CN104134006B - 一种基于历史数据聚类的电力设备动态阈值整定方法 - Google Patents
一种基于历史数据聚类的电力设备动态阈值整定方法 Download PDFInfo
- Publication number
- CN104134006B CN104134006B CN201410379671.3A CN201410379671A CN104134006B CN 104134006 B CN104134006 B CN 104134006B CN 201410379671 A CN201410379671 A CN 201410379671A CN 104134006 B CN104134006 B CN 104134006B
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- mover
- correlation
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于历史数据聚类的电力设备动态阈值整定方法，在对变电站设备在线监测数据的处理应用时，以已经收集到的历史数据为依据，按照数值分布空间的范围初步划分电力设备运行的不同状态空间，基于电力设备相关运行规范定义的标准和历史数据分布范围，进行状态空间的原始边界的确定、阈值的选取；将监测数据按照数据出现的区域范围进行初步聚类，以历史数据确定的状态空间为依据将监测数据与状态空间范围按接近程度进行聚类区分匹配，形成设备运行的不同状态的监测数据的数值范围；在设备运行监测数据的持续补充并进行区分匹配中，按照数据出现的概率分布范围逐渐修正其边界，完成动态的电力设备运行状态阈值整定，形成设备运行状态的判断依据。
Description
技术领域
本发明涉及一种基于历史数据聚类的电力设备动态阈值整定方法，属于电力系统设备监测技术领域。
背景技术
随着智能电网与物联网技术在各个层面的融合发展，物联网技术在变电站在线监测中获得了越来越多的应用。基于物联网技术实现的电力设备在线监测产生海量的异构数据，在对此类数据的分析处理基础上，对设备的运行状态进行判断，以形成设备的全过程运行管理，需要对设备不同运行状态进行区域划分。现有的电力设备运行状态区分划分的阈值设定大多根据电力设备的初始信息(如概论值、规程值、经验值、预试值)直接给定，一旦给定无法改变，无法准确反映动态的设备真实运行状态，阈值的设定与实际运行的变化不能有效同步。
发明内容
本发明要解决的技术问题是提出一种基于历史数据聚类的电力设备动态阈值整定方法。
本发明的技术方案是：一种基于历史数据聚类的电力设备动态阈值整定方法，在对变电站设备在线监测数据的处理应用时，以已经收集到的历史数据(至少包含设备的概论值、规程值、经验值、预试值的资料)为依据，按照数值分布空间的范围初步划分电力设备运行的不同状态空间(定义为正常运行、异常可运行、预警、告警四种运行状态)，基于电力设备相关运行规范定义的标准和历史数据分布范围，进行状态空间的原始边界的确定、阈值的选取；将监测数据按照数据出现的区域范围进行初步聚类，以历史数据确定的状态空间为依据将监测数据与状态空间范围按接近程度进行聚类区分匹配(即将数据所处范围与状态空间范围相互近似重合区域匹配为同一类)，形成设备运行的不同状态的监测数据的数值范围；在设备运行监测数据的持续补充并进行区分匹配中，按照数据出现的概率分布范围逐渐修正其边界，完成动态的电力设备运行状态阈值整定，形成设备运行状态的判断依据，提高决策(确定电力设备某种运行状态)的准确性。
具体步骤如下：
(1)通过应用电力设备的相关历史数据，至少包含概论值、规程值、经验值、预试值的资料；按照电力设备运行规范的要求和已有的确定的电力设备运行状态值域，初步将设备运行的状态空间划分为不同的值域范围，即正常运行、异常可运行、预警、告警四种运行状态；
(2)通过电力设备的相关历史数据，至少包含概论值、规程值、经验值、预试值的资料；中同一监测量的最大、最小边界值的比较选择，确定各个状态空间的阈值的选择；基于统计学原理通过分析历史数据的概率分布，确定(1)划分的不同的状态空间的原始边界的确定， 即数据出现的范围为初步确定的状态空间的原始范围，圈定其边界；
(3)将监测数据进行初步聚类划分(即根据最大化类内相似性、最小化类间相似性的原则进行聚类，使得在同一个类中的对象具有很高的相似性，而与其它类中的对象很不相似)，以历史数据确定的电力设备运行状态空间为基本范围，将监测数据与状态空间范围按接近程度进行聚类区分匹配，即将数据所处范围与状态空间范围相互近似重合区域匹配为同一类，形成反映设备运行不同状态的监测数据的数值范围；
聚类区分匹配方法为借助于若干分析指标对变量之间的密切程度进行测定，即相关分析，按照跟不同的状态空间密切程度相互比较，密切程度最高的状态空间为数据应该匹配的值域范围。在判断相关关系密切程度之前，首先确定现象之间有无相关关系。确定方法有：一是根据自己的理论知识和实践经验综合分析判断；二是用相关图表进一步确定现象之间相关的方向和形式。在此基础上通过计算相关系数或相关指数来测定相关关系密切的程度；相关系数r计算公式如下：
利用相关系数判断相关关系的密切程度标准定义如下：
若相关系数|r|＝0，则相关程度为完全不相关；
若相关系数0＜|r|≤0.3，则相关程度为微弱相关；
若相关系数0.3＜|r|≤0.5，则相关程度为低度相关；
若相关系数0.5＜|r|≤0.8，则相关程度为显著相关；
若相关系数0.8＜|r|≤1，则相关程度为高度相关；
若相关系数|r|＝1，则相关程度为完全相关；
上述公式相关内容中，聚类匹配依据为待聚类数据跟状态空间值域范围的相关系数的直接比较确定，定义中相关程度的划分意义为直观表述相关关系的密切程度；
(4)在(3)的基础上持续补充后续监测数据并进行区分匹配，按照数据出现的概率分布范围逐渐修正不同状态空间的边界，不断修改不同区域的阈值，进行电力设备运行状态阈 值整定，形成设备运行状态的判断依据，提高决策(确定电力设备某种运行状态)的准确性。
本发明的有益效果是：
1、本发明方法中，电力设备运行状态阈值的整定不必仅仅依靠预试值、规程值等一些有限的历史数据来确定，而且依靠设备运行监测数据的匹配整定，可以反映动态的设备真实运行状态，阈值的设定与实际运行的变化实现了有效同步；
2、本发明中采用的监测数据先进行聚类，再与初步划分的运行状态空间进行区分匹配的方法，有效提升了对电力设备在线监测产生的大量异构数据处理分析的效率；
3,、本发明中采用了持续补充后续监测数据并进行区分匹配，不断修正阈值的方法，提高了决策(确定电力设备某种运行状态)的准确性。
附图说明
图1是本发明变压器运行状态区域划分图；
图2是本发明聚类原理示意图；
图3是本发明初定分区与数据匹配示意图。
具体实施方式
下面结合具体实施方式，对本发明作进一步说明。
一种基于历史数据聚类的电力设备动态阈值整定方法，在对变电站设备在线监测数据的处理应用时，以已经收集到的历史数据(至少包含设备的概论值、规程值、经验值、预试值的资料)为依据，按照数值分布空间的范围初步划分电力设备运行的不同状态空间(定义为正常运行、异常可运行、预警、告警四种运行状态)，基于电力设备相关运行规范定义的标准和历史数据分布范围，进行状态空间的原始边界的确定、阈值的选取；将监测数据按照数据出现的区域范围进行初步聚类，以历史数据确定的状态空间为依据将监测数据与状态空间范围按接近程度进行聚类区分匹配(即将数据所处范围与状态空间范围相互近似重合区域匹配为同一类)，形成设备运行的不同状态的监测数据的数值范围；在设备运行监测数据的持续补充并进行区分匹配中，按照数据出现的概率分布范围逐渐修正其边界，完成动态的电力设备运行状态阈值整定，形成设备运行状态的判断依据，提高决策(确定电力设备某种运行状态)的准确性。
具体步骤如下：
(1)通过应用电力设备的相关历史数据，至少包含概论值、规程值、经验值、预试值的资料；按照电力设备运行规范的要求和已有的确定的电力设备运行状态值域，初步将设备运行的状态空间划分为不同的值域范围，即正常运行、异常可运行、预警、告警四种运行状态；
(2)通过电力设备的相关历史数据，至少包含概论值、规程值、经验值、预试值的资料； 中同一监测量的最大、最小边界值的比较选择，确定各个状态空间的阈值的选择；基于统计学原理通过分析历史数据的概率分布，确定(1)划分的不同的状态空间的原始边界的确定，即数据出现的范围为初步确定的状态空间的原始范围，圈定其边界；
(3)将监测数据进行初步聚类划分(即根据最大化类内相似性、最小化类间相似性的原则进行聚类，使得在同一个类中的对象具有很高的相似性，而与其它类中的对象很不相似)，以历史数据确定的电力设备运行状态空间为基本范围，将监测数据与状态空间范围按接近程度进行聚类区分匹配，即将数据所处范围与状态空间范围相互近似重合区域匹配为同一类，形成反映设备运行不同状态的监测数据的数值范围；
聚类区分匹配方法为借助于若干分析指标对变量之间的密切程度进行测定，即相关分析，按照跟不同的状态空间密切程度相互比较，密切程度最高的状态空间为数据应该匹配的值域范围。在判断相关关系密切程度之前，首先确定现象之间有无相关关系。确定方法有：一是根据自己的理论知识和实践经验综合分析判断；二是用相关图表进一步确定现象之间相关的方向和形式。在此基础上通过计算相关系数或相关指数来测定相关关系密切的程度；相关系数r计算公式如下：
利用相关系数判断相关关系的密切程度标准定义如下：
若相关系数|r|＝0，则相关程度为完全不相关；
若相关系数0＜|r|≤0.3，则相关程度为微弱相关；
若相关系数0.3＜|r|≤0.5，则相关程度为低度相关；
若相关系数0.5＜|r|≤0.8，则相关程度为显著相关；
若相关系数0.8＜|r|≤1，则相关程度为高度相关；
若相关系数|r|＝1，则相关程度为完全相关；
上述公式相关内容中，聚类匹配依据为待聚类数据跟状态空间值域范围的相关系数的直接比较确定，定义中相关程度的划分意义为直观表述相关关系的密切程度；
(4)在(3)的基础上持续补充后续监测数据并进行区分匹配，按照数据出现的概率分布范围逐渐修正不同状态空间的边界，不断修改不同区域的阈值，进行电力设备运行状态阈值整定，形成设备运行状态的判断依据，提高决策(确定电力设备某种运行状态)的准确性。
实施例1：以变压器在线监测为例，监测量为变压器油中气体和成分、局部放电量，以监测量之间的同时刻关联关系建立每两个量关联的二维坐标，将监测量投影到二维空间中，划分不同的状态区域。参考变压器的历史数据(铭牌值、规程值、预防性试验值)定义变压器运行状态的四个分区(如图1所示)。
基于概率分布的原理，应用变压器历史数据(至少包含概论值、规程值、经验值、预试值的资料)，对四个状态分区进行原始边界的确定、阈值的选取。区域A的初步边界可由变压器投运前预防性试验确定；区域B的初步边界由超出正常运行值一定比例设置(不同监测量的比例值根据运行规范的要求值域区别确定)；区域C的初步边界为大于区域B的最大值边界而未达到故障告警的值为边界条件；区域D的初步边界可由变压器故障特征值确定。
区域A----正常运行：在稳定、安全、可靠条件下运行。
区域B----异常可运行：当遇到某测量值与参考值有差异，用于调用其它测量信息与之关联比对的触发信息。
区域C----预警：要求更加关注时，用于通知人员而设计的运行信号。
区域D----告警：要求立即采取纠正动作时，用于通知人员而设计的运行信号。
将监测量根据量值分布划分为不同的区域，实现初级聚合(以油中气体成分C2H2和C2H4的含量之间的关系建立二维坐标为例，将不同时刻C2H2和C2H4的含量关系投射到坐标内，形成数值分布区域不同的聚集区域，将其进行初步圈定划分，其它监测量值之间的聚合关系类似)，聚类原理如图2所示。将按照历史数据定义的运行状态范围与初级聚合形成的分类区进行区分匹配，根据接近程度确定变压器的实际监测量的分类区域具体归属，分别符合四个分区条件的聚类区域即为运行的不同状态区域(原理如图3所示)。
将后续的监测数据加入分析系统，以概率分布的方式，按照监测量的具体分布区域，逐步修正确定各个区域的边界阈值，形成变压器运行状态动态阈值整定，从而实现变压器的准确的运行状态判断依据，提高决策(确定变压器某种运行状态)的准确性。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种基于历史数据聚类的电力设备动态阈值整定方法，其特征在于：在对变电站设备在线监测数据的处理应用时，以已经收集到的历史数据为依据，按照数值分布空间的范围初步划分电力设备运行的不同状态空间，基于电力设备相关运行规范定义的标准和历史数据分布范围，进行状态空间的原始边界的确定、阈值的选取；将监测数据按照数据出现的区域范围进行初步聚类，以历史数据确定的状态空间为依据将监测数据与状态空间范围按接近程度进行聚类区分匹配，形成设备运行的不同状态的监测数据的数值范围；在设备运行监测数据的持续补充并进行区分匹配中，按照数据出现的概率分布范围逐渐修正其边界，完成动态的电力设备运行状态阈值整定，形成设备运行状态的判断依据；
具体步骤为：
(1)通过应用电力设备的相关历史数据，至少包含概论值、规程值、经验值、预试值的资料；按照电力设备运行规范的要求和已有的确定的电力设备运行状态值域，初步将设备运行的状态空间划分为不同的值域范围，即正常运行、异常可运行、预警、告警四种运行状态；
(2)通过电力设备的相关历史数据，至少包含概论值、规程值、经验值、预试值的资料；同一监测量的最大、最小边界值的比较选择，确定各个状态空间的阈值的选择；基于统计学原理通过分析历史数据的概率分布，确定(1)划分的不同的状态空间的原始边界的确定，即数据出现的范围为初步确定的状态空间的原始范围，圈定其边界；
(3)将监测数据进行初步聚类划分，即根据最大化类内相似性、最小化类间相似性的原则进行聚类，使得在同一个类中的对象具有很高的相似性，而与其它类中的对象很不相似，以历史数据确定的电力设备运行状态空间为基本范围，将监测数据与状态空间范围按接近程度进行聚类区分匹配，即将数据所处范围与状态空间范围相互近似重合区域匹配为同一类，形成反映设备运行不同状态的监测数据的数值范围；
聚类区分匹配方法为借助于若干分析指标对变量之间的密切程度进行测定，即相关分析，按照跟不同的状态空间密切程度相互比较，密切程度最高的状态空间为数据应该匹配的值域范围；在判断相关关系密切程度之前，首先确定现象之间有无相关关系，确定方法有：一是根据自己的理论知识和实践经验综合分析判断；二是用相关图表进一步确定现象之间相关的方向和形式，在此基础上通过计算相关系数或相关指数来测定相关关系密切的程度；相关系数r计算公式如下：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>x</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>y</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>y</mi>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>&Sigma;</mi>
<mi>y</mi>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<msup>
<mo>)</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&CenterDot;</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<msqrt>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mover>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<msup>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<mrow>
<mover>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>&RightArrow;</mo>
</mover>
<mo>-</mo>
<msup>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>n</mi>
<mi>&Sigma;</mi>
<mi>x</mi>
<mi>y</mi>
<mo>-</mo>
<mi>&Sigma;</mi>
<mi>x</mi>
<mi>&Sigma;</mi>
<mi>y</mi>
</mrow>
<mrow>
<msqrt>
<mrow>
<msup>
<mi>n&Sigma;x</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<msup>
<mi>n&Sigma;y</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
利用相关系数判断相关关系的密切程度标准定义如下：
若相关系数|r|＝0，则相关程度为完全不相关；
若相关系数0＜|r|≤0.3，则相关程度为微弱相关；
若相关系数0.3＜|r|≤0.5，则相关程度为低度相关；
若相关系数0.5＜|r|≤0.8，则相关程度为显著相关；
若相关系数0.8＜|r|≤1，则相关程度为高度相关；
若相关系数|r|＝1，则相关程度为完全相关；
上述公式相关内容中，聚类匹配依据为待聚类数据跟状态空间值域范围的相关系数的直接比较确定，定义中相关程度的划分意义为直观表述相关关系的密切程度；
(4)在(3)的基础上持续补充后续监测数据并进行区分匹配，按照数据出现的概率分布范围逐渐修正不同状态空间的边界，不断修改不同区域的阈值，进行电力设备运行状态阈值整定，形成设备运行状态的判断依据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410379671.3A CN104134006B (zh) | 2014-08-04 | 2014-08-04 | 一种基于历史数据聚类的电力设备动态阈值整定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410379671.3A CN104134006B (zh) | 2014-08-04 | 2014-08-04 | 一种基于历史数据聚类的电力设备动态阈值整定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104134006A CN104134006A (zh) | 2014-11-05 |
| CN104134006B true CN104134006B (zh) | 2017-09-26 |
Family
ID=51806681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410379671.3A Active CN104134006B (zh) | 2014-08-04 | 2014-08-04 | 一种基于历史数据聚类的电力设备动态阈值整定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104134006B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104749519B (zh) * | 2015-03-12 | 2018-03-06 | 云南电网公司西双版纳供电局 | 一种基于相关性分析的有载调压变压器分接开关运行状态判断方法 |
| CN104742939B (zh) * | 2015-03-13 | 2017-01-11 | 南京理工大学 | 高速铁路温度信息采集和预警方法与系统 |
| CN105427043A (zh) * | 2015-11-20 | 2016-03-23 | 江苏省电力公司扬州供电公司 | 一种基于改进的最近邻算法的电网告警分析方法 |
| CN106681300B (zh) * | 2016-12-14 | 2019-03-29 | 云南电网有限责任公司电力科学研究院 | 一种电力设备的数据聚类分析方法和系统 |
| CN107271809B (zh) * | 2017-05-18 | 2020-01-31 | 国家电网公司 | 一种面向大数据应用的电力设备状态量动态阈值获取方法 |
| CN109753027A (zh) * | 2017-11-08 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 一种工业制造中参数的监控方法和装置 |
| CN108053622B (zh) * | 2018-01-11 | 2019-06-04 | 安徽容知日新科技股份有限公司 | 一种报警门限设置方法和计算设备 |
| CN108921232B (zh) * | 2018-07-31 | 2021-05-04 | 东北大学 | 一种热轧带钢冷却历史数据聚类及相似性度量方法 |
| CN111080128A (zh) * | 2019-12-17 | 2020-04-28 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种火电站金属设备大数据分析和可靠性评价管理系统 |
| CN111582340B (zh) * | 2020-04-28 | 2023-05-02 | 华润电力技术研究院有限公司 | 一种煤场监测方法、装置、设备及计算机可读存储介质 |
| CN112285034A (zh) * | 2020-11-02 | 2021-01-29 | 国网上海市电力公司 | 一种基于油枕传感器的实时告警方法及计算机设备 |
| CN113538051A (zh) * | 2021-07-16 | 2021-10-22 | 广州电力交易中心有限责任公司 | 基于用户行为的电力交易平台安全预警方法 |
| CN116088399B (zh) * | 2023-04-10 | 2023-07-04 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种智慧电厂厂区监控系统及其监控方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1752958A (zh) * | 2004-09-26 | 2006-03-29 | 福建省电力试验研究院 | 电网运行状态评估系统及调度决策系统 |
| CN103630869A (zh) * | 2013-11-29 | 2014-03-12 | 国网安徽省电力公司 | 基于聚类算法对异常事件分析评价电能表整体状态的方法 |
-
2014
- 2014-08-04 CN CN201410379671.3A patent/CN104134006B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1752958A (zh) * | 2004-09-26 | 2006-03-29 | 福建省电力试验研究院 | 电网运行状态评估系统及调度决策系统 |
| CN103630869A (zh) * | 2013-11-29 | 2014-03-12 | 国网安徽省电力公司 | 基于聚类算法对异常事件分析评价电能表整体状态的方法 |
Non-Patent Citations (3)
| Title |
|---|
| Neural networks based on fuzzy clustering and its applications in electrical equipment fault diagnosis;LONG ZHOU;《Proceedings of the Fourth International Conference on Machine Learning and Cybernetics》;20050821;第3996-3999 * |
| 基于气象环境的电力设备状态检修策略研究;李磊;《中国优秀硕士学位论文数据库 工程科技II辑》;20140215(第02期);摘要、第3.3节 * |
| 电力设备运行安全状态评估系统的方案设计;姚建刚等;《电力系统及其自动化学报》;20090228;第21卷(第1期);第53页第1栏--55页第4栏，图1，图2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104134006A (zh) | 2014-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104134006B (zh) | 一种基于历史数据聚类的电力设备动态阈值整定方法 | |
| Karsak | Using data envelopment analysis for evaluating flexible manufacturing systems in the presence of imprecise data | |
| CN103679296A (zh) | 基于态势感知的电网安全风险评估方法和模型 | |
| CN104156403B (zh) | 一种基于聚类的大数据常态模式提取方法及系统 | |
| CN106067088A (zh) | 电子银行访问行为的检测方法和装置 | |
| CN113111596B (zh) | 基于电力大脑中枢的碳达峰实时可视化测算方法 | |
| CN104573702A (zh) | 一种六氟化硫压力仪表图像自动识别方法 | |
| CN102751725B (zh) | 一种配电网过负荷风险状态辨识方法 | |
| CN103198147A (zh) | 自动化监测异常数据的判别及处理方法 | |
| CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
| CN106682159A (zh) | 一种阈值配置方法 | |
| CN109298225A (zh) | 一种电压量测数据异常状态自动识别模型及方法 | |
| CN110995153A (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
| CN104091066A (zh) | 一种高压断路器的状态评估方法 | |
| CN104794535A (zh) | 一种基于主导行业的电力需求预测及预警的方法 | |
| CN113922412A (zh) | 一种新能源多场站短路比全景化评估方法、系统、存储介质及计算设备 | |
| CN112508465A (zh) | 一种多维审计监控综合评价方法 | |
| Qian et al. | Remaining useful life prediction using ranking mutual information based monotonic health indicator | |
| CN111523576B (zh) | 一种适用于电子质量检测的密度峰值聚类离群点检测方法 | |
| Fan | Data mining model for predicting the quality level and classification of construction projects | |
| CN117314871A (zh) | 基于灰度共生矩阵与决策树的带钢分选度分级方法及装置 | |
| CN108681802A (zh) | 一种电动汽车充电设施信息互操作评价方法 | |
| Hassani et al. | A self-similar local neuro-fuzzy model for short-term demand forecasting | |
| Wang et al. | Application of clustering technique to electricity customer classification for load forecasting | |
| CN103778413B (zh) | 一种遥感影像欠分割对象自动识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |