JP7356781B2 - 欠測を生じ得る観測値から観測確率を推定するプログラム、装置及び推定方法 - Google Patents
欠測を生じ得る観測値から観測確率を推定するプログラム、装置及び推定方法 Download PDFInfo
- Publication number
- JP7356781B2 JP7356781B2 JP2020140325A JP2020140325A JP7356781B2 JP 7356781 B2 JP7356781 B2 JP 7356781B2 JP 2020140325 A JP2020140325 A JP 2020140325A JP 2020140325 A JP2020140325 A JP 2020140325A JP 7356781 B2 JP7356781 B2 JP 7356781B2
- Authority
- JP
- Japan
- Prior art keywords
- missing
- group
- observation probability
- observed
- individual
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
このようなシステムは、例えばVPP(Virtual Power Plant)などの電力関連サービスに利用される。VPPは、電力需給バランスを実現するべく、分散型の発電設備や電力貯蔵システムに加えて、EMS(Energy Management System)や、アグリゲーションシステムを更に備える。EMSは、ピーク需要予測や需給予測など、需要家の効率的なエネルギー管理を実現する。アグリゲーションシステムは、デマンドレスポンス(DR:Demand Response)によって、EMSへの需要調整要請や、分散型の発電設備や電力貯蔵システムの統合制御などを実現する。
これに対し、スマートメータ(デバイス)は、需給対象となる需要家の消費電力量又は発電電力量を観測し、それら観測値を、EMSへ常時送信する。これによって、EMSは、できる限り正確に、ピーク需要予測や需給予測を実行する。
図1によれば、推定装置(サーバ)1は、多数のスマートメータ(デバイス)2から観測値を収集し、観測値データベースに蓄積する。スマートメータの場合は、単位時間毎(例えば30分毎)に観測した電力量を、推定装置1へ逐次送信する。これによって、推定装置1は、スマートメータ毎の観測値をリアルタイムに分析することができる。
(欠測原因1)ネットワーク又はサーバの通信障害に基づくグループ欠測
(欠測原因2)デバイス自体の個別障害に基づく個別欠測
欠測原因2の個別欠測の場合、デバイス毎に独立して散発的に発生する場合が多い。
これら2つの欠測原因は、相関性が無く、独立に発生するものといえる。
(観測例1)実測の観測値が少なく(観測値の欠測が多い)、観測確率が低い場合、補完や推定によって算出された観測値も多く、信頼できない値といえる。
(観測例2)実測の観測値が多く(観測値の欠測が少ない)、観測確率が高い場合、補完や推定によって算出された観測値も少なく、信頼できる値といえる。
グループ毎に、第1の時間範囲における全ての時刻数T1に対して、当該グループに属する所定割合以上のデバイスの観測値が同時に欠測有りとなった第1の欠測時刻数t1の割合であるグループ欠測確率p1から、グループ観測確率(1-p1)を算出するグループ観測確率算出手段と、
デバイス毎に、第2の時間範囲T2について、グループ観測確率算出手段で同時に欠測有りとなった欠測時刻数を除いた有測時刻数に対して、デバイスの観測値が欠測有りとなった第2の欠測時刻数t2の割合である個別欠測確率p2から、個別観測確率(1-p2)を算出する個別観測確率算出手段と、
デバイス毎に、グループ観測確率と個別観測確率とを乗算した観測確率を算出する観測確率算出手段と
してコンピュータを機能させることを特徴とする。
観測値は、複数のデバイスから、ネットワークを介してサーバへ送信されたものであり、ネットワーク又はサーバの通信障害に基づくグループ欠測と、デバイス自体の個別障害に基づく個別欠測とが生じ得るものである
ことも好ましい。
デバイス毎の過去の時系列の観測値を教師データとして訓練した機械学習エンジンであり、デバイス毎に、当該デバイスから現に出力された時系列の観測値を入力し、未来時点の観測値を予測する個別観測値予測手段と、
デバイス毎に、未来時点の観測値に観測確率を乗算して、欠測を考慮した実質観測値を推定する実質観測値推定手段と
してコンピュータを更に機能させることも好ましい。
デバイス毎に推定された実質観測値を、全てのデバイスで加算した合計観測値を推定する合計観測値推定手段と
してコンピュータを更に機能させることも好ましい。
第1の時間範囲≦第2の時間範囲の関係にある
ことも好ましい。
複数のデバイスについて観測値の欠測が生じたセンサ番号の欠測傾向が類似するデバイス群をグループにクラスタリングするグループ生成手段と
してコンピュータを機能させ、
グループ観測確率算出手段は、グループ毎に、グループ観測確率を算出する
ことも好ましい。
デバイスは、スマートメータ又はセンサである
ことも好ましい。
グループ毎に、第1の時間範囲における全ての時刻数T1に対して、当該グループに属する所定割合以上のデバイスの観測値が同時に欠測有りとなった第1の欠測時刻数t1の割合であるグループ欠測確率p1から、グループ観測確率(1-p1)を算出するグループ観測確率算出手段と、
デバイス毎に、第2の時間範囲T2について、グループ観測確率算出手段で同時に欠測有りとなった欠測時刻数を除いた有測時刻数に対して、デバイスの観測値が欠測有りとなった第2の欠測時刻数t2の割合である個別欠測確率p2から、個別観測確率(1-p2)を算出する個別観測確率算出手段と、
デバイス毎に、グループ観測確率と個別観測確率とを乗算した観測確率を算出する観測確率算出手段と
を有することを特徴とする。
装置は、
グループ毎に、第1の時間範囲における全ての時刻数T1に対して、当該グループに属する所定割合以上のデバイスの観測値が同時に欠測有りとなった第1の欠測時刻数t1の割合であるグループ欠測確率p1から、グループ観測確率(1-p1)を算出する第1のステップと、
デバイス毎に、第2の時間範囲T2について、グループ観測確率算出手段で同時に欠測有りとなった欠測時刻数を除いた有測時刻数に対して、デバイスの観測値が欠測有りとなった第2の欠測時刻数t2の割合である個別欠測確率p2から、個別観測確率(1-p2)を算出する第2のステップと、
デバイス毎に、グループ観測確率と個別観測確率とを乗算した観測確率を算出する第3のステップと
を実行することを特徴とする。
観測値データベース10は、各デバイスによって観測された観測値を時系列に蓄積する。
図3によれば、デバイス(横列のセンサ番号)毎に、時系列(縦列)に観測値(0.0~1.0)が記録されている。時系列の観測値は、所定単位時間毎(例えば30分毎)に、周期的に収集されたものである。図3によれば、デバイス毎に、30分×11コマ(t-10~t)の観測値が記憶されている。
また、観測値における斜線部分は、「欠測」を表している。ここで、観測値の欠測原因が、ネットワーク又はサーバの通信障害に基づくグループ欠測なのか、デバイス自体の個別障害に基づく個別欠測なのか、不明である。
グループ生成部17は、複数のデバイスについて同時に観測値の欠測が生じ得るデバイス同士を、同一のグループとしてクラスタリングする。これは、観測値の欠測傾向が類似するデバイス群に、グループ分けするものである。クラスタリングの指標としては、例えば欠測が同時に発生していた数を類似度とするものであってもよい。
図4によれば、図3の観測値データベース10におけるデバイス(センサ番号)を、欠測傾向に応じてクラスタリングしたものである。
例えば、時刻t-6の観測値では、デバイスS5, S9, S10, S11が同時に欠測している。また、時刻t-5の観測値では、デバイスS8, S2, S12, S4, S13, S6, S7が同時に欠測している。このような欠測傾向に応じて、具体的には、以下のように3つのグループにクラスタリングされている。
(グループ) g1 g2 g3
(デバイス) S8, S2, S12, S4, S13, S6, S7 S5, S9, S10, S11 S1, S3
ここで、グループg1は、時刻t-5, t-2, t-1の観測値で、同時に欠測している。また、グループg2は、時刻t-6の観測値で、同時に欠測している。
グループ観測確率算出部11は、第1の時間範囲T1について、複数のデバイスが属するグループ毎に、当該グループに属する所定割合以上のデバイスの観測値が同時に欠測有りとならないグループ観測確率(1-p1)を算出する。
具体的には、グループ欠測確率p1から、グループ観測確率(1-p1)を算出する。
p1 :グループ欠測確率
1-p1:グループ観測確率
グループ観測確率(1-p1)は、1からグループ欠測確率p1を差し引いたものである。
p1=第1の欠測時刻数/T1
グループg1のデバイスS6, S7は、時刻数4コマ(t-3~t)に対して、2コマで同時に欠測有りとなっており、グループ欠測確率は、2/4=0.5となる。また、グループg2のデバイスS5, S9では、同時に欠測有りとなっている時刻数は0コマであり、グループ欠測確率は、0となる。
これによって、グループg1のグループ観測確率は、1-0.5=0.5となる。また、グループg2のグループ観測確率は、1-0=1となる。
(グループ) g1 g2
(デバイス) S6, S7 S5, S9
(グループ欠測確率p1) 2/4=0.5 0
(グループ観測確率1-p1) (1-0.5)=0.5 (1-0)=1
個別観測確率算出部12は、第2の時間範囲T2について、デバイス毎に、グループ観測確率算出部11で同時に欠測有りとなった観測値を除いて、観測値が欠測有りとならない個別観測確率p2を算出する。
具体的には、個別欠測確率p2から、個別観測確率(1-p2)を算出する。
p2 :個別欠測確率
1-p2:個別観測確率
個別観測確率(1-p2)は、1から個別欠測確率p2を差し引いたものである。
p2=個別欠測時刻数/(T2-グループ欠測時刻数)
デバイスS6は、時刻数8コマ(t-7~t)に対して、グループ欠測が3コマ観測されている。そのグループ欠測を除く残り5コマに対して、欠測有りとなっている時刻数は0コマである。この場合、デバイスS6について、個別欠測確率p2は、0/5=0となり、個別観測確率1-p2は、(1-0)=0となる。
デバイスS7は、時刻数8コマ(t-7~t)に対して、グループ欠測が3コマ観測されている。そのグループ欠測を除く残り5コマに対して、欠測有りとなっている時刻数は1コマである。この場合、デバイスS7について、個別欠測確率p2は、1/5=0.2となり、個別観測確率1-p2は、(1-0.2)=0.8となる。
デバイスS5は、時刻数8コマ(t-7~t)に対して、グループ欠測が1コマ観測されている。そのグループ欠測を除く残り7コマに対して、欠測有りとなっている時刻数は1コマである。この場合、デバイスS5について、個別欠測確率p2は、1/7=0.14となり、個別観測確率1-p2は、(1-0.14)=0.86となる。
デバイスS9は、時刻数8コマ(t-7~t)に対して、グループ欠測が1コマ観測されている。そのグループ欠測を除く残り7コマに対して、欠測有りとなっている時刻数は2コマである。この場合、デバイスS9について、個別欠測確率p2は、2/7=0.29となり、個別観測確率1-p2は、(1-0.29)=0.71となる。
(デバイス) S6 S7 S5 S9
(個別欠測確率p2) 0/5=0 1/5=0.2 1/7=0.14 2/7=0.29
(個別観測確率1-p2) (1-0)=0 (1-0.2)=0.8 (1-0.14)=0.86 (1-0.29)=0.71
第1の時間範囲T1 ≦ 第2の時間範囲T2
グループ欠測は、ネットワーク又はサーバの通信障害に基づく欠測であって、デバイスに基づく障害である個別欠測に比べて、一度発生すると連続して欠測しやすい。そのために、直近の欠測有無を観測確率に反映させるべく、第1の時間範囲T1を、第2の時間範囲T2よりも短くすることが好ましい。
観測確率算出部13は、デバイス毎に、グループ観測確率と個別観測確率とを乗算した観測確率pを算出する。
1-p=(1-p1)・(1-p2)
(1-p1):グループ観測確率
(1-p2):個別観測確率
デバイスS6は、グループ観測確率0.5と個別観測確率1とを乗算し、観測確率p=0.5とする。
デバイスS7は、グループ観測確率0.5と個別観測確率0.8とを乗算し、観測確率p=0.4とする。
デバイスS5は、グループ観測確率1と個別観測確率0.86とを乗算し、観測確率p=0.86とする。
デバイスS9は、グループ観測確率1と個別観測確率0.71とを乗算し、観測確率p=0.71とする。
(デバイス) S6 S7 S5 S9
(グループ) g1 g2
(グループ観測確率p1) 0.5 1
(個別観測確率p2) 1 0.8 0.86 0.71
(観測確率p) 0.5 0.4 0.86 0.71
個別観測値予測部14は、デバイス毎に、当該デバイスから出力された過去時系列の観測値を用いて、未来時点の観測値を予測する。
個別観測値予測部14は、既存の機械学習エンジンであってもよい。過去時系列の数値から、未来時点の数値を予測するアルゴリズムとして、例えば回帰やAR(Auto Regression)などが適用可能となる。また、LSTM((Long short-term memory)のようなRNN(Recurrent Neural Network)や、時系列CNN(Convolutional Neural Network:)、サポートベクタマシンであってもよい。
図8によれば、機械学習エンジンで過去時系列の数値によって学習させながら、未来時点の数値を予測する場合、数値の欠損が入力されないことを前提とする。そのために、デバイス2から出力された観測値を、個別観測値予測部14へ入力される観測値が欠測した場合、補間処理をするか、又は、0が入力されることとなる。
一方で、予測時の個別観測値予測部14は、入力データ(予測時の現状観測値)が欠測する場合には、補間処理、又は、0を入力するものであってもよい。即ち、個別観測値予測部14から出力される予測値は、欠測を考慮しない値(低くない値)になっている。
本発明は、入力データ(予測時の現状観測値)の欠測ではなく、教師データ(学習時の正解観測値)の欠測を、課題としている。従来技術によれば、個別観測値予測部14のような1つの学習エンジンのみで、教師データの欠測も含めてまとめて予測するものであった。これに対し、本発明は、個別観測値予測部14の観測値の予測と、観測確率算出部13の欠測有無の予測とを、明示的に分けて処理することに特徴がある。
実質観測値推定部15は、デバイス毎に、欠測を考慮しない未来時点の観測値に、観測確率pを乗算して、欠測を考慮した実質観測値を推定する。
即ち、実質観測値推定部15は、観測確率pを乗算することによって、欠測を考慮しない未来時点の観測値よりも低い実質観測値を出力する。
デバイスS6は、個別予測観測値0.4に、観測確率p=0.5を乗算し、実質観測値0.2とする。
デバイスS7は、個別予測観測値0.5に、観測確率p=0.4を乗算し、実質観測値0.2とする。
デバイスS5は、個別予測観測値1.0に、観測確率p=0.86を乗算し、実質観測値0.86とする。
デバイスS5は、個別予測観測値1.0に、観測確率p=0.71を乗算し、実質観測値0.71とする。
(デバイス) S6 S7 S5 S9
(グループ) g1 g2
(観測確率p) 0.5 0.4 0.86 0.71
(個別予測観測値) 0.4 0.5 1.0 1.0
(実質観測値) 0.2 0.2 0.86 0.71
合計観測値推定部16は、デバイス毎に推定された実質観測値を加算し、全てのデバイスに基づく合計観測値を推定する。
個別予測観測値=0.4+0.5+1.0+1.0 =2.9
実質観測値 =0.2+0.2+0.86+0.71=1.97
10 観測値データベース
11 グループ観測確率算出部
12 個別観測確率算出部
13 観測確率算出部
14 個別観測値予測部
15 実質観測値推定部
16 合計観測値推定部
17 グループ生成部
2 デバイス
Claims (9)
- 複数のデバイスが属するグループ毎に、各デバイスから出力された欠測を生じ得る、所定時刻毎に観測された時系列の観測値を入力し、当該観測値の欠損が少ないほど高くなる観測確率を出力するようにコンピュータを機能させるプログラムであって、
グループ毎に、第1の時間範囲における全ての時刻数T1に対して、当該グループに属する所定割合以上のデバイスの観測値が同時に欠測有りとなった第1の欠測時刻数t1の割合であるグループ欠測確率p1から、グループ観測確率(1-p1)を算出するグループ観測確率算出手段と、
デバイス毎に、第2の時間範囲T2について、グループ観測確率算出手段で同時に欠測有りとなった欠測時刻数を除いた有測時刻数に対して、デバイスの観測値が欠測有りとなった第2の欠測時刻数t2の割合である個別欠測確率p2から、個別観測確率(1-p2)を算出する個別観測確率算出手段と、
デバイス毎に、グループ観測確率と個別観測確率とを乗算した観測確率を算出する観測確率算出手段と
してコンピュータを機能させることを特徴とするプログラム。 - 観測値は、複数のデバイスから、ネットワークを介してサーバへ送信されたものであり、ネットワーク又はサーバの通信障害に基づくグループ欠測と、デバイス自体の個別障害に基づく個別欠測とが生じ得るものである
ことを特徴とする請求項1に記載のプログラム。 - デバイス毎の過去の時系列の観測値を教師データとして訓練した機械学習エンジンであり、デバイス毎に、当該デバイスから現に出力された時系列の観測値を入力し、未来時点の観測値を予測する個別観測値予測手段と、
デバイス毎に、未来時点の観測値に観測確率を乗算して、欠測を考慮した実質観測値を推定する実質観測値推定手段と
してコンピュータを更に機能させることを特徴とする請求項1又は2に記載のプログラム。 - デバイス毎に推定された実質観測値を、全てのデバイスで加算した合計観測値を推定する合計観測値推定手段と
してコンピュータを更に機能させることを特徴とする請求項3に記載のプログラム。 - 第1の時間範囲≦第2の時間範囲の関係にある
ことを特徴とする請求項1から4のいずれか1項に記載のプログラム。 - 複数のデバイスについて観測値の欠測が生じたセンサ番号の欠測傾向が類似するデバイス群をグループにクラスタリングするグループ生成手段と
してコンピュータを機能させ、
グループ観測確率算出手段は、グループ毎に、グループ観測確率を算出する
ことを特徴とする請求項1から5のいずれか1項に記載のプログラム。 - デバイスは、スマートメータ又はセンサである
ことを特徴とする請求項1から6のいずれか1項に記載のプログラム。 - 複数のデバイスが属するグループ毎に、各デバイスから出力された欠測を生じ得る、所定時刻毎に観測された時系列の観測値を入力し、当該観測値の欠損が少ないほど高くなる観測確率を出力する推定装置であって、
グループ毎に、第1の時間範囲における全ての時刻数T1に対して、当該グループに属する所定割合以上のデバイスの観測値が同時に欠測有りとなった第1の欠測時刻数t1の割合であるグループ欠測確率p1から、グループ観測確率(1-p1)を算出するグループ観測確率算出手段と、
デバイス毎に、第2の時間範囲T2について、グループ観測確率算出手段で同時に欠測有りとなった欠測時刻数を除いた有測時刻数に対して、デバイスの観測値が欠測有りとなった第2の欠測時刻数t2の割合である個別欠測確率p2から、個別観測確率(1-p2)を算出する個別観測確率算出手段と、
デバイス毎に、グループ観測確率と個別観測確率とを乗算した観測確率を算出する観測確率算出手段と
を有することを特徴とする推定装置。 - 複数のデバイスが属するグループ毎に、各デバイスから出力された欠測を生じ得る、所定時刻毎に観測された時系列の観測値を入力し、当該観測値の欠損が少ないほど高くなる観測確率を出力する装置の推定方法であって、
装置は、
グループ毎に、第1の時間範囲における全ての時刻数T1に対して、当該グループに属する所定割合以上のデバイスの観測値が同時に欠測有りとなった第1の欠測時刻数t1の割合であるグループ欠測確率p1から、グループ観測確率(1-p1)を算出する第1のステップと、
デバイス毎に、第2の時間範囲T2について、グループ観測確率算出手段で同時に欠測有りとなった欠測時刻数を除いた有測時刻数に対して、デバイスの観測値が欠測有りとなった第2の欠測時刻数t2の割合である個別欠測確率p2から、個別観測確率(1-p2)を算出する第2のステップと、
デバイス毎に、グループ観測確率と個別観測確率とを乗算した観測確率を算出する第3のステップと
を実行することを特徴とする装置の推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020140325A JP7356781B2 (ja) | 2020-08-21 | 2020-08-21 | 欠測を生じ得る観測値から観測確率を推定するプログラム、装置及び推定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020140325A JP7356781B2 (ja) | 2020-08-21 | 2020-08-21 | 欠測を生じ得る観測値から観測確率を推定するプログラム、装置及び推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022035776A JP2022035776A (ja) | 2022-03-04 |
JP7356781B2 true JP7356781B2 (ja) | 2023-10-05 |
Family
ID=80443610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020140325A Active JP7356781B2 (ja) | 2020-08-21 | 2020-08-21 | 欠測を生じ得る観測値から観測確率を推定するプログラム、装置及び推定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7356781B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008146167A (ja) | 2006-12-06 | 2008-06-26 | Sumitomo Electric System Solutions Co Ltd | 交通状況推定方法、交通状況推定装置及びコンピュータプログラム |
JP2008306472A (ja) | 2007-06-07 | 2008-12-18 | Hitachi Ltd | センサネットシステム、及びセンサノード |
JP2017220050A (ja) | 2016-06-08 | 2017-12-14 | 株式会社東芝 | 電力量予測装置 |
US20180375743A1 (en) | 2015-12-26 | 2018-12-27 | Intel Corporation | Dynamic sampling of sensor data |
-
2020
- 2020-08-21 JP JP2020140325A patent/JP7356781B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008146167A (ja) | 2006-12-06 | 2008-06-26 | Sumitomo Electric System Solutions Co Ltd | 交通状況推定方法、交通状況推定装置及びコンピュータプログラム |
JP2008306472A (ja) | 2007-06-07 | 2008-12-18 | Hitachi Ltd | センサネットシステム、及びセンサノード |
US20180375743A1 (en) | 2015-12-26 | 2018-12-27 | Intel Corporation | Dynamic sampling of sensor data |
JP2017220050A (ja) | 2016-06-08 | 2017-12-14 | 株式会社東芝 | 電力量予測装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2022035776A (ja) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102763048B (zh) | 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备 | |
US20120296605A1 (en) | Method, computer program, and system for performing interpolation on sensor data for high system availability | |
US20210192368A1 (en) | Method and Device for Machine Learning in a Computing Unit | |
CN113049142A (zh) | 温度传感器的告警方法、装置、设备及存储介质 | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
JP7145821B2 (ja) | 故障確率評価システムおよびその方法 | |
US9244711B1 (en) | Virtual machine capacity planning | |
US11604461B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN110633194A (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
CN104992295A (zh) | 基于流式处理技术Storm的配电生产设备的在线监控方法 | |
KR102624950B1 (ko) | 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템 | |
JP7356781B2 (ja) | 欠測を生じ得る観測値から観測確率を推定するプログラム、装置及び推定方法 | |
CN117131457A (zh) | 基于ai模型的电力大数据采集处理方法及系统 | |
CN116805160A (zh) | 用于训练神经网络以确定代表设备的磨损状态的特征向量的方法 | |
CN116384876A (zh) | 基于维纳过程的备件动态库存-生产控制方法、系统及介质 | |
JP2015070528A (ja) | ネットワーク管理システム、ネットワーク装置および制御装置 | |
CN102096624B (zh) | 一种对机群运行状况进行预测的方法和机群平台管理装置 | |
CN117057579B (zh) | 一种分布式配电网的运行维护方法及系统 | |
CN113435103B (zh) | 配电房异常检测方法、系统、服务器、边缘网关和介质 | |
US12007753B2 (en) | System and method for predicting industrial equipment motor behavior | |
Anagnostopoulos et al. | Enhancing virtual sensors to deal with missing values and low sampling rates | |
CN117010663B (zh) | 基于图谱的智慧燃气数据管理方法和物联网系统及介质 | |
KR102187288B1 (ko) | 공정감시제어의 입력오류 및 제어오류 대응 기반 시스템 | |
US20220188401A1 (en) | Anomaly detection apparatus, anomaly detection method, and non-transitory storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220616 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230612 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230728 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230901 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230913 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230923 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7356781 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |