CN104361433A - 一种电网运行kpi数据模式自学习的方法和系统 - Google Patents
一种电网运行kpi数据模式自学习的方法和系统 Download PDFInfo
- Publication number
- CN104361433A CN104361433A CN201410571170.5A CN201410571170A CN104361433A CN 104361433 A CN104361433 A CN 104361433A CN 201410571170 A CN201410571170 A CN 201410571170A CN 104361433 A CN104361433 A CN 104361433A
- Authority
- CN
- China
- Prior art keywords
- data
- power networks
- kpi
- kpi data
- knowledge
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012795 verification Methods 0.000 claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 238000007418 data mining Methods 0.000 claims abstract description 36
- 238000005516 engineering process Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000007726 management method Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000004140 cleaning Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 238000013480 data collection Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000000153 supplemental effect Effects 0.000 claims description 6
- 238000011160 research Methods 0.000 abstract description 8
- 238000010219 correlation analysis Methods 0.000 abstract 1
- 238000013075 data extraction Methods 0.000 abstract 1
- 238000013501 data transformation Methods 0.000 abstract 1
- 238000005406 washing Methods 0.000 abstract 1
- 235000007926 Craterellus fallax Nutrition 0.000 description 2
- 240000007175 Datura inoxia Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 244000061408 Eugenia caryophyllata Species 0.000 description 2
- 241001074085 Scophthalmus aquosus Species 0.000 description 2
- 235000016639 Syzygium aromaticum Nutrition 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电网运行KPI数据模式自学习的方法和系统，该方法通过ETL技术按照需求对收集的电网运行数据进行数据抽取、数据转换和清洗得到电网运行KPI数据，并将清洗后的电网运行KPI数据装载到电网运行KPI数据仓库中，然后利用C4.5算法对装载到电网运行KPI数据仓库中的数据进行电网运行KPI数据挖掘，通过特征分析、关联分析和聚类决策分析得到KPI数据关联关系，再通过设置可信门槛过滤得到被接受的KPI数据关联关系，并在知识验证后得到新的电网运行KPI数据模式存储于电网运行KPI经验知识库中。该方法能够获取确信可使用的传统电网运行研究理论未发现的扩展知识，为丰富改善电网运行人员的专业知识和能力提供了基础，进而达到精细化管理。
Description
技术领域
本发明涉及一种电力系统智能调度技术领域，特别是一种电网运行KPI数据模式自学习的方法和系统。
背景技术
电力网络运行过程中会产生大量数据，对电网运行数据进行管理，从这些数据中寻找关键信息，掌握电力系统运行状态，对调度人员提高发电调整的决策效率有重要意义。关键性能指标KPI(Key Performance Indicator)集中展示了电网运行状态，为公司高层决策人员和电网运行关键岗位人员提供关于电网运行安全性、经济性、优质性、环保性的信息。目前的电网运行KPI数据管理只依据传统电网研究人工进行知识管理，且已有的KPI数据模式固定，无法进一步获取未发现的数据模式，使得对电网运行研究理论未发现的扩展知识受限，电网运行管理决策效率比较低，无法达到精细化管理。
为加强电网运行安全性、优化电能质量、提高电网运行经济性、兼顾电力生产的环保要求，电网运行的精细化管理逐渐成为各电网公司的迫切需要。随着电网基础设施数字化水平不断提高，电网信息系统的数据量不断增大，有效的利用海量数据，从数据中发掘出隐含的、先前未知并具有潜在价值的信息，是当前电网信息化领域的重要研究方向。
发明内容
本发明针对现有的电网运行数据的人工进行知识管理和KPI数据模式固定导致的电网运行管理效率低并无法精细化管理的问题，提供一种电网运行KPI数据模式自学习的方法，对电网运行数据采用ETL技术和电网运行KPI数据挖掘获取确信可使用的传统电网运行研究理论未发现的扩展知识，实现电网运行KPI数据模式自学习，为丰富改善电网运行人员的专业知识和能力提供了基础，进而达到精细化管理，提高电网运行管理水平。本发明还涉及一种电网运行KPI数据模式自学习的系统。
本发明的技术方案如下：
一种电网运行KPI数据模式自学习的方法，其特征在于，通过ETL技术按照需求对收集的电网运行数据进行数据抽取、数据转换和清洗得到电网运行KPI数据，并将清洗后的电网运行KPI数据装载到电网运行KPI数据仓库中，然后利用C4.5算法对装载到电网运行KPI数据仓库中的数据进行电网运行KPI数据挖掘，通过特征分析、关联分析和聚类决策分析得到KPI数据关联关系，再通过设置可信门槛过滤得到被接受的KPI数据关联关系，并在知识验证后得到新的电网运行KPI数据模式存储于电网运行KPI经验知识库中。
收集的电网运行数据为多源数据采集，包括采集电网运行KPI经验知识库中具有明确范围和数据采集源的电网运行KPI数据以及采集其它系统经数据处理产生的结果的KPI数据，还包括采集电网量测的潮流数据、拓扑数据和参数数据。
通过ETL技术按照需求对收集的电网运行数据从电网运行的各监测系统、执行系统和/或管理系统中进行数据抽取、数据转换和清洗得到电网运行KPI数据，所述清洗包括去除数据中的明显错误和冗余。
设置的可信门槛过滤包括安全可信门槛过滤、优质可信门槛过滤、经济可信门槛过滤和环保可信门槛过滤，将未通过可信门槛过滤的数据作为不可信知识存储至不可信知识库中。
在得到被接受的KPI数据关联关系后通过电网仿真技术进行知识验证，知识验证不合格的数据作为不可信知识存储至不可信知识库中，知识验证合格得到新的电网运行KPI数据模式还反馈到利用C4.5算法进行的电网运行KPI数据挖掘。
一种电网运行KPI数据模式自学习的系统，其特征在于，包括依次连接的电网运行数据收集模块、电网运行数据ETL处理模块、电网运行KPI数据仓库、电网运行KPI数据挖掘模块、可信门槛过滤模块和知识验证模块，所述电网运行数据收集模块收集电网运行数据，所述电网运行数据ETL处理模块通过ETL技术按照需求对收集的电网运行数据进行数据抽取、数据转换和清洗得到电网运行KPI数据，并将清洗后的电网运行KPI数据装载到电网运行KPI数据仓库中，所述电网运行KPI数据挖掘模块利用C4.5算法对装载到电网运行KPI数据仓库中的数据进行电网运行KPI数据挖掘并通过特征分析、关联分析和聚类决策分析得到KPI数据关联关系，所述可信门槛过滤模块通过设置可信门槛过滤得到被接受的KPI数据关联关系，再由知识验证模块进行知识验证后得到新的电网运行KPI数据模式存储于电网运行KPI经验知识库中。
所述电网运行数据收集模块收集的电网运行数据为多源数据采集，包括采集电网运行KPI经验知识库中具有明确范围和数据采集源的电网运行KPI数据以及采集其它系统经数据处理产生的结果的KPI数据，还包括采集电网量测的潮流数据、拓扑数据和参数数据。
所述电网运行数据ETL处理模块通过ETL技术按照需求对收集的电网运行数据从电网运行的各监测系统、执行系统和/或管理系统中进行数据抽取、数据转换和清洗得到电网运行KPI数据，所述清洗包括去除数据中的明显错误和冗余。
还包括不可信知识库，所述不可信知识库与可信门槛过滤模块相连；所述可信门槛过滤模块包括安全可信门槛过滤模块、优质可信门槛过滤模块、经济可信门槛过滤模块和环保可信门槛过滤模块，分别实现安全可信过滤、优质可信门槛过滤、经济可信门槛过滤和环保可信门槛过滤，均满足可信门槛过滤的被接受的KPI数据关联关系输入至知识验证模块，将不满足可信门槛过滤的数据作为不可信知识存储至不可信知识库中。
所述不可信知识库还与知识验证模块相连，所述知识验证模块在得到被接受的KPI数据关联关系后通过电网仿真技术进行知识验证，知识验证不合格的数据作为不可信知识存储至不可信知识库中，知识验证合格得到新的电网运行KPI数据模式存储于电网运行KPI经验知识库中，同时新的电网运行KPI数据模式还反馈输入至电网运行KPI数据挖掘模块。
本发明的技术效果如下：
本发明提供的电网运行KPI数据模式自学习的方法，利用ETL技术按照实际需求对收集的电网运行数据进行数据处理得到电网运行KPI数据，采用利用C4.5算法进行电网运行KPI数据挖掘并获取确信可使用的新的电网运行KPI数据模式存储于电网运行KPI经验知识库中。本发明的方法通过ETL技术和数据挖掘技术对电网运行数据进行自动化深入分析和处理，获取确信可使用的并通过经验验证的新的电网运行KPI数据模式，属于传统电网运行研究理论未发现的扩展知识，实现电网运行KPI数据模式自学习，解决了现有的电网运行数据的人工进行知识管理和KPI数据模式固定导致的电网运行管理效率低并无法精细化管理的问题，经过基于传统电网分析理论构造的适用于电网运行KPI数据的挖掘，经过挖掘、可信门槛过滤和知识验证，最终产生有价值的新的电网运行KPI知识或电网运行KPI数据模式，将ETL技术和特定的数据挖掘技术应用于电网运行KPI经验知识库的完善，降低了电网运行管理人员的业务分析工作量，为丰富和改善电网运行管理人员的专业知识、调整运行管理策略，降低电网运行分风险、提高电网运行效率以及提高决策准确性提供方法和依据，通过本发明的方法能够达到精细化管理，提高电网运行管理水平。
本发明提供的电网运行KPI数据模式自学习的系统，包括依次连接的电网运行数据收集模块、电网运行数据ETL处理模块、电网运行KPI数据仓库、电网运行KPI数据挖掘模块、可信门槛过滤模块和知识验证模块，通过各模块的相互配合工作，基于ETL技术和特定的数据挖掘算法对海量电网运行数据进行数据挖掘，将数据挖掘算法应用到电力系统智能调度领域的电网KPI管理中，获取传统电网运行研究理论未发现的新的电网运行KPI数据模式，实现电网运行精细化管理，为加强电网运行安全性以及提高电网运行经济性等方面提供了帮助，该系统以降低了电网运行管理人员的业务分析工作量，丰富了决策方法同时提高了操作精确度，该电网运行KPI数据模式自学习的系统有利于推广和应用。
附图说明
图1为本发明电网运行KPI数据模式自学习的方法的优选流程图。
图2为本发明电网运行KPI数据模式自学习的系统的优选结构示意图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种电网运行KPI数据模式自学习的方法，通过ETL技术按照需求对收集的电网运行数据进行数据抽取、数据转换和清洗得到电网运行KPI数据，并将清洗后的电网运行KPI数据装载到电网运行KPI数据仓库中，然后利用C4.5算法对装载到电网运行KPI数据仓库中的数据进行电网运行KPI数据挖掘，通过特征分析、关联分析和聚类决策分析得到KPI数据关联关系，再通过设置可信门槛过滤得到被接受的KPI数据关联关系，并在知识验证后得到新的电网运行KPI数据模式存储于电网运行KPI经验知识库中。
本发明电网运行KPI数据模式自学习的方法的优选流程如图1所示。包括下面步骤：
1)收集电网运行数据，优选收集的电网运行数据为多源数据采集，包括采集电网运行KPI经验知识库中具有明确范围和数据采集源的电网运行KPI数据以及采集其它系统经数据处理产生的结果的KPI数据，还包括采集电网量测的潮流数据、拓扑数据和参数数据。具体地，如电网频率、母线电压、支路有功、支路无功等一系列遥测数据，开关状态、刀闸状态、变压器分接头档位等一系列遥信数据，厂站总负荷、厂站总出力、电网稳态潮流计算公式、电网暂态故障电流计算公式、状态估计算法、电网网损计算公式、支路网损计算公式等一系列系统计算数据和数据模式以及由以上数据综合产生的电网运行各项KPI数据。
2)根据需求对收集的电网运行数据ETL：通过ETL技术按照实际需求对收集的电网运行数据进行数据抽取、数据转换和清洗得到电网运行KPI数据，并将清洗后的电网运行KPI数据装载到电网运行KPI数据仓库中。收集的电网运行数据分布在电网运行的各监测系统、执行系统和管理系统等系统中，如EMS电能管理系统、ERP企业资源计划系统、WAMS广域监测系统等，按照实际需求比如需获取电流值关系或开关状态关系等，利用ETL技术从与需求相关联的电网运行的各监测系统、执行系统和/或管理系统中进行数据抽取、数据转换和清洗得到电网运行KPI数据。采用ETL技术从各系统中进行数据抽取，并进行数据清洗和汇集处理，数据转换为适于进行后续数据挖掘的数据结构格式，通过清洗去除数据中的明显错误和大量的冗余，将清洗后的电网运行KPI数据装载到电网运行KPI数据仓库中。
3)电网运行KPI数据挖掘：利用C4.5算法对装载到电网运行KPI数据仓库中的数据进行电网运行KPI数据挖掘，C4.5算法对电网运行KPI数据挖掘包括进行特征分析、关联分析和聚类决策分析，还包括区分分析、趋势分析、演化分析、偏差分析、类似性分析等处理过程，最大限度取出数据信息中的噪声，对电网运行KPI数据进行自动化深入分析，挖掘出具有合理的KPI数据关联关系。
4)通过设置可信门槛过滤得到被接受的KPI数据关联关系。具体地，数据挖掘的下钻与上卷结果通过可信门槛过滤，设置的可信门槛过滤包括安全可信门槛过滤、优质可信门槛过滤、经济可信门槛过滤和环保可信门槛过滤，即基于安全、优质、经济、环保四项电网运行指标的可信度配置规则作为可信门槛，或者称为影响力门槛，具体可设置数据百分比范围、R2(方程确定性系数)值范围、F(方程线性关系表征)值等一系列可信度相关门槛值，用于对数据挖掘产生结果进行初步筛选，剔除可信度低的挖掘结果。通过可信门槛过滤的数据(即图1所示的满足可信门槛过滤条件的数据)作为可被接受的KPI数据关联关系同时也是未验证KPI知识进入下一处理环节，将未通过可信门槛过滤的数据(即图1所示的不满足可信门槛过滤条件的数据)作为不可信知识存储至不可信知识库中。
5)对未验证KPI知识进行知识验证，具体可以是在得到被接受的KPI数据关联关系后通过电网仿真技术进行知识验证。该步骤的设置是因为虽然通过可信门槛过滤的数据可信度比较高，但是为保证数据的准确性，对该KPI数据关联关系进行知识验证和评估，知识验证合格(如图1所示的验证正确)得到新的电网运行KPI数据模式，该新的电网运行KPI数据模式可以理解为是电网运行KPI经验知识模型，将其作为最终有效的知识存储于电网运行KPI经验知识库中，知识验证不合格(如图1所示的验证错误)的数据则作为不可信知识存储至不可信知识库中。这样，电网运行KPI经验知识库就增加了传统电网运行研究理论未发现的新的电网运行KPI数据之间的关系或模式，实现KPI知识扩展，完成电网运行KPI数据模式自学习。
6)知识验证合格得到新的电网运行KPI数据模式还反馈到步骤3)，即新的电网运行KPI数据模式参与利用C4.5算法进行的电网运行KPI数据挖掘，形成闭环反馈，如图1所示虚线框中的步骤3)—6)为自优化闭环，该闭环也可以理解为是电网运行KPI知识发现引擎步骤。随着新的KPI数据模式的增加采用步骤6)为进一步的KPI数据挖掘提供基础，同时也作为利用C4.5算法进行电网运行KPI数据挖掘的依据，实现电网运行KPI经验知识的不断积累和KPI模式的不断优化，形成自优化循环，不断提高电网运行KPI数据模式的知识范围和可信度，最终实现电网运行KPI经验知识库的逐步完善，提高电网运行KPI数据模式自学习效率。
本发明还涉及一种电网运行KPI数据模式自学习的系统，该系统与本发明上述电网运行KPI数据模式自学习的方法相对应，也可以理解为是实现上述电网运行KPI数据模式自学习的方法的系统。该系统结构如图2所示，包括依次连接的电网运行数据收集模块、电网运行数据ETL处理模块、电网运行KPI数据仓库、电网运行KPI数据挖掘模块、可信门槛过滤模块和知识验证模块，优选还包括不可信知识库，可信门槛过滤模块和知识验证模块均与不可信知识库相连。
电网运行数据收集模块用于收集电网运行数据，收集电网运行数据主要是多源数据采集，包括采集电网运行KPI经验知识库中具有明确范围和数据采集源的电网运行KPI数据以及采集其它系统经数据处理产生的结果的KPI数据，还包括采集电网量测的潮流数据、拓扑数据和参数数据。收集的电网运行数据输入至电网运行数据ETL处理模块，电网运行数据ETL处理模块通过ETL技术按照需求对收集的电网运行数据从电网运行的各监测系统、执行系统和/或管理系统中进行数据抽取、数据转换和清洗得到电网运行KPI数据，去除数据中的明显错误和大量的冗余，并将清洗后的电网运行KPI数据装载到电网运行KPI数据仓库中。电网运行KPI数据挖掘模块利用C4.5算法对装载到电网运行KPI数据仓库中的数据进行电网运行KPI数据挖掘并通过特征分析、关联分析和聚类决策分析等得到KPI数据关联关系，也可理解为数据挖掘给出的多种下钻与上卷结果形成KPI数据关联关系。可信门槛过滤模块通过设置可信门槛过滤得到被接受的KPI数据关联关系，可信门槛过滤模块优选包括安全可信门槛过滤模块、优质可信门槛过滤模块、经济可信门槛过滤模块和环保可信门槛过滤模块，分别实现安全可信过滤、优质可信门槛过滤、经济可信门槛过滤和环保可信门槛过滤，均满足可信门槛过滤的被接受的KPI数据关联关系输入至知识验证模块，将不满足可信门槛过滤的数据作为不可信知识存储至不可信知识库中。知识验证模块在得到被接受的KPI数据关联关系后通过电网仿真技术进行知识验证，知识验证不合格的数据作为不可信知识存储至不可信知识库中，知识验证合格得到新的电网运行KPI数据模式存储于电网运行KPI经验知识库中，同时得到的新的电网运行KPI数据模式还反馈输入至电网运行KPI数据挖掘模块，形成自优化闭环和循环。本发明的电网运行KPI数据模式自学习的系统能够将可用有效的KPI知识自动添加到电网运行KPI经验知识库中，实现电网运行KPI经验知识库的知识更新和知识扩展，新的电网运行KPI数据模式与电网运行KPI经验知识库逻辑分离并自动交互，形成基于ETL技术和数据挖掘的电网运行KPI经验知识积累的完整系统，同时也是可随电网运行数据量的增加自动优化的电网运行KPI经验知识库的自学习系统。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。
Claims (10)
1.一种电网运行KPI数据模式自学习的方法，其特征在于，通过ETL技术按照需求对收集的电网运行数据进行数据抽取、数据转换和清洗得到电网运行KPI数据，并将清洗后的电网运行KPI数据装载到电网运行KPI数据仓库中，然后利用C4.5算法对装载到电网运行KPI数据仓库中的数据进行电网运行KPI数据挖掘，通过特征分析、关联分析和聚类决策分析得到KPI数据关联关系，再通过设置可信门槛过滤得到被接受的KPI数据关联关系，并在知识验证后得到新的电网运行KPI数据模式存储于电网运行KPI经验知识库中。
2.根据权利要求1所述的电网运行KPI数据模式自学习的方法，其特征在于，收集的电网运行数据为多源数据采集，包括采集电网运行KPI经验知识库中具有明确范围和数据采集源的电网运行KPI数据以及采集其它系统经数据处理产生的结果的KPI数据，还包括采集电网量测的潮流数据、拓扑数据和参数数据。
3.根据权利要求1或2所述的电网运行KPI数据模式自学习的方法，其特征在于，通过ETL技术按照需求对收集的电网运行数据从电网运行的各监测系统、执行系统和/或管理系统中进行数据抽取、数据转换和清洗得到电网运行KPI数据，所述清洗包括去除数据中的明显错误和冗余。
4.根据权利要求1或2所述的电网运行KPI数据模式自学习的方法，其特征在于，设置的可信门槛过滤包括安全可信门槛过滤、优质可信门槛过滤、经济可信门槛过滤和环保可信门槛过滤，将未通过可信门槛过滤的数据作为不可信知识存储至不可信知识库中。
5.根据权利要求4所述的电网运行KPI数据模式自学习的方法，其特征在于，在得到被接受的KPI数据关联关系后通过电网仿真技术进行知识验证，知识验证不合格的数据作为不可信知识存储至不可信知识库中，知识验证合格得到新的电网运行KPI数据模式还反馈到利用C4.5算法进行的电网运行KPI数据挖掘。
6.一种电网运行KPI数据模式自学习的系统，其特征在于，包括依次连接的电网运行数据收集模块、电网运行数据ETL处理模块、电网运行KPI数据仓库、电网运行KPI数据挖掘模块、可信门槛过滤模块和知识验证模块，所述电网运行数据收集模块收集电网运行数据，所述电网运行数据ETL处理模块通过ETL技术按照需求对收集的电网运行数据进行数据抽取、数据转换和清洗得到电网运行KPI数据，并将清洗后的电网运行KPI数据装载到电网运行KPI数据仓库中，所述电网运行KPI数据挖掘模块利用C4.5算法对装载到电网运行KPI数据仓库中的数据进行电网运行KPI数据挖掘并通过特征分析、关联分析和聚类决策分析得到KPI数据关联关系，所述可信门槛过滤模块通过设置可信门槛过滤得到被接受的KPI数据关联关系，再由知识验证模块进行知识验证后得到新的电网运行KPI数据模式存储于电网运行KPI经验知识库中。
7.根据权利要求6所述的电网运行KPI数据模式自学习的系统，其特征在于，所述电网运行数据收集模块收集的电网运行数据为多源数据采集，包括采集电网运行KPI经验知识库中具有明确范围和数据采集源的电网运行KPI数据以及采集其它系统经数据处理产生的结果的KPI数据，还包括采集电网量测的潮流数据、拓扑数据和参数数据。
8.根据权利要求6或7所述的电网运行KPI数据模式自学习的系统，其特征在于，所述电网运行数据ETL处理模块通过ETL技术按照需求对收集的电网运行数据从电网运行的各监测系统、执行系统和/或管理系统中进行数据抽取、数据转换和清洗得到电网运行KPI数据，所述清洗包括去除数据中的明显错误和冗余。
9.根据权利要求6或7所述的电网运行KPI数据模式自学习的系统，其特征在于，还包括不可信知识库，所述不可信知识库与可信门槛过滤模块相连；所述可信门槛过滤模块包括安全可信门槛过滤模块、优质可信门槛过滤模块、经济可信门槛过滤模块和环保可信门槛过滤模块，分别实现安全可信过滤、优质可信门槛过滤、经济可信门槛过滤和环保可信门槛过滤，均满足可信门槛过滤的被接受的KPI数据关联关系输入至知识验证模块，将不满足可信门槛过滤的数据作为不可信知识存储至不可信知识库中。
10.根据权利要求9所述的电网运行KPI数据模式自学习的系统，其特征在于，所述不可信知识库还与知识验证模块相连，所述知识验证模块在得到被接受的KPI数据关联关系后通过电网仿真技术进行知识验证，知识验证不合格的数据作为不可信知识存储至不可信知识库中，知识验证合格得到新的电网运行KPI数据模式存储于电网运行KPI经验知识库中，同时新的电网运行KPI数据模式还反馈输入至电网运行KPI数据挖掘模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410571170.5A CN104361433A (zh) | 2014-10-23 | 2014-10-23 | 一种电网运行kpi数据模式自学习的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410571170.5A CN104361433A (zh) | 2014-10-23 | 2014-10-23 | 一种电网运行kpi数据模式自学习的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104361433A true CN104361433A (zh) | 2015-02-18 |
Family
ID=52528691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410571170.5A Pending CN104361433A (zh) | 2014-10-23 | 2014-10-23 | 一种电网运行kpi数据模式自学习的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104361433A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255993A (zh) * | 2018-10-31 | 2019-01-22 | 北京汉高天泓文化艺术发展有限公司 | 基于多端互通的教学平台 |
| CN109711692A (zh) * | 2018-12-17 | 2019-05-03 | 深圳壹账通智能科技有限公司 | Kpi指标管理方法、装置、计算机设备和存储介质 |
| US11200250B2 (en) | 2018-11-30 | 2021-12-14 | Tata Consultancy Services Limited | Method and system for optimizing validations carried out for input data at a data warehouse |
| WO2024140256A3 (zh) * | 2022-12-27 | 2024-08-22 | 中兴通讯股份有限公司 | 关键性能指标的获取和计算方法、电子设备及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005148933A (ja) * | 2003-11-12 | 2005-06-09 | Nec Corp | プロジェクト管理システムおよびプロジェクト管理方法 |
| CN102521706A (zh) * | 2011-12-16 | 2012-06-27 | 北京斯泰威网络科技有限公司 | Kpi 数据的分析方法及装置 |
| CN103698637A (zh) * | 2013-12-25 | 2014-04-02 | 云南电力调度控制中心 | 一种电力关键指标异常快速检测方法和装置 |
| CN103902707A (zh) * | 2014-03-31 | 2014-07-02 | 辽宁四维科技发展有限公司 | 基于专家系统url清洗知识库的“垃圾”内容过滤方法 |
-
2014
- 2014-10-23 CN CN201410571170.5A patent/CN104361433A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005148933A (ja) * | 2003-11-12 | 2005-06-09 | Nec Corp | プロジェクト管理システムおよびプロジェクト管理方法 |
| CN102521706A (zh) * | 2011-12-16 | 2012-06-27 | 北京斯泰威网络科技有限公司 | Kpi 数据的分析方法及装置 |
| CN103698637A (zh) * | 2013-12-25 | 2014-04-02 | 云南电力调度控制中心 | 一种电力关键指标异常快速检测方法和装置 |
| CN103902707A (zh) * | 2014-03-31 | 2014-07-02 | 辽宁四维科技发展有限公司 | 基于专家系统url清洗知识库的“垃圾”内容过滤方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘芳: "基于数据挖掘的电网数据智能分析的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 郭抒翔: "ETL关键技术在电网综合数据平台中的应用", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255993A (zh) * | 2018-10-31 | 2019-01-22 | 北京汉高天泓文化艺术发展有限公司 | 基于多端互通的教学平台 |
| CN109255993B (zh) * | 2018-10-31 | 2020-10-16 | 北京汉高天泓文化艺术发展有限公司 | 基于多端互通的教学平台 |
| US11200250B2 (en) | 2018-11-30 | 2021-12-14 | Tata Consultancy Services Limited | Method and system for optimizing validations carried out for input data at a data warehouse |
| CN109711692A (zh) * | 2018-12-17 | 2019-05-03 | 深圳壹账通智能科技有限公司 | Kpi指标管理方法、装置、计算机设备和存储介质 |
| WO2024140256A3 (zh) * | 2022-12-27 | 2024-08-22 | 中兴通讯股份有限公司 | 关键性能指标的获取和计算方法、电子设备及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103427417B (zh) | 基于多源信息融合的配电网故障处理方法 | |
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN112531694A (zh) | 基于数字孪生技术的交直流混合电网全域实时模拟方法 | |
| CN104616205A (zh) | 一种基于分布式日志分析的电力系统运行状态监视方法 | |
| CN104361433A (zh) | 一种电网运行kpi数据模式自学习的方法和系统 | |
| CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN104077651B (zh) | 电网检修计划优化方法 | |
| Vrakopoulou et al. | A probabilistic framework for security constrained reserve scheduling of networks with wind power generation | |
| CN104504607A (zh) | 一种基于模糊聚类算法的光伏电站故障诊断方法 | |
| CN102938106A (zh) | 基于电网停电计划的主网n-1风险评估方法和系统 | |
| CN105303469A (zh) | 线损异常原因数据挖掘分析的方法与系统 | |
| CN104899689B (zh) | 基于dbcc优化算法与熵权理论的配电网故障恢复方法 | |
| Chen et al. | Use of synchronized phasor measurements for dynamic stability monitoring and model validation in ERCOT | |
| CN104252646A (zh) | 一种电网日常检修计划自动编排方法 | |
| CN103310296A (zh) | 一种基于扰动评估和趋势分析的操作票安全校核方法 | |
| CN104377701B (zh) | 一种根据电压日波动率实时更新母线电压控制限值的方法 | |
| CN115983548A (zh) | 一种基于人工智能技术的配电网智能规划方法 | |
| CN105550450B (zh) | 一种电能质量干扰源特征谐波建模方法 | |
| CN105226649B (zh) | 一种基于母线负荷预测改进的省级电网发电调度优化方法 | |
| CN104063757B (zh) | 一种适应电网不同发展阶段的变电站电气主接线评估方法 | |
| Wang et al. | Analysis of network loss energy measurement based on machine learning | |
| CN114357758A (zh) | 一种电氢制储注一体站选址定容方法及系统 | |
| CN105186494B (zh) | 电力网络分析系统及方法 | |
| Liu et al. | A novel acceleration strategy for nl contingency screening in distribution system | |
| CN112202172A (zh) | 一种基于机组组合和网络结构优化的电网规划方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150218 |
|
| WD01 | Invention patent application deemed withdrawn after publication |