-
公开(公告)号：CN112380759B
公开(公告)日：2024-01-09
申请号：CN201911185780.0
申请日：2019-11-27
Abstract: 本发明实施例提供一种基于深度学习和CoxPH模型的智能电表寿命预测方法，该方法包括：将待预测电表的异常数据输入电表寿命预测模型，输出与所述待预测电表的异常数据对应的电表生存曲线，所述电表生存曲线为所述待预测电表的生存概率与时间关系的曲线；其中，所述电表寿命预测模型是基于电表异常样本数据以及预先确定的电表寿命标签和删失标签进行训练后得到的，电表寿命预测模型训练时的损失函数由CoxPH模型中的对数部分风险函数参与构成；基于所述电表生存曲线和预设的生存概率阈值，预测所述待预测电表的寿命。本发明实施例提供的方法，避免了现有技术的智能电表寿命的预测模型过于静态，提高了智能电表寿命预测的可靠性。
-
公开(公告)号：CN112381258A
公开(公告)日：2021-02-19
申请号：CN201911177015.4
申请日：2019-11-26
Abstract: 本发明实施例提供一种表计运行生命周期预测方法及装置，该方法包括：获取待测电表的目标生存概率；根据所述目标生存概率，从预设的生存曲线中，得到所述待测电表的生命周期值；其中，所述生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，所述生存曲线为所述待测电表的生存概率与时间关系的曲线，所述异常数据包括异常历史数据和故障诊断数据。该方法能够充分考虑多个协变量之间的变化，协变量包含了生存状态相关的特征，从而能够准确刻画出电表的生存概率与时间关系的预设生存曲线。基于预设的生存曲线，根据给定的目标生存概率可到生命周期值。基于该方法，能够提升电表管理智能水平和工作效率。
-
公开(公告)号：CN112380759A
公开(公告)日：2021-02-19
申请号：CN201911185780.0
申请日：2019-11-27
Abstract: 本发明实施例提供一种基于深度学习和CoxPH模型的智能电表寿命预测方法，该方法包括：将待预测电表的异常数据输入电表寿命预测模型，输出与所述待预测电表的异常数据对应的电表生存曲线，所述电表生存曲线为所述待预测电表的生存概率与时间关系的曲线；其中，所述电表寿命预测模型是基于电表异常样本数据以及预先确定的电表寿命标签和删失标签进行训练后得到的，电表寿命预测模型训练时的损失函数由CoxPH模型中的对数部分风险函数参与构成；基于所述电表生存曲线和预设的生存概率阈值，预测所述待预测电表的寿命。本发明实施例提供的方法，避免了现有技术的智能电表寿命的预测模型过于静态，提高了智能电表寿命预测的可靠性。
-
公开(公告)号：CN112379325A
公开(公告)日：2021-02-19
申请号：CN201911165993.7
申请日：2019-11-25
Abstract: 本发明实施例提供一种用于智能电表的故障诊断方法及系统，该方法包括：获取目标智能电表的设备物理信息；基于训练好的智能电表故障诊断模型，对所述目标智能电表的设备物理信息进行分析诊断，获取到所述目标智能电表的故障诊断结果；所述训练好的智能电表故障诊断模型是由样本设备物理信息，通过对贝叶斯网络进行训练得到的。本发明实施例基于贝叶斯网络构建用于智能电表的故障诊断模型，根据设备物理信息和故障检修数据之间的关联性，得到智能电表的故障类型，从而提高了智能电表故障诊断的准确率，为现场运维提供维修依据。
-
公开(公告)号：CN112381258B
公开(公告)日：2024-03-19
申请号：CN201911177015.4
申请日：2019-11-26
Abstract: 本发明实施例提供一种表计运行生命周期预测方法及装置，该方法包括：获取待测电表的目标生存概率；根据所述目标生存概率，从预设的生存曲线中，得到所述待测电表的生命周期值；其中，所述生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，所述生存曲线为所述待测电表的生存概率与时间关系的曲线，所述异常数据包括异常历史数据和故障诊断数据。该方法能够充分考虑多个协变量之间的变化，协变量包含了生存状态相关的特征，从而能够准确刻画出电表的生存概率与时间关系的预设生存曲线。基于预设的生存曲线，根据给定的目标生存概率可到生命周期值。基于该方法，能够提升电表管理智能水平和工作效率。
-
Patent Agency Ranking
公开(公告)号：CN111625448B
公开(公告)日：2021-09-21
申请号：CN202010374049.9
申请日：2020-05-06
Applicant: 清华大学 , 国家计算机网络与信息安全管理中心
IPC: G06F11/36
Abstract: 本发明实施例提供一种协议包生成方法、装置、设备及存储介质，所述方法包括：根据预设的协议包格式规范，确定用于生成目标协议包的多个目标数据块即各自对应的生成规则；根据目标数据块的生成规则，在数据块语料库中查找对应的第一数据块；根据协议包格式规范和第一数据块，生成目标协议包。本发明实施例通过根据协议包格式规范，确定用于生成目标协议包的目标数据块及各自的生成规则，然后在数据块语料库中查找到对应的由有价值的第一协议包拆分而成的第一数据块；最后根据预设的协议包格式规范和查找到的第一数据块，生成目标协议包，通过学习有价值的协议包中的有价值的部分，保证目标协议包的高质量，提高新生成协议包的有效性的概率。
-
公开(公告)号：CN111181201A
公开(公告)日：2020-05-19
申请号：CN202010108574.6
申请日：2020-02-21
Applicant: 清华大学 , 国网福建省电力有限公司电力科学研究院
Abstract: 本发明提供的基于双层强化学习的多能园区调度方法及系统，包括获取综合能源系统中的调度可控对象，即源侧单元、负荷侧单元、能量转化单元与存储单元；构建双层优化决策模型，包括上层强化学习子模型和下层混合整数线性规划子模型；上层强化学习子模型获取存储单元在当前时刻的状态变量信息下的动作变量信息，并传输至下层混合整数线性规划子模型；下层混合整数线性规划子模型获取对应的奖励变量和存储单元在下一时刻的状态变量信息，并反馈至上层强化学习子模型；迭代执行上述步骤直至调度结束。本发明实施例通过数据驱动的强化学习方法，仅需根据当前状态进行决策，而无需对未来信息的预测，决策时效性高、决策效果优，能实现实时趋优决策。
-
公开(公告)号：CN101340231B
公开(公告)日：2012-02-08
申请号：CN200810119232.3
申请日：2008-08-29
Applicant: 清华大学
IPC: H04B1/7073
Abstract: 本发明涉及一种用于直接序列扩频超宽带系统中的定时同步方法及系统，该方法包括：在发送端对每帧数据进行扩频，经扩频的每帧数据被间隔地插入若干段跟踪序列后被发送；接收端接收一帧数据后，经扩频捕获得到本地伪随机序列；利用本地伪随机序列对接收的该帧数据开始解扩并采样；在解扩的过程中依次定位被插入的每段跟踪序列；利用每段跟踪序列的后半段数据进行当前采样时刻的定时跟踪，调整本地伪随机序列的相位进行后序采样时刻的定时恢复，该系统中的定时跟踪单元在解扩过程中利用每段跟踪序列的后半段数据进行当前采样时刻的定时跟踪。本发明受到的信道干扰很小，比传统的直接采用接收的数据进行定时要准确的多。
-
公开(公告)号：CN115460546A
公开(公告)日：2022-12-09
申请号：CN202210851630.4
申请日：2022-07-19
Applicant: 清华大学 , 国家计算机网络与信息安全管理中心
Abstract: 本发明提供一种城市移动网络流量生成方法、装置、电子设备及存储介质，所述方法包括：基于城市数据信息抽取多个实体，并基于实体间关系构建城市知识图谱；基于城市知识图谱得到基站对应的知识图谱嵌入向量；将知识图谱嵌入向量和噪声输入至训练完成的生成对抗网络模型的生成器网络得到生成流量数据；生成对抗网络模型中的不同时间尺度的城市移动网络流量模式生成对抗网络和连续时间城市移动网络流量生成对抗网络均基于多个传输已知网络流量的基站的知识图谱嵌入向量输入至生成器网络得到生成流量样本数据，再基于判别器网络对真实流量数据和生成流量样本数据进行判别，并对抗训练。通过本发明能够生成可靠的城市移动网络流量。
-
公开(公告)号：CN101753175B
公开(公告)日：2013-02-27
申请号：CN200910243781.6
申请日：2009-12-24
Applicant: 清华大学
IPC: H04B1/7075 , H04B1/709
Abstract: 本发明公开了一种基于最大似然估计的扩频捕获方法，包括：S1，M个采样周期内，将本地M路码序列与接收码序列进行相关运算，根据运算结果计算得到判决量；将判决量与第一门限比较，若判决量小于第一门限，对本地码序列的相位调整后将其与接收码序列进行相关运算，直到判决量大于第一门限；S2，给全局最大相关值赋0，更新本地M路码序列相位，并将M路码序列与接收码序列进行并行相关运算，根据M个运算结果计算得到新的判决量；若新的判决量大于当前全局最大相关值，将新的判决量的值赋予全局最大相关值；S3，将S2重复执行K次，根据得到的全局最大相关值计算第二门限，将第二门限用于验证。本发明能缩短系统的捕获时间，增加系统同步的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.051 seconds)
