CN106846170B - 一种发电机组跳闸监测方法及其监测装置 - Google Patents
一种发电机组跳闸监测方法及其监测装置 Download PDFInfo
- Publication number
- CN106846170B CN106846170B CN201611197953.7A CN201611197953A CN106846170B CN 106846170 B CN106846170 B CN 106846170B CN 201611197953 A CN201611197953 A CN 201611197953A CN 106846170 B CN106846170 B CN 106846170B
- Authority
- CN
- China
- Prior art keywords
- trip
- genset
- clustering
- monitoring method
- vocabularies
- 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
Images
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Abstract
公开了一种发电机组跳闸监测方法及其监测装置,发电机组跳闸监测方法的步骤包括:第一步骤(S1)中:筛选调度日志中的技术词汇,对技术词汇进行词频统计分析以建立关键词汇集合,从而构成N维表征向量;第二步骤(S2)中:按照汽水、燃料和电气三个分类根据运行记录建立跳闸的归类数据库;第三步骤(S3)中:在所述归类数据库中利用所述N维表征向量进行聚类分析;第四步骤(S4)中:经由模式识别建立运行记录与跳闸之间的联系以监测发电机组跳闸。
Description
技术领域
本发明涉及一种发电机组技术领域,特别是一种发电机组跳闸监测方法及其监测装置。
背景技术
目前,虽然目前的发电机组运行技术已经相当完备,但是由于火力发电机组运行较为复杂且涉及电气、汽水、燃烧等多个子系统,由于缺陷发展引起的跳闸事件很难避免,给发电企业造成了很大的经济损失。
发电机组运行过程中,如果出现异常现象或是一般缺陷,一般不会停机,但是需要向调度部分汇报,因此调度部门会在日志和技术文件中对机组的缺陷进行记录,从而形成了大量的历史数据。这些数据中不乏一些典型事件,通过人工分析甚至可以实现一些跳闸事件的原因回溯。多年以来,由于记录的数据多采用自然语言,人工分析十分繁琐,因此很多有用信息被埋没在浩如烟海的日常记录中。
专利文献CN102737350 A公开的一种基于机器学习算法的输变电设备缺陷数据机器自主聚类工具由数据分解器(1)、聚类器(2)、结果处理器(3)依序连接组成;其中:在数据分解器(1)内分别设置有缺陷数据读取模块、缺陷数据分解模块、缺陷数据获取模块、缺陷数据过滤模块、聚类环境初始化模块;在聚类器(2)内分别设置有识别判断方法模块、记忆方法及结果模块、问题分析模块、分类处理模块;在结果处理器(3)内分别设置有数据库信息配置模块、结果结构配置模块、结果文件分发模块、新知识入库模块、老知识更新模块。该专利能自主分类处理输变电设备缺陷数据,但该专利无法利用运行记录进行归类,无法建立运行记录和机组跳闸事件间的联系,无法利用实时的运行信息以监测跳闸。
专利文献CN103514183 A公开的一种基于交互式文档聚类的信息检索方法的步骤包括:1)按时间段对存储的文档集进行水平划分和预处理;2)对预处理后的文档进行词频统计,并将高频词组成特证词集合;3)根据所述特证词集合生成文档的向量空间表示,进而计算文档间的距离并生成相似度矩阵;4)根据所述相似度矩阵生成拉普拉斯矩阵,并计算其特征值和特征向量;5)根据特征值间隔确定聚类数及表示矩阵,并对所述聚类数及表示矩阵进行二次聚类;6)用户对所述二次聚类的结果进行交互操作,使用卡方统计量挖掘新的特证词并添加至所述特证词集合,然后重复所述步骤3)至所述步骤5);7)将聚类结果展示给用户,供用户进行选择并获得不同类别的检索结果。该专利可支持海量文本数据自动聚类、整理和归纳相似文本,用户可参与挖掘过程的数据挖掘与知识发现,但该专利无法利用调度日志得到表征向量,无法利用运行记录进行归类,无法建立运行记录和机组跳闸事件间的联系,无法利用实时的运行信息以监测跳闸。
专利文献CN105550365 A公开的一种基于文本主题模型的可视化分析系统包括互联网文本数据采集模块、语料库模块、主题分析模块、主题聚类模块、数据可视化模块;互联网文本数据采集模块用于从互联网采集网页文本数据,并对所采集到的各篇文本数据进行清洗;语料库模块用于存储互联网文本数据采集模块清洗后的文本数据,并对存储的网页文本数据进行中文分词和词频统计,生成包含单词与所存储的网页文本数据之间的映射关系和词频统计数据的词频数据;主题分析模块用于依据语料库模块生成的词频数据建立主题模型,利用Gibbs抽样方法对所建立主题模型进行计算,存储并输出计算得到的文档-主题向量集和主题-单词向量集;主题聚类模块对主题分析模块输出的文档-主题向量集进行聚类分析,存储并输出聚类数据;数据可视化模块将主题分析模块和主题聚类模块输出的数据以图形的显示出来;数据可视化模块还用于显示和调整语料库模块、主题分析模块、主题聚类模块中可变参数。该专利可以通过交互式主题可视化模型实现对于网络文本信息主题分析和主题聚类的图形化直观展现、可变参数动态调整,但该专利无法利用调度日志得到表征向量,无法利用运行记录进行归类,无法建立运行记录和机组跳闸事件间的联系,无法利用实时的运行信息以监测跳闸。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
鉴于上述问题,本发明解决的技术问题主要包括三个方面,第一调度日志中对自然语言归纳总结,提取规律的技术;第二发电机组跳闸的典型过程分类技术;第三是通过规律进行跳闸预测的技术,本发明基于发电机组运行的特点,通过对调度日志、技术文件等非结构化数据进行深度挖掘,总结归纳内在联系和规律,进而形成发电机组跳闸事件监测一整套方法。
本发明的目的是通过以下技术方案予以实现。
本发明的一个方面,一种发电机组跳闸监测方法的步骤包括:
第一步骤中:筛选调度日志中的技术词汇,对技术词汇进行词频统计分析以建立关键词汇集合,从而构成N维表征向量。
第二步骤中:按照汽水、燃料和电气三个分类根据运行记录建立跳闸的归类数据库。
第三步骤中:在所述归类数据库中利用所述N维表征向量进行聚类分析。
第四步骤中:经由模式识别建立运行记录与跳闸之间的联系以监测发电机组跳闸。
优选地,第一步骤中:采用正则表达式对对不同字数组成的技术词汇在调度日志中进行遍历,再根据技术词汇出现的频率确定是否是关键词汇,从而建立构成N维表征向量。
优选地,第一步骤中:对所述调度日志进行分词,并分别计算通过分词获得的技术词汇的词频作为其权重,所述N维表征向量的每个元素分别与所述关键词汇相对应,每个元素的值分别为相对应的关键词汇的权重。
优选地,第二步骤中:归类数据库采用大数据分布式存储结构。
优选地,第二步骤中:在所述归类数据库的基础上建立数据类型数据库和知识类型的数据库。
优选地,第三步骤中:所述N维表征向量进行聚类计算,经由“二小值判断法”划分类簇,实现将不同关键词汇分组,在所述归类数据库中查找与所述N维表征向量相对应的类簇。
优选地,第三步骤中:聚类分析采用基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法或基于神经网络的聚类算法。
优选地,第三步骤中:聚类分析采用K-Means算法、凝聚算法或DBSCAN算法。
优选地,第四步骤中:模式识别包括支撑向量机、神经网络或遗传算法。
本发明的另一个方面,一种实施所述的发电机组跳闸监测方法的监测装置包括用于词频统计分析的数据分解器、用于构建归类数据库的归类器、用于聚类分析的聚类器和用于模式识别的处理器,所述数据分解器包括对技术词汇分词的分词单元和生成N维表征向量的向量生成单元,所述归类器包括大数据分布式存储结构,所述聚类器包括识别判断单元和分类处理单元,所述处理器包括模式识别单元和存储单元。
上述说明仅是本发明技术方案的概述,为了能够使得本发明的技术手段更加清楚明白,达到本领域技术人员可依照说明书的内容予以实施的程度,并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂,下面以本发明的具体实施方式进行举例说明。
附图说明
通过阅读下文优选的具体实施方式中的详细描述,本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。而且在整个附图中,用相同的附图标记表示相同的部件。
在附图中:
图1是根据本发明一个实施例的发电机组跳闸监测方法的步骤示意图;
图2是根据本发明一个实施例的发电机组跳闸监测方法的流程示意图;
图3是根据本发明一个实施例的实施发电机组跳闸监测方法的监测装置的结构示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本发明实施例的限定。
为了更好地理解,图1是根据本发明一个实施例的发电机组跳闸监测方法的步骤示意图,如图1所示,一种发电机组跳闸监测方法的步骤包括:
第一步骤S1中:筛选调度日志中的技术词汇,对技术词汇进行词频统计分析以建立关键词汇集合,从而构成N维表征向量。
第二步骤S2中:按照汽水、燃料和电气三个分类根据运行记录建立跳闸的归类数据库。
第三步骤S3中:在所述归类数据库中利用所述N维表征向量进行聚类分析。
第四步骤S4中:经由模式识别建立运行记录与跳闸之间的联系以监测发电机组跳闸。
本发明的发电机组跳闸监测方法可以从电力调度的需求出发,基于大量的日常运行记录和相关文件,利用自然语言分析的技术,自动从提取发电机组缺陷相关的描述,结合发电机组运行的规律,对发电机的缺陷进行聚类分析,抽取其中的有效信息,构建跳闸风险分析模型,实现机组跳闸事件的监测和风险预警功能。
在一个实施例中,第一步骤S1中:采用正则表达式对对不同字数组成的技术词汇在调度日志中进行遍历,再根据技术词汇出现的频率确定是否是关键词汇,从而建立构成N维表征向量。每一个针对特定原因跳闸故障的词汇集合就能够构成一个N维表征向量,N就是词汇集合的元素数量。
在一个实施例中,第一步骤S1中:对所述调度日志进行分词,并分别计算通过分词获得的技术词汇的词频作为其权重,所述N维表征向量的每个元素分别与所述关键词汇相对应,每个元素的值分别为相对应的关键词汇的权重。
在一个实施例中,第二步骤S2中:归类数据库采用大数据分布式存储结构。
在一个实施例中,第二步骤S2中:在所述归类数据库的基础上建立数据类型数据库和知识类型的数据库。根据运行记录整理整个跳闸过程,厘清原因和关键环节,以跳闸原因和缺陷特点构建案例数据库,数据可以建立在传统的关系型数据库基础上,也可以采用典型的大数据分布式存储结构,以便于数据库的增量更新。在数据库基础上可以建立数据仓库和知识仓库。
在一个实施例中,第三步骤S3中:所述N维表征向量进行聚类计算,经由“二小值判断法”划分类簇,实现将不同关键词汇分组,在所述归类数据库中查找与所述N维表征向量相对应的类簇。
在一个实施例中,第三步骤S3中:聚类分析采用基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法或基于神经网络的聚类算法。
在一个实施例中,第三步骤S3中:聚类分析采用K-Means算法、凝聚算法或DBSCAN算法。
在一个实施例中,第四步骤S4中:模式识别包括支撑向量机、神经网络或遗传算法。
图2是根据本发明一个实施例的发电机组跳闸监测方法的流程示意图,如图2所示,首先,对发电机组的调度日志进行数据挖掘,通过语言分析筛选调度日志中的技术词汇;词频的统计以及构建表征向量,对技术词汇进行词频统计分析以建立关键词汇集合,从而构成N维表征向量;然后,基于发电机组的运行记录进行运行分析,跳闸分析中,按照汽水、燃料和电气三个分类,对跳闸过程进行总结,然后根据运行记录建立跳闸的归类数据库;聚类分析,在所述归类数据库中利用所述N维表征向量进行聚类分析;建立联系以及开展监测,经由模式识别建立运行记录与跳闸之间的联系以监测发电机组跳闸。
如图3所示的实施发电机组跳闸监测方法的监测装置的结构示意图,一种实施所述的发电机组跳闸监测方法的监测装置包括用于词频统计分析的数据分解器1、用于构建归类数据库的归类器2、用于聚类分析的聚类器3和用于模式识别的处理器4,其特征在于:所述数据分解器1包括对技术词汇分词的分词单元5和生成N维表征向量的向量生成单元6,所述归类器2包括大数据分布式存储结构,所述聚类器3包括判断单元7和分类处理单元8,所述处理器4包括模式识别单元9和存储单元10。
在一个实施例中,处理器4是通用处理器、数字信号处理器、专用集成电路ASIC,现场可编程门阵列FPGA、模拟电路、数字电路及其组合。
在一个实施例中,所述存储单元10是电子可擦除可编程只读存储器EEPROM。
使用了本发明的调度部门或发电企业,可以实现根据机组缺陷性质分析跳闸风险的能力,进而采取有效的防范措施,降低机组跳闸风险,减少经济损失,提高发电机组,特别是火力发电机组的经济和社会效益,为电网稳定运行提供支撑。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (9)
1.一种发电机组跳闸监测方法,其步骤包括:
第一步骤(S1)中:数据挖掘发电机组的调度日志,通过语言分析筛选调度日志中的技术词汇,对技术词汇进行词频统计分析以建立关键词汇集合,从而构成N维表征向量,其中,对所述调度日志进行分词,并分别计算通过分词获得的技术词汇的词频作为其权重,所述N维表征向量的每个元素分别与所述关键词汇相对应,每个元素的值分别为相对应的关键词汇的权重;
第二步骤(S2)中:按照汽水、燃料和电气三个分类根据运行记录建立跳闸的归类数据库, 根据运行记录整理整个跳闸过程,以跳闸原因和缺陷特点构建案例数据库;
第三步骤(S3)中:在所述归类数据库中利用所述N维表征向量进行聚类分析;
第四步骤(S4)中:经由模式识别建立运行记录与跳闸之间的联系以监测发电机组跳闸。
2.根据权利要求1所述的发电机组跳闸监测方法,其特征在于,
第一步骤(S1)中:采用正则表达式对不同字数组成的技术词汇在调度日志中进行遍历,再根据技术词汇出现的频率确定是否是关键词汇,从而建立构成N维表征向量。
3.根据权利要求1所述的发电机组跳闸监测方法,其特征在于:
第二步骤(S2)中:归类数据库采用大数据分布式存储结构。
4.根据权利要求1所述的发电机组跳闸监测方法,其特征在于:
第二步骤(S2)中:在所述归类数据库的基础上建立数据类型数据库和知识类型的数据库。
5.根据权利要求1所述的发电机组跳闸监测方法,其特征在于:
第三步骤(S3)中:所述N维表征向量进行聚类计算,经由“二小值判断法”划分类簇,实现将不同关键词汇分组,在所述归类数据库中查找与所述N维表征向量相对应的类簇。
6.根据权利要求1所述的发电机组跳闸监测方法,其特征在于:
第三步骤(S3)中:聚类分析采用基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法或基于神经网络的聚类算法。
7.根据权利要求1所述的发电机组跳闸监测方法,其特征在于:
第三步骤(S3)中:聚类分析采用K-Means算法、凝聚算法或DBSCAN算法。
8.根据权利要求1所述的发电机组跳闸监测方法,其特征在于:
第四步骤(S4)中:模式识别包括支撑向量机、神经网络或遗传算法。
9.一种实施权利要求1-8中任一项所述的发电机组跳闸监测方法的监测装置,其包括用于词频统计分析的数据分解器(1)、用于构建归类数据库的归类器(2)、用于聚类分析的聚类器(3)和用于模式识别的处理器(4),其特征在于:所述数据分解器(1)包括对技术词汇分词的分词单元(5)和生成N维表征向量的向量生成单元(6),所述归类器(2)包括大数据分布式存储结构,所述聚类器(3)包括判断单元(7)和分类处理单元(8),所述处理器(4)包括模式识别单元(9)和存储单元(10)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611197953.7A CN106846170B (zh) | 2016-12-22 | 2016-12-22 | 一种发电机组跳闸监测方法及其监测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611197953.7A CN106846170B (zh) | 2016-12-22 | 2016-12-22 | 一种发电机组跳闸监测方法及其监测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846170A CN106846170A (zh) | 2017-06-13 |
CN106846170B true CN106846170B (zh) | 2020-12-25 |
Family
ID=59135617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611197953.7A Active CN106846170B (zh) | 2016-12-22 | 2016-12-22 | 一种发电机组跳闸监测方法及其监测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846170B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376148A (zh) * | 2018-01-24 | 2018-08-07 | 西安交通大学 | 一种基于数据隐结构分析的基站聚类检测方法 |
CN110296053B (zh) * | 2018-03-23 | 2020-06-05 | 北京金风慧能技术有限公司 | 风力发电机叶片的疲劳损伤监测方法和装置 |
CN110232482B (zh) * | 2019-06-18 | 2023-07-25 | 魏显文 | 基于神经网络的设备管理方法及装置 |
CN110469496B (zh) * | 2019-08-27 | 2021-04-09 | 苏州热工研究院有限公司 | 一种水泵智能预警方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737350A (zh) * | 2012-06-08 | 2012-10-17 | 南方电网科学研究院有限责任公司 | 一种基于机器学习算法的输变电设备缺陷数据机器自主聚类工具 |
CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1115842A (ja) * | 1997-06-24 | 1999-01-22 | Mitsubishi Electric Corp | データマイニング装置 |
CN104020396A (zh) * | 2014-06-12 | 2014-09-03 | 国家电网公司 | 一种基于数据挖掘的电网故障诊断方法 |
CN105574165B (zh) * | 2015-12-17 | 2019-11-26 | 国家电网公司 | 一种基于聚类的电网运行监控信息辨识分类方法 |
-
2016
- 2016-12-22 CN CN201611197953.7A patent/CN106846170B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737350A (zh) * | 2012-06-08 | 2012-10-17 | 南方电网科学研究院有限责任公司 | 一种基于机器学习算法的输变电设备缺陷数据机器自主聚类工具 |
CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106846170A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107294993B (zh) | 一种基于集成学习的web异常流量监测方法 | |
CN106846170B (zh) | 一种发电机组跳闸监测方法及其监测装置 | |
CN112084237A (zh) | 一种基于机器学习和大数据分析的电力系统异常预测方法 | |
CN108805747A (zh) | 一种基于半监督学习的异常用电用户检测方法 | |
CN110837963A (zh) | 一种基于数据、模型及策略的风险控制平台建设方法 | |
CN111143838B (zh) | 数据库用户异常行为检测方法 | |
CN114048870A (zh) | 一种基于日志特征智能挖掘的电力系统异常监测方法 | |
CN107679135A (zh) | 面向网络文本大数据的话题检测与跟踪方法、装置 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN116541782A (zh) | 一种电力营销数据异常识别方法 | |
CN114169998A (zh) | 一种金融大数据分析与挖掘算法 | |
CN113010705B (zh) | 标签预测方法、装置、设备及存储介质 | |
CN112699921B (zh) | 一种基于堆栈降噪自编码的电网暂态故障数据聚类清洗方法 | |
CN114021425A (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
CN113268370A (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
Aziz et al. | Social network analytics: natural disaster analysis through twitter | |
Wang et al. | An automatic feature extraction method and its application in fault diagnosis | |
CN113268552B (zh) | 一种基于局部敏感哈希的发电机设备隐患预警方法 | |
CN115718861A (zh) | 高耗能行业中用电用户的分类与异常行为监测方法及系统 | |
CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及系统 | |
Ahmed et al. | O-LoMST: An online anomaly detection approach and its application in a hydropower generation plant | |
CN113886592A (zh) | 一种电力信息通信系统运维数据的质量检测方法 | |
CN115438239A (zh) | 一种自动化异常样本筛选的异常检测方法及装置 | |
CN116860977B (zh) | 一种面向矛盾纠纷调解的异常检测系统及方法 | |
Gupta et al. | A detailed Study of different Clustering Algorithms in Data Mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |