-
公开(公告)号：CN118313452A
公开(公告)日：2024-07-09
申请号：CN202410241783.6
申请日：2024-03-04
Abstract: 本发明涉及一种基于配偶候选集缩减的因果特征选择方法、设备、介质，方法包括如下步骤：获取高维数据D、所有变量U和目标变量T，通过父子节点发现算法，得到包括所述目标变量T的父子节点形成的集合SPCT，以及除目标变量T和集合SPCT外的其它变量与所有变量U形成的分离集SEP；通过从SPCT中移除与目标变量T独立的变量以及假阳性变量，得到目标变量T缩减后的父子节点集合PC以及目标变量T的配偶SP，实现因果特征的选择。与现有技术相比，本发明具有提高因果特征选择精度、独立性测试次数少等优点。
-
公开(公告)号：CN118378930A
公开(公告)日：2024-07-23
申请号：CN202410241058.9
申请日：2024-03-04
IPC: G06Q10/0639 , G06Q10/0635 , G06Q50/06 , G06F30/20 , G06N3/04 , G06N3/096
Abstract: 本发明涉及一种演变场景下电力系统运行风险智能评估方法、设备和介质，包括以下步骤：获取实时演变场景电力系统运行数据，基于投影系数矩阵进行特征转换后，输入训练好的面向演变场景的全连接深度神经网络进行最小切负荷判别，获得演变场景下电力系统运行风险评估结果；其中，通过交替优化法和特征值分解法迭代求解演变场景下电力系统运行风险评估快速迁移模型获得所述投影系数矩阵，所述演变场景下电力系统运行风险评估快速迁移模型包括局部差异度量项、全局差异度量项和类别差异度量项。与现有技术相比，本发明提高了演变场景下电力系统运行风险评估结果的可靠性。
-
公开(公告)号：CN118313714A
公开(公告)日：2024-07-09
申请号：CN202410241786.X
申请日：2024-03-04
IPC: G06Q10/0639 , G06Q10/0635 , G06Q10/063 , G06Q50/06 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于深度神经网络的电网运行风险态势感知方法和设备，方法包括如下步骤：获取预先构建的电网运行风险态势评价指标体系对应的数据集，并划分为训练集和测试集，其中，所述电网运行风险态势评价指标体系计及电网中的节点状态指标和线路状态指标；利用基于训练集训练好的电网运行风险态势预测模型得到所述测试集中每个样本的风险等级，通过统计各风险等级的占比对未来综合风险进行评估，实现电网运行风险态势感知。与现有技术相比，本发明具有实现全面的电网运行风险态势感知、提高态势感知的稳定性等优点。
-
公开(公告)号：CN117034154A
公开(公告)日：2023-11-10
申请号：CN202310970226.3
申请日：2023-08-03
IPC: G06F18/2431 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06N3/094 , F03D17/00 , F03D9/25
Abstract: 本发明属于风电机组故障检测领域，具体涉及一种基于时序对抗的风电机组故障检测方法，包括：获取风电机组数据，对风电机组数据进行预处理，该预处理包括对风电机组数据进行数据降维和MinMax标准化处理；将预处理后的风电机组数据输入到训练后的基于时序对抗的风电机组故障检测模型中；通过n个训练数据分别得到n个基础模型；然后通过集成判别框架得到异常分数矩阵；之后通过异常分数矩阵获得故障检测结果；其中基于时序对抗的风电机组故障检测模型由编码器、第一解码器以及第二解码器组成；本发明在对第一解码器和第二解码器进行对抗训练过程中，在生成器和鉴别器的目标函数中引入相应的正则化项来提升梯度下降速度，减少了模型训练时间。
-
公开(公告)号：CN119593963A
公开(公告)日：2025-03-11
申请号：CN202411535861.X
申请日：2024-10-31
IPC: F03D17/00 , G06F18/20 , G06F18/211 , G06F18/213 , G06F123/02
Abstract: 本发明涉及一种双馈风电机组齿轮箱运行压力生成方法及系统，该方法包括以下步骤：获取双馈风电机组齿轮箱的实时运行压力序列数据；基于所述实时运行压力序列数据，进行特征选择和降采样，获得多粒度压力序列数据，所述多粒度压力序列数据包括细粒度压力数据和粗粒度压力数据；将所述多粒度压力序列数据，输入预先训练好的压力数据生成模型进行处理，以分析不同粒度压力序列数据的趋势，最终生成未来多个步长的运行压力数据。与现有技术相比，本发明具有有效降低噪声干扰、精度高等优点。
-
Patent Agency Ranking
公开(公告)号：CN118585817A
公开(公告)日：2024-09-03
申请号：CN202410754935.2
申请日：2024-06-12
IPC: G06F18/214 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种双馈风电机组齿轮箱的运行温度故障预测方法，包括以下步骤：获取双馈风电机组齿轮箱的实时运行温度数据和最新的多个历史运行温度数据作为输入序列，输入至预先训练好的温度生成模型中，生成下一时间段内预测的运行温度数据，并进一步根据所述下一时间段内预测的运行温度数据进行运行温度故障预测，得到运行温度故障预测结果，其中，所述温度生成模型包括残差连接子模块和与其依次连接的长短期记忆编码子模块和注意力解码子模块。与现有技术相比，本发明具有有效预测风电机组齿轮箱发生故障、提高风电机组齿轮箱运行的稳定性和可靠性等优点。
-
公开(公告)号：CN117765429A
公开(公告)日：2024-03-26
申请号：CN202311439736.4
申请日：2023-11-01
IPC: G06V20/40 , G06V20/00 , G06V10/774 , G06T5/73 , G06V10/54 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/09
Abstract: 本发明属于目标检测技术领域，具体涉及一种基于深度学习的海上风电场船只入侵检测方法及系统，包括：获取海上船只的监控视频流；将视频流输入到图像抽帧模块进行抽帧，每秒抽取四帧作为待检测图像；对获取到的待检测图像输入到训练好的船只入侵检测模型，输出图像的船只目标预测结果；根据连续两帧待检测图像的预测结果判断当前时刻是否有船只入侵；本发明能够实现根据海上风电场上的监控视频实时检测船只入侵，同时保证了高精度的船只检测，具有良好的经济效益。
-
公开(公告)号：CN119966673A
公开(公告)日：2025-05-09
申请号：CN202510009521.1
申请日：2025-01-02
Applicant: 国网上海市电力公司
IPC: H04L9/40
Abstract: 本申请提供一种基于潜在攻击路径的网络系统漏洞确定方法及装置，方法包括：根据网络系统构建对应的系统拓扑模型；对网络系统中的每一设备进行网络测试，得到漏洞测试结果；根据系统拓扑模型确定多个通信链路，并利用各漏洞测试结果对各通信链路进行贝叶斯推断计算，确定各通信链路分别对应的漏洞利用可行性值；依据各漏洞利用可行性值从各通信链路中确定潜在攻击路径；根据潜在攻击路径确定关键漏洞。本方法确定出被网络攻击成功可能性最大的潜在攻击路径，从潜在攻击路径中确定关键漏洞，能缩小确定关键漏洞的范围，基于关键漏洞进行漏洞修复，能够利用最高效的方式对网络系统进行漏洞修复，保障网络系统的安全。
-
公开(公告)号：CN119647770A
公开(公告)日：2025-03-18
申请号：CN202411721415.8
申请日：2024-11-28
IPC: G06Q10/063 , G06Q50/06 , G06F18/23213 , G06F18/22
Abstract: 本发明涉及一种基于Hausdorff距离的户变关系匹配方法、设备及介质，该方法包括以下步骤：步骤S1、获取设定区域范围内设定长度时间段M个变压器和对应的Y个用户的用电量测采样序列；步骤S2、根据Y个用户的用电量测采样序列，采用聚类算法将Y个用户聚类成N个用户群组，并确定每个用户群组对应的用电数据序列；步骤S3、对于每个用户群组，分别计算其用电数据序列与每个变压器的用电量测采样序列之间的Hausdorff距离，选取Hausdorff距离最小值对应的变压器作为当前用户群组内所有用户的匹配变压器。与现有技术相比，本发明具有户变关系匹配准确性高的优点。
-
公开(公告)号：CN119226983B
公开(公告)日：2025-02-21
申请号：CN202411730018.7
申请日：2024-11-29
Applicant: 国网上海市电力公司
IPC: G06F18/2433 , G06F18/2131 , G06F18/214 , G06N3/0455 , G06N3/0895 , G06N3/096 , G06F123/02
Abstract: 本发明属于数据分析技术领域，涉及一种基于大模型的电力时序数据异常检测方法、设备和介质，所述方法包括以下步骤：将待检测电力时序数据输入训练好的电力时序数据异常检测模型，输出检测结果；电力时序数据异常检测模型包括依次相连的小波分解模块、编码器模块和解码器模块，小波分解模块首先对电力时序数据进行小波分解，然后通过多头自注意力将各分量序列转化为等长的特征表示；解码器模块可微地计算编码器模块的输出与各历史备选模式之间的动态时间规整距离，据此计算各历史备选模式的贡献分数，聚合获得电力时序数据在各周期尺度上的特征表示，并通过逆小波变换输出。与现有技术相比，本发明可以提高电力时序数据异常检测结果的精确性。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.057 seconds)
