CN110634081A - 一种水电站异常数据的处理方法及装置 - Google Patents
一种水电站异常数据的处理方法及装置 Download PDFInfo
- Publication number
- CN110634081A CN110634081A CN201910711690.4A CN201910711690A CN110634081A CN 110634081 A CN110634081 A CN 110634081A CN 201910711690 A CN201910711690 A CN 201910711690A CN 110634081 A CN110634081 A CN 110634081A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- real
- time
- abnormal data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 102
- 238000012545 processing Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 206010010947 Coordination abnormal Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及异常数据处理技术领域,具体涉及一种水电站异常数据的处理方法及装置,首先获取对水电站设备监测所得到的历史数据集,进而提取所述历史数据集中的正常数据集,对所述正常数据集进行归一化处理,生成训练数据;接着建立神经网络模型,将所述训练数据输入所述神经网络模型,训练得到所述时间序列和输出数据的对应关系;通过在线监测水电站设备的实时数据,提取所述实时数据中的异常数据,将所述异常数据所处的时间序列输入所述神经网络模型,生成相应的输出值,用所述输出值替代监测出的异常数据,最终生成数据报表,本发明可以对异常数据进行诊断处理,为管理人员提供快速、有效的决策依据。
Description
技术领域
本发明涉及异常数据处理技术领域,具体涉及一种水电站异常数据的处理方法及装置。
背景技术
在水电站的生产和运行过程中,管理人员要对水电站的生产计划、运行管理、事故处理、日常维护等做出决策,决策的制定要由水电站生产过程中提供的海量数据作为基础。
考虑水电数据的特点,首先收集种类繁多、数据生成及变化的速度高,另一方面数据采集过程中干扰源多,不良数据的表现形式多种多样,给数据清洗方法的选择带来了较大的困难。
然而,在实际的水电站系统运行中,考虑水电数据的特点,首先收集种类繁多、数据生成及变化的速度高,另一方面数据采集过程中干扰源多,不良数据的表现形式多种多样,都可能造成数据突变、部分数据缺失等数据异常问题,产生异常数据。异常数据具有随机性和波动性,因此要根据水电厂运行和管理的特点,将异常数据转化成满足数据质量要求的数据。对异常数据的产生原因进行分析预警。
发明内容
为解决上述问题,本发明提供一种水电站异常数据的处理方法及装置,可以对异常数据进行诊断处理,为管理人员提供快速、有效的决策依据。
本发明提供以下技术方案:
一种水电站异常数据的处理方法,包括:
获取对水电站设备监测所得到的历史数据集,所述历史数据集包括历史数据,以及所述历史数据对应的时间序列、关联设备;
提取所述历史数据集中的正常数据集,对所述正常数据集进行归一化处理,生成训练数据;
建立神经网络模型,将所述训练数据输入所述神经网络模型,训练得到所述时间序列和输出数据的对应关系;
在线监测水电站设备的实时数据,提取所述实时数据中的异常数据,将所述异常数据所处的时间序列输入所述神经网络模型,生成相应的输出值,用所述输出值替代监测出的异常数据;
生成数据报表,所述数据报表包括异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性。
进一步,所述提取所述历史数据集中的正常数据集包括:
比较数据集样本xj的判定函数p(x)与阈值ε的大小,其中,ε∈[0.8,0.99],如果p(x)≥ε,则将所述数据集样本xj提取为正常数据集。
进一步,所述神经网络模型采用RBF神经网络模型。
进一步,所述提取所述实时数据中的异常数据包括:
比较所述实时数据的判定函数与阈值ε的大小,将小于所述阈值ε的实时数据作为异常数据。
进一步,所述生成数据报表包括:
统计在设定时间段内所述实时数据的总数量C、所述实时数据总的纬度数量M、异常数据的总数量Cf、异常数据所占的纬度数量Mf;
通过以下公式计算实时数据的规范性Q1:
Q1=(1-Cf/C)×100%;
通过以下公式计算实时数据的有效性Q2:
Q2=(1-Cf/C(M-Mf))×100%;
定位异常数据对应的关联设备,形成包括异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性的数据报表。
一种水电站异常数据的处理装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的模块中:
历史数据集获取模块,用于获取对水电站设备监测所得到的历史数据集,所述历史数据集包括、历史数据,以及所述历史数据对应的时间序列、关联设备;
训练数据提取模块,用于将所述历史数据集划分为正常数据集和异常数据集,对所述正常数据集进行归一化处理,生成训练数据;
神经网络模型训练模块,用于建立神经网络模型,将所述训练数据输入所述神经网络模型,训练得到所述时间序列和输出数据的对应关系;
异常数据处理模块,用于在线监测水电站设备的实时数据,提取所述实时数据中的异常数据,将所述异常数据所处的时间序列输入所述神经网络模型,生成相应的输出值,用所述输出值替代监测出的异常数据;
数据报表生成模块,用于生成数据报表,所述数据报表包括异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性。
本发明提供一种水电站异常数据的处理方法及装置,首先获取对水电站设备监测所得到的历史数据集,所述历史数据集包括历史数据,以及所述历史数据对应的时间序列、关联设备;进而提取所述历史数据集中的正常数据集,对所述正常数据集进行归一化处理,生成训练数据;接着建立神经网络模型,将所述训练数据输入所述神经网络模型,训练得到所述时间序列和输出数据的对应关系;通过在线监测水电站设备的实时数据,提取所述实时数据中的异常数据,将所述异常数据所处的时间序列输入所述神经网络模型,生成相应的输出值,用所述输出值替代监测出的异常数据,最终生成数据报表,本发明可以对异常数据进行诊断处理,为管理人员提供快速、有效的决策依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种水电站异常数据的处理方法的结构示意图;
图2是本发明实施例一种水电站异常数据的处理装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所以其他实施例,都属于本发明的保护范围。
本实施例中所述的异常数据处理,指发现并纠正数据中可识别的错误。水电生产运营中心的数据从多个业务系统中抽取而来,而且包含历史数据,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,称为“脏数据”。要按照一定的规则把“脏数据”“洗掉”,这就是数据清洗。
本实施例中所述的异常数据为数据缺失、数据错误或数据为偏离期望值的孤立点。数据错误指数据中包含错误的信息,比如数值数据输成全角数字字符、字符串数据后面有一个回车操作、日期格式不正确、日期越界等,数据错误会导致数据处理时识别不到。
总之,异常数据处理是将缺失的数据补充完整,将错误的数据纠正或者删除,对多余重复的数据进行筛选并处理。
参考图1,本发明实施例提供一种水电站异常数据的处理方法,包括以下步骤:
步骤S100、获取对水电站设备监测所得到的历史数据集,所述历史数据集包括历史数据,以及所述历史数据对应的时间序列、关联设备。
对于具体的水电站设备而言,水电站设备工作的物理参数值、监测水电站设备的时刻对于本领域技术人员而言是确定的,因此针对不同的水电站设备,本领域技术人员通过将物理参数值作为历史数据,将监测时刻作为对应的时间序列,将所述水电站设备作为关联设备,可以根据需要选择相应的历史数据集。
步骤S200、提取所述历史数据集中的正常数据集,对所述正常数据集进行归一化处理,生成训练数据。
本实施例中,采用最大标准残差检验法检测所述数据缺失、数据错误或数据为偏离期望值的孤立点。将所述数据缺失、数据错误或数据为偏离期望值的孤立点作为异常数据集。
进而,将所述历史数据集划分为正常数据集和异常数据集,提取所述历史数据集中的正常数据集,对所述正常数据集进行归一化处理,归一化处理的历史数据取值范围为[0,1],将归一化处理后的历史数据,以及所述历史数据对应的时间序列作为训练数据。
步骤S300、建立神经网络模型,将所述训练数据输入所述神经网络模型,训练得到所述时间序列和输出数据的对应关系。
步骤S400、在线监测水电站设备的实时数据,提取所述实时数据中的异常数据,将所述异常数据所处的时间序列输入所述神经网络模型,生成相应的输出值,用所述输出值替代监测出的异常数据。
步骤S500、生成数据报表,所述数据报表包括异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性。
本实施例首先通过选取的正常数据训练处神经网络模型,从而建立所述时间序列和输出数据的对应关系,方便对后续实时采集的异常数据进行有效的预测,从而进行异常数据的清洗和替换,将异常数据转化成满足数据质量要求的数据。为方便管理人员进行快速、有效的决策,本实施例还提供数据报表,可以直观的展示异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性。
在一个优选的实施例中,所述步骤S200中提取所述历史数据集中的正常数据集包括:
通过下列公式计算所述历史数据集中编号为j的数据集样本xj的判定函数p(x):
比较数据集样本xj的判定函数p(x)与阈值ε的大小,其中,ε∈[0.8,0.99],如果p(x)≥ε,则将所述数据集样本xj提取为正常数据集。
本实施例中,所述阈值ε的大小可根据实际情况进行设定,当阈值ε偏大时,正常数据的偏离区间相应的变小,拟合结果也更为精确,当然,在数据样本的方差本来较大时,可适宜的将阈值ε设定的偏小,从而获取足够多的数据样本量。
在一个优选的实施例中,所述神经网络模型采用RBF神经网络模型。
RBF(Radial Basis Function,径向基函数)神经网络模型,是一种对局部逼近的神经网络模型。RBF神经网络模型是一种三层前向网络模型,包括输入层、隐含层和输出层,通过输入层空间到隐含层空间的非线性变换以及隐含层空间到输出层空间的线性变换,实现输入层空间到输出层空间的映射。这两个层间变换参数的学习可以分别进行,使得RBF神经网络模型的学习速度较快且可避免局部极小问题。RBF神经网络模型还具有较强的输入和输出映射功能,由于时间序列自身是高度自相关的,训练得到的时间序列和输出数据的对应关系更加准确稳定,采用RBF神经网络模型更加适宜修正异常数据。
在一个优选的实施例中,所述提取所述实时数据中的异常数据包括:
比较所述实时数据的判定函数与阈值ε的大小,将小于所述阈值ε的实时数据作为异常数据。
在一个优选的实施例中,所述生成数据报表包括:
统计在设定时间段内所述实时数据的总数量C、所述实时数据总的纬度数量M、异常数据的总数量Cf、异常数据所占的纬度数量Mf;
通过以下公式计算实时数据的规范性Q1:
Q1=(1-Cf/C)×100%;
通过以下公式计算实时数据的有效性Q2:
Q2=(1-Cf/C(M-Mf))×100%;
定位异常数据对应的关联设备,形成包括异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性的数据报表。
参考图2,本实施例还提供一种水电站异常数据的处理装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的模块中:
历史数据集获取模块100,用于获取对水电站设备监测所得到的历史数据集,所述历史数据集包括历史数据,以及所述历史数据对应的时间序列、关联设备;
训练数据提取模块200,用于提取所述历史数据集中的正常数据集,对所述正常数据集进行归一化处理,生成训练数据;
神经网络模型训练模块300,用于建立神经网络模型,将所述训练数据输入所述神经网络模型,训练得到所述时间序列和输出数据的对应关系;
异常数据处理模块400,用于在线监测水电站设备的实时数据,提取所述实时数据中的异常数据,将所述异常数据所处的时间序列输入所述神经网络模型,生成相应的输出值,用所述输出值替代监测出的异常数据;
数据报表生成模块500,用于生成数据报表,所述数据报表包括异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性。
所述一种水电站异常数据的处理装置可以运行于桌上型计算机、手机、笔记本、平板电脑及云端服务器等计算设备中。所述一种水电站异常数据的处理装置,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种水电站异常数据的处理装置的示例,并不构成对一种水电站异常数据的处理装置的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种水电站异常数据的处理装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现成可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种水电站异常数据的处理装置运行系统的控制中心,利用各种接口和线路连接整个一种水电站异常数据的处理装置可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种水电站异常数据的处理装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (6)
1.一种水电站异常数据的处理方法,其特征在于,包括:
获取对水电站设备监测所得到的历史数据集,所述历史数据集包括历史数据,以及所述历史数据对应的时间序列、关联设备;
提取所述历史数据集中的正常数据集,对所述正常数据集进行归一化处理,生成训练数据;
建立神经网络模型,将所述训练数据输入所述神经网络模型,训练得到所述时间序列和输出数据的对应关系;
在线监测水电站设备的实时数据,提取所述实时数据中的异常数据,将所述异常数据所处的时间序列输入所述神经网络模型,生成相应的输出值,用所述输出值替代监测出的异常数据;
生成数据报表,所述数据报表包括异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性。
3.根据权利要求1所述的一种水电站异常数据的处理方法,其特征在于,所述神经网络模型采用RBF神经网络模型。
4.根据权利要求2所述的一种水电站异常数据的处理方法,其特征在于,所述提取所述实时数据中的异常数据包括:
比较所述实时数据的判定函数与阈值ε的大小,将小于所述阈值ε的实时数据作为异常数据。
5.根据权利要求2所述的一种水电站异常数据的处理方法,其特征在于,所述生成数据报表包括:
统计在设定时间段内所述实时数据的总数量C、所述实时数据总的纬度数量M、异常数据的总数量Cf、异常数据所占的纬度数量Mf;
通过以下公式计算实时数据的规范性Q1:
Q1=(1-Cf/C)×100%;
通过以下公式计算实时数据的有效性Q2:
Q2=(1-Cf/C(M-Mf))×100%;
定位异常数据对应的关联设备,形成包括异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性的数据报表。
6.一种水电站异常数据的处理装置,其特征在于,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的模块中:
历史数据集获取模块,用于获取对水电站设备监测所得到的历史数据集,所述历史数据集包括历史数据,以及所述历史数据对应的时间序列、关联设备;
训练数据提取模块,用于提取所述历史数据集中的正常数据集,对所述正常数据集进行归一化处理,生成训练数据;
神经网络模型训练模块,用于建立神经网络模型,将所述训练数据输入所述神经网络模型,训练得到所述时间序列和输出数据的对应关系;
异常数据处理模块,用于在线监测水电站设备的实时数据,提取所述实时数据中的异常数据,将所述异常数据所处的时间序列输入所述神经网络模型,生成相应的输出值,用所述输出值替代监测出的异常数据;
数据报表生成模块,用于生成数据报表,所述数据报表包括异常数据、异常数据对应的关联设备、实时数据规范性和实时数据有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711690.4A CN110634081A (zh) | 2019-08-02 | 2019-08-02 | 一种水电站异常数据的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711690.4A CN110634081A (zh) | 2019-08-02 | 2019-08-02 | 一种水电站异常数据的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110634081A true CN110634081A (zh) | 2019-12-31 |
Family
ID=68969496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910711690.4A Pending CN110634081A (zh) | 2019-08-02 | 2019-08-02 | 一种水电站异常数据的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634081A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434755A (zh) * | 2020-12-15 | 2021-03-02 | 电子科技大学 | 一种基于异构系统的数据异常感知方法 |
CN112734977A (zh) * | 2020-12-25 | 2021-04-30 | 安徽省安泰科技股份有限公司 | 一种基于物联网的设备风险预警系统及算法 |
CN113723956A (zh) * | 2021-08-09 | 2021-11-30 | 上海浦东发展银行股份有限公司 | 异常监控方法、装置、设备及存储介质 |
CN114237128A (zh) * | 2021-12-21 | 2022-03-25 | 华能澜沧江水电股份有限公司 | 基于趋势报警的水电站设备实时监控数据监控系统及监控方法 |
CN114356998A (zh) * | 2022-01-08 | 2022-04-15 | 浙江力石科技股份有限公司 | 一种大数据旅游资源数据补偿方法 |
CN116777305A (zh) * | 2023-08-18 | 2023-09-19 | 河北思极科技有限公司 | 电力数据质量提升方法、装置、电子设备及存储介质 |
CN116859902A (zh) * | 2023-09-04 | 2023-10-10 | 西安热工研究院有限公司 | 一种用于水电控制系统的数据库异常点检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392304A (zh) * | 2017-08-04 | 2017-11-24 | 中国电力科学研究院 | 一种风电机组异常数据识别方法及装置 |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN109408772A (zh) * | 2018-10-11 | 2019-03-01 | 四川长虹电器股份有限公司 | 对连续性数据中的异常数据的恢复方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109766334A (zh) * | 2019-01-07 | 2019-05-17 | 国网湖南省电力有限公司 | 用于电力设备在线监测异常数据的处理方法及系统 |
-
2019
- 2019-08-02 CN CN201910711690.4A patent/CN110634081A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392304A (zh) * | 2017-08-04 | 2017-11-24 | 中国电力科学研究院 | 一种风电机组异常数据识别方法及装置 |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN109408772A (zh) * | 2018-10-11 | 2019-03-01 | 四川长虹电器股份有限公司 | 对连续性数据中的异常数据的恢复方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109766334A (zh) * | 2019-01-07 | 2019-05-17 | 国网湖南省电力有限公司 | 用于电力设备在线监测异常数据的处理方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434755A (zh) * | 2020-12-15 | 2021-03-02 | 电子科技大学 | 一种基于异构系统的数据异常感知方法 |
CN112434755B (zh) * | 2020-12-15 | 2023-04-07 | 电子科技大学 | 一种基于异构系统的数据异常感知方法 |
CN112734977A (zh) * | 2020-12-25 | 2021-04-30 | 安徽省安泰科技股份有限公司 | 一种基于物联网的设备风险预警系统及算法 |
CN112734977B (zh) * | 2020-12-25 | 2022-07-05 | 安徽省安泰科技股份有限公司 | 一种基于物联网的设备风险预警系统及算法 |
CN113723956A (zh) * | 2021-08-09 | 2021-11-30 | 上海浦东发展银行股份有限公司 | 异常监控方法、装置、设备及存储介质 |
CN114237128A (zh) * | 2021-12-21 | 2022-03-25 | 华能澜沧江水电股份有限公司 | 基于趋势报警的水电站设备实时监控数据监控系统及监控方法 |
CN114356998A (zh) * | 2022-01-08 | 2022-04-15 | 浙江力石科技股份有限公司 | 一种大数据旅游资源数据补偿方法 |
CN116777305A (zh) * | 2023-08-18 | 2023-09-19 | 河北思极科技有限公司 | 电力数据质量提升方法、装置、电子设备及存储介质 |
CN116777305B (zh) * | 2023-08-18 | 2023-11-10 | 河北思极科技有限公司 | 电力数据质量提升方法、装置、电子设备及存储介质 |
CN116859902A (zh) * | 2023-09-04 | 2023-10-10 | 西安热工研究院有限公司 | 一种用于水电控制系统的数据库异常点检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634081A (zh) | 一种水电站异常数据的处理方法及装置 | |
CN110321371B (zh) | 日志数据异常检测方法、装置、终端及介质 | |
CN106951925B (zh) | 数据处理方法、装置、服务器及系统 | |
CN110336838B (zh) | 账号异常检测方法、装置、终端及存储介质 | |
CN110830450A (zh) | 基于统计的异常流量监测方法、装置、设备及存储介质 | |
CN107844798B (zh) | 一种基于机器学习的海量数据中检测异常值的方法 | |
CN111680855A (zh) | 一种项目全过程风险自动检测预警方法及系统 | |
CN103761173A (zh) | 一种基于日志的计算机系统故障诊断方法及装置 | |
CN108415810B (zh) | 一种硬盘状态监控方法和装置 | |
CN108446720A (zh) | 异常数据检测方法和系统 | |
CN112597238A (zh) | 基于人员信息的知识图谱构建方法、系统、设备及介质 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN114020811A (zh) | 数据异常检测方法及其装置、电子设备 | |
CN114356900A (zh) | 一种电力数据异常检测方法、装置、设备及介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN116860562A (zh) | 一种用于数据中台数据质量的监控方法及系统 | |
CN111816311A (zh) | 状态识别的方法、系统、装置 | |
CN114238062B (zh) | 板卡烧录装置性能分析方法、装置、设备及可读存储介质 | |
CN114564349B (zh) | 一种服务器的监控方法、装置、电子设备及存储介质 | |
CN116166999A (zh) | 异常交易数据识别方法、装置、计算机设备及存储介质 | |
US20220050763A1 (en) | Detecting regime change in time series data to manage a technology platform | |
CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
CN107577721A (zh) | 用于大数据的数据稳定性检测方法及装置、存储介质、服务器 | |
CN113344719A (zh) | 保险用户风险预警监控系统及其监控方法 | |
CN109189775B (zh) | 一种工业监控平台海量数据处理系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |
|
RJ01 | Rejection of invention patent application after publication |