CN110889441B - 一种基于距离和点密度的变电设备数据异常识别方法 - Google Patents
一种基于距离和点密度的变电设备数据异常识别方法 Download PDFInfo
- Publication number
- CN110889441B CN110889441B CN201911130785.3A CN201911130785A CN110889441B CN 110889441 B CN110889441 B CN 110889441B CN 201911130785 A CN201911130785 A CN 201911130785A CN 110889441 B CN110889441 B CN 110889441B
- Authority
- CN
- China
- Prior art keywords
- point
- detection data
- distance
- abnormal
- power transformation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000009466 transformation Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 99
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于距离和点密度的变电设备检测数据异常识别方法,包括下列步骤:收集变电设备数据样本,利用归一化的方法对数据进行预处理;对预处理后的变电设备数据样本通过Mean Shift法进行聚类分析,将所述数据样本进行分类;利用基于距离的异常点识别方法对分类后的数据进行识别;利用基于密度的异常点识别方法对分类后的数据进行识别;融合基于距离的异常点识别方法以及基于密度的异常点识别方法,构建评价指标筛选异常点,输出结果,本发明通过融合基于距离和基于点密度的异常数据识别方法实现变电设备检测数据异常识别。
Description
技术领域
本发明涉及数据异常识别技术领域,尤其涉及一种基于距离和点密度的变电设备检测数据异常识别方法。
背景技术
提升电网设备精益运检水平,是保证电网安全稳定运行的重要措施。掌握设备状态的手段主要包括有巡检、试验和在线监测。巡检数据目前多采用巡视卡记录的方式获取,一日一次,由于日运维工作存在轮换以及站内运维测点较多,不同班组、不同人员很少有时间去查看并掌握历史运维作业中测点检测数据趋势,运维人员多基于当前检测数据是否超规程设定阈值来判断设备状态是否正常,难以识别设备异常的变化趋势。且针对检测的时序数据,如泄漏电流和套管SF6压力等数据样本,存在离散度较高,规律不明显的特征,不同厂家、不同运行工况下的同类设备,相关状态参量的指标往往并不相同,由此导致相关算法具有很大的局限性。且受负荷、温度、干扰等因素的影响,变电设备的异常有时被掩盖在正常检测数据的波动中而难以识别。
目前已有相关的人工智能算法应用于规律性数据的分析,如基于分布(统计)的、基于深度的、基于聚类的、基于距离的和基于密度的的离群点检测,但由于变电设备停电试验和带电检测数据分布不均匀,且总数据量大但异常点少,很难利用少量数据样本建立准确的异常检测模型、设定异常检测判断参数和阈值,且单纯利用上述智能算法进行分析将导致分析结果偏差大或者时间复杂度高的问题,存在一定局限性。
发明内容
本发明的目的在于提供一种通过融合基于距离和基于点密度的异常数据识别方法实现变电设备检测数据异常识别,以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的,一种基于距离和点密度的变电设备数据异常识别方法,其特征在于,包括下列步骤:
S1、收集变电设备检测数据样本,利用归一化的方法对所述检测数据进行预处理;
S2、对预处理后的变电设备检测数据样本通过Mean Shift法进行聚类分析,将所述检测数据样本进行分类;
S3、利用基于距离的异常点识别方法对分类后的检测数据进行二次分析,识别异常点;
S4、利用基于密度的异常点识别方法对分类后的检测数据进行二次分析,识别异常点;
S5、融合基于距离的异常点识别方法以及基于密度的异常点识别方法,构建评价指标筛选异常点,输出结果。
优选的,其特征在于,所述归一化方法为:
式中x(i)代表任意一个变电设备检测数据样本值,min(x(n))代表变电设备检测数据样本值的最小值,max(x(n))代表变电设备检测数据样本值的最大值,g(i)表示归一化后的变电设备检测数据样本值。
优选的,对归一化后的变电设备检测数据样本通过Mean Shift法进行聚类分析,包括:
将归一化后的变电设备检测数据样本视为{Xi},i=1,2,3,…,n,任意选取一个变电设备检测数据样本值X作为基准点,则对于该基准点X的偏移向量为(Xi-X),根据下式计算该基准点的偏移均值:
式中:g(‖(X-Xi)/h‖2)为核函数,h为核的大小;
当‖m(X)‖>ε‘,则移动该基准点到:
然后以X1为新的起始点,重新计算偏移均值,在上式中ε‘为设定值。
优选的,当‖m(Xn)‖<ε‘时,则认为已移动到检测数据最稠密的地方,得到聚类中心和聚类结果。
优选的,用基于距离的异常点识别方法对分类后的变电设备检测数据进行识别,包括:将某一类变电设备检测数据视为包含N个检测数据样本的检测数据集D,同时设定检测数据样本Ni的邻域内最多允许的邻居数为M,并通过欧式距离公式计算检测数据样本Ni与其他检测数据样本Ni+1之间的欧式距离,设置上述欧式距离的选取范围,在欧式距离选取范围内的其他检测数据样本Ni+1即为Ni的邻居,统计上述邻居数k,并比较k与M的大小,判断检测数据样本Ni是否为异常点。
优选的,利用基于密度的异常点识别方法对分类后的检测数据进行识别,包括:
对于某一类变电设备检测数据集合,存在o点检测数据以及p点检测数据,同时对于o点到p点的第k可达距离定义为:
rdk(p,o)=max{dk(o),d(p,o)}
在上式中,d(p,o)为o点到p点的距离,采用欧式距离公式进行计算,而dk(o)为点p的第k距离;
同时求取点p的局部可达密度:
在上式中,Nk(p)即点p的第k距离邻域,即p的第k距离以内的所有点
同时采用下式表示点p的局部离群因子:
在上式中,lrdk(o)为点o的局部可达密度,当局部离群因子数值越大,则异常的可能性增加;当局部离群因子数值越小,则异常的可能性降低。
优选的,融合基于距离的异常点识别方法以及基于密度的异常点识别方法,采用下式进行融合:
Z(p)=Dis(p)+Den(p)
在上式中,Dis(p)表示用距离对点P进行异常检测的结果,Dis(p)表示基于密度对点P进行异常检测的结果,Z(p)表示融合结果;
当Z(p)=0时表示点P检测数据异常,Z(p)=1时表示点P检测数据也为异常,Z(p)=2时表示点P检测数据也为异常。
本发明达到的有益效果如下:
本发明提供的一种基于距离和点密度的变电设备检测数据异常识别方法,提出基于距离和点密度的检测数据分析模型,能有效的检测出异常点,算法简单,解决了目前海量数据人工分析的问题,提高数据分析效率;
本发明可有效判断设备检测状态量异常属于偶然异常还是趋势性异常;
本方法适用于变电设备异常数据的辨识和分析,根据分析结果指导现场开展设备的差异化运维,提升运维效率和经济性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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优选实施例,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为本发明提供的一种基于距离和点密度的变电设备检测数据异常识别方法的流程图;
图2为本发明实施例提供的初步聚类图;
图3为本发明实施例提供的异常检测算法得到的分析结果。
具体实施方式
为了更好理解本发明技术内容,下面提供具体实施例,并结合附图对本发明做进一步的说明。
参见图1,一种基于距离和点密度的变电设备检测数据异常识别方法,利用聚类算法对变电设备同一检测手段获取的数据样本进行粗略分类,基于异常点检测算法对不同聚类子集进行局部异常点分析,根据定义的局部异常因子评价指标识别异常数据,发现设备隐性缺陷,具体包括下列步骤:
S1、收集变电设备数据样本,利用归一化的方法对数据进行预处理;
S2、对预处理后的变电设备数据样本通过Mean Shift法进行聚类分析,将所述数据样本进行分类;
S3、利用基于距离的异常点识别方法对分类后的数据进行识别;
S4、利用基于密度的异常点识别方法对分类后的数据进行识别;
S5、融合基于距离的异常点识别方法以及基于密度的异常点识别方法,构建评价指标筛选异常点,输出结果。
具体的,在步骤S1中,所述归一化方法为:
式中x(i)代表任意一个变电设备数据样本值,min(x(n))代表变电设备数据样本值的最小值,max(x(n))代表变电设备数据样本值的最大值,g(i)表示归一化后的变电设备数据样本值。
具体的,在步骤S2中,对归一化后的变电设备数据样本通过Mean Shift法进行聚类分析,Mean Shift法不需要事先知道分类类型,在迭代运算中会自动获得其多个聚类中心,其具体步骤包括:
将归一化后的变电设备数据样本视为{Xi},i=1,2,3,…,n,任意选取一个变电设备数据样本值X作为基准点,则对于该基准点X的偏移向量为(Xi-X),根据下式计算该基准点的偏移均值:
式中:g(‖(X-Xi)/h‖2)为核函数,h为核的大小;
当‖m(X)‖>ε‘,则移动该基准点到:
然后以X1为新的起始点,重新计算偏移均值,在上式中ε‘为设定值;
在移送n次后,使‖m(Xn)‖<ε‘时,则认为已移动到数据最稠密的地方,得到聚类中心和聚类结果。
在本发明的一个实施例中,设置变电站的数据样本包括各种缺陷数据、报警数据以及正常状态下的工作数据,在将上述数据进行归一化后,选取归一化后的变电设备数据样本X1,同时对应选取与X1对应的未归一化的变电设备数据样本X,则对于该基准点X的存在偏移向量(X1-X),根据偏移均值计算出基准点X的偏移均值m(X),由偏移均值m(X)公式可知,偏移均值总是指向密度增长最快的方向;
因此对于基准点X的偏移均值m(X),给定判断阈值ε‘,且判断阈值ε‘取值为(0.1],当‖m(X)‖>ε‘时,选取下一基准点XX+1,重新进行偏移均值计算,在经过若干次迭代计算后,使得‖m(Xn)‖<ε‘时,认为基准点Xn已移动到数据最稠密的地方,认为基准点Xn为聚类中心;
例如,对检测数据如泄漏电流和套管SF6压力数据特征进行分析可解决聚类数目k和初始聚类中心选择不合理导致聚类效果下降的问题。因为根据检测的实际情况,即使实际样本波动很大,一般可分为3类,即偏高的异常点、正常范围内的样本点、偏低的异常点,因此可将初始聚类数目k定为3;而对于一组符合上述情况的样本,其样本最大值、样本均值、样本最小值可以作为3个类的初始聚类中心。
具体的,用基于距离的异常点识别方法对分类后的变电设备数据进行识别,包括:
将某一类变电设备数据视为包含N个数据样本的数据集D,同时设定检测数据样本Ni的邻域内最多允许的邻居数为M,并通过欧式距离公式计算检测数据样本Ni与其他检测数据样本Ni+1之间的欧式距离,其欧式距离计算公式为:
在上式中,yi为数据Ni+1的样本坐标,而xi为数据Ni的样本坐标;
设置上述欧式距离的选取范围,在欧式距离选取范围内的其他检测数据样本Ni+1即为Ni的邻居,统计上述邻居数k,并比较k与M的大小,当k>M时,该数据Ni为正常样本,当当k<M时,该数据Ni为异常样本。
利用基于密度的异常点识别方法对分类后的数据进行识别,包括:
对于某一类变电设备数据集合,存在o点数据以及p点数据,同时对于o点到p点的第k可达距离定义为:
rdk(p,o)=max{dk(o),d(p,o)}
在上式中,d(p,o)为o点到p点的距离,采用欧式距离公式进行计算,而dk(o)为点p的第k距离;
同时求取点p的局部可达密度:
在上式中,Nk(p)即点p的第k距离邻域,即p的第k距离以内的所有点
同时采用下式表示点p的局部离群因子:
在上式中,lrdk(o)为点o的局部可达密度,当局部离群因子数值越大,则异常的可能性增加;当局部离群因子数值越小,则异常的可能性降低,因此基于局部离群因子,可判断某一变电设备数据是否为异常数据。
具体的,融合基于距离的异常点识别方法以及基于密度的异常点识别方法,采用下式进行融合:
Z(p)=Dis(p)+Den(p)
在上式中,Dis(p)表示用距离对点P的方法进行异常检测的结果,Den(p)表示基于密度对点P的方法进行异常检测的结果,Z(p)表示融合结果;
当距离对点P的方法进行异常检测的结果为正常时,Dis(p)取0,当当距离对点P的方法进行异常检测的结果为异常时,Dis(p)取1;
当基于密度对点P的方法进行异常检测的结果为正常时,Den(p)取0,当当基于密度对点P的方法进行异常检测的结果为异常时,Den(p)取1;
综上,当Z(p)=0时表示点P数据异常,Z(p)=1时表示点P数据也为异常,Z(p)=2时表示点P数据也为异常。
采用本发明实施例对不同电压等级下SF6气体压力检测的数据进行聚类分析,可获得如图2所示的聚类图,针对图2中的三种聚类,结合SF6气体检测的实际情况,针对气体压力最低的一组数据进行二次分类,使用本发明实施例异常检测算法得到的分析结果如图3所示。图3中,底部的红色部分是检测出的异常点。结合实际运维发现,该数据的采集是利用的可见光检测装置获取的,由于SF6压力表计出现问题,导致通过装置读取数据均为0。验证了异常识别算法的准确性。
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,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (4)
1.一种基于距离和点密度的变电设备数据异常识别方法,其特征在于,包括下列步骤:
S1、收集变电设备检测数据样本,利用归一化的方法对所述检测数据进行预处理;
S2、对预处理后的变电设备检测数据样本通过Mean Shift法进行聚类分析,将所述检测数据样本进行分类;
S3、利用基于距离的异常点识别方法对分类后的检测数据进行二次分析,识别异常点;
用基于距离的异常点识别方法对分类后的变电设备检测数据进行识别,包括:将某一类变电设备检测数据视为包含N个检测数据样本的检测数据集D,同时设定检测数据样本Ni的邻域内最多允许的邻居数为M,并通过欧式距离公式计算检测数据样本Ni与其他检测数据样本Ni+1之间的欧式距离,设置上述欧式距离的选取范围,在欧式距离选取范围内的其他检测数据样本Ni+1即为Ni的邻居,统计上述邻居数k,并比较k与M的大小,判断检测数据样本Ni是否为异常点;
S4、利用基于密度的异常点识别方法对分类后的检测数据进行二次分析,识别异常点;
利用基于密度的异常点识别方法对分类后的检测数据进行识别,包括:对于某一类变电设备检测数据集合,存在o点检测数据以及p点检测数据,同时对于o点到p点的第k可达距离定义为:
rdk(p,o)=max{dk(o),d(p,o)}
在上式中,d(p,o)为o点到p点的距离,采用欧式距离公式进行计算,而dk(o)为点o的第k距离;
同时求取点p的局部可达密度:
在上式中,Nk(p)即点p的第k距离邻域,即p的第k距离以内的所有点同时采用下式表示点p的局部离群因子:
在上式中,lrdk(o)为点o的局部可达密度,当局部离群因子数值越大,则异常的可能性增加;当局部离群因子数值越小,则异常的可能性降低;
S5、融合基于距离的异常点识别方法以及基于密度的异常点识别方法,构建评价指标筛选异常点,输出结果;
融合基于距离的异常点识别方法以及基于密度的异常点识别方法,采用下式进行融合:
Z(p)=Dis(p)+Den(p)
在上式中,Dis(p)表示用距离对点P进行异常检测的结果,Dis(p)表示基于密度对点P进行异常检测的结果,Z(p)表示融合结果;
当Z(p)=0时表示点P检测数据异常,Z(p)=1时表示点P检测数据也为异常,Z(p)=2时表示点P检测数据也为异常。
2.根据权利要求1所述的一种基于距离和点密度的变电设备检测数据异常识别方法,其特征在于,所述归一化方法为:
式中x(i)代表任意一个变电设备检测数据样本值,min(x(n))代表变电设备检测数据样本值的最小值,max(x(n))代表变电设备检测数据样本值的最大值,g(i)表示归一化后的变电设备检测数据样本值。
3.根据权利要求1所述的一种基于距离和点密度的变电设备检测数据异常识别方法,其特征在于,对归一化后的变电设备检测数据样本通过Mean Shift法进行聚类分析,包括:
将归一化后的变电设备检测数据样本视为{Xi},i=1,2,3,…,n,任意选取一个变电设备检测数据样本值X作为基准点,则对于该基准点X的偏移向量为(Xi-X),根据下式计算该基准点的偏移均值:
式中:g(||(X-Xi)/h||2)为核函数,h为核的大小;
当||m(X)||>ε‘,则移动该基准点到:
然后以X1为新的起始点,重新计算偏移均值,在上式中ε‘为设定值。
4.根据权利要求3所述的一种基于距离和点密度的变电设备检测数据异常识别方法,其特征在于,当||m(Xn)||<ε‘时,则认为已移动到检测数据最稠密的地方,得到聚类中心和聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911130785.3A CN110889441B (zh) | 2019-11-19 | 2019-11-19 | 一种基于距离和点密度的变电设备数据异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911130785.3A CN110889441B (zh) | 2019-11-19 | 2019-11-19 | 一种基于距离和点密度的变电设备数据异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889441A CN110889441A (zh) | 2020-03-17 |
CN110889441B true CN110889441B (zh) | 2023-07-25 |
Family
ID=69747869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911130785.3A Active CN110889441B (zh) | 2019-11-19 | 2019-11-19 | 一种基于距离和点密度的变电设备数据异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889441B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112198472B (zh) * | 2020-09-29 | 2023-11-07 | 国网上海市电力公司 | 一种局部放电智能传感器在线远程校验方法及系统 |
CN112990329B (zh) * | 2021-03-26 | 2023-06-23 | 清华大学 | 一种系统异常诊断方法和装置 |
CN113343056A (zh) * | 2021-05-21 | 2021-09-03 | 北京市燃气集团有限责任公司 | 一种用户用气量异常检测方法及装置 |
CN114046873A (zh) * | 2021-11-17 | 2022-02-15 | 国家电网有限公司 | 一种基于lof-fcm模糊聚类算法的电抗器振动监测系统 |
CN115008818B (zh) * | 2022-08-05 | 2022-11-08 | 金成技术股份有限公司 | 可促进钣金结构件生产效率的冲压工序优化方法 |
CN117951631B (zh) * | 2024-03-26 | 2024-06-21 | 广东统一机器人智能股份有限公司 | 一种智能恒温恒压冷却水循环系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127148A (zh) * | 2016-06-21 | 2016-11-16 | 华南理工大学 | 一种基于机器视觉的手扶电梯乘客异常行为检测算法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201012519D0 (en) * | 2010-07-26 | 2010-09-08 | Ucl Business Plc | Method and system for anomaly detection in data sets |
EP3136297A1 (en) * | 2015-08-27 | 2017-03-01 | Tata Consultancy Services Limited | System and method for determining information and outliers from sensor data |
CN106101102B (zh) * | 2016-06-15 | 2019-07-26 | 华东师范大学 | 一种基于pam聚类算法的网络异常流量检测方法 |
CN106681791A (zh) * | 2016-11-09 | 2017-05-17 | 重庆邮电大学 | 一种基于对称邻居关系的增量式虚拟机异常检测方法 |
CN106778259B (zh) * | 2016-12-28 | 2020-01-10 | 北京明朝万达科技股份有限公司 | 一种基于大数据机器学习的异常行为发现方法及系统 |
CN108304851A (zh) * | 2017-01-13 | 2018-07-20 | 重庆邮电大学 | 一种高维数据流异常点识别方法 |
CN107123989A (zh) * | 2017-05-25 | 2017-09-01 | 国网上海市电力公司 | 一种基于改进的局部异常因子算法的电网拓扑辨识方法 |
CN109146705B (zh) * | 2018-07-02 | 2022-04-12 | 昆明理工大学 | 一种用电特征指标降维与极限学习机算法进行窃电检测的方法 |
CN109067725B (zh) * | 2018-07-24 | 2021-05-14 | 成都亚信网络安全产业技术研究院有限公司 | 网络流量异常检测方法及装置 |
CN109102028A (zh) * | 2018-08-20 | 2018-12-28 | 南京邮电大学 | 基于改进的快速密度峰值聚类和lof离群点检测算法 |
CN109492683A (zh) * | 2018-10-30 | 2019-03-19 | 国网湖南省电力有限公司 | 一种针对广域量测电力大数据数据质量的快速在线评估方法 |
CN109753991A (zh) * | 2018-12-06 | 2019-05-14 | 中科恒运股份有限公司 | 异常数据检测方法及装置 |
CN109729090B (zh) * | 2019-01-03 | 2021-06-01 | 湖南大学 | 一种基于wedms聚类的慢速拒绝服务攻击检测方法 |
CN109978070A (zh) * | 2019-04-03 | 2019-07-05 | 北京市天元网络技术股份有限公司 | 一种改进的K-means异常值检测方法以及装置 |
CN110083665A (zh) * | 2019-05-05 | 2019-08-02 | 贵州师范大学 | 基于改进的局部异常因子检测的数据分类方法 |
CN110458195B (zh) * | 2019-07-10 | 2022-08-19 | 河海大学 | 一种基于多判据融合的异常数据甄别方法 |
CN111539840A (zh) * | 2019-12-04 | 2020-08-14 | 国网天津市电力公司电力科学研究院 | 一种融合聚类与密度估计的窃电检测方法及系统 |
-
2019
- 2019-11-19 CN CN201911130785.3A patent/CN110889441B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127148A (zh) * | 2016-06-21 | 2016-11-16 | 华南理工大学 | 一种基于机器视觉的手扶电梯乘客异常行为检测算法 |
Non-Patent Citations (1)
Title |
---|
基于改进快速密度峰值聚类算法的电力大数据异常值检测;刘凤魁;邓春宇;王晓蓉;王新迎;;电力信息与通信技术(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110889441A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889441B (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
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 | |
CN109583680B (zh) | 一种基于支持向量机的窃电辨识方法 | |
US8756181B2 (en) | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads | |
CN107733357A (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
CN112788066B (zh) | 物联网设备的异常流量检测方法、系统及存储介质 | |
CN108199891B (zh) | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 | |
CN108875783A (zh) | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 | |
CN111950585A (zh) | 一种基于XGBoost的地下综合管廊安全状况评估方法 | |
CN110059714A (zh) | 基于多分类支持向量机的变压器故障诊断方法 | |
CN109829497A (zh) | 一种基于监督学习的台区用户识别及判别方法 | |
CN110210723B (zh) | 一种基于层次分析法和孤立森林的窃电辨识方法 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN110223193A (zh) | 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统 | |
CN110930057A (zh) | 基于lof算法的配电变压器检验结果可信度的量化评判方法 | |
CN111582406A (zh) | 一种电力设备状态监测数据聚类方法和系统 | |
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
CN112434942A (zh) | 一种反窃电智能预警及用户用电行为分析方法 | |
CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN109142830A (zh) | 基于用电信息采集系统大数据的窃电检测方法 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN109284886A (zh) | 基于人工智能的用电安全管理方法及装置 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No. 32 Haifu Road, Meilan District, Haikou City, Hainan Province, 571100 Patentee after: Haikou Substation Operation and Inspection Branch of Hainan Power Grid Co.,Ltd. Address before: No.23, hairuihou Road, Longhua District, Haikou City, Hainan Province, 570100 Patentee before: HAINAN POWER GRID Co.,Ltd. HAINAN POWER TRANSMISSION AND SUBSTATION MAINTENANCE BRANCH |