CN110795463A - 面向电力系统暂态分析的海量时间序列数据可视化方法 - Google Patents
面向电力系统暂态分析的海量时间序列数据可视化方法 Download PDFInfo
- Publication number
- CN110795463A CN110795463A CN201910569651.5A CN201910569651A CN110795463A CN 110795463 A CN110795463 A CN 110795463A CN 201910569651 A CN201910569651 A CN 201910569651A CN 110795463 A CN110795463 A CN 110795463A
- Authority
- CN
- China
- Prior art keywords
- time
- power system
- value
- time sequence
- series 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 230000001052 transient effect Effects 0.000 title claims abstract description 22
- 238000013079 data visualisation Methods 0.000 title claims description 5
- 238000012800 visualization Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004040 coloring Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims 1
- 208000029257 vision disease Diseases 0.000 abstract description 2
- 238000007794 visualization technique Methods 0.000 abstract description 2
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 4
- 230000001687 destabilization Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- AZQZJVVZBGCHSV-UHFFFAOYSA-N 2-(3,5-dimethylpyrazol-1-yl)-n-[2-(3,5-dimethylpyrazol-1-yl)ethyl]ethanamine Chemical compound N1=C(C)C=C(C)N1CCNCCN1C(C)=CC(C)=N1 AZQZJVVZBGCHSV-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向电力系统暂态分析的海量曲线可视化方法，包括如下步骤：首先读取电力系统暂态稳定分析涉及的时间序列数据并对时间序列数据进行幅值对齐；采用一种近似计算方法将时间序列转换成字符串并按照Trie树索引，通过查询Trie树进行快速聚类；聚类中心作为时间序列代表性并绘制成曲线；接下来利用GPU的并行能力实现核密度估计算法计算时间序列的整体密度分布；提供交互工具分类查看或选择兴趣区域查看时间序列数值。本发明通过核密度估计方法根据曲线在屏幕空间上的密度分布，将密度值映射到颜色空间进行可视化，消除了曲线之间的遮挡和视觉上的杂乱；面对上千条曲线，整个可视化过程可以在数十毫秒内完成，保证了交互的流畅性。
Description
技术领域
本发明涉及电力系统暂态分析领域，特别涉及一种面向电力系统暂态分析的海量时间序列数据可视化方法。
背景技术
电力系统暂态分析流程可概括为“控制参数、进行方式计算、监视分析重点元件、重新调整参数”的迭代过程。当前暂态分析主要通过曲线阅览室的功能，同时打开多个监视窗口，并且每个监视窗口中并排放置若干 (<10)条监视曲线。图1显示了PSASP曲线阅览室并排放置的时间序列可视化视图，通常一个曲线窗口中最多只显示8个时间序列曲线。
借助曲线阅览室工具分析暂态时间序列数据主要会产生两方面的问题：一、受人脑内存的限制，视觉能同时观察的曲线数量有限；二、凭借领域专家经验监视分析的重点元件，容易造成误判或漏判。这是因为暂态分析涉及的电力系统元件数量多且分析过程较长，重点元件数量远远超过十几个。举例说明，在某次三峡附近的电网仿真任务中，从曲线监视可看到，一个线路故障引起了系统电压经历跌落回升的震荡—平息—再震荡的过程，最后造成系统崩溃。现有的分析方法通常是根据分析人员的经验观察重点元件的监视曲线。然而，当看到重点元件的电压曲线平稳并不代表系统的稳定，此时电网的其他区域线路仍存在震荡。因此，只是仅仅从局部观察的曲线图中无从得知整体的电压稳定态势。
简单地直接可视化海量曲线通常会产生相互重叠和遮挡，容易造成视觉混乱给分析带来很大的困扰。研究表明，若不进行额外处理十条曲线同时显示就已经不容易分辨了。当曲线数量达到几十条时，即使通过调整颜色、透明度等方式为曲线增加辨识度和层次感，依然无法取得好的视觉效果。
发明内容
本发明要解决的技术问题在于，在同一个视图中同时呈现上千条以上电力系统元件时间序列数据的可视化，并且从视图中能清晰地观察暂态分析各元件的整体态势，通过简单的交互能够查看发生显著变化的物理元件数值。
为解决上述的技术问题，本发明提供一种面向电力系统暂态分析的海量时间序列数据可视化方法，包括如下步骤：
步骤一、读取指定电力系统场景下的每个物理量在不同时刻的数据 (如电压、功率等)，称为时间序列；
步骤二、根据时间序列的幅值进行对齐，将时间序列变换成以0为初始值；
例如，时间序列为[1.1,1.4,1.5,1.3,0.9,1.8]，变换后的时间序列为[0, 0.3,0.4,0.2,-0.2,0.7]；
步骤三、基于Trie树的近似聚类算法，找出代表性曲线；
步骤四、根据中心点字符串画出每一类的代表性曲线，代表性曲线的取值为字符到取值范围的反向映射，取取值范围的中值；
步骤五、通过核密度估计方法根据曲线在屏幕空间上的密度分布，将密度值映射到颜色空间进行可视化。
本发明中，采取适当的方法对所有的时间序列进行聚类，由于现有的聚类算法时间复杂度大都为Ο(n2)，直接聚类将会导致计算时间过长，无法满足即时交互的需求，本发明将采取近似聚类算法，设时间序列为 S:{y∈Rd,y＝<x1,x2,…,xd>}，其中d为S的维度，在电力系统中一般d＞200。优选的，所述步骤三的具体过程如下：
步骤3.1，根据时间序列取值范围[xmin,xmax]设定m个子空间，每个子空间的长度为(xmax-xmin)/m；假设所有xi的取值范围为[-1,1]，则可设定 [-1,-0.6),[-0.6,-0.2),[-0.2,0.2),[0.2,0.6),[0.6,1.0]，共5个子空间；
步骤3.2，将每个时间序列的值量化为分段区间的编号，编号按字母序表示；
即构造分区与字母之间的映射：
h:
为子空间集合，
为字母集合
例如xi＝＜-0.2,0.4,0.6,-0.8＞则根据分段区间量化后，可近似表达为＜c,d,e,a＞，用字符串表示为“bdea”。
步骤3.3，根据每个时间序列量化后的字符串建立Trie树索引，索引叶节点为时间序列；
步骤3.4，随机选定k个时间序列，将其量化成字符串，从Trie树中查找具有最长公共子串的m个时间序列，即为查询时间序列的相似近邻集合；图1中与“dcb”最长公共子串为1的有3个，而最长公共子串为2 的有2个。
步骤3.5，计算近邻集合的中心点，取每个字母对应下标的整数平均值作为新中心点字母的下标；
例如，近邻集合为{“abcd”,“acdb”,“bcda”}，则中心点字符串下标分别为
因此中心点字符串为“abcb”。
步骤3.6，根据中心点字符串从Trie树中找出相似近邻集合，重复步骤3.5-3.6，直到每个相似近邻集合不再有新时间序列加入为止。
本发明采用分段量化后，时间序列的长度得到了有效压缩而时间序列之间的相似度得到了保留。通过Trie树对量化的字符串进行索引，能够在 O(n)时间内查询到k个相似字符串，n为字符串长度。若没有索引，则kNN 查询需要O(nm)，n为字符串长度，m为字符串总数。
海量曲线聚类后仍产生严重的遮挡，视觉上无法准确识别不同类别，为此本发明通过核密度估计方法根据曲线在屏幕空间上的密度分布，将密度值映射到颜色空间进行可视化；优选的，所述步骤五的具体步骤如下：
步骤5.1，基于核密度估计并行算法计算每个采样点附近的概率密度分布；
步骤5.2，按照采样点类别的不同映射到颜色值，根据计算的密度分布取不同的alpha值，映射后的着色图称为聚类密度图；
步骤5.3，交互选择查看时间序列值。
进一步优选的，所述步骤5.1的具体计算过程如下：
步骤5.1.1，根据对齐后的时间序列找出所有时间序列的最大值和最小值；
步骤5.1.2，根据最大值和最小值以及时间序列的长度，在该区域内均匀采样，采样点记为(x,y)；
步骤5.1.3，计算每个采样点附近的概率密度分布：
其中，h为平滑带宽，Kh为核函数，(xi,yi)为采样点附近坐标值。
优选的，所述步骤5.3中的交互主要包括类别选择和框选。类别选择是指选择聚类密度图中的某一类，同时将显示该类别中时间序列的统计图，统计数据在不同区间内的分布；框选允许用户对其感兴趣的聚类密度图区域进行过滤，通过列表展示选择区间的时间序列具体值。
本发明具有如下的有益效果：
(1)采用分段量化后，时间序列的长度得到了有效压缩而时间序列之间的相似度得到了保留。通过Trie树对量化的字符串进行索引，能够在 O(n)时间内查询到k个相似字符串，n为字符串长度。若没有索引，则kNN 查询需要O(nm)，n为字符串长度，m为字符串总数。因此聚类的时间复杂度得到大幅降低。
(2)海量曲线聚类后仍产生严重的遮挡，视觉上无法准确识别不同类别，本发明通过核密度估计方法根据曲线在屏幕空间上的密度分布，将密度值映射到颜色空间进行可视化，消除了曲线之间的遮挡和视觉上的杂乱。
(3)面对上千条曲线，整个可视化过程可以在数十毫秒内完成，保证了交互的流畅性。
附图说明
图1为曲线阅览器中同时表示三个发动机功角时间序列曲线的示意图
图2为面向电力系统暂态分析的海量曲线可视化方法的流程图；
图3为示出近似量化后的时间序列索引Trie树示意图；
图4为2000个时间序列的聚类密度图，其中时间序列呈现有扰动的稳定，图中数据聚类成三类，分别用绿、红、粉三种颜色表示，其中黄色区域是三类数据各自的聚类中心。从图中能看出在200左右有明显扰动，之后电压趋向稳定，粉色类时间序列变化幅度较大。通过选择变化较大可视化区域可以查看该曲线对应的时间序列数据值。
图5为2000个时间序列的聚类密度图，其中时间序列呈现失稳状态，图中数据聚类成三类，分别用绿、红、粉三种颜色表示。但是红色类别时间序列远离其他两类数据，呈现出明显的失稳状态。
具体实施方式
下面结合实施例和附图来详细说明本发明，但本发明并不仅限于此。
如图2所示，示出了本发明提供的面向电力系统暂态分析的海量时间序列数据可视化方法的一个实施例的主流程示意图。在该实施例中，该方法包括如下步骤：
步骤一，读取时间序列并根据其幅值进行对齐数据，将时间序列变换成以0为初始值。
步骤二，基于Trie树的近似聚类算法，找出代表性曲线
步骤2.1，根据时间序列取值范围[xmin,xmax]设定m个子空间，每个子空间的长度为(xmax-xmin)/m。
步骤2.2，将每个时间序列的值量化为分段区间的编号，编号按字母序表示。即构造分区与字母之间的映射
h:
为子空间集合，
为字母集合
步骤2.3，根据每个时间序列量化后的字符串建立Trie树索引，索引叶节点为时间序列，如图3所示。
步骤2.4，随机选定k个时间序列，将其量化成字符串，从Trie树中查找具有最长公共子串的m个时间序列，即为查询时间序列的相似近邻集合。
步骤2.5，计算近邻集合的中心点，取每个字母对应下标的整数平均值作为新中心点字母的下标。
步骤2.6，根据中心点字符串从Trie树中找出相似近邻集合，重复步骤2.5-2.6，直到每个相似近邻集合不再有新时间序列加入为止。
步骤三，根据中心点字符串画出每一类的代表性曲线，代表性曲线的取值为字符到取值范围的反向映射，取取值范围的中值。
步骤四，核密度估计并行算法
步骤4.1，根据对齐后的时间序列找出所有时间序列的最大值和最小值
步骤4.2，根据最大值和最小值(为纵向)以及时间序列的长度(为横向)，在该区域内均匀采样，采样点记为(x,y)。
步骤4.3，计算采样点附近的概率密度分布
其中，h为平滑带宽，Kh为核函数(可为高斯核函数)，(xi,yi)为采样点附近坐标值；
步骤4.4，由于各采样点之间没有直接的相关性，可以对每个采样点并行执行步骤5.3
步骤五，按照采样点类别的不同映射到颜色值，根据计算的密度分布取不同的alpha值，映射后的着色图称为聚类密度图；
步骤六，交互选择查看时间序列值。
交互主要包括类别选择和框选。类别选择是指选择聚类密度图中的某一类，同时将显示该类别中时间序列的统计图，统计数据在不同区间内的分布；框选允许用户对其感兴趣的聚类密度图区域进行过滤，通过列表展示选择区间的时间序列具体值。
本实施例通过核密度估计方法根据曲线在屏幕空间上的密度分布，将密度值映射到颜色空间进行可视化，消除了曲线之间的遮挡和视觉上的杂乱。如图4为2000个时间序列的聚类密度图，其中时间序列呈现有扰动的稳定，图中数据聚类成三类，分别用绿、红、粉三种颜色表示，其中黄色区域是三类数据各自的聚类中心。从图中能看出在200左右有明显扰动，之后电压趋向稳定，粉色类时间序列变化幅度较大。通过选择变化较大可视化区域可以查看该曲线对应的时间序列数据值。如图5为2000个时间序列的聚类密度图，其中时间序列呈现失稳状态，图中数据聚类成三类，分别用绿、红、粉三种颜色表示。但是红色类别时间序列远离其他两类数据，呈现出明显的失稳状态。
以上所述仅为本发明的较佳实施举例，并不用于限制本发明，凡在本发明精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种面向电力系统暂态分析的海量时间序列数据可视化方法，其特征在于，包括如下步骤：
步骤一、读取指定电力系统场景下的每个物理量在不同时刻的数据，称为时间序列；
步骤二、根据时间序列的幅值进行对齐，将时间序列变换成以0为初始值；
步骤三、基于Trie树的近似聚类算法，找出代表性曲线；
步骤四、根据中心点字符串画出每一类的代表性曲线，代表性曲线的取值为字符到取值范围的反向映射，取取值范围的中值；
步骤五、通过核密度估计方法根据曲线在屏幕空间上的密度分布，将密度值映射到颜色空间进行可视化。
2.如权利要求1所述的面向电力系统暂态分析的海量时间序列数据可视化方法，其特征在于，所述步骤三的具体过程如下：
步骤3.1，根据时间序列取值范围[xmin,xmax]设定m个子空间，每个子空间的长度为(xmax-xmin)/m；
步骤3.2，将每个时间序列的值量化为分段区间的编号，编号按字母序表示；
步骤3.3，根据每个时间序列量化后的字符串建立Trie树索引，索引叶节点为时间序列；
步骤3.4，随机选定k个时间序列，将其量化成字符串，从Trie树中查找具有最长公共子串的m个时间序列，即为查询时间序列的相似近邻集合；
步骤3.5，计算近邻集合的中心点，取每个字母对应下标的整数平均值作为新中心点字母的下标；
步骤3.6，根据中心点字符串从Trie树中找出相似近邻集合，重复步骤3.5-3.6，直到每个相似近邻集合不再有新时间序列加入为止。
3.如权利要求1所述的面向电力系统暂态分析的海量时间序列数据可视化方法，其特征在于，所述步骤五的具体步骤如下：
步骤5.1，基于核密度估计并行算法计算每个采样点附近的概率密度分布；
步骤5.2，按照采样点类别的不同映射到颜色值，根据计算的密度分布取不同的alpha值，映射后的着色图称为聚类密度图；
步骤5.3，交互选择查看时间序列值。
4.如权利要求3所述的面向电力系统暂态分析的海量时间序列数据可视化方法，其特征在于，所述步骤5.1的具体计算过程如下：
步骤5.1.1，根据对齐后的时间序列找出所有时间序列的最大值和最小值；
步骤5.1.2，根据最大值和最小值以及时间序列的长度，在该区域内均匀采样，采样点记为(x,y)；
步骤5.1.3，计算每个采样点附近的概率密度分布。
5.如权利要求4所述的面向电力系统暂态分析的海量时间序列数据可视化方法，其特征在于，计算每个采样点附近的概率密度分布公式如下：
其中，h为平滑带宽，Kh为核函数，(xi,yi)为采样点附近坐标值。
6.如权利要求3所述的面向电力系统暂态分析的海量时间序列数据可视化方法，其特征在于，所述步骤5.3中的交互包括类别选择和框选。
7.如权利要求6所述的面向电力系统暂态分析的海量时间序列数据可视化方法，其特征在于，类别选择是指选择聚类密度图中的某一类，同时将显示该类别中时间序列的统计图，统计数据在不同区间内的分布。
8.如权利要求6所述的面向电力系统暂态分析的海量时间序列数据可视化方法，其特征在于，框选允许用户对其感兴趣的聚类密度图区域进行过滤，通过列表展示选择区间的时间序列具体值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910569651.5A CN110795463B (zh) | 2019-06-27 | 2019-06-27 | 面向电力系统暂态分析的海量时间序列数据可视化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910569651.5A CN110795463B (zh) | 2019-06-27 | 2019-06-27 | 面向电力系统暂态分析的海量时间序列数据可视化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110795463A true CN110795463A (zh) | 2020-02-14 |
| CN110795463B CN110795463B (zh) | 2023-08-08 |
Family
ID=69426860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910569651.5A Active CN110795463B (zh) | 2019-06-27 | 2019-06-27 | 面向电力系统暂态分析的海量时间序列数据可视化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110795463B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898903A (zh) * | 2020-07-28 | 2020-11-06 | 北京科技大学 | 一种钢铁产品均匀性和综合质量评估方法及系统 |
| CN112527867A (zh) * | 2020-12-18 | 2021-03-19 | 重庆师范大学 | 一种非农就业岗位供给能力识别方法，存储装置，及服务器 |
| CN112652023A (zh) * | 2020-11-30 | 2021-04-13 | 杭州缔特信息技术有限公司 | 基于颜色插值的电网换相失败线路范围划分算法 |
| CN114564576A (zh) * | 2022-01-20 | 2022-05-31 | 浙江大学 | 一种基于动态聚类的大量时序曲线可视化方法 |
| CN114662698A (zh) * | 2022-02-11 | 2022-06-24 | 南京英锐祺科技有限公司 | 工业互联网多模态机器学习数据处理方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663723A (zh) * | 2012-02-24 | 2012-09-12 | 武汉大学 | 一种基于颜色样本与电场模型的图像分割方法 |
| US20170076010A1 (en) * | 2015-09-11 | 2017-03-16 | International Business Machines Corporation | Visualization of serial processes |
| CN107958020A (zh) * | 2017-10-24 | 2018-04-24 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于聚簇的电网数据处理和数据可视化方法 |
| US20180357280A1 (en) * | 2017-06-12 | 2018-12-13 | Western Digital Technologies, Inc. | Trie search engine |
| CN109040028A (zh) * | 2018-07-12 | 2018-12-18 | 四川神琥科技有限公司 | 一种工控全流量分析方法及装置 |
| CN109165245A (zh) * | 2018-09-19 | 2019-01-08 | 北京航空航天大学 | 多源数据融合的移动轨迹生成模型的时空模式挖掘方法 |
| US20190026359A1 (en) * | 2017-02-10 | 2019-01-24 | Johnson Controls Technology Company | Building management smart entity creation and maintenance using time series data |
-
2019
- 2019-06-27 CN CN201910569651.5A patent/CN110795463B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663723A (zh) * | 2012-02-24 | 2012-09-12 | 武汉大学 | 一种基于颜色样本与电场模型的图像分割方法 |
| US20170076010A1 (en) * | 2015-09-11 | 2017-03-16 | International Business Machines Corporation | Visualization of serial processes |
| US20190026359A1 (en) * | 2017-02-10 | 2019-01-24 | Johnson Controls Technology Company | Building management smart entity creation and maintenance using time series data |
| US20180357280A1 (en) * | 2017-06-12 | 2018-12-13 | Western Digital Technologies, Inc. | Trie search engine |
| CN107958020A (zh) * | 2017-10-24 | 2018-04-24 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于聚簇的电网数据处理和数据可视化方法 |
| CN109040028A (zh) * | 2018-07-12 | 2018-12-18 | 四川神琥科技有限公司 | 一种工控全流量分析方法及装置 |
| CN109165245A (zh) * | 2018-09-19 | 2019-01-08 | 北京航空航天大学 | 多源数据融合的移动轨迹生成模型的时空模式挖掘方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周志光;余佳;郭智勇;刘玉华;: "平行坐标轴动态排列的地理空间多维数据可视分析", 中国图象图形学报, no. 06 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898903A (zh) * | 2020-07-28 | 2020-11-06 | 北京科技大学 | 一种钢铁产品均匀性和综合质量评估方法及系统 |
| CN112652023A (zh) * | 2020-11-30 | 2021-04-13 | 杭州缔特信息技术有限公司 | 基于颜色插值的电网换相失败线路范围划分算法 |
| CN112652023B (zh) * | 2020-11-30 | 2023-04-14 | 杭州缔特信息技术有限公司 | 基于颜色插值的电网换相失败线路范围划分算法 |
| CN112527867A (zh) * | 2020-12-18 | 2021-03-19 | 重庆师范大学 | 一种非农就业岗位供给能力识别方法，存储装置，及服务器 |
| CN112527867B (zh) * | 2020-12-18 | 2023-10-13 | 重庆师范大学 | 一种非农就业岗位供给能力识别方法，存储装置，及服务器 |
| CN114564576A (zh) * | 2022-01-20 | 2022-05-31 | 浙江大学 | 一种基于动态聚类的大量时序曲线可视化方法 |
| CN114564576B (zh) * | 2022-01-20 | 2024-08-30 | 浙江大学 | 一种基于动态聚类的大量时序曲线可视化方法 |
| CN114662698A (zh) * | 2022-02-11 | 2022-06-24 | 南京英锐祺科技有限公司 | 工业互联网多模态机器学习数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110795463B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110795463A (zh) | 面向电力系统暂态分析的海量时间序列数据可视化方法 | |
| CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
| CN109344285A (zh) | 一种面向监控的视频图谱构建和挖掘方法、设备 | |
| CN105808665B (zh) | 一种新的基于手绘草图的图像检索方法 | |
| CN106228554B (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
| CN107249000B (zh) | 一种移动用户异常行为检测方法 | |
| CN103345492A (zh) | 一种视频浓缩的方法和系统 | |
| CN110353673A (zh) | 一种基于标准互信息的脑电通道选择方法 | |
| CN105976395B (zh) | 一种基于稀疏表示的视频目标跟踪方法 | |
| CN106649050B (zh) | 时序系统多参数运行态势图形表示方法 | |
| CN102737243A (zh) | 获取多幅图像的描述信息的方法及装置与图像匹配方法 | |
| CN109344842A (zh) | 一种基于语义区域表达的行人重识别方法 | |
| CN110348494A (zh) | 一种基于双通道残差神经网络的人体动作识别方法 | |
| CN109359610A (zh) | 构建cnn-gb模型的方法及系统、数据特征分类方法 | |
| CN109214430A (zh) | 一种基于特征空间拓扑分布的行人重识别方法 | |
| CN104778238A (zh) | 一种视频显著性的分析方法及装置 | |
| US20050240862A1 (en) | Method for superimposing statistical information on tabular data | |
| CN110110813A (zh) | 基于双通道卷积网络的极化sar图像分类方法 | |
| US20060213381A1 (en) | Statistical variable display apparatus and method, and storage medium storing statistical variable display program | |
| CN106295251A (zh) | 基于单细胞表现型数据库的表型数据分析处理方法 | |
| CN101876993A (zh) | 一种地基数字云图的纹理特征抽取和检索方法 | |
| CN109614893B (zh) | 基于情境推理的异常行为行踪智能识别方法及装置 | |
| CN108460424B (zh) | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 | |
| CN110490210A (zh) | 一种基于紧致通道间t采样差分的彩色纹理分类方法 | |
| CN103559718B (zh) | 基于稀疏表示的过完备字典训练的视频篡改检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |