CN110232399A - 基于集对分析和K-means聚类的输电设备缺陷分析方法和系统 - Google Patents
基于集对分析和K-means聚类的输电设备缺陷分析方法和系统 Download PDFInfo
- Publication number
- CN110232399A CN110232399A CN201910336088.7A CN201910336088A CN110232399A CN 110232399 A CN110232399 A CN 110232399A CN 201910336088 A CN201910336088 A CN 201910336088A CN 110232399 A CN110232399 A CN 110232399A
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- cluster
- analysis
- transmission facility
- 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 132
- 238000004458 analytical method Methods 0.000 title claims abstract description 81
- 230000005540 biological transmission Effects 0.000 title claims abstract description 75
- 230000002950 deficient Effects 0.000 claims abstract description 38
- 238000003064 k means clustering Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 7
- 230000007812 deficiency Effects 0.000 claims description 7
- 210000003746 feather Anatomy 0.000 claims description 3
- 244000144992 flock Species 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 abstract description 19
- 238000007726 management method Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于集对分析和K‑means聚类的输电设备缺陷分析方法和系统,该方法包括获取输电设备缺陷离散数据和变电设备资产类数据;对输电设备缺陷离散数据中的缺陷数据进行K‑means聚类划分;对K‑means聚类划分后的缺陷数据进行异构数据同构化处理;基于同构化处理后的缺陷数据和所获取的变电设备资产类数据来建立设备及缺陷关联关系;将所建立的设备及缺陷关联关系进行统一分析,以建立初步的群集缺陷信息,并通过概率分析和占比分析生成最终的群集缺陷库;基于所生成最终的群集缺陷库来对输电设备的缺陷进行分析。本方法能够为输变电设备缺陷的分析及处理提供科学有效的帮助,同时为缺陷故障的预警奠定基础,有利于支撑电网的安全稳定运行。
Description
技术领域
本发明涉及电力分析技术领域,具体涉及一种基于集对分析和K-means聚类的输电设备缺陷分析方法和系统。
背景技术
随着电力系统建设的飞速发展,输变电设备种类越来越多,生产输变电设备的厂家也越来越多。由于厂家的差异、设备的差异、制造工艺以及材料的差异,同种设备不同厂家的设备缺陷存在很大的差别,大量的厂家和设备的良性竞争带来的输变电设备缺陷数量以及种类与日俱增。数量庞大、种类繁多的输变电设备缺陷已经逐渐影响到电网的安全稳定运行,对输变电设备的缺陷管理以及设备的健康运转提出了新的挑战。为了支撑电网的安全稳定运行为,加强输变电设备的缺陷管理,提高设备健康水平,对输变电设备缺陷数据的收集以及管理变成了电力运行的一个重要环节。
然而,目前输变电设备缺陷数据杂乱无章,不能将输变电设备缺陷归类处理,缺少统一的输变电设备缺陷管理方式,形成了大量的历史杂乱数据,无法依据散乱的历史数据支撑电力设备缺陷管理,造成了对输变电设备缺陷数据的收集以及管理的阻碍。
发明内容
为了解决输变电设备缺陷数据杂乱无章,不能将输变电设备缺陷归类处理的技术问题,本发明实施例提供了一种基于集对分析和K-means聚类的输电设备缺陷分析方法和系统
为实现上述目的,本发明采用如下技术方案:
第一方面,本发明实例提供了一种基于集对分析和K-means聚类的输电设备缺陷分析方法,包括:
获取输电设备缺陷离散数据和变电设备资产类数据;
对输电设备缺陷离散数据中的缺陷数据进行K-means聚类划分,以实现缺陷数据的梳理;
对K-means聚类划分后的缺陷数据进行异构数据同构化处理;
基于同构化处理后的缺陷数据和所获取的变电设备资产类数据来建立设备及缺陷关联关系;
将所建立的设备及缺陷关联关系进行统一分析,以建立初步的群集缺陷信息,并通过概率分析和占比分析生成最终的群集缺陷库;
基于所生成最终的群集缺陷库来对输电设备的缺陷进行分析。
第二方面,本发明实施例提供了一种基于集对分析和K-means聚类的输电设备缺陷分析系统,包括:
输电设备缺陷离散数据模块,用于获取输电设备缺陷离散数据;
变电设备资产类数据模块,用于获取变电设备资产类数据;
K-means聚类划分模块,用于对输电设备缺陷离散数据进行K-means聚类划分,以实现缺陷数据的梳理;
缺陷数据机构话模块,用于对K-means聚类划分后的缺陷数据进行异构数据同构化处理;
设备缺陷及资产聚类模块,用于对变电设备资产类数据和同构化处理后的缺陷数据进行处理,以建立设备及缺陷关联关系;
群集缺陷分析模块,用于对所的建立设备及缺陷关联关系进行处理,以形成变电设备群集缺陷。
本发明的有益效果在于:
本实施例提供的基于集对分析和K-means聚类的输电设备缺陷分析方法通过采用K-means聚类划分来对输电设备缺陷数据进行收集管理,实现了对输变电设备缺陷数据的收集以及管理的科学性及有效性。基于集对分析K-means聚类的输电设备缺陷分析方法,能够充分聚类各个不同厂家不同设备类型下的缺陷现象以及缺陷分析成果,同时结合专家对缺陷的处理及预防措施,形成一套完整的输变电设备群集缺陷库,为输变电设备缺陷的分析及处理提供科学有效的帮助,同时为缺陷故障的预警奠定基础,有利于支撑电网的安全稳定运行。
附图说明
图1为本发明实施例提供的基于集对分析和K-means聚类的输电设备缺陷分析方法的流程图;
图2为本发明实施例提供的基于集对分析和K-means聚类的输电设备缺陷分析系统的组成框图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述:
参阅图1所示,本实施例提供的基于集对分析和K-means聚类的输电设备缺陷分析方法包括:
101、获取输电设备缺陷离散数据和变电设备资产类数据;
102、对输电设备缺陷离散数据中的缺陷数据进行K-means聚类划分,以实现缺陷数据的梳理;也就是说,通过此步骤可实现对缺陷数据进行统一的
103、对K-means聚类划分后的缺陷数据进行异构数据同构化处理以为后续步骤的数据分析奠定基础;
104、基于同构化处理后的缺陷数据和所获取的变电设备资产类数据来建立设备及缺陷关联关系;由于经过聚类和同构化处理的数据更加准确可用,可对电网设备进行质量评价,首先从设备绩效最大化角度出发推断出从设备缺陷发生情况、设备故障发生情况、设备寿命三个方面构建设备质量评价模型;然后,建立设备缺陷率评价模型(设备故障率评价模型),设备寿命评价模型技术方案;接着,基于生产管理系统中也就是资产类数据对设备缺陷、故障、退役等运行数据,并考虑不同设备投运年限、缺陷故障严重等级以及由于质量问题提前退役等因素的影响,构建了相对完整的设备缺陷率、故障率和设备寿命评价模型,最终形成电网设备质量的整体评价,为设备选型采购、设备运维策略优化提供更为科学的决策依据;
106、将所建立的设备及缺陷关联关系进行统一分析,以建立初步的群集缺陷信息,并通过概率分析和占比分析生成最终的群集缺陷库;
107、基于所生成最终的群集缺陷库来对输电设备的缺陷进行分析。
由此可知,本实施例提供的基于集对分析和K-means聚类的输电设备缺陷分析方法通过采用K-means聚类划分来对输电设备缺陷数据进行收集管理,实现了对输变电设备缺陷数据的收集以及管理的科学性及有效性。基于集对分析和K-means聚类的输电设备缺陷分析方法,能够充分聚类各个不同厂家不同设备类型下的缺陷现象以及缺陷分析成果,同时结合专家对缺陷的处理及预防措施,形成一套完整的输变电设备群集缺陷库,为输变电设备缺陷的分析及处理提供科学有效的帮助,同时为缺陷故障的预警奠定基础,有利于支撑电网的安全稳定运行。
具体地,该对K-means聚类划分后的缺陷数据进行异构数据同构化处理为:采用数据分布图法对K-means聚类划分后的缺陷数据进行异常检测将不在分布区间中数据采用灰度预测方法进行异常值修正,从而得到相对准确和标准的测量值,提高融合数据的准确性
具体地,该对输电设备缺陷离散数据中的缺陷数据进行K-means聚类划分包括:
步骤1、从n个输电设备缺陷离散数据中的缺陷数据随机选取k个对象作为初始簇中心;n和k均为正整数;
步骤2、计算每个簇的平均值,并用该平均值代表相应的簇;
步骤3、根据每个缺陷数据与各个簇中心的距离,分配给最近的簇;
步骤4、转至步骤2,重新计算每一个簇的平均值,直到满足准则函数不再明显变化或者聚类的对象不再变化才停止;所述准则函数定义为:
其中,E为只是数据集中所有对象与相应类聚中心的均方差之和,p为给定的数据对象,mi为ci聚类的均值(p和m均是多维的)。
K-means算法实现简单,运算效率也非常的高,适合对大型数据集进行分析处理,算法的时间复杂度为O(tkn)。缺点是不能作用于非凸集的数据。算法对类球形且大小差别不大的类簇有很好的表现,但不能发现形状任意和大小差别很大的类簇,且聚类结果易受噪声数据影响。
因此还可以同时采用分类个数的确定。
采用Calinski-Harabasz准则对k值进行迭代:
其中SSB为类间方差,SSW为类内方差为复杂度,VRCk越大,聚类效果越好。
本方法主要采用集对分析方法对缺陷进行分析,得出结论。用集对分析联系数学处理不确定性问题的优点在于能够从宏观和微观两个方面来对确定性与不确定性进行相互转化,从而得到与实际情况相一致的结论。
集对分析中不少理论和方法都是由联系度直接导出的,由联系度脱胎而来的联系数在集对分析的深入研究中有着极为重要的位置和意义。联系数是把具有一定联系的两个集合的确定性测度与不确定性测度联系在一起的一种结构函数,它的表达式为:
其中集对所具有的特性总数记为N;集对中两个集合具有的相同特性个数记为S;集对中两个集合具有的彼此对立的特性个数记为P;在其它剩下的F个特性中,满足关系F=N-S-P,为集对中两个集合既不共同具有、也不相互对立的特性个数;称为比值:S/N表示两个集合的同一度;F/N表示两个集合的差异度;P/N表示两个集合的对立度。
若记则联系数u=a+bi+cj,在联系数u中,i为差异度标识符号或相应的系数,取值范围为[-1,1],j为联系数u的对立度标记符号或相应的系数,在定量计算施计算时,可根据实际应用背景取1或-1,根据上述分析可知,a、b、c满足归一化条件
联系数作为集对分析中处理不确定性的重要数学工具,它的意义主要体现在以下三个方面:
(1)联系数把所表示出来的那个可确定数与我们所考虑的这个可确定数的所在范围联系起来。比如说,0.6可以与10联系起来,则此时的“不确定项”应该为9.4i,0.6也可以与100联系起来,则此时的“不确定项”应为99.4i,范围不一样则联系数的表达式也不一样。
(2)联系数实质上是数与值的组合,即将一个确定数与不同的范围结合起来从而取到不同的值。
(3)联系数把一定范围内的可确定量和不确定量联系起来,构成了一个确定不确定系统。例如,当0.6这个数与l相联系时,这个0.6的表达式为0.6+0.4,当i在(1,1)之间视不同情况取值时,这个式子的值有可能大于0.6,也有可能小于0.6,还有可能等于0.6。
2)联系数伴随函数
赵克勤提出的偏联系数实际上是一种反映研究对象发展趋势的伴随函数定义,它具体被分为偏正联系数、偏负联系数以及全偏联系数等几种不同类型。
定义1:设u=a+bi+cj,则称为偏正联系数,在偏正联系数中有: 偏正联系数是联系数的正向发展趋势联系数,表示的是联系数的正向变化趋势。
定义2:设u=a+bi+cj,则称为偏负联系数,在偏负联系数中有: 偏负联系数是联系数的负向发展趋势联系数,表示的是联系数的负向变化趋势。
定义3:设u=a+bi+cj,则称为偏负联系数,在偏负联系数中有:偏全联系数表示的是联系数的同异反变化趋势。
利用偏联系数理论建立决策模型,往往会先将给定的数据建立决策矩阵并初始化处理决策矩阵,然后将其转化为对应的联系数,计算矩阵联系数加权平均联系数,最后利用偏联系数准则进行排序。偏联系数的态势可根据c的值将决策分为可行、一般和不可行三类:时,表明决策方案一般;时,表明决策方案不可行;表明决策方案可行。即决策方案的优劣与的值呈反比。
相应地,本实施例还提供了一种基于集对分析和K-means聚类的输电设备缺陷分析系统,如图2所示,包括:
输电设备缺陷离散数据模块201,用于获取输电设备缺陷离散数据;
变电设备资产类数据模块202,用于获取变电设备资产类数据;
K-means聚类划分模块203,用于对输电设备缺陷离散数据进行K-means聚类划分,以实现缺陷数据的梳理;
缺陷数据机构话模块204,用于对K-means聚类划分后的缺陷数据进行异构数据同构化处理;
设备缺陷及资产聚类模块205,用于对变电设备资产类数据和同构化处理后的缺陷数据进行处理,以建立设备及缺陷关联关系;
群集缺陷分析模块206,用于对所的建立设备及缺陷关联关系进行处理,以形成变电设备群集缺陷。
由于基于集对分析和K-means聚类的输电设备缺陷分析系统的各组成模块的工作原理和上述输电设备缺陷分析的各个步骤相对应,在此就不再赘述
其中,该群集缺陷分析模块通过概率分析和占比分析来分析缺陷部位、缺陷设备、缺陷表象、设备型号、缺陷原因、处理措施以及设备厂家来生成群集缺陷库。
而该K-means聚类划分模块包括自动化融合聚类单元和人工聚类单元;所述自动聚类单元按照预定设定的方式来对输电设备缺陷离散数据进行自动分类;所述人工聚类单元通过人工操作的方式来对输电设备缺陷离散数据进行分类,以实现自动和人工分类,保证缺陷数据分类的准确性。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (7)
1.一种基于集对分析和K-means聚类的输电设备缺陷分析方法,其特征在于,包括:
获取输电设备缺陷离散数据和变电设备资产类数据;
对输电设备缺陷离散数据中的缺陷数据进行K-means聚类划分,以实现缺陷数据的梳理;
对K-means聚类划分后的缺陷数据进行异构数据同构化处理;
基于同构化处理后的缺陷数据和所获取的变电设备资产类数据来建立设备及缺陷关联关系;
将所建立的设备及缺陷关联关系进行统一分析,以建立初步的群集缺陷信息,并通过概率分析和占比分析生成最终的群集缺陷库;
基于所生成最终的群集缺陷库来对输电设备的缺陷进行分析。
2.如权利要求1所述的基于集对分析和K-means聚类的输电设备缺陷分析方法,其特征在于,所述对输电设备缺陷离散数据中的缺陷数据进行K-means聚类划分包括:
步骤1、从n个输电设备缺陷离散数据中的缺陷数据随机选取k个对象作为初始簇中心;n和k均为正整数;
步骤2、计算每个簇的平均值,并用该平均值代表相应的簇;
步骤3、根据每个缺陷数据与各个簇中心的距离,分配给最近的簇;
步骤4、转至步骤2,重新计算每一个簇的平均值,直到满足准则函数不再明显变化或者聚类的对象不再变化才停止;所述准则函数定义为:
其中,E为只是数据集中所有对象与相应类聚中心的均方差之和,p为给定的数据对象,mi为ci聚类的均值。
3.如权利要求1所述的基于集对分析和K-means聚类的输电设备缺陷分析方法,其特征在于,所述对K-means聚类划分后的缺陷数据进行异构数据同构化处理为:采用数据分布图法对K-means聚类划分后的缺陷数据进行异常检测将不在分布区间中数据采用灰度预测方法进行异常值修正。
4.一种基于集对分析和K-means聚类的输电设备缺陷分析系统,其特征在于,包括:
输电设备缺陷离散数据模块,用于获取输电设备缺陷离散数据;
变电设备资产类数据模块,用于获取变电设备资产类数据;
K-means聚类划分模块,用于对输电设备缺陷离散数据进行K-means聚类划分,以实现缺陷数据的梳理;
缺陷数据机构话模块,用于对K-means聚类划分后的缺陷数据进行异构数据同构化处理;
设备缺陷及资产聚类模块,用于对变电设备资产类数据和同构化处理后的缺陷数据进行处理,以建立设备及缺陷关联关系;
群集缺陷分析模块,用于对所的建立设备及缺陷关联关系进行处理,以形成变电设备群集缺陷。
5.如权利要求4所述的基于集对分析和K-means聚类的输电设备缺陷分析系统,其特征在于,所述K-means聚类划分模块用于对输电设备缺陷离散数据进行K-means聚类划分,以实现缺陷数据的梳理的过程包括:
步骤1、从n个输电设备缺陷离散数据中的缺陷数据随机选取k个对象作为初始簇中心;n和k均为正整数;
步骤2、计算每个簇的平均值,并用该平均值代表相应的簇;
步骤3、根据每个缺陷数据与各个簇中心的距离,分配给最近的簇;
步骤4、转至步骤2,重新计算每一个簇的平均值,直到满足准则函数不再明显变化或者聚类的对象不再变化才停止;所述准则函数定义为:
其中,E为只是数据集中所有对象与相应类聚中心的均方差之和,p为给定的数据对象,mi为ci聚类的均值。
6.如权利要求4所述的基于集对分析和K-means聚类的输电设备缺陷分析系统,其特征在于,所述群集缺陷分析模块通过概率分析和占比分析来分析缺陷数据中的缺陷部位、缺陷设备、缺陷表象、设备型号、缺陷原因、处理措施以及设备厂家来生成群集缺陷库。
7.如权利要求4所述的基于集对分析和K-means聚类的输电设备缺陷分析系统,其特征在于,所述K-means聚类划分模块包括自动化融合聚类单元和人工聚类单元;所述自动聚类单元按照预定设定的方式来对输电设备缺陷离散数据进行自动分类;所述人工聚类单元通过人工操作的方式来对输电设备缺陷离散数据进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336088.7A CN110232399A (zh) | 2019-04-24 | 2019-04-24 | 基于集对分析和K-means聚类的输电设备缺陷分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336088.7A CN110232399A (zh) | 2019-04-24 | 2019-04-24 | 基于集对分析和K-means聚类的输电设备缺陷分析方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110232399A true CN110232399A (zh) | 2019-09-13 |
Family
ID=67860260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910336088.7A Pending CN110232399A (zh) | 2019-04-24 | 2019-04-24 | 基于集对分析和K-means聚类的输电设备缺陷分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232399A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291113A (zh) * | 2020-01-08 | 2020-06-16 | 国网内蒙古东部电力有限公司检修分公司 | 一种变电站设备的区块链质量追溯方法 |
CN111342990A (zh) * | 2020-01-08 | 2020-06-26 | 国网内蒙古东部电力有限公司检修分公司 | 基于区块链的电网设备质量追溯系统 |
WO2021088517A1 (zh) * | 2019-11-08 | 2021-05-14 | 珠海许继芝电网自动化有限公司 | 一种配电自动化缺陷管理系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
CN104637022A (zh) * | 2013-11-14 | 2015-05-20 | 辽宁工程技术大学 | 一种对铁路平交道口安全现状的评价方法 |
CN105631598A (zh) * | 2015-12-30 | 2016-06-01 | 云南电网有限责任公司电力科学研究院 | 基于群集类缺陷的电力设备缺陷分析方法 |
CN106297326A (zh) * | 2016-10-27 | 2017-01-04 | 深圳榕亨实业集团有限公司 | 基于全息路网潮汐交通流可变车道控制方法 |
US20170262974A1 (en) * | 2016-03-14 | 2017-09-14 | Ryosuke Kasahara | Image processing apparatus, image processing method, and recording medium |
CN107784393A (zh) * | 2017-10-27 | 2018-03-09 | 国网新疆电力公司电力科学研究院 | 一种输电线路的缺陷预测方法及装置 |
-
2019
- 2019-04-24 CN CN201910336088.7A patent/CN110232399A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637022A (zh) * | 2013-11-14 | 2015-05-20 | 辽宁工程技术大学 | 一种对铁路平交道口安全现状的评价方法 |
CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
CN105631598A (zh) * | 2015-12-30 | 2016-06-01 | 云南电网有限责任公司电力科学研究院 | 基于群集类缺陷的电力设备缺陷分析方法 |
US20170262974A1 (en) * | 2016-03-14 | 2017-09-14 | Ryosuke Kasahara | Image processing apparatus, image processing method, and recording medium |
CN106297326A (zh) * | 2016-10-27 | 2017-01-04 | 深圳榕亨实业集团有限公司 | 基于全息路网潮汐交通流可变车道控制方法 |
CN107784393A (zh) * | 2017-10-27 | 2018-03-09 | 国网新疆电力公司电力科学研究院 | 一种输电线路的缺陷预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
孙小磊: "电网运行方式典型场景提取方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
谢相建 等: "基于集对分析的遥感图像K-均值聚类算法", 《国土资源遥感》 * |
高湛: "基于混支持度和粗糙集的异构数据融合研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021088517A1 (zh) * | 2019-11-08 | 2021-05-14 | 珠海许继芝电网自动化有限公司 | 一种配电自动化缺陷管理系统及方法 |
CN111291113A (zh) * | 2020-01-08 | 2020-06-16 | 国网内蒙古东部电力有限公司检修分公司 | 一种变电站设备的区块链质量追溯方法 |
CN111342990A (zh) * | 2020-01-08 | 2020-06-26 | 国网内蒙古东部电力有限公司检修分公司 | 基于区块链的电网设备质量追溯系统 |
CN111291113B (zh) * | 2020-01-08 | 2023-12-22 | 国网内蒙古东部电力有限公司检修分公司 | 一种变电站设备的区块链质量追溯方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm | |
CN108536971B (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN110232399A (zh) | 基于集对分析和K-means聚类的输电设备缺陷分析方法和系统 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN109389280B (zh) | 基于多属性决策模型的电能表生产厂商评价方法 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN112990627B (zh) | 电能质量评估方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN110689324A (zh) | 一种配电变压器检测结果的辅助评判方法 | |
CN113408192A (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
CN116502894A (zh) | 光伏台区停电风险评估方法、装置、电子设备及存储介质 | |
CN116307844A (zh) | 一种低压台区线损评估分析方法 | |
CN115795389A (zh) | 一种变压器冷却装置运行工况的监测方法及系统 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Yun et al. | Line loss calculation of low-voltage districts based on improved K-Means | |
Rameshkhah et al. | Clustering of voltage control areas in power system using shuffled frog-leaping 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |