-
公开(公告)号：CN112784040A
公开(公告)日：2021-05-11
申请号：CN202011424476.X
申请日：2020-12-08
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司
IPC: G06F16/35 , G06F40/216 , G06K9/62
Abstract: 本发明公开了基于语料库的垂直行业文本分类方法，通过首先构建一个垂直行业父语料库，然后针对垂直行业内不同类型的文本数据分别构建不同的子语料库，并对各个子语料库中的单词进行聚类，形成更加精准的语料库。逐一计算新添加垂直行业文本数据和各个语料库数据之间的相似度，从而对垂直行业文本进行分类，本方法简单、易于实现，且效率和性能较好。
-
公开(公告)号：CN111130854A
公开(公告)日：2020-05-08
申请号：CN201911234374.9
申请日：2019-12-05
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司
IPC: H04L12/24
Abstract: 本发明涉及网络通信技术领域，具体涉及一种多层拓扑自动发现方法，所述方法包括：步骤1：建立资源对象及关联关系模型；步骤2：多层次拓扑自动发现及生成算法；步骤3：基于图数据库技术的数据中心拓扑结构分析功能；步骤4：拓扑智能管理及维护策略；步骤5：拓扑结构优化及维护方法研究。本发明针对国网公司数据中心IT基础架构数据管理及优化过程所面临的问题，从管理先决条件拓扑结构出发，通过制定统一数据中心基础架构资源的描述方法，建立资源对象模型，研究面向国网业务的网络拓扑、部署架构拓扑以及业务视图多层次拓扑自发现算法，结合基于图数据库技术完成数据中心多层次的拓扑结构分析、优化及自治，实现资源对象的全生命周期管理。
-
公开(公告)号：CN109766234A
公开(公告)日：2019-05-17
申请号：CN201811511746.3
申请日：2018-12-11
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司
Abstract: 本发明公开了一种基于时间序列模型的磁盘存储容量预测方法，包括步骤：(1)建立存储磁盘容量使用情况的数据库，监测存储系统的运行，提供预测所需的数据；(2)读取数据库，获取历史数据，进行数据处理，构造基于时间序列模型的预测模型，进行预测；(3)根据容量预测结果与剩余容量作对比，评估判断是否符合预定阈值，并判断是否发出预警，提醒运维人员对磁盘系统进行维护。本发明的磁盘容量智能预测技术，根据历史数据特征选择不同的时间序列模型，避免了单一方法预测结果的局限性，实现对不同磁盘系统的存储预测需求，具有很强的适应性和广泛性。本发明在实际测试中能够比较准确的预测磁盘容量，减少系统运维的人力和财力成本。
-
公开(公告)号：CN110443725A
公开(公告)日：2019-11-12
申请号：CN201910749682.9
申请日：2019-08-14
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司 , 兰州大学
Abstract: 本发明公开了一种基于CNN+LSTM的风电功率预测模型，可分为两部分：数据预处理阶段与模型训练使用阶段；在数据预处理阶段，利用风场的天气预报数据(NWP)与历史观测数据，提取了风速、风向、大气压力、温度、空气湿度等特征，对数据归一化处理；在模型训练使用阶段，将处理后的数据放入CNN+LSTM模型中进行预测，其中CNN网络包括了Conv1D层、Pooling层与Dropout层；LSTM网络包括了基本的LSMT层与最后的全连接层。本发明使用了深度学习的方法，结合了CNN与LSTM网络对风电功率进行预测。
-
公开(公告)号：CN114564574A
公开(公告)日：2022-05-31
申请号：CN202011351808.6
申请日：2020-11-27
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司
IPC: G06F16/35 , G06F40/284 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种文本分类方法，包括：对文本数据进行预处理得到预处理数据；将所述预处理数据输入到无序联合特征分类器中进行集成学习得到第一分类特征；将所述预处理数据输入到有序联合特征分类器中进行集成学习得到第二分类特征；将所述第一分类特征和第二分类特征进行特征融合得到文本分类特征向量；将所述文本分类特征向量输入到集成学习模型得到文本分类结果。通过上述方式，本发明能够全面表征待分类文本分类特征的文本分类特征向量，最终使用集成学习模型对文本分类特征向量进行分类，提高了电力领域文本分类的准确率，解决了电力领域人工进行文本文类收效甚微的问题。
-
Patent Agency Ranking
公开(公告)号：CN111612300A
公开(公告)日：2020-09-01
申请号：CN202010299034.0
申请日：2020-04-16
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司
Abstract: 本发明涉及指标计算技术领域，具体地说，涉及一种基于深度混合云模型的场景异常感知指标计算方法及系统。其方法包括如下步骤：使用graphembedding对网络资源节点进行图编码；使用基于深度学习的层次分析法建立云模型评价标尺；使用云标尺进行在线场景异常感知检测。该基于深度混合云模型的场景异常感知指标计算方法及系统中，使用graph embedding对网络资源节点进行图编码表示，具有更广泛的适用范围和泛化能力，将编码化的节点资源构建整体云模型，并使用基于深度学习的层次分析法建立云模型评价标尺，进行场景异常感知检测，可在不同周期维度的数据下进行检测，将训练模型使用于在线检测，并能对大规模、动态变化的网络资源进行实时检测。
-
公开(公告)号：CN111626472B
公开(公告)日：2023-10-27
申请号：CN202010305346.8
申请日：2020-04-17
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司
IPC: G06Q10/04 , G06Q10/0639 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及场景趋势判断技术领域，具体地说，涉及一种基于深度混合云模型的场景趋势判断指标计算系统及方法。其方法包括如下步骤：使用变分自编码器VAE对网络资源节点进行编码；将编码化的节点资源构建整体云模型；使用基于深度学习的云进化算法训练模型参数；使用模型进行在线场景趋势预测。该基于深度混合云模型的场景趋势判断指标计算系统中，使用变分自编码器VAE对网络资源节点进行编码表示，将编码化的节点资源构建整体云模型，并使用基于深度混合云模型进行场景趋势判断，可在不同周期维度的数据下进行预测，将训练模型使用于在线预测，并能对大规模、动态变化的网络资源进行实时预测，满足大多数的实际生产环境。
-
公开(公告)号：CN112784040B
公开(公告)日：2023-02-28
申请号：CN202011424476.X
申请日：2020-12-08
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司
IPC: G06F16/35 , G06F40/216 , G06F18/22
Abstract: 本发明公开了基于语料库的垂直行业文本分类方法，通过首先构建一个垂直行业父语料库，然后针对垂直行业内不同类型的文本数据分别构建不同的子语料库，并对各个子语料库中的单词进行聚类，形成更加精准的语料库。逐一计算新添加垂直行业文本数据和各个语料库数据之间的相似度，从而对垂直行业文本进行分类，本方法简单、易于实现，且效率和性能较好。
-
公开(公告)号：CN111626472A
公开(公告)日：2020-09-04
申请号：CN202010305346.8
申请日：2020-04-17
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司
Abstract: 本发明涉及场景趋势判断技术领域，具体地说，涉及一种基于深度混合云模型的场景趋势判断指标计算系统及方法。其方法包括如下步骤：使用变分自编码器VAE对网络资源节点进行编码；将编码化的节点资源构建整体云模型；使用基于深度学习的云进化算法训练模型参数；使用模型进行在线场景趋势预测。该基于深度混合云模型的场景趋势判断指标计算系统中，使用变分自编码器VAE对网络资源节点进行编码表示，将编码化的节点资源构建整体云模型，并使用基于深度混合云模型进行场景趋势判断，可在不同周期维度的数据下进行预测，将训练模型使用于在线预测，并能对大规模、动态变化的网络资源进行实时预测，满足大多数的实际生产环境。
-
公开(公告)号：CN111612300B
公开(公告)日：2023-10-27
申请号：CN202010299034.0
申请日：2020-04-16
Applicant: 国网甘肃省电力公司信息通信公司 , 甘肃同兴智能科技发展有限责任公司
IPC: G06Q10/0639 , G06N3/042 , G06N3/045 , G06N3/08
Abstract: 本发明涉及指标计算技术领域，具体地说，涉及一种基于深度混合云模型的场景异常感知指标计算方法及系统。其方法包括如下步骤：使用graphembedding对网络资源节点进行图编码；使用基于深度学习的层次分析法建立云模型评价标尺；使用云标尺进行在线场景异常感知检测。该基于深度混合云模型的场景异常感知指标计算方法及系统中，使用graph embedding对网络资源节点进行图编码表示，具有更广泛的适用范围和泛化能力，将编码化的节点资源构建整体云模型，并使用基于深度学习的层次分析法建立云模型评价标尺，进行场景异常感知检测，可在不同周期维度的数据下进行检测，将训练模型使用于在线检测，并能对大规模、动态变化的网络资源进行实时检测。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.065 seconds)
