公开(公告)号：CN114372084A

公开(公告)日：2022-04-19

申请号：CN202011094151.X

申请日：2020-10-14

Applicant: 北方工业大学

Inventor： 杨中国 ,  刘晨 ,  狄程 ,  张明珠 ,  方磊

IPC: G06F16/2455

Abstract: 本发明提供了一种面向传感流数据的实时处理系统，包括数据接入模块、流程配置模块、规则解析引擎模块、实时处理模块等模块，解决了现有可视化流处理系统对新算子支持不足，流程配置繁琐和不支持处理结果服务化的问题。本发明还提供上述面向传感流数据的实时处理系统的使用方法。

公开(公告)号：CN113434268A

公开(公告)日：2021-09-24

申请号：CN202110644173.7

申请日：2021-06-09

Applicant: 北方工业大学

Inventor： 杨中国 ,  方磊 ,  秦生辉 ,  张明珠

IPC: G06F9/48

Abstract: 本发明实施例提供的一种工作流分布式调度管理系统和方法，该系统包括：流程构建模块用于在网络页面上实现服务方案流程的构建和信息配置；流程解析分割模块用于对服务方案流程解析和分割，生成最优化的切割结果，将切割结果发送至流程重构模块；流程重构模块用于流程的重新装配，包括生成实现工作流分布式流程的元流程及子流程的监听插入。流程调度模块用于生成工作流程分布式调度的相关调度信息及元流程的流程变量的插入和元流程的下发；服务代理模块，用于接收和执行元流程的相关调度任务，实现服务方案流程的分布式执行。本申请能够通过流程解析分割模块和流程重构模块进行流程分割和重构，可以便捷的实现工作流的去中心分布式调度。

公开(公告)号：CN114595914B

公开(公告)日：2024-06-07

申请号：CN202110848307.7

申请日：2021-07-27

Applicant: 北方工业大学

Inventor： 高晶 ,  严佳豪 ,  杨中国

IPC: G06Q10/0631 ,  G06Q10/10 ,  G06N3/006

Abstract: 本发明提供一种面向云环境的工作流调度方法，包括：向云环境提交待调度的任务工作流；获取工作流对应的服务需求；基于当前的云环境，按照预设的种群规模随机初始化种群；以工作流对应的服务需求为优化目标，采用第二代非支配排序遗传算法对初始化种群进行多次遗传迭代直至达到预设的最大迭代次数以获得最终种群；在种群迭代过程中云环境发生变化时，基于当前种群中的个体，采用预先训练好的序列到序列模型根据历史云环境中非支配解的变化规律预测发生变化后的云环境对应的新个体，并将新个体放入当前种群中进行下一次遗传迭代直至达到预设的最大迭代次数；选取最终种群中的非支配解以将任务工作流中的任务按照非支配解对应的虚拟机编号序列分配到虚拟机。

公开(公告)号：CN111738477B

公开(公告)日：2023-11-07

申请号：CN201910724451.2

申请日：2019-08-01

Applicant: 北方工业大学 ,  中国电力科学研究院有限公司 ,  国网江苏省电力有限公司

Inventor： 李寒 ,  刘晨 ,  杨中国 ,  黄越辉 ,  李驰 ,  王跃峰 ,  雷震 ,  郝雨辰 ,  金鑫

IPC: G06Q10/04 ,  G06Q10/0637 ,  G06Q50/06 ,  G06N20/00

Abstract: 基于深层特征组合的电网新能源消纳能力预测方法，包括两部分内容，分别为特征选择与特征组合；第一阶段，特征选择；首先从数据中提取特征，作为模型的输入，然后经过方差特征选择去掉方差小的特征，接着使用递归式特征消除进行特征选择；第二个阶段，特征组合；通过XGBoost与LightGBM方法来组合特征，建立了一个混合模型，将由XGBoost和LightGBM算法产生的预测结合起来，进行集成预测，XGBoost与LightGBM模型中的参数是通过网格搜索技术进行优化调整的。本发明在考虑风电消纳能力预测特征的复杂性的基础上，以提升预测精度为目标，该方法采用了不依赖经验的特征组合方法，采用基于不同特征组合的多模型进行预测。

公开(公告)号：CN114595914A

公开(公告)日：2022-06-07

申请号：CN202110848307.7

申请日：2021-07-27

Applicant: 北方工业大学

Inventor： 高晶 ,  严佳豪 ,  杨中国

IPC: G06Q10/06 ,  G06Q10/10 ,  G06N3/00

Abstract: 本发明提供一种面向云环境的工作流调度方法，包括：向云环境提交待调度的任务工作流；获取工作流对应的服务需求；基于当前的云环境，按照预设的种群规模随机初始化种群；以工作流对应的服务需求为优化目标，采用第二代非支配排序遗传算法对初始化种群进行多次遗传迭代直至达到预设的最大迭代次数以获得最终种群；在种群迭代过程中云环境发生变化时，基于当前种群中的个体，采用预先训练好的序列到序列模型根据历史云环境中非支配解的变化规律预测发生变化后的云环境对应的新个体，并将新个体放入当前种群中进行下一次遗传迭代直至达到预设的最大迭代次数；选取最终种群中的非支配解以将任务工作流中的任务按照非支配解对应的虚拟机编号序列分配到虚拟机。

公开(公告)号：CN111738477A

公开(公告)日：2020-10-02

申请号：CN201910724451.2

申请日：2019-08-01

Applicant: 北方工业大学 ,  中国电力科学研究院有限公司 ,  国网江苏省电力有限公司

Inventor： 李寒 ,  刘晨 ,  杨中国 ,  黄越辉 ,  李驰 ,  王跃峰 ,  雷震 ,  郝雨辰 ,  金鑫

IPC: G06Q10/04 ,  G06Q50/06

Abstract: 基于深层特征组合的电网新能源消纳能力预测方法，包括两部分内容，分别为特征选择与特征组合；第一阶段，特征选择；首先从数据中提取特征，作为模型的输入，然后经过方差特征选择去掉方差小的特征，接着使用递归式特征消除进行特征选择；第二个阶段，特征组合；通过XGBoost与LightGBM方法来组合特征，建立了一个混合模型，将由XGBoost和LightGBM算法产生的预测结合起来，进行集成预测，XGBoost与LightGBM模型中的参数是通过网格搜索技术进行优化调整的。本发明在考虑风电消纳能力预测特征的复杂性的基础上，以提升预测精度为目标，该方法采用了不依赖经验的特征组合方法，采用基于不同特征组合的多模型进行预测。