CN107122879A - 一种基于大数据与设备状态异常跟踪的电网状态检修方法 - Google Patents

一种基于大数据与设备状态异常跟踪的电网状态检修方法 Download PDF

Info

Publication number
CN107122879A
CN107122879A CN201710124497.1A CN201710124497A CN107122879A CN 107122879 A CN107122879 A CN 107122879A CN 201710124497 A CN201710124497 A CN 201710124497A CN 107122879 A CN107122879 A CN 107122879A
Authority
CN
China
Prior art keywords
mrow
msub
state
cluster
equipment
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
Application number
CN201710124497.1A
Other languages
English (en)
Inventor
李洁珊
王朝硕
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.)
Guangdong Nanfang Electric Power Communication Co Ltd
Original Assignee
Guangdong Nanfang Electric Power Communication 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 Guangdong Nanfang Electric Power Communication Co Ltd filed Critical Guangdong Nanfang Electric Power Communication Co Ltd
Priority to CN201710124497.1A priority Critical patent/CN107122879A/zh
Publication of CN107122879A publication Critical patent/CN107122879A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种基于大数据与设备状态异常跟踪的电网状态检修方法。本发明利用k‑means聚类算法对设备的相关大数据进行状态异常检出与跟踪，利用设备状态的异常情况来安排状态检修计划。本发明采用大数据聚类技术实现了电网设备的异常状态检出与跟踪，为电网状态检修计划的制定提供了更为详细的参考数据，相较于传统的检修方法能更为有效地利用设备实时数据，降低电网运行风险,实现方法简单快速，便于实际工程的使用。

Description

一种基于大数据与设备状态异常跟踪的电网状态检修方法
技术领域
本发明属于电网状态检修计划制定领域，具体涉及了一种基于大数据与设备状态异常跟踪的电网状态检修方法。
背景技术
目前，针对电网状态检修的方法主要基于设备的故障概率角度对状态检修策略进行优化，然而故障概率模型的准确性往往受到诸多因素的限制，如实时的环境影响、设备的历史运行状态以及模型固有的误差等。由此而制定的状态检修计划可能无法满足当前设备的检修需求。
随着电力大数据的快速发展，电力系统的数据呈爆炸式增长，而利用大数据挖掘技术对设备状态进行异常检测也得以实现。通过对设备历史运行数据、故障检修记录、当前环境信息以及运行检测信息等电力大数据的挖掘分析，可有效检出状态异常的设备，并进行预警与利用。
本发明提出了一种基于大数据与设备状态异常跟踪的电网状态检修方法。利用k-means聚类算法对设备的相关大数据进行状态异常检出与跟踪，利用设备状态的异常情况来安排状态检修计划。
发明内容
针对现有电网状态检修方法存在的上述问题，本发明的目的在于提出一种基于大数据与设备状态异常跟踪的电网状态检修方法。本方法利用k-means聚类算法对设备的相关大数据进行状态异常检出与跟踪，利用设备状态的异常情况来安排状态检修计划。
步骤一、利用k-means聚类算法对设备的相关大数据进行状态异常检出与跟踪，具体包括如下步骤：
步骤1、多状态量数据的收集与整理。
收集并整理每条线路与每台变压器的状态监测数据，线路状态监测数据的状态量包括包括覆冰、风速、污秽、环境温度、负荷、服役时间、检修次数等，变压器状态监测量包括负荷、环境温度、服役时间、冷却类型、油气信息等。每条线路对应一个状态向量xi，假设有n段需要检测异常状态的线路，则形成线路样本集合X＝{x1,x2,...,xn}，每台变压器对应一个状态向量yi，假设有m台需要检测异常状态的变压器，则形成线路样本集合Y＝{y1,y2,...,ym}
步骤2、利用k-means聚类算法对线路多维数据进行聚类。
在实际运行过程中，由于输变电设备的设备属性、运行工况、环境的差异，对于设备的状态监测数据，多维数据之间的关系难以用精确、统一的函数来描述。因此，本步骤采用k-means聚类算法对多维数据进行聚类，既能充分利用大数据来源广、信息完备的优势，又能将各参量间的复杂相关关系简化。
给定线路样本集合X＝{x1,x2,...,xn}，k-means算法针对聚类所得簇划分C＝{C1,C2,...,Ck}，最小化平方误差
其中μi是簇Ci的均值向量。
步骤2-1、从线路样本集合X＝{x1,x2,...,xn}中随机选择k个样本作为初始线路均值向量。
步骤2-2、簇划分的迭代过程。
步骤2-2-1、计算各线路样本xj与各线路均值向量μi的欧式距离
根据距离最近的均值向量确定xj的簇标记λj＝arg mini∈{1,2,...,k}dji，将样本xj划入相应的簇Cλj＝Cλj∪{xj}。由此将所有样本分类到各个簇中。
步骤2-2-2、计算每个簇新的线路均值向量
如果新计算的线路均值向量与当前线路均值向量相同，则保持当前线路均值向量不变，否则更新为新计算的线路均值向量。
步骤2-2-3、重复步骤重复2-2-1和2-2-2，直至每个均值向量都不再变更，迭代停止。最终形成k个簇，每个簇中包含状态相近的线路样本。
步骤3、重复步骤2，利用k-means聚类算法对变压器多维数据进行聚类，最终形成得到变压器均值向量η′。
步骤4、计算状态异常设备的异常偏离度。
步骤4-1、找出包含线路样本最多的簇，则一般情况下，该簇所含样本为正常线路，记为正常簇，该簇均值向量记为基准状态向量μB。找出包含变压器样本最多的簇，则一般情况下，该簇所含样本为正常变压器，记为正常簇，该簇均值向量记为基准状态向量ηB。
步骤4-2、计算不在正常簇内的所有状态异常的na条线路样本的异常偏离度D1与所有状态异常的ma台变压器样本的异常偏离度Dt，即各设备状态向量与基准状态向量的欧氏距离。得到异常偏离度向量D＝{D1，Dt}
步骤二、利用状态异常检出结果制定电网状态检修计划。
步骤1、针对状态异常设备，对电网进行N-1安全校验，分析各台设备强迫停运退出运行时使电网损失的负荷Pi(i＝1,2,…,na+ma)。
步骤2、计算状态异常设备的强迫停运风险Ri,其中Di为D的元素。
Ri＝Di×Pi (6)
对Ri进行从大到小排序，即可得到需要状态异常设备的检修先后顺序。对于Ri为0时设备，通过比较其异常偏离度来确定检修先后顺序。
本发明有益效果如下：
本发明采用大数据聚类技术实现了电网设备的异常状态检出与跟踪，为电网状态检修计划的制定提供了更为详细的参考数据，相较于传统的检修方法能更为有效地利用设备实时数据，降低电网运行风险,实现方法简单快速，便于实际工程的使用。
附图说明
图1是本发明的基于大数据与设备状态异常跟踪的电网状态检修方法的总体流程图。
图2是本发明的设备状态异常检出与跟踪流程
图3是本发明的状态检修计划制定流程。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
如图1所示，本方法具体包括如下步骤：
步骤一、利用k-means聚类算法对设备的相关大数据进行状态异常检出与跟踪，如图2所示为本发明的设备状态异常检出与跟踪流程，具体包括如下步骤：
步骤1、多状态量数据的收集与整理。
收集并整理每条线路与每台变压器的状态监测数据，线路状态监测数据的状态量包括包括覆冰、风速、污秽、环境温度、负荷、服役时间、检修次数等，变压器状态监测量包括负荷、环境温度、服役时间、冷却类型、油气信息等。每条线路对应一个状态向量xi，假设有n段需要检测异常状态的线路，则形成线路样本集合X＝{x1,x2,...,xn}，每台变压器对应一个状态向量yi，假设有m台需要检测异常状态的变压器，则形成线路样本集合Y＝{y1,y2,...,ym}
步骤2、利用k-means聚类算法对线路多维数据进行聚类。
在实际运行过程中，由于线路的设备属性、运行工况、环境的差异，对于线路的状态监测数据，多维数据之间的关系难以用精确、统一的函数来描述。因此，本步骤采用k-means聚类算法对多维数据进行聚类，既能充分利用大数据来源广、信息完备的优势，又能将各参量间的复杂相关关系简化。
给定线路样本集合X＝{x1,x2,...,xn}，k-means算法针对聚类所得簇划分C＝{C1,C2,...,Ck}，最小化平方误差
其中μi是簇Ci的均值向量。
步骤2-1、从线路样本集合X＝{x1,x2,...,xn}中随机选择k个样本作为初始线路均值向量。
步骤2-2、簇划分的迭代过程。
步骤2-2-1、计算各线路样本xj与各线路均值向量μi的欧式距离
根据距离最近的均值向量确定xj的簇标记λj＝arg mini∈{1,2,...,k}dji，将样本xj划入相应的簇Cλj＝Cλj∪{xj}。由此将所有样本分类到各个簇中。
步骤2-2-2、计算每个簇新的线路均值向量
如果新计算的线路均值向量与当前线路均值向量相同，则保持当前线路均值向量不变，否则更新为新计算的线路均值向量。
步骤2-2-3、重复步骤重复2-2-1和2-2-2，直至每个均值向量都不再变更，迭代停止。最终形成k个簇，每个簇中包含状态相近的线路样本。
步骤3、重复步骤2，利用k-means聚类算法对变压器多维数据进行聚类，最终形成得到变压器均值向量η′。
步骤4、计算状态异常设备的异常偏离度。
步骤4-1、找出包含线路样本最多的簇，则一般情况下，该簇所含样本为正常线路，记为正常簇，该簇均值向量记为基准状态向量μB。找出包含变压器样本最多的簇，则一般情况下，该簇所含样本为正常变压器，记为正常簇，该簇均值向量记为基准状态向量ηB。
步骤4-2、计算不在正常簇内的所有状态异常的na条线路样本的异常偏离度D1与所有状态异常的ma台变压器样本的异常偏离度Dt，即各设备状态向量与基准状态向量的欧氏距离。得到异常偏离度向量D＝{D1，Dt}
步骤二、利用状态异常检出结果制定电网状态检修计划，如图3所示为本发明的状态检修计划制定流程，具体包括如下步骤。
步骤1、针对状态异常设备，对电网进行N-1安全校验，分析各台设备强迫停运退出运行时使电网损失的负荷Pi(i＝1,2,…,na+ma)。
步骤2、计算状态异常设备的强迫停运风险Ri,其中Di为D的元素。
Ri＝Di×Pi (6)
对Ri进行从大到小排序，即可得到需要状态异常设备的检修先后顺序。对于Ri为0时设备，通过比较其异常偏离度来确定检修先后顺序。

Claims (2)

1.一种基于大数据与设备状态异常跟踪的电网状态检修方法,其特征在于本方法利用k-means聚类算法对设备的相关大数据进行状态异常检出与跟踪，利用设备状态的异常情况来安排状态检修计划；其中利用k-means聚类算法对设备的相关大数据进行状态异常检出与跟踪，具体包括如下步骤：
步骤1、多状态量数据的收集与整理；
收集并整理每条线路与每台变压器的状态监测数据，线路状态监测数据的状态量包括包括覆冰、风速、污秽、环境温度、负荷、服役时间、检修次数等，变压器状态监测量包括负荷、环境温度、服役时间、冷却类型、油气信息等；每条线路对应一个状态向量xi，假设有n段需要检测异常状态的线路，则形成线路样本集合X＝{x1,x2,...,xn}，每台变压器对应一个状态向量yi，假设有m台需要检测异常状态的变压器，则形成线路样本集合Y＝{y1,y2,...,ym}
步骤2、利用k-means聚类算法对线路多维数据进行聚类；
在实际运行过程中，由于输变电设备的设备属性、运行工况、环境的差异，对于设备的状态监测数据，多维数据之间的关系难以用精确、统一的函数来描述；因此，本步骤采用k-means聚类算法对多维数据进行聚类，既能充分利用大数据来源广、信息完备的优势，又能将各参量间的复杂相关关系简化；
给定线路样本集合X＝{x1,x2,...,xn}，k-means算法针对聚类所得簇划分C＝{C1,C2,...,Ck}，最小化平方误差
<mrow> <mi>E</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>&amp;Element;</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> </mrow> </munder> <mo>|</mo> <mo>|</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中μi是簇Ci的均值向量；
步骤2-1、从线路样本集合X＝{x1,x2,...,xn}中随机选择k个样本作为初始线路均值向量；
步骤2-2、簇划分的迭代过程；
步骤2-2-1、计算各线路样本xj与各线路均值向量μi的欧式距离
<mrow> <msub> <mi>d</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>u</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mo>|</mo> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>i</mi> <mi>u</mi> </mrow> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
根据距离最近的均值向量确定xj的簇标记λj＝argmini∈{1,2,...,k}dji，将样本xj划入相应的簇Cλj＝Cλj∪{xj}；由此将所有样本分类到各个簇中；
步骤2-2-2、计算每个簇新的线路均值向量
<mrow> <msubsup> <mi>&amp;mu;</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>|</mo> </mrow> </mfrac> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>x</mi> <mo>&amp;Element;</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> </mrow> </msub> <mi>x</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
如果新计算的线路均值向量与当前线路均值向量相同，则保持当前线路均值向量不变，否则更新为新计算的线路均值向量；
步骤2-2-3、重复步骤重复2-2-1和2-2-2，直至每个均值向量都不再变更，迭代停止；最终形成k个簇，每个簇中包含状态相近的线路样本；
步骤3、重复步骤2，利用k-means聚类算法对变压器多维数据进行聚类，最终形成得到变压器均值向量η′；
步骤4、计算状态异常设备的异常偏离度；
步骤4-1、找出包含线路样本最多的簇，则一般情况下，该簇所含样本为正常线路，记为正常簇，该簇均值向量记为基准状态向量μB；找出包含变压器样本最多的簇，则一般情况下，该簇所含样本为正常变压器，记为正常簇，该簇均值向量记为基准状态向量ηB；
步骤4-2、计算不在正常簇内的所有状态异常的na条线路样本的异常偏离度D1与所有状态异常的ma台变压器样本的异常偏离度Dt，即各设备状态向量与基准状态向量的欧氏距离；得到异常偏离度向量D＝{D1，Dt}
<mrow> <msub> <mi>D</mi> <mrow> <mi>l</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>B</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>u</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mo>|</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>B</mi> <mi>u</mi> </mrow> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>D</mi> <mrow> <mi>t</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;eta;</mi> <mi>B</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mo>|</mo> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>v</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;eta;</mi> <mrow> <mi>B</mi> <mi>v</mi> </mrow> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
2.根据权利要求1所述的一种基于大数据与设备状态异常跟踪的电网状态检修方法,其特征在于利用状态异常检出结果制定电网状态检修计划，具体实现过程如下：
步骤1、针对状态异常设备，对电网进行N-1安全校验，分析各台设备强迫停运退出运行时使电网损失的负荷Pi，其中i＝1,2,…,na+ma；
步骤2、计算状态异常设备的强迫停运风险Ri,其中Di为D的元素；
Ri＝Di×Pi (6)
对Ri进行从大到小排序，即可得到需要状态异常设备的检修先后顺序；对于Ri为0时设备，通过比较其异常偏离度来确定检修先后顺序。
CN201710124497.1A 2017-03-03 2017-03-03 一种基于大数据与设备状态异常跟踪的电网状态检修方法 Pending CN107122879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710124497.1A CN107122879A (zh) 2017-03-03 2017-03-03 一种基于大数据与设备状态异常跟踪的电网状态检修方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710124497.1A CN107122879A (zh) 2017-03-03 2017-03-03 一种基于大数据与设备状态异常跟踪的电网状态检修方法

Publications (1)

Publication Number Publication Date
CN107122879A true CN107122879A (zh) 2017-09-01

Family

ID=59717349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710124497.1A Pending CN107122879A (zh) 2017-03-03 2017-03-03 一种基于大数据与设备状态异常跟踪的电网状态检修方法

Country Status (1)

Country Link
CN (1) CN107122879A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197254A (zh) * 2017-12-29 2018-06-22 清华大学 一种基于近邻的数据修复方法
CN108681625A (zh) * 2018-04-25 2018-10-19 深圳凯达通光电科技有限公司 基于大数据技术的变压器短期过载能力智能评估系统
CN109145957A (zh) * 2018-07-26 2019-01-04 国网浙江省电力有限公司温州供电公司 基于大数据的配电网异常指标的识别与处理方法及装置
CN110221173A (zh) * 2019-06-20 2019-09-10 国网上海市电力公司 一种基于大数据驱动的配电网智能诊断方法
CN110458248A (zh) * 2019-09-18 2019-11-15 华北电力大学（保定） 基于多测点振动信号的变压器异常状态检测方法
CN110568301A (zh) * 2019-09-16 2019-12-13 国网河北省电力有限公司电力科学研究院 一种基于变压器状态量有效检出率的检测模式预判方法
CN110619351A (zh) * 2019-08-14 2019-12-27 浙江工业大学 一种基于改进k-means算法的菜鸟驿站选址方法
CN111553383A (zh) * 2020-03-30 2020-08-18 平安医疗健康管理股份有限公司 一种数据风险检测方法、装置及设备
CN111612085A (zh) * 2020-05-28 2020-09-01 上海观安信息技术股份有限公司 一种对等组中异常点的检测方法及装置
CN112036622A (zh) * 2020-08-18 2020-12-04 国网上海能源互联网研究院有限公司 一种基于图谱分析确定配电终端运行状态的方法及系统
CN117520716A (zh) * 2024-01-03 2024-02-06 佛山市绿能环保有限公司 一种基于垃圾焚烧发电的缺陷数据标记方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7590642B2 (en) * 2002-05-10 2009-09-15 Oracle International Corp. Enhanced K-means clustering
CN102081765A (zh) * 2011-01-19 2011-06-01 西安交通大学 输电设备状态检修的系统性控制方法
CN103338188A (zh) * 2013-06-08 2013-10-02 北京大学 一种适用于移动云的客户端动态认证方法
CN105512474A (zh) * 2015-12-02 2016-04-20 国网山东省电力公司电力科学研究院 一种变压器状态监测数据的异常检测方法
CN106383837A (zh) * 2016-08-30 2017-02-08 国网天津市电力公司 一种用能大数据获取关键价值抽取的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7590642B2 (en) * 2002-05-10 2009-09-15 Oracle International Corp. Enhanced K-means clustering
CN102081765A (zh) * 2011-01-19 2011-06-01 西安交通大学 输电设备状态检修的系统性控制方法
CN103338188A (zh) * 2013-06-08 2013-10-02 北京大学 一种适用于移动云的客户端动态认证方法
CN105512474A (zh) * 2015-12-02 2016-04-20 国网山东省电力公司电力科学研究院 一种变压器状态监测数据的异常检测方法
CN106383837A (zh) * 2016-08-30 2017-02-08 国网天津市电力公司 一种用能大数据获取关键价值抽取的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严英杰 等: "基于大数据分析的输变电设备状态数据异常检测方法", 《中国电机工程学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197254A (zh) * 2017-12-29 2018-06-22 清华大学 一种基于近邻的数据修复方法
CN108197254B (zh) * 2017-12-29 2018-12-28 清华大学 一种基于近邻的数据修复方法
CN108681625A (zh) * 2018-04-25 2018-10-19 深圳凯达通光电科技有限公司 基于大数据技术的变压器短期过载能力智能评估系统
CN109145957B (zh) * 2018-07-26 2023-09-12 国网浙江省电力有限公司温州供电公司 基于大数据的配电网异常指标的识别与处理方法及装置
CN109145957A (zh) * 2018-07-26 2019-01-04 国网浙江省电力有限公司温州供电公司 基于大数据的配电网异常指标的识别与处理方法及装置
CN110221173A (zh) * 2019-06-20 2019-09-10 国网上海市电力公司 一种基于大数据驱动的配电网智能诊断方法
CN110221173B (zh) * 2019-06-20 2021-06-04 国网上海市电力公司 一种基于大数据驱动的配电网智能诊断方法
CN110619351A (zh) * 2019-08-14 2019-12-27 浙江工业大学 一种基于改进k-means算法的菜鸟驿站选址方法
CN110619351B (zh) * 2019-08-14 2022-04-08 浙江工业大学 一种基于改进k-means算法的菜鸟驿站选址方法
CN110568301A (zh) * 2019-09-16 2019-12-13 国网河北省电力有限公司电力科学研究院 一种基于变压器状态量有效检出率的检测模式预判方法
CN110568301B (zh) * 2019-09-16 2021-08-17 国网河北省电力有限公司电力科学研究院 一种基于变压器状态量有效检出率的检测模式预判方法
CN110458248A (zh) * 2019-09-18 2019-11-15 华北电力大学（保定） 基于多测点振动信号的变压器异常状态检测方法
CN110458248B (zh) * 2019-09-18 2022-08-30 华北电力大学（保定） 基于多测点振动信号的变压器异常状态检测方法
CN111553383A (zh) * 2020-03-30 2020-08-18 平安医疗健康管理股份有限公司 一种数据风险检测方法、装置及设备
CN111612085B (zh) * 2020-05-28 2023-07-11 上海观安信息技术股份有限公司 一种对等组中异常点的检测方法及装置
CN111612085A (zh) * 2020-05-28 2020-09-01 上海观安信息技术股份有限公司 一种对等组中异常点的检测方法及装置
CN112036622A (zh) * 2020-08-18 2020-12-04 国网上海能源互联网研究院有限公司 一种基于图谱分析确定配电终端运行状态的方法及系统
CN112036622B (zh) * 2020-08-18 2023-12-26 国网上海能源互联网研究院有限公司 一种基于图谱分析确定配电终端运行状态的方法及系统
CN117520716A (zh) * 2024-01-03 2024-02-06 佛山市绿能环保有限公司 一种基于垃圾焚烧发电的缺陷数据标记方法及系统
CN117520716B (zh) * 2024-01-03 2024-04-19 佛山市绿能环保有限公司 一种基于垃圾焚烧发电的缺陷数据标记方法及系统

Similar Documents

Publication Publication Date Title
CN107122879A (zh) 一种基于大数据与设备状态异常跟踪的电网状态检修方法
CN106779505B (zh) 一种基于大数据驱动的输电线路故障预警方法及系统
CN107330056B (zh) 基于大数据云计算平台的风电场scada系统及其运行方法
CN104504607A (zh) 一种基于模糊聚类算法的光伏电站故障诊断方法
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN105701554A (zh) 基于海量计量数据的用电设备能效混沌分析方法
CN114856941A (zh) 海上风电场及机组故障诊断运维系统及其诊断运维方法
CN111985558A (zh) 一种电能表异常诊断方法及其系统
CN105512766A (zh) 一种风电场功率预测方法
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN111695744B (zh) 一种基于大数据的维修器材需求预测分析系统
CN116308304B (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
Dubey et al. A review of intelligent systems for the prediction of wind energy using machine learning
CN114418303A (zh) 用于炼化一体化企业的智慧能源管理系统和方法
CN104574221B (zh) 一种基于损失电量特征参数的光伏电站运行状态辨识方法
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
CN116933656A (zh) 一种基于深度学习的船舶动力系统故障诊断方法
Wang et al. Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis
Surjandari et al. Fault detection system using machine learning on geothermal power plant
CN114331073A (zh) 一种储能电站运维管理方法、系统及装置
CN113689072A (zh) 一种基于马尔科夫链的海上风电机组运行状态评估方法
CN117332920A (zh) 一种新能源场站运行故障演化分析方法
CN107909096A (zh) 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
CN112561230B (zh) 基于电气特征的环保设备状态监测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170901

WD01 Invention patent application deemed withdrawn after publication