CN110766566A - 一种基于双向lstm模型的运维行为智能分析*** - Google Patents
一种基于双向lstm模型的运维行为智能分析*** Download PDFInfo
- Publication number
- CN110766566A CN110766566A CN201910984469.6A CN201910984469A CN110766566A CN 110766566 A CN110766566 A CN 110766566A CN 201910984469 A CN201910984469 A CN 201910984469A CN 110766566 A CN110766566 A CN 110766566A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- service system
- maintenance service
- alarm
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 98
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000010354 integration Effects 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 230000004913 activation Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及运维管理分析,具体涉及一种基于双向LSTM模型的运维行为智能分析***,包括控制器和运维服务***,运维服务***采集的运维监测数据通过无线通信模块传输给数据整合模块,数据整合模块与控制器相连,控制器与用于存储经过数据整合模块整合后数据的存储模块相连,控制器与用于检测运维服务***是否存在异常状态的异常数据检测单元相连,控制器从存储模块中删除处于异常状态的运维服务***的运维数据;本发明提供的技术方案能够有效克服现有技术所存在的分析效率低、不能保证分析结果的准确性、运维服务***无法根据电网运行情况进行自主适应性调节的缺陷。
Description
技术领域
本发明涉及运维管理分析,具体涉及一种基于双向LSTM模型的运维行为智能分析***。
背景技术
物联网是新一代信息技术的重要组成部分,也是“信息化”时代的重要发展阶段。顾名思义,物联网就是物物相连的互联网,这有两层意思:其一,物联网的核心和基础仍然是互联网,是在互联网基础上的延伸和扩展的网络;其二,其用户端延伸和扩展到了任何物品与物品之间,进行信息交换和通信,也就是物物相息。物联网通过智能感知、智能识别和普适计算等通信感知技术,广泛应用于网络的融合中,因此被称为继计算机、互联网之后世界信息产业发展的第三次浪潮。
随着云平台应用逐渐广泛,微服务也日趋完善,电力信息***本身产生的日志数量也急剧提升,达到每日数十万条。在海量的运维数据中,最不可忽视的就是各种关键性能指标KPI,如何从这些海量数据里发现规律,指导运维并将其智能化,如何通过数据分析使得运维服务***根据电网运行情况进行自主适应性调节,保证供电质量,都是目前亟待解决的问题。
此外,现有运维行为智能分析***通常采用单一模型针对单一任务进行建模,该建模方式需要耗费大量人力与算力对相似任务进行重复建模,分析效率低,且不能保证分析结果的准确性。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种基于双向LSTM模型的运维行为智能分析***,能够有效克服现有技术所存在的分析效率低、不能保证分析结果的准确性、运维服务***无法根据电网运行情况进行自主适应性调节的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于双向LSTM模型的运维行为智能分析***,包括控制器和运维服务***,所述运维服务***采集的运维监测数据通过无线通信模块传输给数据整合模块,所述数据整合模块与所述控制器相连,所述控制器与用于存储经过所述数据整合模块整合后数据的存储模块相连;
所述控制器与用于检测所述运维服务***是否存在异常状态的异常数据检测单元相连,所述控制器从所述存储模块中删除处于异常状态的所述运维服务***的运维数据;
所述存储模块通过数据输入模块将有效数据发送给神经网络输入层,所述神经网络输入层与用于配置初始权重的初始权重配置模块相连,所述神经网络输入层与包含双向LSTM模型的神经网络隐藏层相连,所述神经网络隐藏层与由不同卷积核组成并包含激活函数的卷积层相连,所述卷积层与用于减小输入尺寸以提高性能并减小过拟合的池化层相连,所述池化层与用于最大化每个卷积核输出信号并包含激活函数的全连接层相连,所述全连接层与用于向所述控制器输出所述电网运行与所述运维服务***运行拟合结果的神经网络输出层相连;
所述控制器根据所述神经网络输出层输出的拟合结果通过设备控制模块对所述运维服务***进行控制调节。
优选地,所述神经网络隐藏层结合所述初始权重配置模块配置的初始权重进行训练,得到训练后的隐藏层权重。
优选地,所述卷积层、全连接层中的激活函数均采用线性整流函数ReLU。
优选地,所述神经网络输出层使用sigmoid激活执行非线性转换,并生成0到1之间的值,以表示所述电网运行与所述运维服务***运行的拟合程度。
优选地,所述异常数据检测单元包括用于检测分析所述运维服务***无效告警信号的无效告警分析模块,用于检测分析所述运维服务***重复告警信号的重复告警分析模块,以及用于检测分析所述运维服务***异常告警信号的异常告警分析模块。
优选地,所述无效告警分析模块的检测方法包括:判断接收到的告警信号是否为每日同时间段内发生的,若接收到的告警信号为每日同时间段内发生的,则判定该类告警信号为无效告警信号。
优选地,所述重复告警分析模块的检测方法包括:每隔一个时间周期,判断从当前时刻向前追溯一个时间周期内的告警信号是否存在短时间内重复告警,如存在,则判定该类告警信号为重复告警信号。
优选地,所述异常数据检测单元判定所述运维服务***处于异常状态的方法包括:统计每周内无效告警信号、重复告警信号、异常告警信号的数量,并相加得到所述运维服务***的告警总数,当告警总数不低于阈值时,则判定该运维服务***处于异常状态;
其中,所有无效告警信号均记为0个,同时间周期内的重复告警信号记为1个。
(三)有益效果
与现有技术相比,本发明所提供的一种基于双向LSTM模型的运维行为智能分析***,具有以下有益效果:
1、异常数据检测单元检测运维服务***是否存在异常状态,控制器从存储模块中删除处于异常状态的运维服务***的运维数据,从而能够删除异常数据,保证后期数据分析的准确性;
2、存储模块通过数据输入模块将有效数据发送给神经网络输入层,神经网络输入层与包含双向LSTM模型的神经网络隐藏层相连,神经网络隐藏层与由不同卷积核组成并包含激活函数的卷积层相连,卷积层与用于减小输入尺寸以提高性能并减小过拟合的池化层相连,池化层与用于最大化每个卷积核输出信号并包含激活函数的全连接层相连,神经网络输出层向控制器输出电网运行与运维服务***运行拟合结果,控制器根据神经网络输出层输出的拟合结果通过设备控制模块对运维服务***进行控制调节,采用双向LSTM模型、传统CNN模型对运维服务***运行与电网运行的拟合程度进行快速有效分析,并且能够对运维服务***进行快速适应性调控。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明***示意图;
图2为本发明图1中异常数据检测单元示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于双向LSTM模型的运维行为智能分析***,如图1和图2所示,包括控制器和运维服务***,运维服务***采集的运维监测数据通过无线通信模块传输给数据整合模块,数据整合模块与控制器相连,控制器与用于存储经过数据整合模块整合后数据的存储模块相连;
控制器与用于检测运维服务***是否存在异常状态的异常数据检测单元相连,控制器从存储模块中删除处于异常状态的运维服务***的运维数据;
存储模块通过数据输入模块将有效数据发送给神经网络输入层,神经网络输入层与用于配置初始权重的初始权重配置模块相连,神经网络输入层与包含双向LSTM模型的神经网络隐藏层相连,神经网络隐藏层与由不同卷积核组成并包含激活函数的卷积层相连,卷积层与用于减小输入尺寸以提高性能并减小过拟合的池化层相连,池化层与用于最大化每个卷积核输出信号并包含激活函数的全连接层相连,全连接层与用于向控制器输出电网运行与运维服务***运行拟合结果的神经网络输出层相连;
控制器根据神经网络输出层输出的拟合结果通过设备控制模块对运维服务***进行控制调节。
神经网络隐藏层结合初始权重配置模块配置的初始权重进行训练,得到训练后的隐藏层权重。
卷积层、全连接层中的激活函数均采用线性整流函数ReLU。
神经网络输出层使用sigmoid激活执行非线性转换,并生成0到1之间的值,以表示电网运行与运维服务***运行的拟合程度。
异常数据检测单元包括用于检测分析运维服务***无效告警信号的无效告警分析模块,用于检测分析运维服务***重复告警信号的重复告警分析模块,以及用于检测分析运维服务***异常告警信号的异常告警分析模块。
无效告警分析模块的检测方法包括:判断接收到的告警信号是否为每日同时间段内发生的,若接收到的告警信号为每日同时间段内发生的,则判定该类告警信号为无效告警信号。
重复告警分析模块的检测方法包括:每隔一个时间周期,判断从当前时刻向前追溯一个时间周期内的告警信号是否存在短时间内重复告警,如存在,则判定该类告警信号为重复告警信号。
异常数据检测单元判定运维服务***处于异常状态的方法包括:统计每周内无效告警信号、重复告警信号、异常告警信号的数量,并相加得到运维服务***的告警总数,当告警总数不低于阈值时,则判定该运维服务***处于异常状态;
其中,所有无效告警信号均记为0个,同时间周期内的重复告警信号记为1个。
异常数据检测单元检测运维服务***是否存在异常状态,控制器从存储模块中删除处于异常状态的运维服务***的运维数据,从而能够删除异常数据,保证后期数据分析的准确性。
异常数据检测单元包括用于检测分析运维服务***无效告警信号的无效告警分析模块,用于检测分析运维服务***重复告警信号的重复告警分析模块,以及用于检测分析运维服务***异常告警信号的异常告警分析模块。
无效告警分析模块的检测方法包括:判断接收到的告警信号是否为每日同时间段内发生的,若接收到的告警信号为每日同时间段内发生的,则判定该类告警信号为无效告警信号。
重复告警分析模块的检测方法包括:每隔一个时间周期,判断从当前时刻向前追溯一个时间周期内的告警信号是否存在短时间内重复告警,如存在,则判定该类告警信号为重复告警信号。
异常数据检测单元判定运维服务***处于异常状态的方法包括:统计每周内无效告警信号、重复告警信号、异常告警信号的数量,并相加得到运维服务***的告警总数,当告警总数不低于阈值时,则判定该运维服务***处于异常状态;
其中,所有无效告警信号均记为0个,同时间周期内的重复告警信号记为1个。
存储模块通过数据输入模块将有效数据发送给神经网络输入层,神经网络输入层与包含双向LSTM模型的神经网络隐藏层相连,神经网络隐藏层与由不同卷积核组成并包含激活函数的卷积层相连,卷积层与用于减小输入尺寸以提高性能并减小过拟合的池化层相连,池化层与用于最大化每个卷积核输出信号并包含激活函数的全连接层相连,神经网络输出层向控制器输出电网运行与运维服务***运行拟合结果,控制器根据神经网络输出层输出的拟合结果通过设备控制模块对运维服务***进行控制调节,采用双向LSTM模型、传统CNN模型对运维服务***运行与电网运行的拟合程度进行快速有效分析,并且能够对运维服务***进行快速适应性调控。
神经网络隐藏层结合初始权重配置模块配置的初始权重进行训练,得到训练后的隐藏层权重。
卷积层、全连接层中的激活函数均采用线性整流函数ReLU。
神经网络输出层使用sigmoid激活执行非线性转换,并生成0到1之间的值,以表示电网运行与运维服务***运行的拟合程度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于双向LSTM模型的运维行为智能分析***,其特征在于:包括控制器和运维服务***,所述运维服务***采集的运维监测数据通过无线通信模块传输给数据整合模块,所述数据整合模块与所述控制器相连,所述控制器与用于存储经过所述数据整合模块整合后数据的存储模块相连;
所述控制器与用于检测所述运维服务***是否存在异常状态的异常数据检测单元相连,所述控制器从所述存储模块中删除处于异常状态的所述运维服务***的运维数据;
所述存储模块通过数据输入模块将有效数据发送给神经网络输入层,所述神经网络输入层与用于配置初始权重的初始权重配置模块相连,所述神经网络输入层与包含双向LSTM模型的神经网络隐藏层相连,所述神经网络隐藏层与由不同卷积核组成并包含激活函数的卷积层相连,所述卷积层与用于减小输入尺寸以提高性能并减小过拟合的池化层相连,所述池化层与用于最大化每个卷积核输出信号并包含激活函数的全连接层相连,所述全连接层与用于向所述控制器输出所述电网运行与所述运维服务***运行拟合结果的神经网络输出层相连;
所述控制器根据所述神经网络输出层输出的拟合结果通过设备控制模块对所述运维服务***进行控制调节。
2.根据权利要求1所述的基于双向LSTM模型的运维行为智能分析***,其特征在于:所述神经网络隐藏层结合所述初始权重配置模块配置的初始权重进行训练,得到训练后的隐藏层权重。
3.根据权利要求1所述的基于双向LSTM模型的运维行为智能分析***,其特征在于:所述卷积层、全连接层中的激活函数均采用线性整流函数ReLU。
4.根据权利要求1所述的基于双向LSTM模型的运维行为智能分析***,其特征在于:所述神经网络输出层使用sigmoid激活执行非线性转换,并生成0到1之间的值,以表示所述电网运行与所述运维服务***运行的拟合程度。
5.根据权利要求1所述的基于双向LSTM模型的运维行为智能分析***,其特征在于:所述异常数据检测单元包括用于检测分析所述运维服务***无效告警信号的无效告警分析模块,用于检测分析所述运维服务***重复告警信号的重复告警分析模块,以及用于检测分析所述运维服务***异常告警信号的异常告警分析模块。
6.根据权利要求5所述的基于双向LSTM模型的运维行为智能分析***,其特征在于:所述无效告警分析模块的检测方法包括:判断接收到的告警信号是否为每日同时间段内发生的,若接收到的告警信号为每日同时间段内发生的,则判定该类告警信号为无效告警信号。
7.根据权利要求5所述的基于双向LSTM模型的运维行为智能分析***,其特征在于:所述重复告警分析模块的检测方法包括:每隔一个时间周期,判断从当前时刻向前追溯一个时间周期内的告警信号是否存在短时间内重复告警,如存在,则判定该类告警信号为重复告警信号。
8.根据权利要求5所述的基于双向LSTM模型的运维行为智能分析***,其特征在于:所述异常数据检测单元判定所述运维服务***处于异常状态的方法包括:统计每周内无效告警信号、重复告警信号、异常告警信号的数量,并相加得到所述运维服务***的告警总数,当告警总数不低于阈值时,则判定该运维服务***处于异常状态;
其中,所有无效告警信号均记为0个,同时间周期内的重复告警信号记为1个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984469.6A CN110766566A (zh) | 2019-10-16 | 2019-10-16 | 一种基于双向lstm模型的运维行为智能分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984469.6A CN110766566A (zh) | 2019-10-16 | 2019-10-16 | 一种基于双向lstm模型的运维行为智能分析*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766566A true CN110766566A (zh) | 2020-02-07 |
Family
ID=69331298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910984469.6A Pending CN110766566A (zh) | 2019-10-16 | 2019-10-16 | 一种基于双向lstm模型的运维行为智能分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766566A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672944A (zh) * | 2021-07-07 | 2021-11-19 | 国网福建省电力有限公司福州供电公司 | 一种用于电网的全面研判运维*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190102676A1 (en) * | 2017-09-11 | 2019-04-04 | Sas Institute Inc. | Methods and systems for reinforcement learning |
CN109739846A (zh) * | 2018-12-27 | 2019-05-10 | 国电南瑞科技股份有限公司 | 一种电网数据质量分析方法 |
CN109828549A (zh) * | 2019-01-28 | 2019-05-31 | 中国石油大学(华东) | 一种基于深度学习的工业互联网设备故障预测方法 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络动态识别*** |
CN110321371A (zh) * | 2019-07-01 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 日志数据异常检测方法、装置、终端及介质 |
-
2019
- 2019-10-16 CN CN201910984469.6A patent/CN110766566A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190102676A1 (en) * | 2017-09-11 | 2019-04-04 | Sas Institute Inc. | Methods and systems for reinforcement learning |
CN109739846A (zh) * | 2018-12-27 | 2019-05-10 | 国电南瑞科技股份有限公司 | 一种电网数据质量分析方法 |
CN109828549A (zh) * | 2019-01-28 | 2019-05-31 | 中国石油大学(华东) | 一种基于深度学习的工业互联网设备故障预测方法 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络动态识别*** |
CN110321371A (zh) * | 2019-07-01 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 日志数据异常检测方法、装置、终端及介质 |
Non-Patent Citations (4)
Title |
---|
徐家慧 等: "基于双向LSTM的电网调度日志分类", 《计算机应用与软件》 * |
徐洁磐: "《人工智能导论》", 31 July 2019, 中国铁道出版社 * |
王丽亚 等: "基于CNN-BiLSTM网络引入注意力模型的文本情感分析", 《武汉工程大学学报》 * |
祝春捷 等: "基于结构化表达的电力运维文本分析", 《电子设计工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672944A (zh) * | 2021-07-07 | 2021-11-19 | 国网福建省电力有限公司福州供电公司 | 一种用于电网的全面研判运维*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110926782B (zh) | 断路器故障类型判断方法、装置、电子设备及存储介质 | |
CN113128105B (zh) | 突发性流域水污染事故监测方法及装置 | |
CN104376365A (zh) | 一种基于关联规则挖掘的信息***运行规则库的构造方法 | |
CN110658725B (zh) | 一种基于人工智能的能源监管和预测***及其方法 | |
CN109743356B (zh) | 工业互联网数据采集方法及装置、可读存储介质和终端 | |
Kumari et al. | An energy efficient smart metering system using edge computing in LoRa network | |
CN115469627B (zh) | 基于物联网的智能工厂运行管理*** | |
WO2022002068A1 (zh) | 数据处理方法、***、设备及存储介质 | |
CN112187859A (zh) | 物联网业务与边缘网络能力动态映射的方法及电子设备 | |
CN113556768A (zh) | 传感器数据异常检测方法和*** | |
CN104503847A (zh) | 一种数据中心节能方法和装置 | |
CN110766566A (zh) | 一种基于双向lstm模型的运维行为智能分析*** | |
CN110647086B (zh) | 一种基于运行大数据分析的智能运维监控*** | |
CN114064394A (zh) | 基于边缘计算的安全监控方法、装置及终端设备 | |
Ismail et al. | Principal component regression with artificial neural network to improve prediction of electricity demand. | |
CN102156408B (zh) | 一种动态自适应演化最大功率点跟踪控制***及方法 | |
CN110991519A (zh) | 一种智能开关状态分析调整方法及*** | |
CN111046633A (zh) | 一种基于lstm的电网一次调频数据预测方法及装置 | |
KR102472585B1 (ko) | 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 | |
CN211183538U (zh) | 一种基于大数据的营销台区线损应用平台 | |
Li et al. | Intelligent emotion detection method in mobile edge computing networks | |
CN202872773U (zh) | 基于三网合一的网管应答器 | |
CN111340648A (zh) | 一种基于物联网的能源管控方法及*** | |
CN117978247B (zh) | 基于高通量卫星物联网的数据压缩方法和装置 | |
Kallimani et al. | Dynamic power management modelling of a wireless sensor node |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |
|
RJ01 | Rejection of invention patent application after publication |