CN116894115A - 一种电网基建档案自动归档方法 - Google Patents

一种电网基建档案自动归档方法 Download PDF

Info

Publication number
CN116894115A
CN116894115A CN202310690485.0A CN202310690485A CN116894115A CN 116894115 A CN116894115 A CN 116894115A CN 202310690485 A CN202310690485 A CN 202310690485A CN 116894115 A CN116894115 A CN 116894115A
Authority
CN
China
Prior art keywords
power grid
grid infrastructure
gru
archiving
gru model
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.)
Granted
Application number
CN202310690485.0A
Other languages
English (en)
Other versions
CN116894115B (zh
Inventor
蔡杰
陈然
贺兰菲
周蠡
李智威
许汉平
柯方超
周英博
熊川羽
马莉
张赵阳
熊一
王巍
李吕满
舒思睿
何峰
李晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Keneng Electric Power Electronics Co ltd
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Hubei Keneng Electric Power Electronics Co ltd
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Keneng Electric Power Electronics Co ltd, Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Hubei Keneng Electric Power Electronics Co ltd
Priority to CN202310690485.0A priority Critical patent/CN116894115B/zh
Publication of CN116894115A publication Critical patent/CN116894115A/zh
Application granted granted Critical
Publication of CN116894115B publication Critical patent/CN116894115B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/93—Document management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种电网基建档案自动归档方法，先利用双向门控循环单元Bi‑GRU对电网基建档案信息进行特征提取，然后对提取的电网基建档案信息特征进行特征融合获得特征数据集，最后根据归档需求配置特征标签，利用双向递归神经网络BRNN对特征数据集进行自动归档，输出归档结果。本设计实现了对各类复杂多样的电网基建档案的自动归档，为根据电网基建规划建立电网基建档案馆提供材料，便于电网基建管理人员查询电网基建过程中工程资料，给后续基建过程提供数据支持。

Description

一种电网基建档案自动归档方法
技术领域
本发明属于电子化归档技术领域，具体涉及一种电网基建档案自动归档方法。
背景技术
随着电网基建工程项目规模越来越大，相应项目将产生海量数据，然而，由此产生电网基建档案规模庞大的问题，人工归档存在效率低下得问题。文献《电网企业信息化项目档案利用实践》张岚等在电网企业项目档案管理的基础上，从项目档案的流程、***的信息化、使用的相关人员的理念建设等几个方面尝试建立一个信息化项目档案利用方法，文献《基于字词混合和GRU的科技文本知识抽取方法》欧阳苏宇等为解决科技文本抽取文图，提出一种基于字词混合和门控制单元的科技文本知识抽取方法，文献《基于鲸鱼优化和深度学***衡大数据分类算法》孙二华等针对当前不平衡数据分类算法中存在的分类精度低和容易陷入局部最优状态的问题，提出一种基于鲸鱼优化和深度学***衡大数据分类算法，能够有效解决不平衡数据集的分类问题。然而，以上所提方法多为文本分类，并未针对电网基建档案电子化自动归档方法及***进行研究。
发明内容
本发明的目的是克服现有技术存在的上述问题，提供一种针对电网基建档案自动归档的电网基建档案自动归档方法。
为实现以上目的，本发明提供了以下技术方案：
一种电网基建档案自动归档方法，所述归档方法依次按照以下步骤进行：
S1、利用双向门控循环单元Bi-GRU对电网基建档案信息进行特征提取；
S2、对步骤S1提取的电网基建档案信息特征进行特征融合获得特征数据集；
S3、根据归档需求配置特征标签，利用双向递归神经网络BRNN对特征数据集进行自动归档，输出归档结果。
步骤S2中，所述特征融合包括：
将由步骤S1得到的每个电网基建档案信息特征数据分别作为一个簇，根据以下公式计算任意两个簇之间的合并值，将合并值最小的两个簇合并成一个新簇，以消除电网基建档案信息特征的冗余：
上式中，C为合并值，为新簇a′x∪a′y的离差平方和，新簇a′x∪a′y由第x个簇a′x与第y个簇a′y合并得到，/>为第x个簇a′x的离差平方和，/>为第y个簇a′y的离差平方和，/>为第t个簇a′t的离差平方和；a′t、a′x、a′y分别为t时刻、x时刻、y时刻的电网基建档案信息特征数据；t＝1,2，…，m，m为步骤S1提取到的电网基建档案信息特征数据的总数。
所述双向门控循环单元Bi-GRU包括输出层、由分别按正向、反向排列的两个GRU模型组成的隐藏层，先将电网基建档案信息输入隐藏层的两个GRU模型中分别进行矩阵计算，然后通过输出层合并来自两个GRU模型的输出向量，输出提取的电网基建档案信息特征数据。
所述GRU模型为：
上式中，zt为GRU模型的更新门，rt为GRU模型的重置门，为sigmoid激活函数，ht-1为t-1时刻GRU模型输出向量，ht为t时刻GRU模型的输出向量；Wz、Uz分别为更新门中t-1时刻GRU模型输出向量的权重、更新门中t时刻GRU模型输入向量的权重；Wr、Ur分别为重置门中t时刻GRU模型输出向量的权重、重置门中t时刻GRU模型输入向量的权重；/>为t时刻GRU模型电网基建档案信息，W为GRU模型输入向量的权重，xt为t时刻的GRU模型输入向量，即输入的电网基建档案信息，U为重置门中被遗忘电网基建档案信息的权重。
所述输出层根据以下公式合并来自正向GRU模型、反向GRU模型的输出向量：
上式中，a′t为双向门控循环单元Bi-GRU输出的t时刻电网基建档案信息特征数据，分别为t时刻正向GRU模型、反向GRU模型的输出向量；xt为t时刻的GRU模型输入向量，即输入的电网基建档案信息；/>分别为正向GRU模型、反向GRU模型t-1时刻隐藏层的输出；Ni、Mi分别为t时刻正向GRU模型、反向GRU模型隐藏层对应的权重。
所述双向递归神经网络BRNN包括一个输入层、两个按相反方向排列的隐藏层、一个输出层，所述输出层的输出结果计算公式为：
yt＝α(Wfyhft+Wbyhbt+by)；
hft＝tanh(Wfhhft-1+Wfxat+bfh)；
hbt＝tanh(Wbyhbt+1+Wbxat+bbh)；
上式中，at为t时刻输入层的输入信息，即由特征融合获得的特征数据集A＝[a1，a2，…，at，…，ak]中t时刻的特征数据，其中，t＝1,2，…，k，k为经特征融合后剩余特征数据的总数，yt为t时刻输出层输出结果，α为归档激活函数，Wfy为前向方向的隐藏层连接到输出层的权重，Wby为后向方向的隐藏层连接到输出层的权重，hft为t时刻前向方向的隐藏层输出结果，hbt为t时刻后向方向的隐藏层输出结果，by为隐藏层的偏差向量，bfh为前向方向的隐藏层偏差量，bbh为后向方向的隐藏层偏差量，hbt+1为t+1时刻后向方向的隐藏层输出结果，hft-1为t-1时刻前向方向的隐藏层输出结果，Wfh为前向方向的隐藏层连接到输出层的权重，Wfx为前向方向的隐藏层连接到输出层的权重，Wbx为后向方向的隐藏层连接到输出层的权重。
所述归档激活函数α的表达式为：
上式中，x为非线性激活函数T-ReLU的输入，k′为常量系数。
所述归档需求为移交要求、工程类型或数据来源。
与现有技术相比，本发明的有益效果为：
1、本发明一种电网基建档案自动归档方法，先利用双向门控循环单元Bi-GRU对电网基建档案信息进行特征提取，然后对提取的电网基建档案信息特征进行特征融合获得特征数据集，最后根据归档需求配置特征标签，利用双向递归神经网络BRNN对特征数据集进行自动归档，输出归档结果；本设计实现了对各类复杂多样的电网基建档案的自动归档，为根据电网基建规划建立电网基建档案馆提供材料，便于电网基建管理人员查询电网基建过程中工程资料，给后续基建过程提供数据支持。因此，本发明能够实现电网基建档案的自动归档，为后续基建过程提供数据支持。
2、本发明一种电网基建档案自动归档方法中，将得到的每个电网基建档案信息特征数据分别作为一个簇，计算任意两个簇之间的合并值，利用合并值评估两个簇之间的合并程度，如果合并值较小则表示两个簇包含的特征之间相似度较高，可以合并为一个簇，以消除电网基建档案信息特征的冗余，有助于特征降维，降低模型的计算复杂度、提高归档准确性，反之，如果合并值较大则表示不能合并；采用合并值实现特征融合的方式能够对特征数据集中的异常值进行处理而降低对特征融合结果的影响，该方式不仅可以处理连续型变量，还可以处理二元变量、分类变量等不同类型的变量，能够更加有效地估算特征之间的贡献度，并能更充分地利用各个特征的信息。因此，本发明通过合并值实现特征融合，能够降低模型的计算复杂度，提高归档准确性。
附图说明
图1为本发明的流程图。
图2为本发明所述方法的归档效果评价结果。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步的说明。
参见图1，一种电网基建档案自动归档方法，依次按照以下步骤进行：
S1、利用双向门控循环单元Bi-GRU对线下收集得到电网基建项目的电子化档案进行特征提取，获得初始特征数据集A′＝[a′1，a′2，…，a′t，…，a′m]，t＝1,2，…，m，m为初始特征数据集中特征数据总数；
其中，所述双向门控循环单元Bi-GRU为由LSTM深度网络模型进行简化处理后的模型，只存在更新门和重置门，更新门有助于确定需要将多少之前时刻的电网基建档案信息传递给模型，防止模型复制过去的所有信息，重置门用于决定有多少之前时刻的电网基建档案信息在模型中被遗忘和确定，双向门控循环单元Bi-GRU包括输出层、由分别按正向、反向排列的两个GRU模型组成的隐藏层，所述特征提取步骤为，先将电网基建档案信息输入隐藏层的两个GRU模型中分别进行矩阵计算，所述GRU模型为：
上式中，zt为GRU模型的更新门，rt为GRU模型的重置门，为sigmoid激活函数，ht-1为t-1时刻GRU模型输出向量，ht为t时刻GRU模型的输出向量；Wz、Uz分别为更新门中t-1时刻GRU模型输出向量的权重、更新门中t时刻GRU模型输入向量的权重；Wr、Ur分别为重置门中t时刻GRU模型输出向量的权重、重置门中t时刻GRU模型输入向量的权重；/>为t时刻GRU模型电网基建档案信息，W为GRU模型输入向量的权重，xt为t时刻的GRU模型输入向量，即输入的电网基建档案信息，U为重置门中被遗忘电网基建档案信息的权重；
然后通过输出层根据以下公式合并来自正向GRU模型、反向GRU模型的输出向量，输出提取的电网基建档案信息特征数据：
上式中，a′t为双向门控循环单元Bi-GRU输出的t时刻电网基建档案信息特征数据，分别为t时刻正向GRU模型、反向GRU模型的输出向量；xt为t时刻的GRU模型输入向量，即输入的电网基建档案信息；/>分别为正向GRU模型、反向GRU模型t-1时刻隐藏层的输出；Ni、Mi分别为t时刻正向GRU模型、反向GRU模型隐藏层对应的权重；
S2、对初始特征数据集进行特征融合获得特征数据集A＝[a1，a2，…，at，…，ak]，t＝1,2，…，k，k为经特征融合后剩余特征数据的总数，所述特征融合步骤具体为：
将初始特征数据集中每个特征数据分别作为一个簇，计算任意两个簇之间的合并值，通过比较合并值的大小确定是否可以特征融合，若两个簇的合并值最小，则说明这两个簇所包含特征之间的相似度较高，进行比较的多个合并值中哪个合并值最小，则将具有最小合并值的两个簇合并成一个新簇，以消除电网基建档案信息特征的冗余，所述合并值的计算公式如下：
上式中，C为合并值，为新簇a′x∪a′y的离差平方和，新簇a′x∪a′y由第x个簇a′x与第y个簇a′y合并得到，/>为第x个簇a′x的离差平方和，/>为第y个簇a′y的离差平方和，/>为第t个簇a′t的离差平方和；a′t、a′x、a′y分别为t时刻、x时刻、y时刻的电网基建档案信息特征数据；
S3、根据归档需求配置特征标签，并利用双向递归神经网络BRNN对特征数据集进行识别分类，所述双向递归神经网络BRNN包括一个输入层、两个按相反方向排列的隐藏层、一个输出层，将输入的特征数据at输入BRNN进行前向和后向传递，同时获取前向和后向的隐藏状态，再将前向和后向隐藏状态进行拼接从而得到t时刻的特征表示，再将t时刻的特征表示传入输出层(如全连接层)，通过激活函数映射到对应的输出结果yt，由于经过特征融合后共有k个特征，因此可以将BRNN的输出设置为一个k维向量，其中每个维度对应一个特征的分类，打上特征标签，根据归档需求将档案归档到具有对应特征标签的分类里，以便于用户在查找档案时能够快速定位和检索；
所述输出层的输出结果yt的计算公式为：
yt＝α(Wfyhft+Wbyhbt+by)；
hft＝tanh(Wfhhft-1+Wfxat+bfh)；
hbt＝tanh(Wbyhbt+1+Wbxat+bbh)；
上式中，at为t时刻输入层的输入信息，即由特征融合获得的特征数据集中t时刻的特征数据，t＝1,2，…，k，k为经特征融合后剩余特征数据的总数，yt为t时刻输出层输出结果，Wfy为前向方向的隐藏层连接到输出层的权重，Wby为后向方向的隐藏层连接到输出层的权重，hft为t时刻前向方向的隐藏层输出结果，hbt为t时刻后向方向的隐藏层输出结果，by为隐藏层的偏差向量，bfh为前向方向的隐藏层偏差量，bbh为后向方向的隐藏层偏差量，hbt+1为t+1时刻后向方向的隐藏层输出结果，hft-1为t-1时刻前向方向的隐藏层输出结果，Wfh为前向方向的隐藏层连接到输出层的权重，Wfx为前向方向的隐藏层连接到输出层的权重，Wbx为后向方向的隐藏层连接到输出层的权重，α为归档激活函数，该归档激活函数将ReLU函数激活区域的线性特征和Tanh函数非激活区域的软饱和性特征进行结合，克服了原先两个函数的缺点，其表达式为：
上式中，x为非线性激活函数T-ReLU的输入，k′为常量系数，取值范围为[0.1，0.5]。
性能测试：
按照不同移交要求、不同工程类型、不同数据来源，分别构建三个电子化储存库并根据电网基建项目档案内容配置相应的特征标签，依次采用本发明所述自动归档方法对线下收集得到多个电网基建项目的电子化档案进行自动分类归档，根据准确率、精确率、召回率这三个性能指标对自动分类归档结果进行评价，上述三个性能指标的计算结果如图2所示，计算公式为：
上式中，TP、TN、FP、FN分别为真归档正确、真归档错误、假归档正确、假归档错误的档案数量；
由图2可知，本发明所述自动归档方法在准确率、精确率、召回率三个性能指标方面表现都比较优秀，其中，对工程类型和数据来源的归档效果较优，三个性能指标都在90％以上，对移交要求的归档效果则较差。综上所述，本发明所述自动归档方法对于电网基建档案的归档效果好，可供电网基建管理人员查询电网基建过程中的工程资料，为后续基建过程提供数据支持。

Claims (8)

1.一种电网基建档案自动归档方法，其特征在于：
所述归档方法依次按照以下步骤进行：
S1、利用双向门控循环单元Bi-GRU对电网基建档案信息进行特征提取；
S2、对步骤S1提取的电网基建档案信息特征进行特征融合获得特征数据集；
S3、根据归档需求配置特征标签，利用双向递归神经网络BRNN对特征数据集进行自动归档，输出归档结果。
2.根据权利要求1所述的一种电网基建档案自动归档方法，其特征在于：
步骤S2中，所述特征融合包括：
将由步骤S1得到的每个电网基建档案信息特征数据分别作为一个簇，根据以下公式计算任意两个簇之间的合并值，将合并值最小的两个簇合并成一个新簇，以消除电网基建档案信息特征的冗余：
上式中，C为合并值，为新簇a′x∪a′y的离差平方和，新簇a′x∪a′y由第x个簇a′x与第y个簇a′y合并得到，/>为第x个簇a′x的离差平方和，/>为第y个簇a′y的离差平方和，/>为第t个簇a′t的离差平方和；a′t、a′x、a′y分别为t时刻、x时刻、y时刻的电网基建档案信息特征数据；t＝1,2，…，m，m为步骤S1提取到的电网基建档案信息特征数据的总数。
3.根据权利要求1或2所述的一种电网基建档案自动归档方法，其特征在于：
所述双向门控循环单元Bi-GRU包括输出层、由分别按正向、反向排列的两个GRU模型组成的隐藏层，先将电网基建档案信息输入隐藏层的两个GRU模型中分别进行矩阵计算，然后通过输出层合并来自两个GRU模型的输出向量，输出提取的电网基建档案信息特征数据。
4.根据权利要求3所述的一种电网基建档案自动归档方法，其特征在于：
所述GRU模型为：
上式中，zt为GRU模型的更新门，rt为GRU模型的重置门，为sigmoid激活函数，ht-1为t-1时刻GRU模型输出向量，ht为t时刻GRU模型的输出向量；Wz、Uz分别为更新门中t-1时刻GRU模型输出向量的权重、更新门中t时刻GRU模型输入向量的权重；Wr、Ur分别为重置门中t时刻GRU模型输出向量的权重、重置门中t时刻GRU模型输入向量的权重；/>为t时刻GRU模型电网基建档案信息，W为GRU模型输入向量的权重，xt为t时刻的GRU模型输入向量，即输入的电网基建档案信息，U为重置门中被遗忘电网基建档案信息的权重。
5.根据权利要求4所述的一种电网基建档案自动归档方法，其特征在于：
所述输出层根据以下公式合并来自正向GRU模型、反向GRU模型的输出向量：
上式中，a′t为双向门控循环单元Bi-GRU输出的t时刻电网基建档案信息特征数据，分别为t时刻正向GRU模型、反向GRU模型的输出向量；xt为t时刻的GRU模型输入向量，即输入的电网基建档案信息；/>分别为正向GRU模型、反向GRU模型t-1时刻隐藏层的输出；Ni、Mi分别为t时刻正向GRU模型、反向GRU模型隐藏层对应的权重。
6.根据权利要求1所述的一种电网基建档案自动归档方法，其特征在于：
所述双向递归神经网络BRNN包括一个输入层、两个按相反方向排列的隐藏层、一个输出层，所述输出层的输出结果计算公式为：
yt＝α(Wfyhft+Wbyhbt+by)；
hft＝tanh(Wfhhft-1+Wfxat+bfh)；
hnt＝tanh(Wbyhbt+1+Wbxat+bbh)；
上式中，at为t时刻输入层的输入信息，即由特征融合获得的特征数据集A=[a1，a2，…，at，…，ak]中t时刻的特征数据，其中，t＝1,2，…，k，k为经特征融合后剩余特征数据的总数，yt为t时刻输出层输出结果，α为归档激活函数，Wfy为前向方向的隐藏层连接到输出层的权重，Wby为后向方向的隐藏层连接到输出层的权重，hft为t时刻前向方向的隐藏层输出结果，hbt为t时刻后向方向的隐藏层输出结果，by为隐藏层的偏差向量，bfh为前向方向的隐藏层偏差量，bbh为后向方向的隐藏层偏差量，hbt+1为t+1时刻后向方向的隐藏层输出结果，hft-1为t-1时刻前向方向的隐藏层输出结果，Wfh为前向方向的隐藏层连接到输出层的权重，Wfx为前向方向的隐藏层连接到输出层的权重，Wbx为后向方向的隐藏层连接到输出层的权重。
7.根据权利要求6所述的一种电网基建档案自动归档方法，其特征在于：
所述归档激活函数α的表达式为：
上式中，x为非线性激活函数T-ReLU的输入，k′为常量系数。
8.根据权利要求1或2所述的一种电网基建档案自动归档方法，其特征在于：
所述归档需求为移交要求、工程类型或数据来源。
CN202310690485.0A 2023-06-12 2023-06-12 一种电网基建档案自动归档方法 Active CN116894115B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310690485.0A CN116894115B (zh) 2023-06-12 2023-06-12 一种电网基建档案自动归档方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310690485.0A CN116894115B (zh) 2023-06-12 2023-06-12 一种电网基建档案自动归档方法

Publications (2)

Publication Number Publication Date
CN116894115A true CN116894115A (zh) 2023-10-17
CN116894115B CN116894115B (zh) 2024-05-24

Family

ID=88312781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310690485.0A Active CN116894115B (zh) 2023-06-12 2023-06-12 一种电网基建档案自动归档方法

Country Status (1)

Country Link
CN (1) CN116894115B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846017A (zh) * 2018-05-07 2018-11-20 国家计算机网络与信息安全管理中心 基于Bi-GRU和字向量的大规模新闻文本的端到端分类方法
CN112527966A (zh) * 2020-12-18 2021-03-19 重庆邮电大学 基于Bi-GRU神经网络和自注意力机制的网络文本情感分析方法
CN113035348A (zh) * 2021-03-22 2021-06-25 山西三友和智慧信息技术股份有限公司 一种基于gru特征融合的糖尿病诊断方法
WO2021155699A1 (zh) * 2020-02-03 2021-08-12 苏州科技大学 面向中文长文本自动摘要的全局编码方法
CN113869055A (zh) * 2021-10-13 2021-12-31 天津大学 基于深度学习的电网项目特征属性识别方法
CN113869054A (zh) * 2021-10-13 2021-12-31 天津大学 一种基于深度学习的电力领域项目特征识别方法
WO2022011977A1 (zh) * 2020-07-15 2022-01-20 中国科学院深圳先进技术研究院 一种网络异常检测方法、***、终端以及存储介质
CN114020964A (zh) * 2021-11-15 2022-02-08 上海大学 一种利用记忆网络和门控循环单元实现视频摘要的方法
CN114020917A (zh) * 2021-11-05 2022-02-08 南京理工大学 基于自注意力机制与卷积神经网络的新闻文本分类方法
CN114443923A (zh) * 2022-01-14 2022-05-06 国网四川省电力公司天府新区供电公司 一种电网运检项目档案电子化归档方法及***
CN114760098A (zh) * 2022-03-16 2022-07-15 南京邮电大学 一种基于cnn-gru的电网虚假数据注入检测方法及装置
CN117373116A (zh) * 2023-10-10 2024-01-09 合肥工业大学 基于图神经网络的轻量级特征保留的人体动作检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846017A (zh) * 2018-05-07 2018-11-20 国家计算机网络与信息安全管理中心 基于Bi-GRU和字向量的大规模新闻文本的端到端分类方法
WO2021155699A1 (zh) * 2020-02-03 2021-08-12 苏州科技大学 面向中文长文本自动摘要的全局编码方法
WO2022011977A1 (zh) * 2020-07-15 2022-01-20 中国科学院深圳先进技术研究院 一种网络异常检测方法、***、终端以及存储介质
CN112527966A (zh) * 2020-12-18 2021-03-19 重庆邮电大学 基于Bi-GRU神经网络和自注意力机制的网络文本情感分析方法
CN113035348A (zh) * 2021-03-22 2021-06-25 山西三友和智慧信息技术股份有限公司 一种基于gru特征融合的糖尿病诊断方法
CN113869055A (zh) * 2021-10-13 2021-12-31 天津大学 基于深度学习的电网项目特征属性识别方法
CN113869054A (zh) * 2021-10-13 2021-12-31 天津大学 一种基于深度学习的电力领域项目特征识别方法
CN114020917A (zh) * 2021-11-05 2022-02-08 南京理工大学 基于自注意力机制与卷积神经网络的新闻文本分类方法
CN114020964A (zh) * 2021-11-15 2022-02-08 上海大学 一种利用记忆网络和门控循环单元实现视频摘要的方法
CN114443923A (zh) * 2022-01-14 2022-05-06 国网四川省电力公司天府新区供电公司 一种电网运检项目档案电子化归档方法及***
CN114760098A (zh) * 2022-03-16 2022-07-15 南京邮电大学 一种基于cnn-gru的电网虚假数据注入检测方法及装置
CN117373116A (zh) * 2023-10-10 2024-01-09 合肥工业大学 基于图神经网络的轻量级特征保留的人体动作检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄存强等: ""基于并行数据计算的网格化电网空间负荷预测方法研究"", 《电子设计工程》, 31 May 2023 (2023-05-31), pages 123 - 127 *

Also Published As

Publication number Publication date
CN116894115B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN109902714B (zh) 一种基于多图正则化深度哈希的多模态医学图像检索方法
CN113254659A (zh) 一种基于知识图谱技术的档案研判方法及***
CN105701504B (zh) 用于零样本学习的多模态流形嵌入方法
US11620453B2 (en) System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations
CN113821670A (zh) 图像检索方法、装置、设备及计算机可读存储介质
CN109902192A (zh) 基于无监督深度回归的遥感图像检索方法、***、设备及介质
CN114444473A (zh) 基于多通道层次图注意力网络的开放事件抽取方法与***
CN117236677A (zh) 一种基于事件抽取的rpa流程挖掘方法及装置
CN118013529A (zh) 基于人工智能实现代码漏洞识别处理的方法、装置、处理器及其计算机可读存储介质
CN117171413B (zh) 用于数字藏品管理的数据处理***及其方法
CN116894115B (zh) 一种电网基建档案自动归档方法
CN113806579A (zh) 文本图像检索方法和装置
CN108664607A (zh) 一种基于迁移学习的电力通信网数据质量提升方法
CN111984745A (zh) 数据库字段动态扩展方法、装置、设备及存储介质
Yang et al. Named entity recognition of power substation knowledge based on transformer-BiLSTM-CRF network
De et al. Engineering a machine learning pipeline for automating metadata extraction from longitudinal survey questionnaires
CN115797795A (zh) 基于强化学习的遥感影像问答式检索***及方法
CN113342982B (zh) 融合RoBERTa和外部知识库的企业行业分类方法
Chukhray et al. Proximate objects probabilistic searching method
Xu et al. Ensemble learning based multi-source information fusion
Qi Clustering mining method of college students’ employment data based on feature selection
Yan et al. Multi-sql: An automatic multi-model data management system
Liu et al. LeKAN: extracting long-tail relations via layer-enhanced knowledge-aggregation networks
Li et al. Improved YOLOV3 surveillance device object detection method based on federated learning
CN117151247B (zh) 机器学习任务建模的方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant