申请/专利权人：华能澜沧江水电股份有限公司

申请日：2024-03-25

公开（公告）日：2024-04-26

公开（公告）号：CN117931503A

主分类号：G06F11/07

分类号：G06F11/07;G06F18/10;G06F18/22;G06F18/23213;G06F18/241;G06F18/25;G06F123/02;G06N3/044;G06N3/045;G06N3/0464;G06N3/088

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明涉及容错性处理技术领域，具体为基于相似数据预查询的集控平台容错性分析系统，基于相似数据预查询的集控平台容错性分析系统包括数据预处理模块、多模型融合模块、无监督学习模块、时间序列分析模块、多模态整合模块、深度学习检测模块、实时更新模块、警报与响应模块。本发明中，通过数据清洗和优化，系统提升输入数据可用性，多模型融合和无监督学习挖掘数据模式，为后续分析提供丰富特征，时间序列和多模态整合技术精细化数据处理，实现对复杂数据深度分析，深度学习和实时更新提高自动化和自适应性，实时识别处理异常，增强容错能力，通过警报与响应模块，系统迅速预警响应异常，确保集控平台稳定运行。

主权项：1.基于相似数据预查询的集控平台容错性分析系统，其特征在于：所述基于相似数据预查询的集控平台容错性分析系统包括数据预处理模块、多模型融合模块、无监督学习模块、时间序列分析模块、多模态整合模块、深度学习检测模块、实时更新模块、警报与响应模块；所述数据预处理模块通过数据的去噪、缺失值处理、归一化以及基于关联性的特征选择，生成优化后的输入数据；所述多模型融合模块基于优化后的输入数据，采用基于训练误差最小化的模型权重调整策略以及基于投票或基于学习的模型融合技术，生成融合后的模型输出；所述无监督学习模块基于融合后的模型输出，采用无监督自编码器进行特征提取，利用K均值聚类进行数据分群，生成未标记的异常数据；所述时间序列分析模块基于未标记的异常数据，采用包括支持向量机和随机森林的有监督学习算法进行时间序列的模式匹配，再使用包括季节性分解和残差分析技术的时间序列异常检测方法，生成时间序列异常报告；所述多模态整合模块基于时间序列异常报告，运用图神经网络进行多源异构数据的信息整合，通过挖掘数据之间的关联，生成多模态数据整合报告；所述深度学习检测模块基于多模态数据整合报告，使用卷积神经网络处理静态特征，利用循环神经网络获取动态特征，生成深度学习异常报告；所述实时更新模块基于深度学习异常报告，通过在线学习技术，使模型实时地根据新的数据模式进行自我修正和更新，生成实时更新后的模型；所述警报与响应模块基于实时更新后的模型，在模型检测到异常时生成警报，并根据预设的响应策略进行实时处理，生成异常处理报告；所述数据清洗具体为利用中位数填补或基于统计众数的方法进行缺失值处理，所述优化后的输入数据具体为清洗、去噪和标准化处理后的数据集，所述模型融合技术包括硬投票、软投票、Stacking方法，所述融合后的模型输出具体包括经过多个模型预测结果的融合，通过投票、加权平均策略得到的统一预测输出，所述无监督自编码器具体指用于学习数据内在结构和模式的神经网络，所述未标记的异常数据具体指通过包括聚类、密度估计的无监督学习方法找出的与正常数据模式不符的数据点或序列，所述支持向量机和随机森林设定时间窗口参数和滑动窗口策略，所述季节性分解和残差分析技术用于捕捉时间序列的规律性和波动性，所述时间序列异常报告包括对时间序列数据进行模式识别、趋势分析和异常检测的详细结果和解释，所述图神经网络具体为用于处理图结构数据的深度学习网络，可以处理图中节点的特征与拓扑结构，实现对多源异构数据的融合，所述多模态数据整合报告具体为将多源异构数据经过融合、处理后，形成的包括多模态信息和关联分析结果的报告，所述卷积神经网络适用于处理具有局部关联性的数据，所述循环神经网络适用于处理具有时间递进关系的数据，所述深度学习异常报告具体包括利用深度学习模型处理和分析数据后，对异常情况进行检测和分类的详细报告，所述在线学习技术具体指随着每一次数据输入，模型都会进行一次参数的更新，所述实时更新后的模型具体指模型根据新接收到的数据，动态调整和更新其参数和结构，以适应数据变化的模型，所述预设的响应策略包括发送警报、调整设备运行状态、启动备份系统，所述异常处理报告具体为根据检测到的异常情况，系统生成的警报信息、响应策略和处理过程的综合报告。

全文数据：

权利要求：

百度查询： 华能澜沧江水电股份有限公司 基于相似数据预查询的集控平台容错性分析系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD