-
公开(公告)号：CN108985523A
公开(公告)日：2018-12-11
申请号：CN201810875913.6
申请日：2018-08-03
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种改进和声搜索优化的小波神经网络短期电力负荷预测方法，包括：对历史负荷样本数据进行预处理；采用递归特征消除方法对滞后历史负荷数据进行特征选择，确定小波神经网络的输入；通过线性递减规则将差分进化算法的两种更新策略引入到和声搜索算法的更新过程，并利用锦标赛选择策略选择出变异算子中的和声；构建小波神经网络，利用改进后的和声搜索算法选出小波神经网络的最优初始权重；利用小波神经网络进行短期电力负荷预测。根据本发明实施例提供的技术方案，可以提高短期电力负荷预测的准确率。
-
公开(公告)号：CN109886498B
公开(公告)日：2022-03-22
申请号：CN201910153816.0
申请日：2019-03-01
Applicant: 北京邮电大学
Abstract: 本发明实例提供了一种基于特征选择的EMD‑GRU短期电力负荷预测方法，包括：使用经验模态分解方法(EMD)将原始负荷序列分解成多个时序分量，并将所有的时序分量作为初始特征集合，由其构成预测模型的潜在输入变量；通过皮尔逊相关系数法对初始特征进行相关性分析，选出其中与原始负荷序列相关性较大的时序分量作为预测模型的输入特征；将被选择的时序分量结合原始负荷序列一起输入到门控循环单元网络(GRU)预测模型中，执行最终的负荷预测。根据本发明实施例提供的技术方案，可以提高短期电力负荷预测的准确率。
-
公开(公告)号：CN112465153A
公开(公告)日：2021-03-09
申请号：CN202011510541.0
申请日：2020-12-18
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于不平衡集成二分类的磁盘故障预测方法，包括：对磁盘的SMART数据进行采样，选取与磁盘故障相关的状态特征作为原始数据集，通过数据分区混合采样获得平衡数据集；将磁盘原始数据集和平衡数据集输入RF算法进行机器学习，分别训练出偏向多数类的原始模型和局部域加强和削弱模型，集成两种模型获得偏向外围边界的混合模型；根据放入原始磁盘数据集近邻的不平衡程度，自适应地选择三种模型，所获分类概率用来预测磁盘故障状态。本发明可以有效解决正、异常样本数量不均衡下磁盘故障预测难度大的问题，提高基于机器学习的磁盘故障预测能力。
-
公开(公告)号：CN111091201A
公开(公告)日：2020-05-01
申请号：CN201911339988.3
申请日：2019-12-23
Applicant: 北京邮电大学
Abstract: 本发明实施例提出了一种基于数据分区混合采样的不平衡集成分类方法，包括：根据少数类邻域中的多数类占比将样本空间划分为四个区域：多数类安全区、少数类安全区、边界区、少数类噪声区，根据每个少数类邻域的多数类占比与其总和的比值生成权值，据此确定每个少数类邻域的合成数目，以随机线性插值方式对边界区少数类进行过采样；对多数类安全区采用随机欠采样，剔除少数类噪声区样本但保留少数类安全区样本，生成平衡数据集；构建三种集成学习模型：偏向多数类的原始模型、局部域加强和削弱模型、偏向外围边界的混合模型，根据放入原始数据集的测试点近邻的不平衡程度，自适应地选择相应的模型。
-
Patent Agency Ranking
公开(公告)号：CN109886498A
公开(公告)日：2019-06-14
申请号：CN201910153816.0
申请日：2019-03-01
Applicant: 北京邮电大学
Abstract: 本发明实例提供了一种基于特征选择的EMD-GRU短期电力负荷预测方法，包括：使用经验模态分解方法(EMD)将原始负荷序列分解成多个时序分量，并将所有的时序分量作为初始特征集合，由其构成预测模型的潜在输入变量；通过皮尔逊相关系数法对初始特征进行相关性分析，选出其中与原始负荷序列相关性较大的时序分量作为预测模型的输入特征；将被选择的时序分量结合原始负荷序列一起输入到门控循环单元网络(GRU)预测模型中，执行最终的负荷预测。根据本发明实施例提供的技术方案，可以提高短期电力负荷预测的准确率。
-
公开(公告)号：CN112181706B
公开(公告)日：2023-09-22
申请号：CN202011148000.8
申请日：2020-10-23
Applicant: 北京邮电大学
Abstract: 本发明实施例提出了一种基于对数区间隔离的电力调度数据异常检测方法，包括：通过Bagging技术生成大量训练数据集的子集；计算每个子集空间下每个子样本对于该空间的马氏距离，根据样本马氏距离对子集空间中每个样本进行对数区间隔离；根据区间内样本的数据分布对样本进行二叉划分，在左右子树节点的子集上重复上面的过程，直至达到终止条件；构建多个对数区间隔离子树，并将其组成对数区间隔离森林异常检测器，求出每个样本在每个子树下的路径长度，集成每个子树中对应数据的路径并取平均值求得异常分数，根据异常率阈值筛选出数据集中的异常样本；通过构建的对数区间隔离森林异常检测器判断电力数据的异常情况，提高数据异常检测准确率。
-
公开(公告)号：CN112181706A
公开(公告)日：2021-01-05
申请号：CN202011148000.8
申请日：2020-10-23
Applicant: 北京邮电大学
Abstract: 本发明实施例提出了一种基于对数区间隔离的电力调度数据异常检测方法，包括：通过Bagging技术生成大量训练数据集的子集；计算每个子集空间下每个子样本对于该空间的马氏距离，根据样本马氏距离对子集空间中每个样本进行对数区间隔离；根据区间内样本的数据分布对样本进行二叉划分，在左右子树节点的子集上重复上面的过程，直至达到终止条件；构建多个对数区间隔离子树，并将其组成对数区间隔离森林异常检测器，求出每个样本在每个子树下的路径长度，集成每个子树中对应数据的路径并取平均值求得异常分数，根据异常率阈值筛选出数据集中的异常样本；通过构建的对数区间隔离森林异常检测器判断电力数据的异常情况，提高数据异常检测准确率。
-
公开(公告)号：CN109508733A
公开(公告)日：2019-03-22
申请号：CN201811233705.2
申请日：2018-10-23
Applicant: 北京邮电大学
Abstract: 本发明实施例提出了一种基于分布概率相似度度量的异常检测方法，包括：多次随机采样获得正常样本数据的多个子集，以全二叉树结构保存每个子集的随机隔离过程，根据漂移比例划定回溯的阈值深度；根据测试点落在每棵树的外部叶子节点位置及阈值深度，由其所在叶子节点回溯到阈值深度的祖先节点，提取该节点下所有数据作为度量与测试点相似度的训练数据；以测试点与训练数据集内某点为端点，在各属性维度上分别计算其余数据点出现在此两点之间的概率，结合闵氏距离计算测试点与数据集内所有点的不相似程度，得出该点的异常值。本发明实施例提供的技术方案，可以有效解决训练数据集中无异常数据及局部异常检测问题。
-
公开(公告)号：CN109359704A
公开(公告)日：2019-02-19
申请号：CN201811599644.1
申请日：2018-12-26
Applicant: 北京邮电大学
IPC: G06K9/62
Abstract: 本发明实施例提出了一种基于自适应平衡集成与动态分层决策的多分类方法，包括：根据一对多分解策略将原始数据集转化为多个二类数据集，以每个二类数据集中多数类样本与少数类样本数目分别作为参数区间上下限，平均每类准确率为评分标准，通过网格搜索法获得各子集采样数；据此综合过采样与欠采样技术平衡二类数据集以建立多个二分类子模型，通过平均法集成子模型获得二分类模型；根据所有二分类模型输出结果获取测试样本在一对多框架下决策空间位置信息，据此分别制定针对空白区、交叉区、正常区域的类别判定策略以确定样本最终类别。本发明实施例提供的技术方案，可提高一对多框架下分类模型对各类别的整体识别率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.02 seconds)
