-
公开(公告)号：CN117933364A
公开(公告)日：2024-04-26
申请号：CN202410315687.1
申请日：2024-03-20
Applicant: 烟台海颐软件股份有限公司
Abstract: 本发明属于电力行业自然语言处理技术领域，具体涉及基于跨语言知识迁移和经验驱动的电力行业模型训练方法。本发明针对现有行业大模型的局限，提出一种两阶段训练方法。第一阶段为跨语言迁移的增量预训练：利用不同语种语料对开源模型进行增量预训练，可扩大模型知识范围，强化模型记忆程度；第二阶段为专家经验驱动的指令微调训练：充分利用专家业务经验指导教师模型生成符合实际的任务指令样本，并利用这些指令样本对模型进行微调训练；该方法既用到了专家的经验，又“蒸馏”了教师模型自身的知识能力，可以使模型更好地理解和执行电力领域特定任务，有助于提高模型行业应用的可靠性。
-
公开(公告)号：CN113240011B
公开(公告)日：2023-04-07
申请号：CN202110528781.1
申请日：2021-05-14
Applicant: 烟台海颐软件股份有限公司
IPC: G06F18/241 , G06F18/2415 , G06F18/23 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明涉及数据处理领域，具体涉及一种深度学习驱动的异常识别与修复方法及智能化系统。包括以下步骤：S1：数据结构识别，S2：数据特征变换，S3：训练异常检测和修复神经网络，S4：异常数据识别与异常修复，S5：数据特征还原。采用深度学习方法，对每个特征使用双分量混合模型，其中一个分量用于解释干净单元(即正常值)，另一个分量用于解释异常单元(即异常值)；通过降低异常单元的影响来模拟潜在的正常数据分布，为数据单元提供异常值分数和对单元修复的估计；将变分自编码器和生成对抗网络两个深度生成模型进行结合，有利于生成更好的修复结果；最终实现利用无监督学习方式对混合属性数据进行cell‑level(单元级别)的异常识别及修复。
-
公开(公告)号：CN119478626A
公开(公告)日：2025-02-18
申请号：CN202411538070.2
申请日：2024-10-31
Applicant: 烟台海颐软件股份有限公司
IPC: G06V10/82 , G06V10/764 , G06V10/25 , G06N3/0464 , G06N3/084 , G06N3/096 , G06N3/045 , G06Q50/06 , G06V20/50
Abstract: 本发明属于电力领域与人工智能技术领域，具体涉及一种基于混合专家模型的电力现场作业安全检测方法及系统。本发明结合了视觉语言模型与YOLO目标检测模型，通过混合专家模型架构在少样本条件下实现高效精确的电力现场作业安全检测。在训练阶段，通过多模型协同训练，构建了针对不同场景和目标的专家模型集合。在检测阶段，采用两阶段检测机制，先由YOLO进行快速初步检测，随后VLM针对低置信度目标进行复检，最终整合检测结果，确保检测的准确性。本发明旨在有效应对电力现场作业中的复杂环境和安全隐患，显著提高安全检测效率和准确度，相较于单一模型架构，本发明在电力现场作业场景下展现出更广泛的应用场景和更高的检测质量。
-
公开(公告)号：CN117933364B
公开(公告)日：2024-06-04
申请号：CN202410315687.1
申请日：2024-03-20
Applicant: 烟台海颐软件股份有限公司
Abstract: 本发明属于电力行业自然语言处理技术领域，具体涉及基于跨语言知识迁移和经验驱动的电力行业模型训练方法。本发明针对现有行业大模型的局限，提出一种两阶段训练方法。第一阶段为跨语言迁移的增量预训练：利用不同语种语料对开源模型进行增量预训练，可扩大模型知识范围，强化模型记忆程度；第二阶段为专家经验驱动的指令微调训练：充分利用专家业务经验指导教师模型生成符合实际的任务指令样本，并利用这些指令样本对模型进行微调训练；该方法既用到了专家的经验，又“蒸馏”了教师模型自身的知识能力，可以使模型更好地理解和执行电力领域特定任务，有助于提高模型行业应用的可靠性。
-
Patent Agency Ranking
公开(公告)号：CN115271215A
公开(公告)日：2022-11-01
申请号：CN202210913740.9
申请日：2022-07-29
Applicant: 烟台海颐软件股份有限公司
Abstract: 本发明公开了一种短期电力负荷精细修正预测方法、系统、装置、介质，方法包括：利用训练好的平均负荷集成模型，对预测日每一段的平均负荷进行预测，得到预测日每一段的平均负荷的预测结果；利用训练好的时刻点负荷集成模型，对预测日各时刻点的负荷值进行预测，得到各时刻点初期的负荷预测结果；利用预测日每一段的平均负荷的预测结果对相应的预测日的初期负荷预测结果进行修正，得到预测日各时刻点的最终预测负荷结果。与人工确定系数相比，该修正方法更具有可解释性、智能性、降低了人工干预，对预测结果的修正更加精细准确。
-
公开(公告)号：CN118410876A
公开(公告)日：2024-07-30
申请号：CN202410873531.5
申请日：2024-07-02
Applicant: 烟台海颐软件股份有限公司
IPC: G06N5/04 , G06N5/022 , G06N3/045 , G06F40/30 , G06F16/332 , G06F16/35 , G06Q30/015
Abstract: 本发明属于政务服务技术领域，具体涉及一种基于大语言模型的问题指派方法。所述方法包括：步骤100：预处理阶段：收集关于问题指派相关的历史数据案例，构建历史数据案例知识库，并利用大语言模型为历史数据案例生成思维链和参考答案；步骤200：推理阶段：根据用户输入的问题文本，利用预处理阶段构建的知识库和生成的思维链，通过大语言模型推理得到最终的指派结果。本发明通过动态少样本搜索、生成思维链和多轮问答确定等技术，实现了对问题的智能分类和指派，有效提高了分类的准确性和效率，解决了市民难以准确选择对应答复机构的难题。
-
公开(公告)号：CN115564129A
公开(公告)日：2023-01-03
申请号：CN202211285786.7
申请日：2022-10-20
Applicant: 烟台海颐软件股份有限公司
Abstract: 本发明公开了一种基于ANN和迁移学习的节假日负荷预测方法，包括以下步骤：对预处理后的数据集进行特征工程操作形成全部负荷数据集，从全部负荷数据集中提取出节日负荷数据集和假日负荷数据集；采用ANN进行构建全数据源模型，并利用全部负荷训练数据集对全数据源模型进行训练；将全数据源模型作为预训练模型，对节日/假日负荷数据集进行训练，使用与全数据源模型相同的参数，得到最终节日/假日负荷训练模型；对预测日各时刻点的负荷值进行预测，得到预测日各时刻点负荷的预测结果。将节日负荷数据和假日负荷数据分别通过ANN进行节日预测和假日预测，可以更好的学习到节日和假日各自的特征，进而提升预测精度。
-
公开(公告)号：CN115564128A
公开(公告)日：2023-01-03
申请号：CN202211285777.8
申请日：2022-10-20
Applicant: 烟台海颐软件股份有限公司
IPC: G06Q10/04 , G06Q50/06 , G06F16/215 , G06F16/2458 , G06F17/18
Abstract: 本发明属于负荷预测技术领域，具体涉及基于重过载概率统计和相似日的配变负载率修正预测方法。本发明通过统计近期各时刻点上负载率重过载的概率，获取存在重过载可能性的时刻点，专注修正存在重过载可能性的时刻点，提高修正效率；考虑到短期外界因素对负载率峰值的影响，借助预测日前一日的负载率曲线找到预测日的负载率相似日，然后根据预测日前一日和相似日的负载率峰值高度在存在重过载概率的时刻点对初始预测负载率曲线进行修正，提高了重过载部分的预测精度，解决了重过载漏判的问题。
-
公开(公告)号：CN113240011A
公开(公告)日：2021-08-10
申请号：CN202110528781.1
申请日：2021-05-14
Applicant: 烟台海颐软件股份有限公司
Abstract: 本发明涉及数据处理领域，具体涉及一种深度学习驱动的异常识别与修复方法及智能化系统。包括以下步骤：S1：数据结构识别，S2：数据特征变换，S3：训练异常检测和修复神经网络，S4：异常数据识别与异常修复，S5：数据特征还原。采用深度学习方法，对每个特征使用双分量混合模型，其中一个分量用于解释干净单元(即正常值)，另一个分量用于解释异常单元(即异常值)；通过降低异常单元的影响来模拟潜在的正常数据分布，为数据单元提供异常值分数和对单元修复的估计；将变分自编码器和生成对抗网络两个深度生成模型进行结合，有利于生成更好的修复结果；最终实现利用无监督学习方式对混合属性数据进行cell‑level(单元级别)的异常识别及修复。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.034 seconds)
