简介:摘要:近年来 ,以机器学习 (Machine Learning,ML)为代表的人工智能技术在各种网络案例中得到了应用。一种基于支持向量机和双指数平滑的告警预测方法; 一种基于流量、路由和调制格式的机器学习方法 ,用于预测未固定光路的误码率是否在正常范围内; 一种高斯过程分类器来预测每个光链路出现告警的概率。因供应商设备在设备类型、设备版本和网络管理系统等方面存在差异 ,收集的网络性能和告警数据通常是脏数据 ,包括丢失数据、错误数据和同一数据的非标准表示。在实际网络中 ,数据分布不平衡的问题是数据代表性不足和类分布偏斜的一个主要原因。欠采样和过采样是在数据级解决这一问题的两种主要方法。
简介:摘要目前,为了适应智能电网的发展,必须对电网智能调度各个环节进行实时监控和故障智能告警的综合处理。当前告警子系统,存在数据源单一、告警误报率较高、告警延时时间较长等问题,无法满足电网调控运行需求,需要对现阶段电网监控业务的各个环节进行全方位的分析,提升电网智能调度控制系统的感知能力和故障处理效率,以达到电网安全、稳定的运行状态。针对这种情况,设计并提出一种基于大电网的智能调度控制系统智能告警子系统。介绍了智能调度控制系统的总体架构、关键技术,实现了系统智能告警、故障在线诊断和信息实时共享。实验结果表明,所设计的告警系统,告警误报率低,告警延时时间较短。
简介:摘要随着我国环境日益恶化,新能源汽车的发展受到了广泛关注。而动力电池作为新能源汽车的核心部件,它的安全性直接决定了新能源汽车的安全性。而电池安全性的基础是实现对电池状态的精确监控。目前电池状态的监控任务主要由电池管理系统来实现。车载的电池管理系统对于出厂两年以内电池状态的估算效果不错,比如电池SOC估算精度能够控制在3%以内,电池SOC一致性控制在5%以内,电池功率预测主要采用查表方法,该表通常为线下标定的参数。然而随着电池的老化,这些电池状态的估算显得非常困难。主要原因在于电池的老化程度与电池的老化途径有关,也就要求能够对电池的历史数据进行存储和分析,而车载BMS无论在存储能力和大数据的分析能力上都无法满足需要。随着车连网技术的普及使得电池历史数据的存储成为可能。本论文主要开发一种基于后台动力电池大数据的电池故障分析与安全预警方法。该方法主要从短期安全预警和长期健康预警两个层面来保护动力电池安全和延缓电池衰减。