CN110222098A - 基于流数据聚类算法的电力大数据流异常检测 - Google Patents
基于流数据聚类算法的电力大数据流异常检测 Download PDFInfo
- Publication number
- CN110222098A CN110222098A CN201910529150.4A CN201910529150A CN110222098A CN 110222098 A CN110222098 A CN 110222098A CN 201910529150 A CN201910529150 A CN 201910529150A CN 110222098 A CN110222098 A CN 110222098A
- Authority
- CN
- China
- Prior art keywords
- data
- clustering algorithm
- electric power
- cluster
- user
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000003064 k means clustering Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000005611 electricity Effects 0.000 claims description 33
- 238000004321 preservation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001027 hydrothermal synthesis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation 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
- G06F16/24—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
- 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
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力大数据异常检测技术领域,公开了一种基于机器学习的流式K‑means聚类算法。本方法,首先通过Redis集群进行电力流数据的缓存及处理,然后使用基于最佳距离法的K‑means聚类算法从Redis集群中存取数据进行聚类分析。具体为:1)对电力大数据进行预处理,得到有效的训练样本和测试样本;2)使用Redis集群对样本数据进行在线缓存处理;3)使用K‑means算法进行数据的存取及聚类分析;4)使用测试样本,对模型的性能进行分析。本发明从数据的安全性、完整性以及流数据聚类算法的低时间复杂度的角度出发,改善了传统流数据聚类算法断电易丢失数据、不能存储全部数据等缺陷,使该算法能够应用于一些对数据敏感的应用。
Description
技术领域
本发明涉及一种改进的电力大数据流的异常检测方法,属于电能质量异常识别技术领域。
背景技术
电力行业是我国的支柱型产业,服务于各行各业。电力行业的正常、有序发展是社会进步的重要保障,如何发现电力行业中隐藏的异常问题对于电网的发展和进步有着重大的研究意义。
电力大数据的异常检测技术对于电网侧和用户侧都具有重要的研究价值,对于电网侧,通过得到电网拓扑中各个节点的电气量可以对各个节点进行异常评估;对于用户侧,通过对用户用电数据进行挖掘,可以预防电网中的非技术性欺骗(non-technical loss,NTL)等。目前对于电力大数据异常值挖掘大都是基于静态数据的,并且相对来说比较成熟,常见的比如,采用基于时间序列的算法将用户的历史用电电气量与新采集到的数据进行对比,从而发现用电异常;利用电网是树形拓扑结构的基础,基于总表电量等于分表电量之和这个数学基础,通过多元回归模型识别异常用电等。
目前对于电力大数据静态数据的挖掘正在逐步走向成熟,但如今各个行业的数据大多以流的形式产生,随着各种传感技术以及测量技术在电网中的不断发展和应用,电网中的设备每天产生的数据以指数级增长,形成了大规模的数据流。目前,大多数学者使用流数据聚类算法对数据流进行挖掘,但流数据聚类算法的在线数据流处理阶段往往会丢失部分数据,对于一些对数据敏感的应用并不适用,因此如何对流数据聚类算法的在线微簇维护阶段进行设计并与实际应用相结合是目前研究的重点。
本发明针对现有流数据聚类算法在线数据流维护阶段容易造成丢失部分数据、断电易丢失以及流数据聚类算法的低时间复杂度要求,对流数据聚类算法的在线微簇维护阶段进行改进,使用Redis集群将某一时间段内的数据全部进行存储,并随时间进行迭代更新,并对离线部分k-means聚类算法进行优化,使用最佳距离法快速确定聚类中心,减少算法的迭代次数,降低流数据聚类算法的时间复杂度。从而使改进的流数据聚类算法能够应用于某些对数据敏感的应用,最后,本发明将改进的流数据聚类算法应用于电力行业中用户用电异常行为的检测。
发明内容
本发明的目的在于,针对现有流数据聚类算法断电易丢失数据、不能存储全部数据等问题以及流数据聚类算法对于离线阶段聚类算法的实时性应答的要求,本发明从数据的安全性、完整性以及流数据聚类算法的低时间复杂度的角度出发,对Clustream流数据聚类算法进行改进,提出一种新型的聚类算法,即流式K-means聚类算法,用于电力大数据流的异常检测问题。
目前对于电力大数据的异常检测主要从电网物理状态、用户用电数据以下两个方面进行研究:
基于电网物理状态方法的异常检测主要是从配电网的网络拓扑入手,对配电系统的线路进行阻抗估计,计算线损,或者对配电网络的各个节点进行状态评估计算,使系统的电压、电流、功率等各个电气量的量测结果符合潮流计算的结果。该方法的难点在于配电网的网络拓扑结构以及网络各个参数的获取,并且配电网的拓扑结构可能随时会发生变动。
基于用户用电数据方法的异常检测主要是从用户侧入手,对用户的海量历史用电数据进行挖掘,将用户的历史用电行为习惯与新采集的用户数据进行对比,从而发现异常。该方法对于电网中的非技术性欺骗(non-technical loss,NTL)尤其有效,对于电网中的用户窃电等行为的研究具有很重要的意义。
一种基于流数据聚类算法的电力大数据异常检测方法,该方法通过对流数据聚类算法的在线阶段进行改进,使流数据聚类算法能够应用于某些对数据敏感的应用;对流数据聚类算法的离线阶段进行优化,使之能够给与用户实时应答,效率更高。该方法步骤为:
步骤1:对电力大数据进行数据归一化、划分训练集、测试集等预处理工作;
步骤2:使用Redis集群对样本数据进行在线缓存;
步骤3:使用K-means聚类算法存取Redis中的数据进行离线聚类;
步骤4:利用用户用电数据流进行算法的验证及性能分析;
步骤5:对增量电力流式大数据进行与样本数据同样的预处理工作;
步骤6:使用增量数据对保存的模型进行增量训练,验证模型的泛化能力。
所述的数据预处理的方法为:
将样本数据的训练集和测试集按6:1划分;
所述使用Redis集群对训练数据进行在线缓存的步骤为:
步骤1:搭建Redis集群,包括3个主节点和3个从节点并保存;
步骤2:在集群中维护一个节点时间衰减策略数据结构,使集群在每次发送心跳消息时总是优先包含Fail次数过多的那些节点的信息。
所述的离线聚类的步骤为:
步骤1:使用肘部法则确定聚类个数;
步骤2:使用最佳距离法确定初始聚类;
步骤3:使用K-means聚类算法取出Redis中的数据;
步骤4:聚类分析。
所述的利用用户用电数据流进行算法的验证的步骤为:
步骤1:根据训练集数据取平均得到用户的典型用电曲线;
步骤2:使用流数据聚类算法得到用户的簇典型用电曲线;
步骤3:将每个用户的实时日用电曲线与步骤1、步骤2得到的曲线分别进行度量。
所述的模型增量训练的步骤为:
步骤1:对新的电力大数据进行统一的预处理工作;
步骤2:将预处理后数据导入保存好的Redis集群中;
步骤3:使用离线K-means聚类算法存取数据并进行训练。
与现有技术相比,本发明方法具有以下的优点:
(1)本发明采用的是机器学习的方法,可以有效避免传统人工异常检测的局限性;
(2)传统的机器学习异常检测方法都是基于静态数据的,在电网中,随着各种量测装置的不断升级,电网中的各种数据以流的形式呈指数级增长,不可能将所有的数据全部存储起来,为了对数据流中的价值进行挖掘,引进流数据聚类算法进行电力数据流的异常检测。
附图说明
图1是Redis集群拓扑结构图。
图2是节点间通信过程图。
图3是最佳距离法确定初始聚类中心。
具体实施方式
下面结合附图1、附图2、图3和实施例对基于流数据聚类算法的电力大数据流异常检测作详细介绍,但本发明的实施不局限于此。
实施例:
如图1所示,本实施例使用Redis集群作为流数据聚类算法的在线数据流的处理结构,该结构能够实时处理数据流,并能将数据持久化到磁盘,提供数据备份,增加了数据的完整性和安全性。
如图2所示,本实施例通过对Redis节点之间的通信过程进行研究,针对GossipSection消息中节点是随机选取的问题,为增大心跳消息中有效消息所占的比例,本发明设计维护一个节点时间衰减策略,将集群中的节点添加进一个Hash列表,列表中维护每个节点及其Fail次数,每次发送心跳消息时,GossipSection消息总是优先包含Fail次数过多的那些节点的信息。
如图3所示,本实施例使用K-means聚类算法进行离线聚类,首先使用肘部法则确定聚类个数,再通过最佳距离法确定初始聚类中心,使算法能够快速收敛,降低时间复杂度。
整个过程的建立步骤如下:
(1)数据准备
本文以UCI数据集葡萄牙370个用户2013-2014年的实际用电数据作为数据基础,选取其中100个用户2013年1-12月份的实际用电数据作为训练数据集,2014年1-2月份的用电数据作为测试数据集。该数据由抄表系统自动获取,时间间隔为15min,即每15分钟采集一个该时间段内的居民用电量数据(单位kw)自动上传,每个用户每天96个数据点。用电数据表如表1所示。
表1用户用电(96点)数据表
(2)环境搭建
实验以100个用户2013年的实际用电数据作为训练数据集,将2013年1月份的数据作为基础数据,计算100个用户2013年1月份的典型用电曲线及其簇典型用电曲线结果存入Redis集群中。其中Redis集群搭建在虚拟机中,其配置如下:
由于redis默认端口号为6379,故本文将其它5个Redis的端口设置为6380,6381,6382,6383,6384。以6380为端口的Redis为例,其配置文件设置如下:
port 6380
cluster-enabled yes
cluster-config-file nodes-7000.conf
cluster-node-timeout 15000
appendonly yes
本文通过设置定时任务将训练集数据100个用户2013年2-12月份的数据开始以实际15分钟一个间隔存入Redis内存服务器集群进行数据缓存,并将每个用户每天的实际用电曲线与前期的典型用电数据曲线和簇典型用电曲线进行度量,并以当前日起,前25天的数据为基础,进行模型的实时增量更新,并更新度量结果曲线。将2014年1-2月份的数据作为测试数据集。
(3)数据预处理
由于用户用电数据随着用户的用电习惯会产生很大差异,导致用户用电数据的值会产生很大差异,在数据聚类过程中,如果不对数据进行标准化处理,容易在聚类过程中放大那些数量集较大的属性的影响而忽略数量集较小的数据属性,从而导致聚类结果不准确,甚至发生错误。本发明采用最常见的离差标准化算法进行数据的归一化处理,将数据进行线性变换。
设数据集Xi={xi1,xi2....,xin},共有n个属性,则标准化后的值为:
其中,x′ij为标准化后的数据,和分别为Xi中的最大值和最小值。经过标准化后的数据全部都在[0,1]范围内,避免了放大某些数量级较大的值的影响,从而使聚类结果更加准确。
(4)单一用户典型曲线提取
在进行单一用户典型曲线提取时,为了避免偶然的情况,我们对每个用户每个时间点的数据取平均值,得到一条包含96个数据点的曲线,该曲线即为本发明的单一用户典型曲线。对于每个用户,曲线提取计算过程如下:
其中,xit表示第i个用户第t个时间点的平均值。n为所选数据样本的天数。xtk为t时间点下第k天的用户用电数据值。
(5)簇典型曲线提取
本发明使用优化后的K-means聚类算法对所有用户的典型用电曲线进行聚类,得到每个簇的聚类中心,每个用户所属簇的聚类中心即为该用户的簇典型曲线。
(6)相似度度量
本发明使用欧氏距离和皮尔森相关系数分别将每个用户每天的实际用电数据与该用户的典型用电曲线和簇典型用电曲线进行相似度度量,以此进行用户的异常判断。
欧氏距离用于将用户每天的实时用电曲线与该用户的典型用电曲线进行距离上的度量,反应用户用电数据值上的差异。皮尔森相关系数用于将用户每天的实时用电曲线与该用户所在簇的簇典型用电曲线进行趋势上的度量,反应用户的实际用电数据曲线与日常习惯用电趋势上的差异。
(7)模型增量训练,步骤如下:
a)对采集的新数据进行与步骤(3)同样的预处理操作;
b)将保存的模型导入;
c)将a)处理的数据输入到导入的模型中,继续训练,并保存训练好的模型。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不局限于此,如将该改进的流式聚类算法与大数据平台进行有效结合,使之对于大数据的处理更加高效。
本发明属于电力大数据流异常识别技术领域,区别于传统的静态数据异常检测,本发明针对现有流数据聚类算法断电易丢失数据、在线数据维护不完整,不能应用于某些对数据敏感的应用的缺点,从数据的安全性、完整性以及离线聚类算法的低时间复杂度要求出发,对流数据聚类算法CluStream提出改进,提出流式K-means聚类算法,使用Redis服务器集群对数据流进行在线维护,并对离线部分进行优化,使流数据聚类算办法应用更加准确、效率更高。最后,本发明将改进的算法应用于用户用电异常检测。实验结果证明,该算法能够很好的对电力行业中用户的异常行为检测。
Claims (6)
1.一种基于流数据聚类算法的电力大数据流异常检测方法。其特征在于,该方法的具体步骤为:
步骤1:对电力大数据进行数据归一化、划分训练集、测试集等预处理工作;
步骤2:使用Redis集群对样本数据进行在线缓存;
步骤3:使用K-means聚类算法存取Redis中的数据进行离线聚类;
步骤4:利用用户用电数据流进行算法的验证及性能分析;
步骤5:对增量电力流式大数据进行与样本数据同样的预处理工作;
步骤6:使用增量数据对保存的模型进行增量训练,验证模型的泛化能力。
2.根据权利要求1所述的一种基于流数据聚类算法的电力大数据流异常检测方法,其特征在于,所述的数据预处理的方法为:
将样本数据的训练集和测试集按6:1划分。
3.根据权利要求1所述的一种基于流数据聚类算法的电力大数据流异常检测方法,其特征在于,所述使用Redis集群对训练数据进行在线缓存的步骤为:
步骤1:搭建Redis集群,包括3个主节点和3个从节点并保存;
步骤2:在集群中维护一个节点时间衰减策略数据结构,使集群在每次发送心跳消息时总是优先包含Fail次数过多的那些节点的信息。
4.根据权利要求1所述的一种基于流数据聚类算法的电力大数据流异常检测方法,其特征在于,所述的离线聚类的步骤为:
步骤1:使用肘部法则确定聚类个数;
步骤2:使用最佳距离法确定初始聚类;
步骤3:使用K-means聚类算法取出Redis中的数据;
步骤4:聚类分析。
5.根据权利要求1所述的一种基于流数据聚类算法的电力大数据流异常检测方法,其特征在于,所述的利用用户用电数据流进行算法的验证的步骤为:
步骤1:根据训练集数据取平均得到用户的典型用电曲线;
步骤2:使用流数据聚类算法得到用户的簇典型用电曲线;
步骤3:将每个用户的实时日用电曲线与步骤1、步骤2得到的曲线分别进行度量。
6.根据权利要求1所述的一种基于流数据聚类算法的电力大数据流异常检测方法,其特征在于,所述的模型增量训练的步骤为:
步骤1:对新的电力大数据进行统一的预处理工作;
步骤2:将预处理后数据导入保存好的Redis集群中;
步骤3:使用离线K-means聚类算法存取数据并进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529150.4A CN110222098A (zh) | 2019-06-19 | 2019-06-19 | 基于流数据聚类算法的电力大数据流异常检测 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529150.4A CN110222098A (zh) | 2019-06-19 | 2019-06-19 | 基于流数据聚类算法的电力大数据流异常检测 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222098A true CN110222098A (zh) | 2019-09-10 |
Family
ID=67817768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910529150.4A Pending CN110222098A (zh) | 2019-06-19 | 2019-06-19 | 基于流数据聚类算法的电力大数据流异常检测 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222098A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260505A (zh) * | 2020-02-13 | 2020-06-09 | 吴龙圣 | 基于电力物联网的大数据分析方法、装置及计算机设备 |
CN111666808A (zh) * | 2020-04-20 | 2020-09-15 | 中汽数据有限公司 | 一种生成车辆典型变道测试工况的方法 |
CN112651617A (zh) * | 2020-12-21 | 2021-04-13 | 福州大学 | 基于批流统一数据聚类的风电机组异常检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130016106A1 (en) * | 2011-07-15 | 2013-01-17 | Green Charge Networks Llc | Cluster mapping to highlight areas of electrical congestion |
CN107846472A (zh) * | 2017-11-24 | 2018-03-27 | 华北电力大学(保定) | 大规模输变电设备监测数据流的快速异常检测方法 |
CN109740648A (zh) * | 2018-12-21 | 2019-05-10 | 广州供电局有限公司 | 电力负荷异常数据识别方法、装置和计算机设备 |
-
2019
- 2019-06-19 CN CN201910529150.4A patent/CN110222098A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130016106A1 (en) * | 2011-07-15 | 2013-01-17 | Green Charge Networks Llc | Cluster mapping to highlight areas of electrical congestion |
CN107846472A (zh) * | 2017-11-24 | 2018-03-27 | 华北电力大学(保定) | 大规模输变电设备监测数据流的快速异常检测方法 |
CN109740648A (zh) * | 2018-12-21 | 2019-05-10 | 广州供电局有限公司 | 电力负荷异常数据识别方法、装置和计算机设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260505A (zh) * | 2020-02-13 | 2020-06-09 | 吴龙圣 | 基于电力物联网的大数据分析方法、装置及计算机设备 |
CN111260505B (zh) * | 2020-02-13 | 2020-11-10 | 青岛联众芯云科技有限公司 | 基于电力物联网的大数据分析方法、装置及计算机设备 |
CN111666808A (zh) * | 2020-04-20 | 2020-09-15 | 中汽数据有限公司 | 一种生成车辆典型变道测试工况的方法 |
CN112651617A (zh) * | 2020-12-21 | 2021-04-13 | 福州大学 | 基于批流统一数据聚类的风电机组异常检测方法 |
CN112651617B (zh) * | 2020-12-21 | 2022-07-01 | 福州大学 | 基于批流统一数据聚类的风电机组异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rieck et al. | Persistent homology for the evaluation of dimensionality reduction schemes | |
CN110676940B (zh) | 一种提高参数辨识精度的配电网pmu配置方法及系统 | |
CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
CN108733966A (zh) | 一种基于决策树群的多维电能表现场状态检验方法 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
Wang et al. | Distribution network state estimation based on attention-enhanced recurrent neural network pseudo-measurement modeling | |
Frank et al. | Extracting operating modes from building electrical load data | |
CN108898190A (zh) | 一种基于环保大数据的环境监测预警方法及系统 | |
CN117937497A (zh) | 算力负载均衡方法及装置 | |
Ilkhani et al. | Extraction test cases by using data mining; reducing the cost of testing | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN118228069A (zh) | 用电负荷预测方法、装置、设备、介质和程序产品 | |
CN117154716B (zh) | 一种分布式电源接入配电网的规划方法及系统 | |
CN111562541B (zh) | 一种应用cart算法实现电能表检测数据管理的软件平台 | |
CN115118578B (zh) | 一种基于web的scada系统 | |
Li et al. | Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier | |
CN112434019B (zh) | 应用于户变关系变更的历史电量溯源清洗方法及电力系统 | |
CN103258144B (zh) | 基于故障录波器数据的在线静态负荷建模方法 | |
Guo et al. | Multisource target data fusion tracking method for heterogeneous network based on data mining | |
CN117834455B (zh) | 一种电力物联网数据传输仿真方法和系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190910 |