CN109460004A - 基于大数据的配电网故障预测方法及系统 - Google Patents
基于大数据的配电网故障预测方法及系统 Download PDFInfo
- Publication number
- CN109460004A CN109460004A CN201811254900.3A CN201811254900A CN109460004A CN 109460004 A CN109460004 A CN 109460004A CN 201811254900 A CN201811254900 A CN 201811254900A CN 109460004 A CN109460004 A CN 109460004A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- classification
- mentioned
- fault
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的配电网故障预测方法及系统，属于电网安全维护技术领域，上述基于大数据的配电网故障预测方法包括：S1、获取原始数据；S2、利用Tableau软件对原始数据处理进而得到可以分析的样本数据，上述处理包括数据清洗、数据变换和数据集成；S3、分析配电网故障影响因素关联性；S4、基于改进的随机森林算法的故障预测模型的搭建；改进的随机森林算法生成多个分类树，上述分类树通过投票法或算术平均值决策的方式进行组合。本发明实现对地区配电网线路的故障预测。及时的发布故障预警信息，为配电网运维部门提供针对性的线路运维指导。提前消除线路故障隐患，降低配电网的故障率，提高配电网的供电可靠性。
Description
技术领域
本发明属于电网安全维护技术领域，尤其涉及一种基于大数据的配电网故障预测方法及系统。
背景技术
众所周知，电力系统中各种电压的变电所及输配电线路组成的整体，称为电力网，简称电网。它包含变电、输电、配电三个单元。电力网的任务是输送与分配电能，改变电压。电网的安全正常运营是保证人力正常生产生活的关键因素，为了保证电网的正常安全运营，需要配置一些抢修驻点。
配电网直接给城市、农村的各类用电负荷供电，是国民经济和社会发展的重要公共设施。随着经济社会的发展，配电网也变得日益的复杂，配电网的运维也变得越来越重要。但是，由于配网线路的庞大，在配电网运行维护的过程中，配网线路和设备难免会发生各种各样的故障，直接影响着线路用户的供电可靠性。有必要针对配电网线路设备的特性，形成一套行之有效的方法，对线路设备进行精准运维。从而，降低线路设备的故障率。
发明内容
针对现有技术存在的问题，本发明借助于大数据手段，对线路历史故障、设备运行年限、气候天气等数据进行挖掘，利用Apriori算法和改进的随机森林算法等大数据算法搭建一个分析模型，实现对地区配电网线路的故障预测。及时的发布故障预警信息，为配电网运维部门提供针对性的线路运维指导。提前消除线路故障隐患，降低配电网的故障率，提高配电网的供电可靠性。
本发明的目的在于提供一种基于大数据的配电网故障预测方法，包括如下步骤：
S1、获取原始数据，上述原始数据包括设备数据、天气因素和外力因素；其中：上述设备数据包括设备类型、设备运行时间和设备位置；上述天气因素包括气温数据、降水量和风速；上述外力因素包括故障记录内容、故障类型和时间；
S2、利用Tableau软件对原始数据处理进而得到可以分析的样本数据，上述处理包括数据清洗、数据变换和数据集成；
S3、分析配电网故障影响因素关联性；具体为利用Apriori算法对样本数据进行挖掘分析，得到影响线路运行因素的故障特征值；其中：
针对于设备因素，故障特征值包括设备年限和设备类型；
针对于天气因素，故障特征值包括降水量、天气类型和风速；
针对于外力因素，故障特征值包括故障类型和月份；
S4、基于改进的随机森林算法的故障预测模型的搭建；改进的随机森林算法生成多个分类树，上述分类树通过投票法或算术平均值决策的方式进行组合。
进一步：上述训练样本数据集的随机抽样采用Bagging方法。
更进一步：上述S4具体为：
S4.1、训练样本数据集的随机抽样；
S4.2、特征子空间的随机抽样；采用Breiman提出的方法，在构建分类树的每个节点处从特征空间随机抽取同等数量的特征变量进行训练；
S4.3、选择C4.5决策树算法作为随机森林内分类树的构建方法；
S4.4随机森林实现过程，
随机森林中的每一棵分类树为二叉树，生成遵循自顶向下的递归分裂原则，即从根节点开始依次对训练集进行划分；在二叉树中，根节点包含全部训练数据，按照节点纯度最小原则，分裂为左节点和右节点，它们分别包含训练数据的一个子集，按照同样的规则节点继续分裂，直到满足分支停止规则而停止生长，若节点n上的分类数据全部来自于同一类别，则此节点的纯度I(n)＝0，
纯度度量方法是Gini准则，即假设P(Xj)是节点n上属于Xj类样本个数占训练，
具体实现过程如下：
A、原始训练集为N，应用bootstrap法有放回地随机抽取k个新的自助样本集，并由此构建k棵分类树，每次未被抽到的样本组成了k个袋外数据；
B、设有mall个变量，则在每一棵树的每个节点处随机抽取mtry个变量(mtry nmall)，然后在mtry中选择一个最具有分类能力的变量，变量分类的阈值通过检查每一个分类点确定；
C、每棵树最大限度地生长，不做任何修剪；
D、将生成的多棵分类树组成随机森林，用随机森林分类器对新的数据进行判别与分类，分类结果按树分类器的投票多少而定；
S4.5系统模型的构建与预测。
本发明的目的在于提供一种基于大数据的配电网故障预测方法的系统，包括：
原始数据获取模块，上述原始数据包括设备数据、天气因素和外力因素；其中：上述设备数据包括设备类型、设备运行时间和设备位置；上述天气因素包括气温数据、降水量和风速；上述外力因素包括故障记录内容、故障类型和时间；
原始数据处理模块，利用Tableau软件对原始数据处理进而得到可以分析的样本数据，上述处理包括数据清洗、数据变换和数据集成；
分析模块，分析配电网故障影响因素关联性；具体为利用Apriori算法对样本数据进行挖掘分析，得到影响线路运行因素的故障特征值；其中：
针对于设备因素，故障特征值包括设备年限和设备类型；
针对于天气因素，故障特征值包括降水量、天气类型和风速；
针对于外力因素，故障特征值包括故障类型和月份；
模型搭建模块，基于改进的随机森林算法的故障预测模型的搭建；改进的随机森林算法生成多个分类树，上述分类树通过投票法或算术平均值决策的方式进行组合。
本发明的目的在于提供一种实现上述基于大数据的配电网故障预测方法的计算机程序。
本发明的目的在于提供一种实现上述基于大数据的配电网故障预测方法的信息数据处理终端。
本发明的目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于大数据的配电网故障预测方法。
综上所述，本发明的优点及积极效果为：
本专利在于克服现有技术不足之处，本发明借助于大数据手段，对线路历史故障、设备运行年限、气候天气等数据进行挖掘，利用Apriori算法和改进的随机森林算法等大数据算法搭建一个分析模型，实现对地区配电网线路的故障预测。及时的发布故障预警信息，为配电网运维部门提供针对性的线路运维指导。提前消除线路故障隐患，降低配电网的故障率，提高配电网的供电可靠性。
附图说明
图1为本发明优选实施例的流程图；
图2为基于随机森林算法的配电网线路故障预测模型流程图；
图3为形成月度线路故障运维建议流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，一种基于大数据的配电网故障预测方法，包括如下步骤：
1、配电网故障主要影响因素分析。导致配电网故障的因素众多，本发明中对主要影响因素进行归纳分析。
(1)设备自身因素。配电网线路上的刀闸、开关、电缆、架空线随着运行年限的增加，发生故障的概率都会有不同程度的变化，是配电网线路故障的一个重要因素。
(2)天气因素。季节性气候的变化以及雨雪天气的影响也是配电网线路故障掉闸的一个重要因素。
(3)外力影响。主要是人为的因素或者环境因素破坏了配网线路导致故障。
2、配电网核心数据的提取。对配网故障预测需要的数据如下表
表1、配网故障预测数据表
3.原始数据的处理。
利用Tableau软件对原始数据处理，主要包括数据清洗、数据变换和数据集成三个步骤。得到可以分析的样本数据。
4、配电网故障影响因素关联性分析。
利用Apriori算法对样本数据分别挖掘分析得到影响线路运行因素的故障特征值。
表2、故障特征值表
5.基于改进的随机森林算法的故障预测模型的搭建
改进的随机森林算法生成多个分类树，这些分类树通过投票法或算术平均值决策的方式进行组合，以求得相对合理的策略结果来解决问题。
5.1构建随机森林模型的第一步是训练样本数据集的随机抽样。为使得随机森林模型中的各个分类树的多样性更好，Breiman提出了Bagging方法，该方法在训练样本数据中引入了随机性、增强了单棵分类树的性能。Bagging算法利用Bootstrap可重复抽样从训练样本数据集中抽取子训练样本集，而不同的子训练样本集作为不同分类树的训练样本。
5.2构建随机森林模型的第二步是特征子空间的随机抽样。本文的特征子空间随机抽样方法也采用Breiman提出的方法，其在构建分类树的每个节点处从特征空间随机抽取同等数量的特征变量进行训练。该方法为分类树在划分节点时提供更好的划分特征，从而降低分类树间的相关性，最终提高随机森林模型的性能。
5.3构建随机森林模型的第三步是选择构建分类树的决策树算法。合适的决策树算法通过在各个子训练样本集及抽样特征子空间上训练分类树，分类树集成成为随机森林模型。目前常用的决策树算法有ID3、C4.5、CART等。其中C4.5算法为ID3算法的改进而来，其采用增益率作为节点划分选择的标准，成功避免了ID3对取值数目较少特征的偏好问题。为此，本系统采用C4.5决策树算法作为随机森林内分类树的构建方法。
随机森林是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类，然后看看哪一类被选择最多，就预测这个样本为那一类。
在建立每一棵决策树的过程中，有两点需要注意采样与完全分裂。首先是两个随机采样的过程，random forest对输入的数据要进行行、列的采样。对于行采样，采用有放回的方式，也就是在采样得到的样本集合中，可能有重复的样本。假设输入样本为N个，那么采样的样本也为N个。这样使得在训练的时候，每一棵树的输入样本都不是全部的样本，使得相对不容易出现over-fitting。然后进行列采样，从M个feature中，选择m个(m<<M)。之后就是对采样之后的数据使用完全分裂的方式建立出决策树，这样决策树的某一个叶子节点要么是无法继续分裂的，要么里面的所有样本的都是指向的同一个分类。一般很多的决策树算法都一个重要的步骤——剪枝，但是这里不这样干，由于之前的两个随机采样的过程保证了随机性，所以就算不剪枝，也不会出现over-fitting。
决策树中分裂属性的两个选择度量：
1)信息增益
随机森林模型任意样本分类的期望信息：
a)I(s1,s2,……,sm)＝
∑Pi log2(pi)(i＝1..m)
其中，数据集为S，m为S的分类数目，Pi≈|Si/|S|，Ci为某分类标号，Pi为任意样本属于Ci的概率，si为分类Ci上的样本数
b)I(s1,s2,……,sm)越小，s1,s2,……,sm就越有序(越纯)，分类效果就越好。
c)由属性A划分为子集的熵：
A为属性，具有V个不同的取值，S被A划分为V个子集s1,s2,……,sv，sij是子集sj中类Ci的样本数。E(A)＝∑(s1j+……+smj)/s*I(s1j,……,smj)
d)信息增益：Gain(A)＝I(s1,s2,……,sm)
E(A)
e)分裂属性选择规则：选择具有最大信息增益的属性为分裂属性
2)基尼指数
a)集合T包含N个类别的记录，那么其Gini指标就是pj类别j出现的频率
b)如果集合T分成m部分N1,N2,…,Nm。那么这个分割的Gini就是
c)分裂属性选择规则：选择具有最小Ginisplit的属性为分裂属性(对于每个属性都要遍历所有可能的分割方法)。
5.4随机森林模型的注意点
设有N个样本，每个样本有M个features，决策树们其实都是随机地接受n个样本(对行随机取样)的m个feature(对列进行随机取样)，每颗决策树的m个feature相同。每颗决策树其实都是对特定的数据进行学习归纳出分类方法，而随机取样可以保证有重复样本被不同决策树分类，这样就可以对不同决策树的分类能力做个评价。
5.5随机森林实现过程
随机森林中的每一棵分类树为二叉树，其生成遵循自顶向下的递归分裂原则，即从根节点开始依次对训练集进行划分；在二叉树中，根节点包含全部训练数据，按照节点
纯度最小原则，分裂为左节点和右节点，它们分别包含训练数据的一个子集，按照同样的规则节点继续分裂，直到满足分支停止规则而停止生长。若节点n上的分类数据全部来自于同一类别，则此节点的纯度I(n)＝0，
纯度度量方法是Gini准则，即假设P(Xj)是节点n上属于Xj类样本个数占训练。
具体实现过程如下：
(1)原始训练集为N，应用bootstrap法有放回地随机抽取k个新的自助样本集，并由此构建k棵分类树，每次未被抽到的样本组成了k个袋外数据；
(2)设有mall个变量，则在每一棵树的每个节点处随机抽取mtry个变量(mtry nmall)，然后在mtry中选择一个最具有分类能力的变量，变量分类的阈值通过检查每一个分类点确定；
(3)每棵树最大限度地生长,不做任何修剪；
(4)将生成的多棵分类树组成随机森林，用随机森林分类器对新的数据进行判别与分类，分类结果按树分类器的投票多少而定。
5.6系统模型的构建与预测
基于随机森林算法的配电网线路故障预测模型流程图如1；
形成月度线路故障运维建议如图2；
6.预测结果评价
根据预测结果与实际情况进行对比评价。
一种基于大数据的配电网故障预测方法的系统，包括：
原始数据获取模块，上述原始数据包括设备数据、天气因素和外力因素；其中：上述设备数据包括设备类型、设备运行时间和设备位置；上述天气因素包括气温数据、降水量和风速；上述外力因素包括故障记录内容、故障类型和时间；
原始数据处理模块，利用Tableau软件对原始数据处理进而得到可以分析的样本数据，上述处理包括数据清洗、数据变换和数据集成；
分析模块，分析配电网故障影响因素关联性；具体为利用Apriori算法对样本数据进行挖掘分析，得到影响线路运行因素的故障特征值；其中：
针对于设备因素，故障特征值包括设备年限和设备类型；
针对于天气因素，故障特征值包括降水量、天气类型和风速；
针对于外力因素，故障特征值包括故障类型和月份；
模型搭建模块，基于改进的随机森林算法的故障预测模型的搭建；改进的随机森林算法生成多个分类树，上述分类树通过投票法或算术平均值决策的方式进行组合。
一种实现上述基于大数据的配电网故障预测方法的计算机程序。
一种实现上述基于大数据的配电网故障预测方法的信息数据处理终端。
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于大数据的配电网故障预测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于大数据的配电网故障预测方法，其特征在于，包括如下步骤：
S1、获取原始数据，上述原始数据包括设备数据、天气因素和外力因素；其中：上述设备数据包括设备类型、设备运行时间和设备位置；上述天气因素包括气温数据、降水量和风速；上述外力因素包括故障记录内容、故障类型和时间；
S2、利用Tableau软件对原始数据处理进而得到可以分析的样本数据，上述处理包括数据清洗、数据变换和数据集成；
S3、分析配电网故障影响因素关联性；具体为利用Apriori算法对样本数据进行挖掘分析，得到影响线路运行因素的故障特征值；其中：
针对于设备因素，故障特征值包括设备年限和设备类型；
针对于天气因素，故障特征值包括降水量、天气类型和风速；
针对于外力因素，故障特征值包括故障类型和月份；
S4、基于改进的随机森林算法的故障预测模型的搭建；改进的随机森林算法生成多个分类树，上述分类树通过投票法或算术平均值决策的方式进行组合。
2.根据权利要求1所述的基于大数据的配电网故障预测方法，其特征在于：上述训练样本数据集的随机抽样采用Bagging方法。
3.根据权利要求2所述的基于大数据的配电网故障预测方法，其特征在于：上述S4具体为：
S4.1、训练样本数据集的随机抽样；
S4.2、特征子空间的随机抽样；采用Breiman提出的方法，在构建分类树的每个节点处从特征空间随机抽取同等数量的特征变量进行训练；
S4.3、选择C4.5决策树算法作为随机森林内分类树的构建方法；
S4.4随机森林实现过程，
随机森林中的每一棵分类树为二叉树，生成遵循自顶向下的递归分裂原则，即从根节点开始依次对训练集进行划分；在二叉树中，根节点包含全部训练数据，按照节点纯度最小原则，分裂为左节点和右节点，它们分别包含训练数据的一个子集，按照同样的规则节点继续分裂，直到满足分支停止规则而停止生长，若节点n上的分类数据全部来自于同一类别，则此节点的纯度I(n)＝0，
纯度度量方法是Gini准则，即假设P(Xj)是节点n上属于Xj类样本个数占训练，
具体实现过程如下：
A、原始训练集为N，应用bootstrap法有放回地随机抽取k个新的自助样本集，并由此构建k棵分类树，每次未被抽到的样本组成了k个袋外数据；
B、设有mall个变量，则在每一棵树的每个节点处随机抽取mtry个变量(mtry n mall)，然后在mtry中选择一个最具有分类能力的变量，变量分类的阈值通过检查每一个分类点确定；
C、每棵树最大限度地生长，不做任何修剪；
D、将生成的多棵分类树组成随机森林，用随机森林分类器对新的数据进行判别与分类，分类结果按树分类器的投票多少而定；
S4.5系统模型的构建与预测。
4.一种基于权利要求3所述的基于大数据的配电网故障预测方法的系统，其特征在于：包括：
原始数据获取模块，上述原始数据包括设备数据、天气因素和外力因素；其中：上述设备数据包括设备类型、设备运行时间和设备位置；上述天气因素包括气温数据、降水量和风速；上述外力因素包括故障记录内容、故障类型和时间；
原始数据处理模块，利用Tableau软件对原始数据处理进而得到可以分析的样本数据，上述处理包括数据清洗、数据变换和数据集成；
分析模块，分析配电网故障影响因素关联性；具体为利用Apriori算法对样本数据进行挖掘分析，得到影响线路运行因素的故障特征值；其中：
针对于设备因素，故障特征值包括设备年限和设备类型；
针对于天气因素，故障特征值包括降水量、天气类型和风速；
针对于外力因素，故障特征值包括故障类型和月份；
模型搭建模块，基于改进的随机森林算法的故障预测模型的搭建；改进的随机森林算法生成多个分类树，上述分类树通过投票法或算术平均值决策的方式进行组合。
5.一种实现权利要求1-3任一项所述基于大数据的配电网故障预测方法的计算机程序。
6.一种实现权利要求1-3任一项所述基于大数据的配电网故障预测方法的信息数据处理终端。
7.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-3任一项所述的基于大数据的配电网故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811254900.3A CN109460004A (zh) | 2018-10-26 | 2018-10-26 | 基于大数据的配电网故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811254900.3A CN109460004A (zh) | 2018-10-26 | 2018-10-26 | 基于大数据的配电网故障预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109460004A true CN109460004A (zh) | 2019-03-12 |
Family
ID=65608489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811254900.3A Pending CN109460004A (zh) | 2018-10-26 | 2018-10-26 | 基于大数据的配电网故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109460004A (zh) |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109936113A (zh) * | 2019-03-29 | 2019-06-25 | 国网浙江省电力有限公司 | 一种基于随机森林算法的保护动作智能诊断方法及系统 |
| CN110019106A (zh) * | 2019-03-21 | 2019-07-16 | 国网江西省电力有限公司萍乡供电分公司 | 一种智能电网的电力营销海量数据处理方法及系统 |
| CN110032174A (zh) * | 2019-04-26 | 2019-07-19 | 南京航空航天大学 | 一种分层故障诊断模型及方法 |
| CN110110757A (zh) * | 2019-04-12 | 2019-08-09 | 国电南瑞科技股份有限公司 | 一种基于随机森林模型的输变电可疑数据筛查方法和设备 |
| CN110222914A (zh) * | 2019-07-02 | 2019-09-10 | 国家电网有限公司 | 一种准确率高的集中器运行预测方法 |
| CN110378427A (zh) * | 2019-07-23 | 2019-10-25 | 上海电气风电集团有限公司 | 风电叶片的叶根螺栓的故障检测方法、系统、设备及介质 |
| CN110515931A (zh) * | 2019-07-02 | 2019-11-29 | 电子科技大学 | 一种基于随机森林算法的电容型设备缺陷预测方法 |
| CN110543675A (zh) * | 2019-07-31 | 2019-12-06 | 国网江苏省电力有限公司 | 一种输电线路故障识别方法 |
| CN110543954A (zh) * | 2019-09-06 | 2019-12-06 | 云南电网有限责任公司电力科学研究院 | 一种配电网故障解决方法以及配电网故障解决装置 |
| CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森（厦门）数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
| CN110715799A (zh) * | 2019-10-22 | 2020-01-21 | 中研新科智能电气有限公司 | 断路器机械状态检测方法、装置及终端设备 |
| CN110929918A (zh) * | 2019-10-29 | 2020-03-27 | 国网重庆市电力公司南岸供电分公司 | 一种基于CNN和LightGBM的10kV馈线故障预测方法 |
| CN111047215A (zh) * | 2019-12-09 | 2020-04-21 | 中国兵器科学研究院 | 基于随机森林的现场可更换单元划分类别确定方法 |
| CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力系统故障预警方法和系统 |
| CN111612233A (zh) * | 2020-05-13 | 2020-09-01 | 云南电网有限责任公司电力科学研究院 | 一种配电网线路重跳影响因素重要性得分获取方法及装置 |
| CN111832932A (zh) * | 2020-07-10 | 2020-10-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种配电网智能运维决策方法与系统 |
| CN111860945A (zh) * | 2020-06-10 | 2020-10-30 | 广东电网有限责任公司 | 一种基于多源数据的输电线路鸟类分布预测方法 |
| CN111950928A (zh) * | 2020-08-24 | 2020-11-17 | 国网冀北电力有限公司 | 配电网降损方法、装置、存储介质及计算设备 |
| CN112085335A (zh) * | 2020-08-10 | 2020-12-15 | 国网上海市电力公司 | 一种用于配电网故障预测的改进随机森林算法 |
| CN112115180A (zh) * | 2020-09-11 | 2020-12-22 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的电网事故预测方法 |
| CN112308436A (zh) * | 2020-11-04 | 2021-02-02 | 国网江苏省电力有限公司扬州市江都区供电分公司 | 一种配电网评估诊断分析方法、装置、设备及存储介质 |
| CN112365073A (zh) * | 2020-11-18 | 2021-02-12 | 贵州电网有限责任公司 | 一种基于大数据的调控操作信号监控方法 |
| CN112485593A (zh) * | 2020-11-27 | 2021-03-12 | 深圳供电局有限公司 | 一种基于大数据驱动的配电网问题智能诊断方法 |
| CN113503232A (zh) * | 2021-08-20 | 2021-10-15 | 西安热工研究院有限公司 | 一种风机运行健康状态预警方法及系统 |
| CN113689053A (zh) * | 2021-09-09 | 2021-11-23 | 国网安徽省电力有限公司电力科学研究院 | 一种基于随机森林的强对流天气架空线停电预测方法 |
| CN113809786A (zh) * | 2020-07-23 | 2021-12-17 | 广东毓秀科技有限公司 | 通过大数据对ups整流和逆变模块进行故障预测的方法 |
| US20230004824A1 (en) * | 2019-12-13 | 2023-01-05 | Inspur Electronic Information Industry Co., Ltd. | Method, Apparatus, and Device for Updating Hard Disk Prediction Model, and Medium |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404944A (zh) * | 2015-12-11 | 2016-03-16 | 中国电力科学研究院 | 一种面向电力系统重过载预警的大数据分析方法 |
| CN107451675A (zh) * | 2017-06-21 | 2017-12-08 | 国网辽宁省电力有限公司 | 一种基于大数据提升供电可靠性的系统及方法 |
| CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
| CN107832886A (zh) * | 2017-11-09 | 2018-03-23 | 苏州大成电子科技有限公司 | 一种大数据支持电力公司运营与发展的方法 |
| KR20180039205A (ko) * | 2016-10-07 | 2018-04-18 | 고려대학교 산학협력단 | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 |
-
2018
- 2018-10-26 CN CN201811254900.3A patent/CN109460004A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404944A (zh) * | 2015-12-11 | 2016-03-16 | 中国电力科学研究院 | 一种面向电力系统重过载预警的大数据分析方法 |
| KR20180039205A (ko) * | 2016-10-07 | 2018-04-18 | 고려대학교 산학협력단 | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 |
| CN107451675A (zh) * | 2017-06-21 | 2017-12-08 | 国网辽宁省电力有限公司 | 一种基于大数据提升供电可靠性的系统及方法 |
| CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
| CN107832886A (zh) * | 2017-11-09 | 2018-03-23 | 苏州大成电子科技有限公司 | 一种大数据支持电力公司运营与发展的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 曹正凤: "随机森林算法优化研究", 《中国博士学位论文全文数据库 社会科学Ⅱ辑》 * |
| 肖一兵: "基于数据挖掘技术的配电网故障预测研究", 《设备管理与维修》 * |
| 谢翘楚等: "电网历史数据缺失及补录研究", 《四川理工学院学报(自然科学版)》 * |
Cited By (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110019106A (zh) * | 2019-03-21 | 2019-07-16 | 国网江西省电力有限公司萍乡供电分公司 | 一种智能电网的电力营销海量数据处理方法及系统 |
| CN109936113B (zh) * | 2019-03-29 | 2021-06-01 | 国网浙江省电力有限公司 | 一种基于随机森林算法的保护动作智能诊断方法及系统 |
| CN109936113A (zh) * | 2019-03-29 | 2019-06-25 | 国网浙江省电力有限公司 | 一种基于随机森林算法的保护动作智能诊断方法及系统 |
| CN110110757A (zh) * | 2019-04-12 | 2019-08-09 | 国电南瑞科技股份有限公司 | 一种基于随机森林模型的输变电可疑数据筛查方法和设备 |
| CN110110757B (zh) * | 2019-04-12 | 2021-02-05 | 国电南瑞科技股份有限公司 | 一种基于随机森林模型的输变电可疑数据筛查方法和设备 |
| CN110032174B (zh) * | 2019-04-26 | 2020-08-11 | 南京航空航天大学 | 一种分层故障诊断模型及方法 |
| CN110032174A (zh) * | 2019-04-26 | 2019-07-19 | 南京航空航天大学 | 一种分层故障诊断模型及方法 |
| CN110222914A (zh) * | 2019-07-02 | 2019-09-10 | 国家电网有限公司 | 一种准确率高的集中器运行预测方法 |
| CN110515931A (zh) * | 2019-07-02 | 2019-11-29 | 电子科技大学 | 一种基于随机森林算法的电容型设备缺陷预测方法 |
| CN110378427A (zh) * | 2019-07-23 | 2019-10-25 | 上海电气风电集团有限公司 | 风电叶片的叶根螺栓的故障检测方法、系统、设备及介质 |
| CN110543675A (zh) * | 2019-07-31 | 2019-12-06 | 国网江苏省电力有限公司 | 一种输电线路故障识别方法 |
| CN110543954B (zh) * | 2019-09-06 | 2023-06-30 | 云南电网有限责任公司电力科学研究院 | 一种配电网故障解决方法以及配电网故障解决装置 |
| CN110543954A (zh) * | 2019-09-06 | 2019-12-06 | 云南电网有限责任公司电力科学研究院 | 一种配电网故障解决方法以及配电网故障解决装置 |
| CN110647539B (zh) * | 2019-09-26 | 2022-06-24 | 汉纳森（厦门）数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
| CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森（厦门）数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
| CN110715799A (zh) * | 2019-10-22 | 2020-01-21 | 中研新科智能电气有限公司 | 断路器机械状态检测方法、装置及终端设备 |
| CN110715799B (zh) * | 2019-10-22 | 2021-05-11 | 中研新科智能电气有限公司 | 断路器机械状态检测方法、装置及终端设备 |
| CN110929918B (zh) * | 2019-10-29 | 2023-05-02 | 国网重庆市电力公司南岸供电分公司 | 一种基于CNN和LightGBM的10kV馈线故障预测方法 |
| CN110929918A (zh) * | 2019-10-29 | 2020-03-27 | 国网重庆市电力公司南岸供电分公司 | 一种基于CNN和LightGBM的10kV馈线故障预测方法 |
| CN111047215A (zh) * | 2019-12-09 | 2020-04-21 | 中国兵器科学研究院 | 基于随机森林的现场可更换单元划分类别确定方法 |
| CN111047215B (zh) * | 2019-12-09 | 2023-06-23 | 中国兵器科学研究院 | 基于随机森林的现场可更换单元划分类别确定方法 |
| US20230004824A1 (en) * | 2019-12-13 | 2023-01-05 | Inspur Electronic Information Industry Co., Ltd. | Method, Apparatus, and Device for Updating Hard Disk Prediction Model, and Medium |
| CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力系统故障预警方法和系统 |
| CN111612233A (zh) * | 2020-05-13 | 2020-09-01 | 云南电网有限责任公司电力科学研究院 | 一种配电网线路重跳影响因素重要性得分获取方法及装置 |
| CN111860945A (zh) * | 2020-06-10 | 2020-10-30 | 广东电网有限责任公司 | 一种基于多源数据的输电线路鸟类分布预测方法 |
| CN111832932A (zh) * | 2020-07-10 | 2020-10-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种配电网智能运维决策方法与系统 |
| CN113809786A (zh) * | 2020-07-23 | 2021-12-17 | 广东毓秀科技有限公司 | 通过大数据对ups整流和逆变模块进行故障预测的方法 |
| CN112085335A (zh) * | 2020-08-10 | 2020-12-15 | 国网上海市电力公司 | 一种用于配电网故障预测的改进随机森林算法 |
| CN111950928A (zh) * | 2020-08-24 | 2020-11-17 | 国网冀北电力有限公司 | 配电网降损方法、装置、存储介质及计算设备 |
| CN111950928B (zh) * | 2020-08-24 | 2024-02-06 | 国网冀北电力有限公司 | 配电网降损方法、装置、存储介质及计算设备 |
| CN112115180A (zh) * | 2020-09-11 | 2020-12-22 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的电网事故预测方法 |
| CN112308436A (zh) * | 2020-11-04 | 2021-02-02 | 国网江苏省电力有限公司扬州市江都区供电分公司 | 一种配电网评估诊断分析方法、装置、设备及存储介质 |
| CN112365073A (zh) * | 2020-11-18 | 2021-02-12 | 贵州电网有限责任公司 | 一种基于大数据的调控操作信号监控方法 |
| CN112485593A (zh) * | 2020-11-27 | 2021-03-12 | 深圳供电局有限公司 | 一种基于大数据驱动的配电网问题智能诊断方法 |
| CN113503232A (zh) * | 2021-08-20 | 2021-10-15 | 西安热工研究院有限公司 | 一种风机运行健康状态预警方法及系统 |
| CN113689053A (zh) * | 2021-09-09 | 2021-11-23 | 国网安徽省电力有限公司电力科学研究院 | 一种基于随机森林的强对流天气架空线停电预测方法 |
| CN113689053B (zh) * | 2021-09-09 | 2024-03-29 | 国网安徽省电力有限公司电力科学研究院 | 一种基于随机森林的强对流天气架空线停电预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460004A (zh) | 基于大数据的配电网故障预测方法及系统 | |
| Ren et al. | Building an effective intrusion detection system by using hybrid data optimization based on machine learning algorithms | |
| Aziz et al. | Comparison of classification techniques applied for network intrusion detection and classification | |
| Bhavani et al. | Network intrusion detection system using random forest and decision tree machine learning techniques | |
| Zhou et al. | Deep Learning Enhanced Solar Energy Forecasting with AI‐Driven IoT | |
| Faisal et al. | Data-stream-based intrusion detection system for advanced metering infrastructure in smart grid: A feasibility study | |
| Gwon et al. | Network intrusion detection based on LSTM and feature embedding | |
| CN111125460A (zh) | 信息推荐方法及装置 | |
| Tervo et al. | Predicting power outages caused by extratropical storms | |
| Tehrani et al. | Online electricity theft detection framework for large-scale smart grid data | |
| Yu et al. | An encrypted malicious traffic detection system based on neural network | |
| Zhou et al. | Comparative study on the time series forecasting of web traffic based on statistical model and Generative Adversarial model | |
| Markovic et al. | Random forest based on federated learning for intrusion detection | |
| Zhang et al. | Online power system dynamic security assessment with incomplete PMU measurements: A robust white‐box model | |
| Zhang et al. | Automatic Traffic Anomaly Detection on the Road Network with Spatial‐Temporal Graph Neural Network Representation Learning | |
| Chowdhury et al. | An optimal feature based network intrusion detection system using bagging ensemble method for real-time traffic analysis | |
| Liu et al. | Graph neural network for credit card fraud detection | |
| Sundararajan et al. | A tri-modular framework to minimize smart grid cyber-attack cognitive gap in utility control centers | |
| Ahmed et al. | Spatio-temporal deep graph network for event detection, localization and classification in cyber-physical electric distribution system | |
| Hu et al. | Classification of Abnormal Traffic in Smart Grids Based on GACNN and Data Statistical Analysis | |
| Ghimeş et al. | Neural network models in big data analytics and cyber security | |
| Chen et al. | Machine learning-based anomaly detection of ganglia monitoring data in HEP Data Center | |
| Zheng et al. | Offshore wind power ramp prediction based on optimal combination model | |
| Mishra et al. | Controlling weather dependent tasks using random forest algorithm | |
| Pu et al. | Optimization of intrusion detection system based on improved convolutional neural network algorithm |
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 |
Application publication date: 20190312 |
|
| RJ01 | Rejection of invention patent application after publication |