CN106846742A - 基于Hausdorff距离的故障趋势预警方法及系统 - Google Patents

基于Hausdorff距离的故障趋势预警方法及系统 Download PDF

Info

Publication number
CN106846742A
CN106846742A CN201710042980.5A CN201710042980A CN106846742A CN 106846742 A CN106846742 A CN 106846742A CN 201710042980 A CN201710042980 A CN 201710042980A CN 106846742 A CN106846742 A CN 106846742A
Authority
CN
China
Prior art keywords
data
equipment
early warning
hausdorff
data set
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.)
Granted
Application number
CN201710042980.5A
Other languages
English (en)
Other versions
CN106846742B (zh
Inventor
李绍荣
杨昕梅
杨承
邹渝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Guanchuang Sensor Technology Center (General Partnership)
Original Assignee
Nanjing Xinchuangli Photoelectric Science & Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Xinchuangli Photoelectric Science & Technology Co Ltd filed Critical Nanjing Xinchuangli Photoelectric Science & Technology Co Ltd
Priority to CN201710042980.5A priority Critical patent/CN106846742B/zh
Publication of CN106846742A publication Critical patent/CN106846742A/zh
Application granted granted Critical
Publication of CN106846742B publication Critical patent/CN106846742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Emergency Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于用能设备故障趋势预警的技术领域，具体涉及一种基于Hausdorff距离的故障趋势预警方法及系统；解决的技术问题为：提供一种能够及时知道设备是否带故障进行工作，虚警率更低，更能准确地衡量设备的真实运行状态的基于Hausdorff距离的故障趋势预警方法及系统；采用的技术方案为：包括：获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S；实时跟踪设备的运行数据，对跟踪的t时间段内的待测数据集O进行检测；采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离；若计算结果大于预先设定的阈值r，则判定设备可能发生故障；发送设备故障预警信息；本发明适用于故障预警领域。

Description

基于Hausdorff距离的故障趋势预警方法及系统
技术领域
本发明属于用能设备故障趋势预警的技术领域，具体涉及一种基于Hausdorff距离的故障趋势预警方法及系统。
背景技术
目前，大多工厂和综合商业体采用的都是设备故障报警机制，即当设备出现完全损坏的故障导致其停止运行后再进行报警，这样的机制不仅会对生产造成直接影响，而且对设备本身也会造成很大的损害。
大多数耗能设备，在发生很多故障前，其工作状态应该是有一个趋坏的过程，只不过这种趋坏的程度在未达到故障级别时，设备还是会带故障进行工作。但是这种带故障进行工作与正常工作是有差别的，一般其具体反映是：设备的电参数如实时电压、实时电流、实时功率等出现异常。目前，一些耗能设备开始采用故障趋势预警的方法来进行故障处理，但是其虚警率较高，并不能准确地反映设备的真实运行状态。
发明内容
本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种能够及时知道设备是否带故障进行工作，虚警率更低，更能准确地衡量设备的真实运行状态的基于Hausdorff距离的故障趋势预警方法及系统。
为了解决上述技术问题，本发明采用的技术方案为：基于Hausdorff距离的设备故障预警方法，包括：S101、获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S；S102、实时跟踪设备的运行数据，对跟踪的t时间段内的待测数据集O进行检测；S103、采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离；S104、若计算结果大于预先设定的阈值r，则判定设备可能发生故障；S105、发送设备故障预警信息。
优选地，所述对跟踪的t时间段内的待测数据集O进行检测，具体包括：观察最近一个时间段t的数据流序列，每当一个新数据到来，则将最开始的旧数据 移出待测数据集O，然后将新数据移入测数据集O。
优选地，所述观察最近一个时间段t的数据流序列，每当一个新数据到来，则将旧数据移出待测数据集O，然后将新数据移入测数据集O，具体包括：采用滑动窗口算法观察最近一个时间段t的数据流序列，对数据流取一个长度为|W|的滑动窗口；如有m个数据：d1，d2，……，dm，则每当一个新数据到来时，将该新数据记为dm+1；然后将旧数据流窗口中最开始的旧数据d1移出窗口，即移出待测数据集O，最后将新数据dm+1移入数据集O。
优选地，所述获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S，具体包括：采集设备正常运行时的数据；将数据按t时间段分割成n个样本空间Xi(t)，i＝1，2,……,n，每一个样本Xi作为设备在0～t时间内随机过程X(t)的一个实现；根据公式，求其数学期望，从而获得标准数据集S，即标准曲线S(t)。
优选地，所述采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离，具体包括：采用Hausdorff距离算法，计算待测时间序列数据曲线O(t)与标准曲线S(t)这两条曲线间的距离。
相应地，基于Hausdorff距离的故障趋势预警系统，包括：标准数据集建立模单元：用于获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S；待测数据集检测模单元：用于实时跟踪设备的运行数据，对跟踪的t时间段内的待测数据集O进行检测；数据集距离计算单元：用于采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离；故障结果判定单元：用于若计算结果大于预先设定的阈值r，则判定设备可能发生故障；故障信息发送单元：用于发送设备故障预警信息。
优选地，所述待测数据集检测模单元，具体包括：旧数据移出单元：用于观 察最近一个时间段t的数据流序列，每当一个新数据到来，将最开始的旧数据移出待测数据集O；新数据移入单元：用于将新数据移入测数据集O。
优选地，所述待测数据集检测模单元对跟踪的t时间段内的待测数据集O进行检测时，采用的方法是滑动窗口算法；滑动窗口算法观察最近一个时间段t的数据流序列，对数据流取一个长度为|W|的滑动窗口；如有m个数据：d1，d2，……，dm，则每当一个新数据到来时，将该新数据记为dm+1；然后将旧数据流窗口中最开始的旧数据d1移出窗口，即移出待测数据集O，最后将新数据dm+1移入数据集O。
优选地，所述标准数据集建立模单元，具体包括：采集单元：用于采集设备正常运行时的数据；分割单元：用于将数据按t时间段分割成n个样本空间Xi(t)，i＝1，2,……,n，每一个样本Xi作为设备在0～t时间内随机过程X(t)的一个实现；计算单元：用于根据公式，求其数学期望，从而获得标准数据集S，即标准曲线S(t)。
优选地，所述数据集距离计算单元，具体用于：采用Hausdorff距离算法，计算待测时间序列数据曲线O(t)与标准曲线S(t)这两条曲线间的距离。
本发明与现有技术相比具有以下有益效果：
1、本发明可以有效判定设备是否处于故障的萌芽状态，从而有效地避免了因设备故障可能造成的各种危害和损失，且相对于一般的设备故障趋势预警机制来说，本发明的虚警率更低，更能准确地衡量设备的真实运行状态。
2、本发明对待测数据集O进行检测时，采用的方式是滑动窗口算法，滑动窗口算法是一种基于估计点变化窗口大小的思想的算法，可以适应动态数据流变化中样本的分布，对提高估计的效果(精度和平滑度)具有比固定窗口大小更好的效果。
附图说明
下面结合附图对本发明做进一步详细的说明；
图1为本发明实施例一提供的基于Hausdorff距离的故障趋势预警方法的流程示意图；
图2为本发明实施例一提供的基于Hausdorff距离的故障趋势预警系统的结构示意图；
图3为本发明实施例二提供的基于Hausdorff距离的故障趋势预警系统的结构示意图；
图4为本发明实施例三提供的基于Hausdorff距离的故障趋势预警系统的结构示意图；
图中：101为标准数据集建立模单元，102为待测数据集检测模单元，103为数据集距离计算单元，104为故障结果判定单元，105为故障信息发送单元，1011为采集单元，1012为分割单元，1013为计算单元，1021为旧数据移出单元，1022为新数据移入单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Hausdorff距离是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式，给定欧氏空间的两点集A＝{a1,a2,...}，B＝{b1,b2,...}，则这两个点集合之间的Hausdorff距离定义为：H(A,B)＝max[h(A,B),h(B,A)]，其中，H(A,B)称为双向Hausdorff距离，h(A,B)称为从点集A到点集B的单向Hausdorff距离，相应的，h(B,A)称为从点集B到点集A的单向Hausdorff距离；由上可知，Hausdorff距离度量了两个点集间的最大不匹配程度，距离越小，则表示匹配程度越高。
图1为本发明实施例一提供的基于Hausdorff距离的故障趋势预警方法的流程示意图，如图1所示，基于Hausdorff距离的故障趋势预警方法，可包括：
S101、获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S。
S102、实时跟踪设备的运行数据，对跟踪的t时间段内的待测数据集O进行检测。
S103、采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离。
S104、若计算结果大于预先设定的阈值r，则判定设备可能发生故障。
S105、发送设备故障预警信息，提醒用户关注。
具体地，所述设备的种类不限，本实施例中的设备可为用能设备。
本实施例可以有效判定设备是否处于故障的萌芽状态，从而有效地避免了因设备故障可能造成的各种危害和损失，且相对于一般的设备故障趋势预警机制来说，本实施例的虚警率更低，更能准确地衡量设备的真实运行状态。
进一步地，所述对跟踪的t时间段内的待测数据集O进行检测，具体可包括：观察最近一个时间段t的数据流序列，每当一个新数据到来，则将最开始的旧数据移出待测数据集O，然后将新数据移入测数据集O。
更进一步地，所述观察最近一个时间段t的数据流序列，每当一个新数据到来，则将旧数据移出待测数据集O，然后将新数据移入测数据集O，具体可包括：采用滑动窗口算法观察最近一个时间段t的数据流序列，对数据流取一个长度为|W|的滑动窗口；如有m个数据：d1，d2，……，dm，则每当一个新数据到来时，将该新数据记为dm+1；然后将旧数据流窗口中最开始的旧数据d1移出窗口，即移出待测数据集O，最后将新数据dm+1移入数据集O。
本实施例对待测数据集O进行检测时，采用的方式是滑动窗口算法，滑动窗口算法是一种基于估计点变化窗口大小的思想的算法，可以适应动态数据流变化中样本的分布，对提高估计的效果(精度和平滑度)具有比固定窗口大小更好的效果。
进一步地，所述获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S，具体可包括：采集设备正常运行时的数据；将数据按t时间段分割成n个样本空间Xi(t)，i＝1，2,……,n，每一个样本Xi作为设备在0～t时间内随机过程X(t)的一个实现；根据公式，求其数学期望，从而获得标准数据集S，即标准曲线S(t)。
进一步地，所述采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离，具体可包括：采用Hausdorff距离算法，计算待测时间序列数据曲线O(t)与标准曲线S(t)这两条曲线间的距离。
图2为本发明实施例一提供的基于Hausdorff距离的故障趋势预警系统的结构示意图，如图2所示，基于Hausdorff距离的故障趋势预警系统，可包括：
标准数据集建立模单元101：用于获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S。
待测数据集检测模单元102：用于实时跟踪设备的运行数据，对跟踪的t时间段内的待测数据集O进行检测。
数据集距离计算单元103：用于采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离。
故障结果判定单元104：用于若计算结果大于预先设定的阈值r，则判定设备可能发生故障。
故障信息发送单元105：用于发送设备故障预警信息，提醒用户关注。
图3为本发明实施例二提供的基于Hausdorff距离的故障趋势预警系统的结构示意图，如图3所示，所述待测数据集检测模单元102，具体可包括：
旧数据移出单元1021：用于观察最近一个时间段t的数据流序列，每当一个新数据到来，将最开始的旧数据移出待测数据集O。
新数据移入单元1022：用于将新数据移入测数据集O。
进一步地，所述待测数据集检测模单元102对跟踪的t时间段内的待测数据 集O进行检测时，采用的方法可为滑动窗口算法。
具体工作流程包括：滑动窗口算法观察最近一个时间段t的数据流序列，对数据流取一个长度为|W|的滑动窗口；如有m个数据：d1，d2，……，dm，则每当一个新数据到来时，将该新数据记为dm+1；然后将旧数据流窗口中最开始的旧数据d1移出窗口，即移出待测数据集O，最后将新数据dm+1移入数据集O。
图4为本发明实施例三提供的基于Hausdorff距离的故障趋势预警系统的结构示意图，如图4所示，所述标准数据集建立模单元101，具体可包括：
采集单元1011：用于采集设备正常运行时的数据。
分割单元1012：用于将数据按t时间段分割成n个样本空间Xi(t)，i＝1，2,……,n，每一个样本Xi作为设备在0～t时间内随机过程X(t)的一个实现。
计算单元1013：用于根据公式，求其数学期望，从而获得标准数据集S，即标准曲线S(t)。
进一步地，所述数据集距离计算单元103，具体可用于：
采用Hausdorff距离算法，计算待测时间序列数据曲线O(t)与标准曲线S(t)这两条曲线间的距离。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.基于Hausdorff距离的故障趋势预警方法，其特征在于：包括：
S101、获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S；
S102、实时跟踪设备的运行数据，对跟踪的t时间段内的待测数据集O进行检测；
S103、采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离；
S104、若计算结果大于预先设定的阈值r，则判定设备可能发生故障；
S105、发送设备故障预警信息。
2.根据权利要求1所述的基于Hausdorff距离的故障趋势预警方法，其特征在于：所述对跟踪的t时间段内的待测数据集O进行检测，具体包括：
观察最近一个时间段t的数据流序列，每当一个新数据到来，则将最开始的旧数据移出待测数据集O，然后将新数据移入测数据集O。
3.根据权利要求2所述的基于Hausdorff距离的故障趋势预警方法，其特征在于：所述观察最近一个时间段t的数据流序列，每当一个新数据到来，则将旧数据移出待测数据集O，然后将新数据移入测数据集O，具体包括：
采用滑动窗口算法观察最近一个时间段t的数据流序列，对数据流取一个长度为|W|的滑动窗口；如有m个数据：d1，d2，……，dm，则每当一个新数据到来时，将该新数据记为dm+1；然后将旧数据流窗口中最开始的旧数据d1移出窗口，即移出待测数据集O，最后将新数据dm+1移入数据集O。
4.根据权利要求1所述的基于Hausdorff距离的故障趋势预警方法，其特征在于：所述获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S，具体包括：
采集设备正常运行时的数据；
将数据按t时间段分割成n个样本空间Xi(t)，i＝1，2,……,n，每一个样本Xi作为设备在0～t时间内随机过程X(t)的一个实现；
根据公式，求其数学期望，从而获得标准数据集S，即标准曲线S(t)。
5.根据权利要求4所述的基于Hausdorff距离的故障趋势预警方法，其特征在于：所述采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离，具体包括：
采用Hausdorff距离算法，计算待测时间序列数据曲线O(t)与标准曲线S(t)这两条曲线间的距离。
6.基于Hausdorff距离的故障趋势预警系统，其特征在于：包括：
标准数据集建立模单元(101)：用于获取设备正常运行一定时间t范围内的数学期望曲线，作为标准数据集S；
待测数据集检测模单元(102)：用于实时跟踪设备的运行数据，对跟踪的t时间段内的待测数据集O进行检测；
数据集距离计算单元(103)：用于采用Hausdorff距离算法，计算标准数据集S和待测数据集O之间的距离；
故障结果判定单元(104)：用于若计算结果大于预先设定的阈值r，则判定设备可能发生故障；
故障信息发送单元(105)：用于发送设备故障预警信息。
7.根据权利要求6所述的基于Hausdorff距离的故障趋势预警系统，其特征在于：所述待测数据集检测模单元(102)，具体包括：
旧数据移出单元(1021)：用于观察最近一个时间段t的数据流序列，每当一个新数据到来，将最开始的旧数据移出待测数据集O；
新数据移入单元(1022)：用于将新数据移入测数据集O。
8.根据权利要求7所述的基于Hausdorff距离的故障趋势预警系统，其特征在于：所述待测数据集检测模单元(102)对跟踪的t时间段内的待测数据集O进行检测时，采用的方法是滑动窗口算法；
滑动窗口算法观察最近一个时间段t的数据流序列，对数据流取一个长度为|W|的滑动窗口；如有m个数据：d1，d2，……，dm，则每当一个新数据到来时，将该新数据记为dm+1；然后将旧数据流窗口中最开始的旧数据d1移出窗口，即移出待测数据集O，最后将新数据dm+1移入数据集O。
9.根据权利要求6所述的基于Hausdorff距离的故障趋势预警系统，其特征在于：所述标准数据集建立模单元(101)，具体包括：
采集单元(1011)：用于采集设备正常运行时的数据；
分割单元(1012)：用于将数据按t时间段分割成n个样本空间Xi(t)，i＝1，2,……,n，每一个样本Xi作为设备在0～t时间内随机过程X(t)的一个实现；
计算单元(1013)：用于根据公式，求其数学期望，从而获得标准数据集S，即标准曲线S(t)。
10.根据权利要求9所述的基于Hausdorff距离的故障趋势预警系统，其特征在于：所述数据集距离计算单元(103)，具体用于：
采用Hausdorff距离算法，计算待测时间序列数据曲线O(t)与标准曲线S(t)这两条曲线间的距离。
CN201710042980.5A 2017-01-19 2017-01-19 基于Hausdorff距离的故障趋势预警方法及系统 Active CN106846742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710042980.5A CN106846742B (zh) 2017-01-19 2017-01-19 基于Hausdorff距离的故障趋势预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710042980.5A CN106846742B (zh) 2017-01-19 2017-01-19 基于Hausdorff距离的故障趋势预警方法及系统

Publications (2)

Publication Number Publication Date
CN106846742A true CN106846742A (zh) 2017-06-13
CN106846742B CN106846742B (zh) 2018-12-04

Family

ID=59119376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710042980.5A Active CN106846742B (zh) 2017-01-19 2017-01-19 基于Hausdorff距离的故障趋势预警方法及系统

Country Status (1)

Country Link
CN (1) CN106846742B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109702739A (zh) * 2018-11-30 2019-05-03 广东电网有限责任公司 一种基于非向量空间控制策略的导线追踪方法及装置
CN112740290A (zh) * 2018-06-29 2021-04-30 微软技术许可有限责任公司 多阶段云服务节点错误预测
CN114942387A (zh) * 2022-07-20 2022-08-26 湖北工业大学 一种基于真实数据的动力电池故障在线检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104280668A (zh) * 2014-11-05 2015-01-14 广东电网有限责任公司佛山供电局 配电网故障类型识别方法和系统
CN105529688A (zh) * 2016-02-25 2016-04-27 三峡大学 基于Hausdorff距离算法的变压器励磁涌流和故障差流识别方法
CN105894014A (zh) * 2016-03-29 2016-08-24 中国人民解放军海军航空工程学院 基于多因素不一致度量的异常行为序贯检测方法
CN106129976A (zh) * 2016-07-12 2016-11-16 许继集团有限公司 基于Hausdorff距离算法的差动保护方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104280668A (zh) * 2014-11-05 2015-01-14 广东电网有限责任公司佛山供电局 配电网故障类型识别方法和系统
CN105529688A (zh) * 2016-02-25 2016-04-27 三峡大学 基于Hausdorff距离算法的变压器励磁涌流和故障差流识别方法
CN105894014A (zh) * 2016-03-29 2016-08-24 中国人民解放军海军航空工程学院 基于多因素不一致度量的异常行为序贯检测方法
CN106129976A (zh) * 2016-07-12 2016-11-16 许继集团有限公司 基于Hausdorff距离算法的差动保护方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112740290A (zh) * 2018-06-29 2021-04-30 微软技术许可有限责任公司 多阶段云服务节点错误预测
CN112740290B (zh) * 2018-06-29 2022-06-10 微软技术许可有限责任公司 多阶段云服务节点错误预测
CN109702739A (zh) * 2018-11-30 2019-05-03 广东电网有限责任公司 一种基于非向量空间控制策略的导线追踪方法及装置
CN109702739B (zh) * 2018-11-30 2020-11-17 广东电网有限责任公司 一种基于非向量空间控制策略的导线追踪方法及装置
CN109702739B9 (zh) * 2018-11-30 2023-11-14 广东电网有限责任公司 一种基于非向量空间控制策略的导线追踪方法及装置
CN114942387A (zh) * 2022-07-20 2022-08-26 湖北工业大学 一种基于真实数据的动力电池故障在线检测方法及系统
CN114942387B (zh) * 2022-07-20 2022-10-25 湖北工业大学 一种基于真实数据的动力电池故障在线检测方法及系统

Also Published As

Publication number Publication date
CN106846742B (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
CN108123849B (zh) 检测网络流量的阈值的确定方法、装置、设备及存储介质
CN102355381B (zh) 自适应的差分自回归移动平均模型的流量预测方法和系统
CN104483575B (zh) 用于非侵入式电力监测的自适应负荷事件检测方法
WO2020134032A1 (zh) 用于检测业务系统异常的方法及其装置
US9122273B2 (en) Failure cause diagnosis system and method
CN106846742A (zh) 基于Hausdorff距离的故障趋势预警方法及系统
US20140278162A1 (en) Detecting and locating power outages via low voltage grid mapping
CN104330708B (zh) 一般电网下广域行波信号的故障定位方法
CN105425123A (zh) 一种紫外成像与红外成像协同检测电力设备故障的方法及系统
CN107100674B (zh) 矿用瓦斯传感器监测数据中标校实验伪数据的识别方法
CN104200288A (zh) 一种基于因素与事件间相关关系识别的设备故障预测方法
CN110119128B (zh) 一种用于实验室用电设备的监控管理系统
CN104320297A (zh) 一种网络异常检测及网络通信控制的方法和装置
CN107423141A (zh) 信息处理方法及装置
CN105574165A (zh) 一种基于聚类的电网运行监控信息辨识分类方法
KR101989962B1 (ko) 통합 관리 서버 및 이를 이용한 건물 관리 시스템
CN104820168A (zh) 一种基于波形差异度和雷击故障样本库的雷击故障判别方法
CN105187239A (zh) 基于数据挖掘的通信告警分析系统及其处理方法
CN103630799A (zh) 配电线路的故障预警系统和方法
CN103529337B (zh) 设备故障与电气量信息间非线性相关关系的识别方法
CN111999605A (zh) 基于故障相关性分析的配电网故障容错判定方法及装置
He et al. A combination of CUSUM charts for monitoring a zero-inflated Poisson process
CN109884469A (zh) 配电网故障区段与故障时刻的判定方法
US20200356668A1 (en) Event analysis in an electric power system
WO2012130509A1 (en) A method for detecting an association between an electrical device and a power meter, a power supply system and a monitoring system

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230614

Address after: No. 888, South Section of Tianfu Avenue, Huayang Street, Tianfu New Area, Chengdu, 610213

Patentee after: Sichuan Guanchuang Sensor Technology Center (General Partnership)

Address before: Room 502, Science and Technology Innovation Base, No. 3 Hengda Road, Nanjing Economic and Technological Development Zone, Jiangsu Province, 210038

Patentee before: NANJING XINCHUANGLI PHOTOELECTRIC SCIENCE & TECHNOLOGY Co.,Ltd.