-
公开(公告)号：CN119539056A
公开(公告)日：2025-02-28
申请号：CN202411650756.0
申请日：2024-11-19
Abstract: 本发明公开了一种层次实体邻居多关系融合的知识图谱补全网络算法，包含：S1，对知识图谱中的各个目标实体构建关系子图；S2，运用动态注意力机制对每一关系子图中实体周围的信息进行聚合，并对不同嵌入关系下的实体进行连接和聚合；S3，利用邻接关系融合技术，整合不同关系子图下的所有邻居信息。本发明实现了对不同邻居节点重要性差异的精确评估，以及对于关系路径的权重分配，提升了模型对于复杂数据的理解和处理能力。
-
公开(公告)号：CN119539051A
公开(公告)日：2025-02-28
申请号：CN202411607498.8
申请日：2024-11-12
IPC: G06N5/022 , G06F18/241 , G06N3/0442 , G06N3/0455
Abstract: 本发明涉及一种结合邻域路径编码的知识图谱补全算法，通过构建包括三层的注意力网络结构，分别计算输入实体、关系以及实体与关系的邻域特征的权重，最后计算得到输入所有关系下的实体得分，进而对知识图谱进行补全。本发明适用于少样本知识图谱补全，能够提高少样本知识图谱补全的效率，具有优异的性能。
-
公开(公告)号：CN117150407B
公开(公告)日：2024-10-01
申请号：CN202311134141.8
申请日：2023-09-04
IPC: G06F18/2433 , G06F18/213 , G06F18/22 , G06Q10/04 , G06Q50/26 , G06N3/0442 , G06N3/048 , G06N3/084 , G06F123/02
Abstract: 本发明涉及一种工业碳排放数据的异常检测方法，包括以下内容对工业碳排放数据进行预处理，获得碳排放的时间序列T；采用矩阵轮廓技术对时间序列T进行特征提取，获得时间序列T的特征序列；根据所述特征序列建立预测模型，在所述预测模型输入测试集获得测试集的预测特征序列；将特征序列与预测特征序列进行对比，计算预测误差值，将误差值高于阈值的数据作为异常数据点。本发明通过设置阈值来实现工业碳排放数据的异常检测，检测的精确度较高。
-
公开(公告)号：CN119539048A
公开(公告)日：2025-02-28
申请号：CN202411566119.5
申请日：2024-11-05
IPC: G06N5/022 , G06N3/042 , G06N3/082 , G06N3/0499 , G06N3/0455
Abstract: 本发明公开了一种层次实体邻居多关系融合的知识图谱补全方法，具体步骤包括：划分知识图谱，将知识图谱三元组中的头实体作为中心实体，将尾实体作为邻居实体，并构建同构子图；其中，所述知识图谱三元组还包括：关系；对中心实体和邻居实体进行聚合处理，完成中心实体、邻居实体的聚合；将关系融合入中心实体中，完成实体邻接关系的融合；根据融合实体和关系信息的嵌入向量，通过多头自注意力机制，计算多头自注意力的输出矩阵；利用前馈神经网络获得编码器的输出矩阵；通过负采样获得损失函数并优化，计算损失函数的最小值，完成知识图谱的补全。
-
公开(公告)号：CN119720007A
公开(公告)日：2025-03-28
申请号：CN202411691553.6
申请日：2024-11-25
IPC: G06F18/2433 , G06F18/23 , G06Q50/06 , G06N3/088 , G06N3/045
Abstract: 本发明公开了一种基于时间序列对比学习的用电负荷异常检测方法，该方法包含：S1、收集用电负荷数据并构建时间序列数据集，其包含训练集和测试集；S2、构建对比学习模型，并基于训练集对对比学习模型进行训练；S3、将训练好的对比学习模型应用到测试集中的所有子序列上，对所有子序列进行特征提取并重建输入的子序列生成重建数据，使用聚类算法对重建数据与原数据的残差进行聚类分析，并根据聚类结果设定异常阈值；S4、采集用户的实时用电负荷数据作为新数据，将其输入训练好的对比学习模型中得到对应的特征数据，若对应的特征数据超出异常阈值，判定此新数据为异常用电负荷。其优点是：该方法通过对比学习技术提高了用电负荷数据的异常检测精度。
-
Patent Agency Ranking
公开(公告)号：CN119691640A
公开(公告)日：2025-03-25
申请号：CN202411682920.6
申请日：2024-11-22
IPC: G06F18/2433 , G06F18/213 , G06Q50/06 , H02J3/00 , G06N3/0442 , G06N3/045
Abstract: 本发明提供一种基于多级注意力网络的用电负荷时间序列变化点预测方法，包含步骤：S1、采集多个历史用电信息，从历史用电信息中提取多个特征值，基于多个特征值生成与历史用电信息对应的训练向量；S2、通过训练向量训练用电负荷预测模型，用电负荷预测模型用于预估未来的电力负荷；S3、采集实时用电信息并输入训练好的用电负荷预测模型，基于用电负荷预测模型的预测结果判断是否出现用电异常；若判断出现用电异常，将该预测结果作为用电异常数据；S4、基于用电异常数据判断是否出现用电变化；若判断出现用电变化，基于用电异常数据确认用电负荷变化点。本发明的优点：能够准确预测用电负荷的变化点，为电力系统的优化管理提供重要支持。
-
公开(公告)号：CN117150407A
公开(公告)日：2023-12-01
申请号：CN202311134141.8
申请日：2023-09-04
IPC: G06F18/2433 , G06F18/213 , G06F18/22 , G06Q10/04 , G06Q50/26 , G06N3/0442 , G06N3/048 , G06N3/084 , G06F123/02
Abstract: 本发明涉及一种工业碳排放数据的异常检测方法，包括以下内容对工业碳排放数据进行预处理，获得碳排放的时间序列T；采用矩阵轮廓技术对时间序列T进行特征提取，获得时间序列T的特征序列；根据所述特征序列建立预测模型，在所述预测模型输入测试集获得测试集的预测特征序列；将特征序列与预测特征序列进行对比，计算预测误差值，将误差值高于阈值的数据作为异常数据点。本发明通过设置阈值来实现工业碳排放数据的异常检测，检测的精确度较高。
-
公开(公告)号：CN117010600A
公开(公告)日：2023-11-07
申请号：CN202311110445.0
申请日：2023-08-30
IPC: G06Q10/063 , G06Q50/26 , G06F18/24
Abstract: 本发明公开了一种基于动态阈值的工业企业碳画像分级方法，包括：获取工业企业碳排放数据；对工业企业碳排放数据进行预处理；根据预处理后的工业企业碳排放数据所属季节与企业所属行业构建训练输入矩阵；构建集成学习分层架构算法模型，将训练输入矩阵输入至集成学习分层架构算法模型中，进行动态阈值训练，得到训练后的模型；将工业企业碳排放数据输入至训练后的模型中，进行碳画像分级。本发明基于动态阈值与集成学习模型的工业企业碳画像分级方法能够有效地提高工业界碳排放分级的准确性与速度，辅助于碳分析、碳决策和碳管理，进一步实现节能减排目的。
-
公开(公告)号：CN119814820A
公开(公告)日：2025-04-11
申请号：CN202411878656.3
申请日：2024-12-19
Applicant: 国网上海市电力公司
Inventor： 谢邦鹏 , 万轶伦 , 邱名义 , 刘凯 , 赵文恺 , 周翔 , 周敏 , 陈赟 , 洪祎祺 , 徐鼎 , 江斌开 , 曹露 , 孔令东 , 唐力 , 段维伊 , 夏烨峰 , 张铭 , 蒋淏杰
Abstract: 本发明涉及一种变配电站数据汇集系统和方法，属于电力自动化技术领域。采用了该发明的系统和方法，其系统包括数据汇集装置与运行有通信微应用软件的智能融合终端。其中数据汇集装置中的数据采集通信模块与各物理设备通信连接，进行数据采集；物理设备管理模块管理物理设备内存链表，逻辑设备管理模块管理逻辑设备内存链表；数据转发通信模块模拟各逻辑设备与运行有通信微应用软件的智能融合终端之间建立通信链接通道；数据汇集装置作为通信代理，在扩展通信接口的同时支持异构通信接口和通信协议，转换为统一的标准通信协议后接入到智能融合终端中与之适配的专用通信微应用软件，再写数据到物联网数据中心，以此来简化流程，提升效率。
-
公开(公告)号：CN117609805A
公开(公告)日：2024-02-27
申请号：CN202311325308.9
申请日：2023-10-12
IPC: G06F18/23 , G06F18/214 , G06F17/16
Abstract: 本发明提供一种基于图信号处理的电力系统数据的质量评估方法及装置，其中的方法包括：获取电力系统拓扑结构对应的邻接矩阵，邻接矩阵映射有相应节点的测量数据；基于邻接矩阵，计算得到测量数据的频域值；对测量数据的频域值进行聚类处理，得到电力系统数据的质量评估结果。该方法通过将电力系统拓扑结构对应邻接矩阵的时域节点特征转换为频域特征，用更少的特征表示原始节点特征，减少了模型复杂度和训练时间，克服了现有电力系统数据辨识方法不能准确识别出低质量数据，且效率低下的缺陷，能够准确识别包含坏数据的测量节点，有利于运行人员排查故障。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.104 seconds)
