-
公开(公告)号：CN117763305A
公开(公告)日：2024-03-26
申请号：CN202311729543.2
申请日：2023-12-15
Applicant: 烟台海颐软件股份有限公司
IPC: G06F18/20 , G06F18/232 , G06F18/243 , G06N3/0442
Abstract: 本发明公开了一种计及行为共性的电力时序数据异常检测与修复方法，包括如下步骤：根据电力时序数据进行行为共性分析，获取到电力时序数据的群体聚类结果；根据电力时序数据计算时序异常得分，生成所有数据的异常得分集合；根据聚类结果和异常得分集合，进行计及行为共性的电力时序数据异常识别；根据异常识别结果和聚类结果，进行计及行为共性的电力时序数据异常修复。本发明从行为共性分析、时序异常评估、异常值修复三方面提出了创新性方案，有效提高了对于电力时序数据的异常检测与修复的准确度，解决了现有方法难以精准识别异常并修复的问题，这一完整流程对电力系统中的智能数据治理具有重要意义。
-
公开(公告)号：CN113240010B
公开(公告)日：2023-10-24
申请号：CN202110528743.6
申请日：2021-05-14
Applicant: 烟台海颐软件股份有限公司
IPC: G06F18/2433
Abstract: 本发明涉及结构化数据异常检测领域，具体涉及一种支持非独立分布混合数据的异常检测方法及系统。包括元数据管理模块，数据集成模块，数据管理模块，任务管理与调度模块，数据关联模块，特征变换模块，模型训练模块，异常评估模块，结果管理模块。基于本算法构建的系统可以适用于结构化混合数据、单纯的分类数据、单纯的数值型数据三种不同目的智能化异常检测，可以极大的提升异常检测的效率和普适性，尤其是在数据治理、工业异常检测应用中。
-
公开(公告)号：CN116128544A
公开(公告)日：2023-05-16
申请号：CN202211642952.4
申请日：2022-12-20
Applicant: 烟台海颐软件股份有限公司
IPC: G06Q30/0201 , G06Q30/0202 , G06Q50/06 , G06F18/214 , G06F18/2431 , G06N20/00
Abstract: 本发明公开了一种电力营销异常营业数据的主动稽核方法和系统，所述方法包括：计算给定待稽核数据中各分类属性间的信息增益率，分析分类属性业务关联；基于分类属性间的相关性分析结果，对存在显著相关性的属性进行拼接，形成新的混合数据；基于新的混合数据，对分类属性进行频数特征变换，生成能够直接输入模型训练的属性特征数据；基于属性特征数据，以增强孤立森林算法为基础构建并训练增强孤立森林模型；以训练好的增强孤立森林模型为基础，计算电力营销营业数据的异常评分；基于电力营销营业数据的异常评分，自适应判别异常群体，得到自适应异常结果；根据输出的自适应异常结果，将其与电力营销营业数据相结合，输出最终的异常判别结果。
-
公开(公告)号：CN106327055B
公开(公告)日：2019-10-11
申请号：CN201610639968.8
申请日：2016-08-08
Applicant: 烟台海颐软件股份有限公司
Abstract: 本发明提供一种基于大数据技术的电力费控方法及系统，以解决传统电力费控系统对大数据量数据存储能力弱、计算性能低、系统稳定性差的问题。基于大数据技术的电力费控方法具体是:1.通过分布式存储技术完成大数据量的数据写入、查询和更新。2.利用分布式内存计算引擎，实现整个算费流程的数据存储、校核和计算。3.采用分布式文件系统、集群资源调度和大数据集群作为基础架构，使系统的物理节点可以进行动态的扩充和移除。本发明提供了海量数据的存储能力和高性能的数据计算与分析能力，增加了费控系统的水平扩展能力以降低硬件成本，提升了系统容错性，增强了费控计算的稳定性，有力支撑了大数据技术在电力费控中的应用。
-
公开(公告)号：CN106295983A
公开(公告)日：2017-01-04
申请号：CN201610640829.7
申请日：2016-08-08
Applicant: 烟台海颐软件股份有限公司
CPC classification number: G06Q10/06315 , G06Q10/0637 , G06Q50/06
Abstract: 本发明提供一种应用于电力营销领域的数据可视化统计分析方法及系统，以解决该领域数据统计分析阶段无法对多类型数据源的海量数据进行灵活的可视化分析和数据挖掘的问题。该方法具体是：1.利用大数据技术对多渠道海量数据进行分析2.实现数据源和数据分析流程的可视化设计3. 采用数据统计与数据挖掘融合的方法整合分析结果4. 通过模块化功能的发布分离出设计与应用系统。本发明不再局限于数据源类别，提供了海量数据的处理能力，增强了用电营销统计分析功能的自定义柔性扩展能力，提供了数据分析、数据挖掘建模与预测功能，缩短了软件开发周期，进而提升了用电营销数据统计分析的需求响应能力，有力支撑了业务数据增值应用。
-
Patent Agency Ranking
公开(公告)号：CN104715408A
公开(公告)日：2015-06-17
申请号：CN201510121587.6
申请日：2015-03-19
Applicant: 烟台海颐软件股份有限公司
CPC classification number: Y04S50/10
Abstract: 本发明涉及电力交易领域，尤其是涉及一种基于结算单元的电力交易可视化实现方法。所述方法按照以下步骤分步实现可视化界面显示：步骤1、用户自定义结算单元；步骤2、用户自定义结算单元内的公式；步骤3、将步骤2生成的公式替换成数据表达式；步骤4、对步骤3生成的表达式进行计算得出最终结果，计算时采用BeanSheel技术；步骤5、将步骤4的计算结果对应到结算单元中，实现电力交易结算的可视化。本发明与现有技术相比具有的优点是，通过结算单元来应对电力交易中结算方式的多样性；对公式的编辑实行界面化，提高算法的可读性，易维护性；通过公式解析提高运算效率。
-
公开(公告)号：CN104699518A
公开(公告)日：2015-06-10
申请号：CN201510120407.2
申请日：2015-03-19
Applicant: 烟台海颐软件股份有限公司
IPC: G06F9/45
Abstract: 本发明涉及仪表领域，具体为一种基于微内核插件的万用抄表机适配器及其实现方法。一种基于微内核插件的万用抄表机适配器，根据不同种类抄表机提供的驱动程序进行标准化适配器接口封装，通过三层标准化接口对外提供统一的抄表机调用接口，供应用层调用；本发明还提出一种基于微内核插件的万用抄表机适配器实现方法，步骤一、从不同种类抄表机的专有接口中抽象出微内核中的标准适配器接口；步骤二、对抽象出的标准适配器接口提供对外的标准接口；步骤三、基于对外的标准接口，为应用层调用提供语义一致的调用接口。本发明为抄表机驱动开发提供标准化的语法一致的接口，解决抄表机跨浏览器调用问题，新增抄表机类型无需修改已有程序。
-
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：CN117743938A
公开(公告)日：2024-03-22
申请号：CN202311785567.X
申请日：2023-12-22
Applicant: 烟台海颐软件股份有限公司
IPC: G06F18/241 , G06F18/213 , G06F18/232 , G06N3/0455
Abstract: 本发明属于数据治理技术领域，具体涉及一种不均衡数据的异常识别与修复方法及系统。所述方法包括不均衡混合数据聚类分析、异常数据识别与特征定位、异常数据修复三部分内容，首先提出了基于代价优化的混合聚类算法，解决不均衡数据集下混合数据的有效聚类问题，实现同一聚类簇内数据具有高度相似性；其次提出一种基于孤立森林的异常特征定位算法，解决以往无监督异常检测算法仅能定位到异常记录而无法识别记录中具体异常特征的问题，实现问题数据的准确定位；最后提出基于异构变分自编码器的数据修复模型，实现对混合数据异常的可信修复，解决以往人工智能方法在数据修复过程中受数据分布和噪声数据干扰过大导致修复数据可信度不高的问题。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.035 seconds)
