-
公开(公告)号：CN117613859A
公开(公告)日：2024-02-27
申请号：CN202311453691.6
申请日：2023-11-03
Applicant: 国网江西省电力有限公司电力科学研究院 , 国家电网有限公司 , 北京邮电大学
IPC: H02J3/00 , G06Q10/04 , G06Q50/06 , G06F18/213 , G06F18/2131 , G06N3/0464 , G06N3/049 , G06F123/02
Abstract: 本发明公开了一种基于小波分解和T imesNet的负荷预测方法，对历史负荷数据进行小波分解，获得低频系数和高频系数；将低频系数和高频系数分别使用T imesNet构建的预测模型进行预测，得到低频预测结果和高频预测结果；在预测模型中，先将输入的一维时序数据转化为二维空间数据，然后将二维空间数据降维成一维时序数据，以还原成需要的时间序列负荷数据；所述预测模型由多个时间块堆叠组成；将低频预测结果和高频预测结果进行小波重构，得到预测负荷序列。本发明引入T imesNet构建预测模型，能够统一捕捉周期内和周期间的变化，有更强的泛化能力，预测误差更小。
-
公开(公告)号：CN119151040A
公开(公告)日：2024-12-17
申请号：CN202411129906.3
申请日：2024-08-16
Applicant: 国网江西省电力有限公司电力科学研究院 , 南昌科晨电力试验研究有限公司 , 北京邮电大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/214 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/09
Abstract: 本发明提出基于Transformer的多因素负荷预测方法，属于负荷预测技术领域。所述方法包括：获取待进行多因素负荷预测的源数据，并对源数据进行预处理，从经预处理的源数据中提取出时间戳信息、负荷数据和外在因素数据；对时间戳信息进行位置编码，基于负荷数据、外在因素数据、经位置编码的时间戳信息对Transformer预测模型进行训练，利用经训练的Transformer预测模型进行多因素负荷预测。负荷数据指表征电力消耗情况的数据，外在因素数据指环境数据和电价数据，环境数据包括湿度和温度，时间戳信息指负荷数据和外在因素数据的采样时间点。本发明用于提高模型对时序的建模能力，提升预测精度。
-
公开(公告)号：CN119134264A
公开(公告)日：2024-12-13
申请号：CN202410847535.6
申请日：2024-06-27
Applicant: 北京邮电大学 , 国网江西省电力有限公司电力科学研究院 , 南昌科晨电力试验研究有限公司
IPC: H02J3/00 , G06F18/20 , G06Q50/06 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06F123/02
Abstract: 本发明提出了一种基于LSTM‑TimeGAN神经网络的多因素负荷预测方法及装置，包括：采集待分析的负荷数据，经预处理后，生成格式统一的数值化数据；将所述数值化数据经归一化处理后划分训练集和测试集，使用训练集训练LSTM模型和TimeGAN模型，直到模型收敛；确定期望预测的时间点数量，使用测试集中的数据作为样本输入所述LSTM模型进入预测，得到第一预测值，将所述第一预测值输入所述TimeGAN模型后输出第二预测值；循环上述步骤，生成最终的预测结果。本发明的预测方法能够有效提升预测的稳定性和准确性。
-
公开(公告)号：CN118839806A
公开(公告)日：2024-10-25
申请号：CN202410846641.2
申请日：2024-06-27
Applicant: 北京邮电大学 , 国网江西省电力有限公司电力科学研究院
Abstract: 本发明提出了一种基于LSTM‑XGBoost神经网络的多因素负荷预测方法及装置，包括：采集源数据，经预处理后，生成基于历史负荷数据和历史外在因素数据的待分析数据；将待分析数据根据数据类型生成多个第一输入数据集，根据构建的双层LSTM模型提取每个输入数据集中的长期依赖关系；基于长期依赖关系和所述历史负荷数据生成第二输入数据集，根据构建的XGBoost模型对第二输入数据集进行拟合、预测，生成基于LSTM‑XGBoost组合模型的多因素负荷预测值。本发明先使用LSTM神经网络提取历史数据的长期依赖关系，再使用XGBoost模型进行拟合，并完成最终的预测，从而提高了负荷预测的准确率。
-
公开(公告)号：CN119181003A
公开(公告)日：2024-12-24
申请号：CN202410638257.3
申请日：2024-05-22
Applicant: 北京邮电大学 , 国网冀北电力有限公司计量中心 , 国家电网有限公司
Abstract: 本发明提出一种基于多模态融合的目标检测与决策方法、系统及介质，包括：基于Faster‑RCNN,采用ResNet50卷积层提取图像特征，FPN实现特征的多尺度检测，然后使用RPN网络层生成候选区域，最后通过ROI层生成特征图；基于PointNet2模型，采用采样分组的策略，通过最远点采样法生成候选点，然后以候选点为中心，划定局部点云集合,输入PointNet网络，生成局部点云特征集合，将点云特征集合输入维度降级层。本发明将使得模型学习正确的感知能力提高，降低模型检测的误判，从数据层面达到增强模型的目的，支撑高精度、高准确率的三维目标检测算法。
-
Patent Agency Ranking
公开(公告)号：CN116304289A
公开(公告)日：2023-06-23
申请号：CN202211453311.4
申请日：2022-11-21
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06F16/951 , G06F16/215 , G06Q30/0202 , G06Q30/0601 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的供应链中的信息链推荐方法和装置，包括：获取所述供应链中的信息链数据；预处理所述信息链数据；构建基于图神经网络的所述信息链的推荐模型；预测用户在所述信息链上对物品的喜爱程度。实践表明，本发明引入注意力机制，结合用户建模和物品建模，通过搭建深度学习模型实现了更优的信息推荐效果。
-
公开(公告)号：CN109600752B
公开(公告)日：2022-01-14
申请号：CN201811433091.2
申请日：2018-11-28
Applicant: 国家计算机网络与信息安全管理中心 , 北京邮电大学
IPC: H04W12/128 , H04M3/22 , G06K9/62
Abstract: 本申请公开了一种深度聚类的诈骗通话检测方法，包括：对所有话单数据进行深度聚类形成多个簇，将所述多个簇与诈骗簇的指标值进行比较，将与所述指标值匹配度最高的簇作为诈骗簇；获取所述诈骗簇中的主叫号码呼叫过的各被叫号码，根据话单数据确定呼叫过所述各被叫号码的所有主叫号码，利用所述各被叫号码和所述所有主叫号码进行复杂网络建模；在建模的复杂网络中，进行社区发现，并根据各社区包含所述诈骗簇中主叫号码的比例，确定诈骗高风险社区；对所述诈骗高风险社区中的各次通话进行语音识别，根据语音识别结果进行诈骗电话的判决和分类。应用本申请，能够在保证实时性的基础上能够更准确的发现诈骗通话。
-
公开(公告)号：CN110381082B
公开(公告)日：2021-01-26
申请号：CN201910725314.0
申请日：2019-08-07
Applicant: 北京邮电大学
IPC: H04L29/06
Abstract: 本发明公开了一种基于Mininet的电力通信网络的攻击检测方法和装置，该方法包括：获取各主机当前在预设时间内收发的数据包数量和数据量，针对每个主机，执行以下操作：判断该主机是否满足第一条件，第一条件为该主机的当前数据包数量超过第一预设值且该主机的当前数据量超过第二预设值，如果是，获取该主机的当前网络连接数目；判断该主机是否满足第二条件，第二条件为该主机的当前网络连接数目超过第三预设值，如果是，则该主机为受攻击主机。基于本发明的方法，可以快速、准确地确定受攻击主机，保障网络安全。
-
公开(公告)号：CN111371776A
公开(公告)日：2020-07-03
申请号：CN202010131121.5
申请日：2020-02-28
Applicant: 北京邮电大学
Abstract: 本发明实施例适用于网络安全技术领域，提供了一种HTTP请求数据的异常检测方法、装置、服务器及存储介质，其中，HTTP请求数据的异常检测包括：接收HTTP请求数据；确定所述HTTP请求数据对应的特征向量矩阵，所述特征向量矩阵基于所述HTTP请求数据的文本信息确定；将所述特征向量矩阵输入至少两个设定的异常检测模型，得到所述至少两个设定的异常检测模型中的每个异常检测模型对应的第一检测结果；根据所述至少两个设定的异常检测模型中所有异常检测模型对应的第一检测结果确定第二检测结果，所述第二检测结果表征所述HTTP请求数据是否异常。
-
公开(公告)号：CN107612970B
公开(公告)日：2020-06-05
申请号：CN201710703133.9
申请日：2017-08-16
Applicant: 国网上海市电力公司 , 北京邮电大学 , 华东电力试验研究院有限公司
Abstract: 本发明涉及一种基于电网拓扑分析的大图缓存方法、显示方法及系统，所述大图缓存方法计算各节点的缓存权重，对缓存权重大于设定阈值的节点进行缓存；所述缓存权重的计算具体为：综合考虑节点的影响力、脆弱性和拓扑结构特性，叠加形成最终的缓存权重，其中，所述影响力通过节点的紧密中心度或介数中心度衡量，所述脆弱性通过元件在线率衡量，所述拓扑结构特性根据节点在拓扑结构中所处的位置对节点的缓存权重进行修正。与现有技术相比，本发明将用户偏好更好的节点按照优先级缓存起来，从而提高下次前端加载效率。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.07 seconds)
