CN108052559A - 基于大数据处理的配电终端缺陷挖掘分析方法 - Google Patents
基于大数据处理的配电终端缺陷挖掘分析方法 Download PDFInfo
- Publication number
- CN108052559A CN108052559A CN201711247338.7A CN201711247338A CN108052559A CN 108052559 A CN108052559 A CN 108052559A CN 201711247338 A CN201711247338 A CN 201711247338A CN 108052559 A CN108052559 A CN 108052559A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution terminal
- defect
- big data
- rule
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000005065 mining Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000007689 inspection Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 abstract description 4
- 241001269238 Data Species 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Fuzzy Systems (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据处理的配电终端缺陷挖掘分析方法,包括采集配电终端的检测数据,对检测数据进行数据建模,按照模型分类,进行建库,最终将采集的检测数据存入大数据库中;根据过滤算法,对过滤大数据库内的坏数据,并存入配电自动化运维大数据仓库;根据配电自动化运维大数据仓库,配合聚类算法K‑means,对进行配电终端缺陷分析,找到配电终端失效、缺陷的原因和规律。本发明对检测数据进行大数据入库,通过过滤算法,过滤坏的检测数据,存入配电自动化运维大数据仓库,并通过统计分析算法进行配电终端缺陷分析,保证分析的精确性和快速性,具有良好的应用前景。
Description
技术领域
本发明涉及一种基于大数据处理的配电终端缺陷挖掘分析方法,属于配电自动化技术领域。
背景技术
配电终端,用于中低压配电网中的开闭所、柱上分段开关、环网柜、配电变压器、重合器、线路调压器、无功补偿电容器的监视与控制。配电终端的有效作用依靠于模拟量采集、数字量采集与控制量输出的功能。
配电终端的采集试验、检测数据是对配电终端缺陷进行挖掘、分析的基础。但是,大量的数据杂乱而无序,存在很多无效的坏数据,需要要对这些数据进行分析,找到配电终端的缺陷,是很困难的,如何克服上述问题,是当前需要解决的问题。
发明内容
本发明目的是为了克服现有的大量数据杂乱而无序,存在很多无效的坏数据,从中分析找到配电终端的缺陷,十分困难的问题。本发明的基于大数据处理的配电终端缺陷挖掘分析方法,对检测数据进行大数据入库,通过过滤算法,过滤坏的检测数据,存入配电自动化运维大数据仓库,并通过统计分析算法进行配电终端缺陷分析,保证分析的精确性和快速性,具有良好的应用前景。
为了达到上述目的,本发明所采用的技术方案是:
一种基于大数据处理的配电终端缺陷挖掘分析方法,包括以下步骤,
步骤(A),采集配电终端的检测数据,对检测数据进行数据建模,按照模型分类,进行建库,最终将采集的检测数据存入大数据库中;
步骤(B),根据过滤算法,对过滤大数据库内的坏数据,并存入配电自动化运维大数据仓库,实现对配电自动化运维对象模型、运行数据、巡检采集数据进行统一编码、统一采集、统一存储;
步骤(C),根据配电自动化运维大数据仓库,配合聚类算法K-means,对进行配电终端缺陷分析,找到配电终端失效、缺陷的原因和规律。
前述的基于大数据处理的配电终端缺陷挖掘分析方法,其特征在于:步骤(A),所述检测数据,包括状态量数据和模拟量数据,所述状态量数据,包括开关位置、终端状态、开关储能信号灯;所述模拟量数据,包括电流、电压、有功功率、无功功率、功率因素。
前述的基于大数据处理的配电终端缺陷挖掘分析方法,其特征在于:步骤(B),根据过滤算法,对过滤大数据库内的坏数据,并存入配电自动化运维大数据仓库,包括以下步骤,
(B1),建立坏数据过滤的规则:根据配电终端正常运行数据,设定上下限阈值,过滤无效数据和各种错误数据;
(B2),根据坏数据过滤的规则,采用布隆过滤器对大数据库中的检测数据进行过滤;
(B3),将过滤后的检测数据,继续根据模型库分类,存入配电自动化运维大数据仓库内。
前述的基于大数据处理的配电终端缺陷挖掘分析方法,所述布隆过滤器,利用数组表示一个坏数据过滤的规则约束下的模型库集合,并能判断模型库内的检测数据是否属于这个模型库集合,将不是属于该模型库集合的检测数据过滤掉。
前述的基于大数据处理的配电终端缺陷挖掘分析方法,步骤
(C),根据配电自动化运维大数据仓库,配合聚类算法K-means,对进行配电终端缺陷分析,找到配电终端失效、缺陷的原因和规律,包括以下步骤,
(C1),从配电自动化运维大数据仓库中的某个模型库内,随机挑选点当种子点,随机选取k个聚类质心点为μ1,μ2,...,μk∈Rn,表示n个样本点第k个数据点,并选择该模型库内样例I;
(C2),对样例I计算其应该属于的类,ci=arg minj||x(i)-uj||2,x(i)为第i个样本、uj为聚类质心点、arg minj是使后面这个式子达到最小值时的变量的取值,ci为样例I内的个检测数据与k个聚类质心点距离最近的那个类;
(C3),对各ci类重新计算其的质心,m样本总数、xi第i个样本;
(C4),判断(C3)得到的质心是否收敛,若不收敛,且返回(C2)以该质心作为样例I计算其所对应的类,直到得到的质心收敛,执行(C5);若收敛,执行(C5);
(C5),根据得到的收敛质心,得到该模型库下的所运行配电终端失效、缺陷的原因和规律。
前述的基于大数据处理的配电终端缺陷挖掘分析方法,其特征在于:(C5),根据得到的收敛质心,得到该模型库下的所运行配电终端失效、缺陷的原因和规律的方法为将每一组的同类质心族,跟模型库中设定的安全稳定模型以及缺陷、失效模型对比,从而能够得到该模型库下的所运行配电终端失效、缺陷的原因和规律。
本发明的有益效果是:本发明的基于大数据处理的配电终端缺陷挖掘分析方法,对检测数据进行大数据入库,通过过滤算法,过滤坏的检测数据,存入配电自动化运维大数据仓库,并通过统计分析算法进行配电终端缺陷分析,保证分析的精确性和快速性,具有良好的应用前景。
附图说明
图1是本发明的基于大数据处理的配电终端缺陷挖掘分析方法的流程图。
具体实施方式
下面将结合说明书附图,对本发明做进一步说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的基于大数据处理的配电终端缺陷挖掘分析方法,针对配电自动化终端结构形式多样、标准化程度低的现状,对配电终端的试验检测数据进行大数据建库,研究配电终端失效、缺陷的原因和规律,分析配电终端失效的关键环节,建立起配电自动化运维大数据仓库,实现对配电自动化运维对象模型、运行数据、巡检采集数据进行统一编码、统一采集、统一存储,对检测数据先进行坏数据过滤,进而深入对配电终端的缺陷进行挖掘及大数据分析,大数据分析从技术手段上采用了最新的数据分析模型,通过聚类算法K-means,对配电自动化运维大数据仓库内检测数据进行处理,具体过程,如图1所示,包括以下步骤,
步骤(A),采集配电终端的检测数据,对检测数据进行数据建模,按照模型分类,进行建库,最终将采集的检测数据存入大数据库中,所述检测数据,包括状态量数据和模拟量数据,所述状态量数据,包括开关位置、终端状态、开关储能信号灯;所述模拟量数据,包括电流、电压、有功功率、无功功率、功率因素;所述配电终端包括DTU(配电终端单元)、FTU(馈线远方终端)、TTU(配电变压器远方终端)。
步骤(B),根据过滤算法,对过滤大数据库内的坏数据,并存入配电自动化运维大数据仓库,实现对配电自动化运维对象模型、运行数据、巡检采集数据进行统一编码、统一采集、统一存储,包括以下步骤,
(B1),建立坏数据过滤的规则:根据配电终端正常运行数据,设定上下限阈值,过滤无效数据和各种错误数据
(B2),根据坏数据过滤的规则,采用布隆过滤器对大数据库中的检测数据进行过滤;所述布隆过滤器,利用数组表示一个坏数据过滤的规则约束下的模型库集合,并能判断模型库内的检测数据是否属于这个模型库集合,将不是属于该模型库集合的检测数据过滤掉;
(B3),将过滤后的检测数据,继续根据模型库分类,存入配电自动化运维大数据仓库内,步骤(A)得到的大数据库中的基础数据是各种配电终端数据的集合,这些数据包含历史数据和实时数据,这样就避免不了有的数据是错误数据、有的数据相互之间有冲突,这些错误的或有冲突的数据显然是我们不想要的,通过(B1)-(B3),能够很好的过滤掉;
步骤(C),根据配电自动化运维大数据仓库,配合聚类算法K-means,对进行配电终端缺陷分析,找到配电终端失效、缺陷的原因和规律,聚类算法K-means,就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇,使得同一个簇内的数据对象的相似性尽可能大,同时不在同一个簇中的数据对象的差异性也尽可能地大,即聚类后同一类的数据尽可能聚集到一起,从而很容易分析,找到配电终端失效、缺陷的原因和规律,具体包括以下步骤,
(C1),从配电自动化运维大数据仓库中的某个模型库内,随机挑选点当种子点,随机选取k个聚类质心点为μ1,μ2,...,μk∈Rn,表示n个样本点第k个数据点,并选择该模型库内样例I;
(C2),对样例I计算其应该属于的类,ci=arg minj||x(i)-uj||2,x(i)为第i个样本、uj为聚类质心点、arg minj是使后面这个式子达到最小值时的变量的取值,ci为样例I内的个检测数据与k个聚类质心点距离最近的那个类;
(C3),对各ci类重新计算其的质心,m为样本总数、xi为第i个样本;
(C4),判断(C3)得到的质心是否收敛,若不收敛,且返回(C2)以该质心作为样例I计算其所对应的类,直到得到的质心收敛,执行(C5);若收敛,执行(C5);
(C5),根据得到的收敛质心,将每一组的同类质心族,跟模型库中设定的安全稳定模型以及缺陷、失效模型对比(通过实体联系ER数据模型建立模型库,根据以往数据使用经验,基于遥测、遥信等基础数据,建立正常和缺陷模型,该模型给出了造成缺陷和失效的原因及规律),能够得到该模型库下的所运行配电终端失效、缺陷的原因和规律。
综上所述,本发明的基于大数据处理的配电终端缺陷挖掘分析方法,对检测数据进行大数据入库,通过过滤算法,过滤坏的检测数据,存入配电自动化运维大数据仓库,并通过统计分析算法进行配电终端缺陷分析,保证分析的精确性和快速性,具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.基于大数据处理的配电终端缺陷挖掘分析方法,其特征在于:包括以下步骤,
步骤(A),采集配电终端的检测数据,对检测数据进行数据建模,按照模型分类,进行建库,最终将采集的检测数据存入大数据库中;
步骤(B),根据过滤算法,对过滤大数据库内的坏数据,并存入配电自动化运维大数据仓库,实现对配电自动化运维对象模型、运行数据、巡检采集数据进行统一编码、统一采集、统一存储;
步骤(C),根据配电自动化运维大数据仓库,配合聚类算法K-means,对进行配电终端缺陷分析,找到配电终端失效、缺陷的原因和规律。
2.根据权利要求1所述的基于大数据处理的配电终端缺陷挖掘分析方法,其特征在于:步骤(A),所述检测数据,包括状态量数据和模拟量数据,所述状态量数据,包括开关位置、终端状态、开关储能信号灯;所述模拟量数据,包括电流、电压、有功功率、无功功率、功率因素。
3.根据权利要求1所述的基于大数据处理的配电终端缺陷挖掘分析方法,其特征在于:步骤(B),根据过滤算法,过滤大数据库内的坏数据,并存入配电自动化运维大数据仓库,包括以下步骤,
(B1),建立坏数据过滤的规则,根据配电终端正常运行数据,设定对应的上、下限阈值,过滤对应的无效数据和错误数据;
(B2),根据坏数据过滤的规则,采用布隆过滤器对大数据库中的检测数据进行过滤;
(B3),将过滤后的检测数据,继续根据模型库分类,存入配电自动化运维大数据仓库内。
4.根据权利要求3所述的基于大数据处理的配电终端缺陷挖掘分析方法,其特征在于:所述布隆过滤器,利用数组表示一个坏数据过滤的规则约束下的模型库集合,并能判断模型库内的检测数据是否属于这个模型库集合,将不是属于该模型库集合的检测数据过滤掉。
5.根据权利要求1所述的基于大数据处理的配电终端缺陷挖掘分析方法,其特征在于:步骤(C),根据配电自动化运维大数据仓库,配合聚类算法K-means,对进行配电终端缺陷分析,找到配电终端失效、缺陷的原因和规律,包括以下步骤,
(C1),从配电自动化运维大数据仓库中的某个模型库内,随机挑选点当种子点,随机选取k个聚类质心点为μ1,μ2,...,μk∈Rn,表示n个样本点第k个数据点,并选择该模型库内样例I;
(C2),对样例I计算其应该属于的类,ci=arg minj||x(i)-uj||2,x(i)为第i个样本、uj为聚类质心点、arg minj是使后面这个式子达到最小值时的变量的取值,ci为样例I内的个检测数据与k个聚类质心点距离最近的那个类;
(C3),对各ci类重新计算其的质心,m为样本总数、xi为第i个样本;
(C4),判断(C3)得到的质心是否收敛,若不收敛,且返回(C2)以该质心作为样例I计算其所对应的类,直到得到的质心收敛,执行(C5);若收敛,执行(C5);
(C5),根据得到的收敛质心,得到该模型库下的所运行配电终端失效、缺陷的原因和规律。
6.根据权利要求5所述的基于大数据处理的配电终端缺陷挖掘分析方法,其特征在于:(C5),根据得到的收敛质心,得到该模型库下的所运行配电终端失效、缺陷的原因和规律的方法为将每一组的同类质心族,跟模型库中设定的安全稳定模型以及缺陷、失效模型对比,从而能够得到该模型库下的所运行配电终端失效、缺陷的原因和规律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711247338.7A CN108052559A (zh) | 2017-12-01 | 2017-12-01 | 基于大数据处理的配电终端缺陷挖掘分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711247338.7A CN108052559A (zh) | 2017-12-01 | 2017-12-01 | 基于大数据处理的配电终端缺陷挖掘分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108052559A true CN108052559A (zh) | 2018-05-18 |
Family
ID=62121169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711247338.7A Pending CN108052559A (zh) | 2017-12-01 | 2017-12-01 | 基于大数据处理的配电终端缺陷挖掘分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108052559A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846552A (zh) * | 2018-05-23 | 2018-11-20 | 深圳供电局有限公司 | 一种配网自动化终端缺陷分析系统及其方法 |
CN109448154A (zh) * | 2018-11-21 | 2019-03-08 | 北京国网富达科技发展有限责任公司 | 一种输电线路人员巡检方法及装置 |
CN109636943A (zh) * | 2018-11-21 | 2019-04-16 | 北京国网富达科技发展有限责任公司 | 一种输电线路手持机巡检方法及装置 |
CN110569893A (zh) * | 2019-08-30 | 2019-12-13 | 海南电网有限责任公司琼海供电局 | 一种配电设备缺陷分析管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019084A (zh) * | 2016-06-16 | 2016-10-12 | 上海交通大学 | 基于配用电数据关联的中压配电网断线故障诊断方法 |
CN106534184A (zh) * | 2016-12-12 | 2017-03-22 | 南京富岛信息工程有限公司 | 一种基于深度数据过滤的控制系统信息安全网关 |
CN107229917A (zh) * | 2017-05-31 | 2017-10-03 | 北京师范大学 | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 |
CN107301371A (zh) * | 2017-05-11 | 2017-10-27 | 江苏保千里视像科技集团股份有限公司 | 一种基于图像信息融合的非结构化道路检测方法及系统 |
-
2017
- 2017-12-01 CN CN201711247338.7A patent/CN108052559A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019084A (zh) * | 2016-06-16 | 2016-10-12 | 上海交通大学 | 基于配用电数据关联的中压配电网断线故障诊断方法 |
CN106534184A (zh) * | 2016-12-12 | 2017-03-22 | 南京富岛信息工程有限公司 | 一种基于深度数据过滤的控制系统信息安全网关 |
CN107301371A (zh) * | 2017-05-11 | 2017-10-27 | 江苏保千里视像科技集团股份有限公司 | 一种基于图像信息融合的非结构化道路检测方法及系统 |
CN107229917A (zh) * | 2017-05-31 | 2017-10-03 | 北京师范大学 | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846552A (zh) * | 2018-05-23 | 2018-11-20 | 深圳供电局有限公司 | 一种配网自动化终端缺陷分析系统及其方法 |
CN109448154A (zh) * | 2018-11-21 | 2019-03-08 | 北京国网富达科技发展有限责任公司 | 一种输电线路人员巡检方法及装置 |
CN109636943A (zh) * | 2018-11-21 | 2019-04-16 | 北京国网富达科技发展有限责任公司 | 一种输电线路手持机巡检方法及装置 |
CN110569893A (zh) * | 2019-08-30 | 2019-12-13 | 海南电网有限责任公司琼海供电局 | 一种配电设备缺陷分析管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052559A (zh) | 基于大数据处理的配电终端缺陷挖掘分析方法 | |
CN109086889B (zh) | 基于神经网络的终端故障诊断方法、装置和系统 | |
CN107657288B (zh) | 一种基于孤立森林算法的电力调度流数据异常检测方法 | |
CN110569867A (zh) | 基于决策树算法的输电线路故障原因判别方法、介质及设备 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN109840157A (zh) | 故障诊断的方法、装置、电子设备和存储介质 | |
CN110889441B (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
CN111950585A (zh) | 一种基于XGBoost的地下综合管廊安全状况评估方法 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN106452931A (zh) | 监控指标及域值发现方法、域值调整方法及自动监控系统 | |
CN106254316B (zh) | 一种基于数据依赖的工控行为异常检测系统 | |
CN103926490A (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
CN116186624A (zh) | 一种基于人工智能的锅炉评估方法及系统 | |
CN112257784A (zh) | 一种基于梯度提升决策树的窃电检测方法 | |
CN113934967B (zh) | 煤炭样品的智能化存储查样反馈监管系统 | |
CN115222303B (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
CN103353883A (zh) | 一种按需聚类的大数据流式聚类处理系统及方法 | |
CN110378424A (zh) | 基于卷积神经网络的变压器套管故障红外图像识别方法 | |
CN112904148A (zh) | 智能电缆运行监测系统、方法及装置 | |
CN112329971A (zh) | 一种输变电工程投资决策模型的建模方法 | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN105183612B (zh) | 服务器可用内存异常增长及运行状况的评估方法 | |
CN116562596A (zh) | 一种退役电池处理方法、装置、退役电池仓储立库及介质 | |
Pan et al. | Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |