一种基于深度学习的时间序列数据多元异常检测方法

    公开(公告)号:CN115905991A

    公开(公告)日:2023-04-04

    申请号:CN202211456571.7

    申请日:2022-11-21

    Abstract: 本发明涉及一种基于深度学习的时间序列数据多元异常检测方法,训练方法包括:将训练需要的多元时间序列输入到GAN网络,使用两人极小极大博弈算法来训练生成器和判别器,生成器G以来自随机潜在空间的序列作为其输入来生成假时间序列,并将生成的序列样本传递给判别器D,判别器D将试图将生成的即“fake”数据序列与实际的即“real”正常训练数据序列区分开来;经过足够多次的迭代,使用经过训练的判别器和生成器来检测多元时间序列中的异常,并使用一个组合的判别和重建异常评分即DR评分使模型训练效果满足预期的条件;本发明具有基于深度学习的无监督异常检测方法、基于生成对抗网络的无监督异常检测策略的优点。

    一种基于双通路融合网络的电力业务带宽预测方法

    公开(公告)号:CN114118567A

    公开(公告)日:2022-03-01

    申请号:CN202111400483.0

    申请日:2021-11-19

    Abstract: 本发明涉及一种基于双通路融合网络的电力业务带宽预测方法,首先构建电力业务带宽预测模型,包括DBN网络和LSTM网络;选取电力带宽数据并划分为训练集、验证集和测试集;将训练集的数据分别输入至DBN网络和LSTM网络中进行训练,得到两组信息;对两路信息进行特征融合后输入至分类器中预测下一阶段的带宽数据,得到预测结果;对电力业务带宽预测模型进行反向传播优化参数,训练结束;判断训练后的电力业务带宽预测模型是否符合预设的收敛要求,若符合则结束训练,若不符合,则迭代执行步骤S3‑S5,直至其符合。本发明所述预测方法具有更高的预测精度和鲁棒性,提高带宽预测的准确性,为电力通信网的承载能力和稳定运行提供了有力的保障。

    一种电压切换继电器PT失压信号回路

    公开(公告)号:CN218867906U

    公开(公告)日:2023-04-14

    申请号:CN202222980424.1

    申请日:2022-11-09

    Abstract: 本实用新型属于变电站电压切换技术领域,具体涉及一种电压切换继电器PT失压信号回路;包括有电压切换继电器电源回路和PT失压信号回路,电压切换继电器电源回路包括第一母线回路和第二母线回路,第一母线回路上设置有I母刀闸辅助开关常开触点、第一继电器和第二继电器,第二母线回路上设置有II母刀闸辅助开关常开触点、第三继电器和第四继电器;PT失压信号回路包括第一失压信号回路和第二失压信号回路,第一失压信号回路上设置有第一常闭触点和第一常闭触点,第二失压信号回路上设置有A相断路器常开触点、B相断路器常开触点和C相断路器常开触点;本实用新型在停电检修等情况下,电压切换装置无法报出PT失压信号,降低对运行人员的干扰。

    一种基于DTformer的短期多能源负荷预测方法

    公开(公告)号:CN117808175A

    公开(公告)日:2024-04-02

    申请号:CN202410232544.4

    申请日:2024-03-01

    Abstract: 本发明公开了一种基于DTformer的短期多能源负荷预测方法,包括以下步骤:(1)获取与日历特征相关的数据及气象数据;(2)分别对获取到的电、热、冷负荷历史数据、各气象特征数据和日历数据进行缺失值填充和异常值处理得到经过清洗的时间序列数据集;(3)利用最大信息系数评估多个能源负荷之间的耦合关系以及与各气象特征之间的相关性;(4)对DTformer负荷预测模型的输入数据进行了归一化处理;构建DTformer预测模型并进行训练,得到电、热、冷负荷的归一化预测结果;(5)对归一化的预测结果进行反归一化处理,获得最终的电、热、冷负荷的预测值;本发明引入最优时间窗口注意力和双注意力变量模块,以解决时间上的长期依赖性和不同变量之间的依赖性。

    一种基于DTformer的短期多能源负荷预测方法

    公开(公告)号:CN117808175B

    公开(公告)日:2024-05-17

    申请号:CN202410232544.4

    申请日:2024-03-01

    Abstract: 本发明公开了一种基于DTformer的短期多能源负荷预测方法,包括以下步骤:(1)获取与日历特征相关的数据及气象数据;(2)分别对获取到的电、热、冷负荷历史数据、各气象特征数据和日历数据进行缺失值填充和异常值处理得到经过清洗的时间序列数据集;(3)利用最大信息系数评估多个能源负荷之间的耦合关系以及与各气象特征之间的相关性;(4)对DTformer负荷预测模型的输入数据进行了归一化处理;构建DTformer预测模型并进行训练,得到电、热、冷负荷的归一化预测结果;(5)对归一化的预测结果进行反归一化处理,获得最终的电、热、冷负荷的预测值;本发明引入最优时间窗口注意力和双注意力变量模块,以解决时间上的长期依赖性和不同变量之间的依赖性。

Patent Agency Ranking