类型特征向量输入ReLU修正线性激活函数中,得到强化类型特征向量和强化关联类型特征向量;
将所述强化类型特征向量和所述强化关联类型特征向量输入BiLSTM网络层,得到类型文本向量和关联类型文本向量,使用距离公式计算所述类型文本向量和所述关联类型文本向量的相似度得到所述故障类型相关度。
具体地,模型损失函数为对数损失函数,函数定义为:其中,y为所述故障描述相似度的标签,p为所述故障相似度。
具体地,模型损失函数为孪生神经网络的对比损失函数,函数定义为:其中y为所述故障类型相关度的标签,d为所述所述类型文本向量和所述关联类型文本向量的欧式距离。
具体地,S1-S4使用一种基于BERT的应急预案推荐系统运行,包含以下模块:
电网故障记录模块,用于获取所述电网故障记录文本,对所述电网故障记录文本进行特征提取得到故障类型、故障设备和故障描述;
电网应急预案知识库,用于存储所述故障设备关联的关联电网故障预案,所述关联电网故障预案包括故障设备、故障类型、故障描述和处置方式;
方案匹配模块,用于对所述关联电网故障预案集中的关联电网故障预案和所述关联电网故障预案计算所述电网故障相关度;
用户输出模块,用于将所述电网故障相关度的最大值对应的处置方式作为最终推荐预案输出。
本发明的有益效果为:
(1)使用基于BiGRU多层连接的BERT模型,加强了层级之间的特征的获取和传递,较大程度上减少了特征的损失;
(2)使用故障描述相似度和故障类型相关度结合的方法,提供更精确、全面的决策支持,提升事故处理的效率。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的基于BERT的应急预案推荐方法的流程示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
请参阅图1,一种基于BERT的应急预案推荐方法的流程示意图,包括如下步骤:
S1:获取电网故障记录文本,对所述电网故障记录文本进行文本格式清洗和文本分词,得到电网故障词集,将所述电网故障词集与预构建的电网故障类型词表、电网故障设备词表和电网故障描述词表进行特征匹配,得到故障类型、故障设备和故障描述;
S2:根据所述故障设备检索预构建的电网应急预案知识库,得到与所述故障设备关联的关联电网故障预案,所述关联电网故障预案包括故障设备、故障类型、故障描述和处置方式,将所述关联电网故障预案载入关联电网故障预案集中;
S3:计算所述电网故障词集中的故障描述和所述关联电网故障预案中的故障描述的相似度,得到故障描述相似度;
S4:计算所述电网故障词集中的故障类型和所述关联电网故障预案中的故障类型的相关度,得到故障类型相关度;
S5:根据所述故障描述相似度和所述故障类型相关度得到电网故障相关度;
S6:对所述关联电网故障预案集中的关联电网故障预案重复S3-S5的步骤,得到电网故障相关度的最大值,将所述最大值对应的处置方式作为最终推荐预案输出。
具体地,S2中的电网应急预案知识库使用大量的电网应急预案文本作为训练语料,对所述训练语料进行文本分词和同义词去重得到分词结果,对所述分词结果使用word2vec模型进行分布式处理,得到词向量,对所述词向量使用TF-IDF方法进行权重计算得到加权文本向量,对所述加权文本向量使用BiLSTM模型进行实体抽取和关系抽取,得到所述电网应急预案知识库。
具体地,S3中的故障描述相似度的计算方式如下:
S301:对所述电网故障词集中的故障描述和所述关联电网故障预案中的故障描述分别获取位置嵌入向量、段嵌入向量和词嵌入向量,将所述位置嵌入向量、所述段嵌入向量和所述词嵌入向量相加得到故障词向量和关联故障词向量;
S302:通过BiGRU模型计算所述故障词向量的隐藏状态值和所述关联故障词向量的的关联隐藏状态值;
S303:计算所述故障词向量和所述关联故障词向量的余弦相似度,计算公式为:其中,/>为所述故障词向量,/>为所述关联故障词向量,根据所述余弦相似度计算加权值,计算公式为:/>其中J为所述电网故障词集中的分词总数,根据所述加权值得到加权故障词向量和加权关联故障词向量;
S304:对所述加权故障词向量和所述加权关联故障词向量使用卷积核进行池化,得到池化故障特征和池化关联故障特征,将所述池化故障特征和所述池化关联故障特征进行融合得到融合特征向量,融合公式为:v=[p;q;p+q;|p-q|],其中,p为所述池化故障特征,q为所述池化关联故障特征,对所述融合特征向量使用softmax分类器计算概率分布,根据所述概率分布得到所述故障描述相似度。
具体地,S4中的故障类型相关度的计算方式如下:
S401:将所述电网故障词集中的故障类型和所述关联电网故障预案中的故障类型映射为低维向量表示,得到类型向量和关联类型向量;
S402:对所述类型向量和所述关联类型向量使用滤波器进行二维卷积,得到类型特征向量和关联类型特征向量,将所述类型特征向量和所述关联类型特征向量输入ReLU修正线性激活函数中,得到强化类型特征向量和强化关联类型特征向量;
S403:将所述强化类型特征向量和所述强化关联类型特征向量输入BiLSTM网络层,得到类型文本向量和关联类型文本向量,使用距离公式计算所述类型文本向量和所述关联类型文本向量的相似度得到所述故障类型相关度。
具体地,S3中使用的模型的损失函数为对数损失函数,函数定义为:其中,y为所述故障描述相似度的标签,p为所述故障相似度。
具体地,S4中使用的模型的损失函数为孪生神经网络的对比损失函数,函数定义为:其中y为所述故障类型相关度的标签,d为所述所述类型文本向量和所述关联类型文本向量的欧式距离。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于BERT的应急预案推荐方法,其特征在于,包括如下步骤:(S1)获取电网故障记录文本,对所述电网故障记录文本进行特征提取得到故障类型、故障设备和故障描述;(S2)根据所述故障设备检索预构建的电网应急预案知识库,得到与所述故障设备关联的关联电网故障预案,所述关联电网故障预案包括故障设备、故障类型、故障描述和处置方式,将所述关联电网故障预案载入关联电网故障预案集中;(S3)对所述关联电网故障预案集中的关联电网故障预案和所述关联电网故障预案计算电网故障相关度;(S4)将所述电网故障相关度的最大值对应的处置方式作为最终推荐预案输出。
2.根据权利要求1所述的方法,其特征在于,所述S1的具体实现步骤包括:
S101:对所述电网故障记录文本进行文本格式清洗和文本分词,得到电网故障词集;
S102:将所述电网故障词集与预构建的电网故障类型词表、电网故障设备词表和电网故障描述词表进行特征匹配得到故障类型、故障设备和故障描述。
3.根据权利要求1所述的方法,其特征在于,所述S2中的电网应急预案知识库使用电网应急预案文本作为训练语料构建。
4.根据权利要求1所述的方法,其特征在于,所述S2中的电网应急预案知识库的构建过程包括:
对所述训练语料进行文本分词和同义词去重得到分词结果,对所述分词结果使用word2vec模型进行分布式处理,得到词向量,对所述词向量使用TF-IDF方法进行权重计算得到加权文本向量,对所述加权文本向量使用BiLSTM模型进行实体抽取和关系抽取,得到所述电网应急预案知识库。
5.根据权利要求1所述的方法,其特征在于,所述S3中的电网故障相关度包括:
计算所述电网故障词集中的故障描述和所述关联电网故障预案中的故障描述的相似度,得到故障描述相似度;
计算所述电网故障词集中的故障类型和所述关联电网故障预案中的故障类型的相关度,得到故障类型相关度;
根据所述故障描述相似度和所述故障类型相关度得到电网故障相关度。
6.根据权利要求4所述的方法,其特征在于,所述故障描述相似度的计算方式如下:
对所述电网故障词集中的故障描述和所述关联电网故障预案中的故障描述分别获取位置嵌入向量、段嵌入向量和词嵌入向量,将所述位置嵌入向量、所述段嵌入向量和所述词嵌入向量相加得到故障词向量和关联故障词向量;
通过BiGRU模型计算所述故障词向量的隐藏状态值和所述关联故障词向量的的关联隐藏状态值;
计算所述故障词向量和所述关联故障词向量的余弦相似度,计算公式为:其中,/>为所述故障词向量,/>为所述关联故障词向量,根据所述余弦相似度计算加权值,计算公式为:/>其中J为所述电网故障词集中的分词总数,根据所述加权值得到加权故障词向量和加权关联故障词向量;
对所述加权故障词向量和所述加权关联故障词向量使用卷积核进行池化,得到池化故障特征和池化关联故障特征,将所述池化故障特征和所述池化关联故障特征进行融合得到融合特征向量,融合公式为:v=[p;q;p+q;|p-q|],其中,p为所述池化故障特征,q为所述池化关联故障特征,对所述融合特征向量使用softmax分类器计算概率分布,根据所述概率分布得到所述故障描述相似度。
7.根据权利要求4所述的方法,其特征在于,所述故障类型相关度的计算方式如下:
将所述电网故障词集中的故障类型和所述关联电网故障预案中的故障类型映射为低维向量表示,得到类型向量和关联类型向量;
对所述类型向量和所述关联类型向量使用滤波器进行二维卷积,得到类型特征向量和关联类型特征向量,将所述类型特征向量和所述关联类型特征向量输入ReLU修正线性激活函数中,得到强化类型特征向量和强化关联类型特征向量;
将所述强化类型特征向量和所述强化关联类型特征向量输入BiLSTM网络层,得到类型文本向量和关联类型文本向量,使用距离公式计算所述类型文本向量和所述关联类型文本向量的相似度得到所述故障类型相关度。
8.根据权利要求6所述的方法,其特征在于,模型损失函数为对数损失函数,函数定义为:其中,y为所述故障描述相似度的标签,p为所述故障相似度。
9.根据权利要求7所述的方法,其特征在于,模型损失函数为孪生神经网络的对比损失函数,函数定义为:其中y为所述故障类型相关度的标签,d为所述所述类型文本向量和所述关联类型文本向量的欧式距离。
10.根据权利要求1所述的方法,其特征在于,S1-S4使用一种基于BERT的应急预案推荐系统运行,包含以下模块:
电网故障记录模块,用于获取所述电网故障记录文本,对所述电网故障记录文本进行特征提取得到故障类型、故障设备和故障描述;
电网应急预案知识库,用于存储所述故障设备关联的关联电网故障预案,所述关联电网故障预案包括故障设备、故障类型、故障描述和处置方式;
方案匹配模块,用于对所述关联电网故障预案集中的关联电网故障预案和所述关联电网故障预案计算所述电网故障相关度;
用户输出模块,用于将所述电网故障相关度的最大值对应的处置方式作为最终推荐预案输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628101.9A CN117610559A (zh) | 2023-12-01 | 2023-12-01 | 一种基于bert的应急预案推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628101.9A CN117610559A (zh) | 2023-12-01 | 2023-12-01 | 一种基于bert的应急预案推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117610559A true CN117610559A (zh) | 2024-02-27 |
Family
ID=89951244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311628101.9A Pending CN117610559A (zh) | 2023-12-01 | 2023-12-01 | 一种基于bert的应急预案推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610559A (zh) |
-
2023
- 2023-12-01 CN CN202311628101.9A patent/CN117610559A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108539738B (zh) | 一种基于梯度提升决策树的短期负荷预测方法 | |
CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
WO2021243903A1 (zh) | 自然语言至结构化查询语言的转换方法及系统 | |
CN109102157A (zh) | 一种基于深度学习的银行工单派单方法及系统 | |
CN109325607A (zh) | 一种短期风电功率预测方法及系统 | |
CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
CN113673152B (zh) | 一种基于数字孪生体的集团级kks编码智能映射推荐方法 | |
CN114610901A (zh) | 一种电网运行数据融合方法、装置及存储介质 | |
CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
CN116108203A (zh) | 电网全景调度知识图谱构建和电网设备管理的方法、系统、存储介质及设备 | |
CN117610559A (zh) | 一种基于bert的应急预案推荐方法 | |
CN112232078A (zh) | 一种基于双向gru与注意力机制的调度操作票审核方法 | |
CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
CN112348235B (zh) | 风光母线负荷自适应预测方法、装置、计算机设备 | |
CN115577996A (zh) | 一种电网停电计划的风险评估方法、系统、设备和介质 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
CN115130924A (zh) | 一种源网荷储背景下微电网电力设备资产评估方法及系统 | |
CN115118015A (zh) | 一种基于融合终端的台区供电稳定性监测系统 | |
CN114782001A (zh) | 一种基于全寿命周期成本的电网基建项目优选方法及系统 | |
CN114819489A (zh) | 一种面向海上风电制氢系统的可行性评估方法 | |
Zheng et al. | [Retracted] Application Based on Artificial Intelligence in Substation Operation and Maintenance Management | |
CN112016631A (zh) | 一种低电压治理相关的改进方案 | |
ZhiYuan et al. | A Mixed Integer Linear Programming Method for Generating Backbone Grid | |
CN113434667B (zh) | 基于配网自动化终端文本分类模型的文本分类方法 |
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 |