CN110929951A - 一种用于电网告警信号的关联分析和预测方法 - Google Patents
一种用于电网告警信号的关联分析和预测方法 Download PDFInfo
- Publication number
- CN110929951A CN110929951A CN201911212971.1A CN201911212971A CN110929951A CN 110929951 A CN110929951 A CN 110929951A CN 201911212971 A CN201911212971 A CN 201911212971A CN 110929951 A CN110929951 A CN 110929951A
- Authority
- CN
- China
- Prior art keywords
- alarm signal
- cluster
- alarm
- vectorization
- signals
- 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 35
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 16
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于电网告警信号的关联分析和预测方法,基于电网告警信号,利用DBSCAN密度聚类算法对电网告警信号进行聚类划分,得到告警信号簇集合;再以自然语言处理的命名实体识别方法将告警信号向量化,得到向量化告警信号簇集合;然后对向量化告警信号进行关联分析,得到告警信号关联网络;最后再以告警信号关联网络为基础,建立基于告警信号关联网络的告警信号关联网络预测模型,用于对电网实际运行时已知发生某些告警信号的预测。
Description
技术领域
本发明属于电网智能告警技术领域,更为具体地讲,涉及一种用于电网告警信号的关联分析和预测方法。
背景技术
经过十数年的建设和发展,中国的电网在信息化和自动化方面已经取得了诸多成果,正逐步向智能化方向发展。但目前的电力大数据系统仍然存在应用深度不足的问题,即数据多且全,但缺乏从中挖掘出有效数据的手段,大量采用了传统的数据处理手段,相关应用以统计居多,预测和决策指导则偏少,无法满足智能化的需求。
作为电网运行状态监测的重要数据支撑的电网设备告警信号库也存在着以上问题,目前基于电网设备告警信号的应用主要为统计分析和简单的关联分析,并未建立起告警信号间的关联网络,也难以进行进一步的预测。最简单的关联分析方法完全依赖相关专家的知识和经验,不仅耗时耗力,也无法满足实时性的需求,更是难以对接更深层次的分析应用。因此,电力大数据系统需要使用数据挖掘方法,从告警信号库中自动地完成告警信号的关联分析。
分析告警信号间的关联,能为诸多高级应用提供基础,如告警信号的预测。在告警信号关联网络的基础上,可根据告警信号库得到各告警信号之间的状态转移概率,建立起告警信号的预测模型。此预测模型可在已知部分告警信号时预测可能的后续告警信号。若能进一步结合各事件的严重程度和可能的经济损失等数据,建立起相关的辅助决策模型,则可对后续高风险告警信号提前示警,降低风险,减少损失。
发明内容
本发明的目的在于克服现有技术的不足,提供一种用于电网告警信号的关联分析和预测方法,通过对电网告警信号的关联分析,形成告警信号间的关联网络,并以此计算各告警信号间的状态转移概率,形成告警信号预测模型,为后续高风险告警信号提前示警,降低风险,减少损失。
为实现上述发明目的,本发明一种用于电网告警信号的关联分析和预测方法,其特征在于,包括以下步骤:
(1)、历史告警信号的收集及预处理
获取多个变电站的历史告警信号,将历史告警信号按所属变电站间隔进行划分,划分完成后,将每个变电站的历史告警信号按照告警发生时间进行升序排序,组成告警信号序列,最后将所有的告警信号序列存储在告警信号库;
(2)、告警信号序列的聚类划分
利用DBSCAN密度聚类算法分别对告警信号库中每一条告警信号序列进行聚类划分,得到每一条告警信号序列的告警信号簇,划分后,簇内的告警信号之间存在关联关系,簇间的告警信号之间无关联关系,最后再将所有的告警信号簇组成告警信号簇集合;
(3)、告警信号的向量化
(3.1)、利用命名实体识别方法识别每个告警信号中的动作实体和动作;
(3.2)、对每一个不同的动作实体和动作进行编号,分别记为ej和aj;
(3.3)、将每个告警信号转换为一个二元组(ej,aj),记为向量化告警信号;
(3.4)、按照步骤(3.1)-(3.3)所述方法,将告警信号簇中的每个告警信号进行向量化,得到向量化告警信号簇;
(3.5)、将所有向量化告警信号簇组成向量化告警信号簇集合;
(4)、构建告警信号关联网络
(4.1)、为向量化告警信号簇集合中每一个不同的向量化告警信号(ej,aj)设置一个顶点,记为Vj;
(4.2)、随机选取一个向量化告警信号簇,将每一对在时间上有前后关系的向量化告警信号Vj和Vj'用单向边Ejj'连接起来;
(4.3)、对向量化告警信号簇集合中每个向量化告警信号簇均执行步骤(4.2),完成单向边的建立;
(4.4)、整合所有顶点V={V1,V2,...,Vn}和所有边E={Ejj'|j,j'≤n},得到以有向图G=(V,E)表示的向量化告警信号的关联网络,记为告警信号关联网络;
(5)、以告警信号关联网络为基础构建概率图模型
(5.1)、计算告警信号关联网络G=(V,E)中单向相连的顶点Vj和Vj'的条件概率分布;
(5.1.2)、同理,统计在向量化告警信号簇集合中先后存在Vj和Vj'的向量化告警信号簇所占的比例P(vjvj'),以及仅存在Vj、仅存在Vj'和均不存在的向量化告警信号簇所占的比例和记为VjVj'的概率分布
(5.1.3)、综合(5.1.1)和(5.1.2),得到顶点Vj和Vj'的条件概率分布:
(5.2)、对告警信号关联网络G=(V,E)中每对单向相连的向量化告警信号执行步骤(5.1),得到联合概率分布:
(5.3)、将步骤(5.2)中得到的联合概率分布添加到告警信号关联网络G=(V,E)中,得到基于告警信号关联网络的概率图模型G'=(V,E,P(V)),记为告警信号关联网络预测模型;
(6)、告警信号的预测
(6.1)、在电网实际运行时,已知发生的告警信号X'={x1,x2,...,xm};
(6.2)、按照步骤(2)和步骤(3)中的方法将X'向量化得到V'={V1,V2,...,Vm};
本发明的发明目的是这样实现的:
本发明一种用于电网告警信号的关联分析和预测方法,基于电网告警信号,利用DBSCAN密度聚类算法对电网告警信号进行聚类划分,得到告警信号簇集合;再以自然语言处理的命名实体识别方法将告警信号向量化,得到向量化告警信号簇集合;然后对向量化告警信号进行关联分析,得到告警信号关联网络;最后再以告警信号关联网络为基础,建立基于告警信号关联网络的告警信号关联网络预测模型,用于对电网实际运行时已知发生某些告警信号的预测。
同时,本发明一种用于电网告警信号的关联分析和预测方法还具有以下有益效果:
(1)、告警信号关联网络可在离线分析时辅助分析电网中各告警信号的关系,帮助排查电网中的设备缺陷;
(2)、告警信号关联网络预测模型可在在线运行时由已经发生的告警信号预测可能发生的其他告警信号,实现对后续高风险告警信号的提前示警,以降低电网运行风险,减少因电网事故带来的损失;
(3)、相比于神经网络等方法,基于贝叶斯统计的概率图模型的关键优势在于其输入的可变性,在训练完成后,可给出任意数量的已知条件,对未知事件发生的概率进行估计,适合实时在线的告警信号预测。
附图说明
图1是本发明一种用于电网告警信号的关联分析和预测方法流程图;
图2是获取核心点集合的流程图;
图3是告警信号序列进行簇划分的流程图;
图4是告警信号关联网络示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种用于电网告警信号的关联分析和预测方法流程图。
在本实施例中,如图1所示,本发明一种用于电网告警信号的关联分析和预测方法,包括以下步骤:
S1、历史告警信号的收集及预处理
获取多个变电站的历史告警信号,将历史告警信号按所属变电站间隔进行划分,划分完成后,将每个变电站的历史告警信号按照告警发生时间进行升序排序,组成告警信号序列,最后将所有的告警信号序列存储在告警信号库;
以上得到的告警信号库将作为关联分析和预测的基础数据,后续各步骤都将围绕告警信号库及其处理结果展开;
S2、告警信号序列的聚类划分
利用DBSCAN密度聚类算法分别对告警信号库中每一条告警信号序列进行聚类划分,得到每一条告警信号序列的告警信号簇,划分后,簇内的告警信号之间存在关联关系,簇间的告警信号之间无关联关系,最后再将所有的告警信号簇组成告警信号簇集合;
下面我们对具体过程进行描述,其中,找出核心点的流程图如图2所示,得到簇划分的流程图如图3所示。
S2.1、如图2所示,将告警信号序列记为点的集合X={x1,x2,…,xn},每个告警信号为X中的一个点xi,i=1,2,…,n,n为告警信号总个数;
S2.2、设定距离函数d(xixi')=|ti-ti'|,其中ti表示信号xi发生的时间;
S2.3、设置聚类参数:邻域半径ε和最小核心点数MinPts;
S2.5、从n个点中找出核心点;
S2.5.1、通过距离函数d(xixi')=|ti-ti'|和邻域半径ε,找到点xi的邻域点集Nε(xi)={xi'|d(xixi')≤ε};
S2.5.2、如果邻域点集中点的数量满足|Nε(xi)|≥MinPts,将点xi加入核心点集合:Ω=Ω∪{xi};
S2.8、如图3所示,从核心点集合Ω中随机选择一个核心点o,更新当前簇核心点队列Ωk=Ωk∪{o};
S2.9、如果当前簇核心点队列则当前簇Ck生成完毕,更新簇划分C=C∪{Ck},更新核心点集Ω=Ω-Ck,结束第k个簇的生成,然后更新簇编号k=k+1,转入步骤S2.6进行第k+1个簇的生成;否则,进入步骤S2.10;
S2.10、对当前簇核心点队列Ωk执行出队操作,取出队首的核心点o'并更新Ωk=Ωk-{o'},找到o'的邻域点集Nε(o'),令Δ=Nε(o')∩Γ,更新当前簇点集Ck=Ck∪Δ,更新未访问点集Γ=Γ-Δ,对当前簇核心点队列Ωk执行入队操作,更新Ωk=Ωk∪(Δ∩Ω),再返回至步骤S2.9;
S2.11、输出所有簇划分C={C1,C2,…,Ck},得到单个告警信号序列的告警信号簇集合。
S2.12、对告警信号库中所有告警信号序列执行步骤S2.1-S2.11,得到告警信号簇集合。
S3、告警信号的向量化
将步骤S2中得到的告警信号簇集合中的每个告警信号向量化,将以文本描述的告警信号转换为以向量描述的向量化告警信号,为后续数学建模过程提供数据;
下面我们对具体过程进行描述:
S3.1、利用命名实体识别方法识别每个告警信号中的动作实体和动作,将告警信号文本变为设备类型和信号动作两个关键词,并忽略变电站和设备型号等信息;
S3.2、对每一个不同的动作实体和动作进行编号,分别记为ej和aj,将关键词文本变为数字形式;
S3.3、将每个告警信号转换为一个二元组(ej,aj),记为向量化告警信号;
S3.4、按照步骤S3.1-S3.3所述方法,将告警信号簇中的每个告警信号进行向量化,得到向量化告警信号簇;
S3.5、将所有向量化告警信号簇组成向量化告警信号簇集合;
S4、构建告警信号关联网络
将步骤S3中得到的向量化告警信号簇集合转换为以图表示的网络模型,用于描述各个不同信号间的关联关系,形成告警信号关联网络;
下面我们对具体过程进行描述:
S4.1、为向量化告警信号簇集合中每一个不同的向量化告警信号(ej,aj)设置一个顶点,记为Vj;
S4.2、随机选取一个向量化告警信号簇,将每一对在时间上有前后关系的向量化告警信号Vj和Vj'用单向边Ejj'连接起来,代表两信号间存在关联关系;
S4.3、对向量化告警信号簇集合中每个向量化告警信号簇均执行步骤S4.2,完成所有单向边的建立;
S4.4、整合所有顶点V={V1,V2,…,Vn}和所有边E={Ejj'|j,j'≤n},得到以有向图G=(V,E)表示的向量化告警信号的关联网络,如图4所示,记为告警信号关联网络;
S5、以告警信号关联网络为基础构建概率图模型
综合步骤S3得到的向量化告警信号簇集合和步骤S4得到的告警信号关联网络,对每对存在关联关系的向量化告警信号统计其概率分布,最后综合得到联合概率分布,附加到告警信号关联网络中,得到告警信号关联网络的概率图模型,用于告警信号的预测;
下面我们对具体过程进行描述:
S5.1、对告警信号关联网络G=(V,E)中单向相连的顶点Vj和Vj'执行以下步骤:
S5.1.2、同理,统计向量化告警信号簇集合中先后存在Vj和Vj'的向量化告警信号簇所占的比例P(vjvj'),以及仅存在Vj、仅存在Vj'和均不存在的向量化告警信号簇所占的比例和记为VjVj'的概率分布
S5.1.3、综合步骤S5.1.1和S5.1.2的结果,得到条件概率分布:
S5.2、对告警信号关联网络G=(V,E)中每对单向相连的向量化告警信号执行步骤S5.1,得到联合概率分布:
S5.3、将步骤S5.2中得到的联合概率分布添加告警信号关联网络G=(V,E)中,得到基于告警信号关联网络的概率图模型G'=(V,E,P(V)),记为告警信号关联网络预测模型;
S6、告警信号的预测
使用步骤S5得到的告警信号关联网络预测模型,可在已知发生部分告警信号发生时,预测未知告警信号发生的概率,实现告警信号的预测;
下面我们对具体过程进行描述:
S6.1、在电网实际运行时,已知发生某些告警信号X'={x1,x2,...,xm};
S6.2、使用步骤S2和步骤S3中的方法将X'向量化得到V'={V1,V2,…,Vm};
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种用于电网告警信号的关联分析和预测方法,其特征在于,包括以下步骤:
(1)、历史告警信号的收集及预处理
获取多个变电站的历史告警信号,将历史告警信号按所属变电站间隔进行划分,划分完成后,将每个变电站的历史告警信号按照告警发生时间进行升序排序,组成告警信号序列,最后将所有的告警信号序列存储在告警信号库;
(2)、告警信号序列的聚类划分
利用DBSCAN密度聚类算法分别对告警信号库中每一条告警信号序列进行聚类划分,得到每一条告警信号序列的告警信号簇,划分后,簇内的告警信号之间存在关联关系,簇间的告警信号之间无关联关系关系,最后再将所有的告警信号簇组成告警信号簇集合;
(3)、告警信号的向量化
(3.1)、利用命名实体识别方法识别每个告警信号中的动作实体和动作;
(3.2)、对每一个不同的动作实体和动作进行编号,分别记为ej和aj;
(3.3)、将每个告警信号转换为一个二元组(ej,aj),记为向量化告警信号;
(3.4)、按照步骤(3.1)-(3.3)所述方法,将告警信号簇中的每个告警信号进行向量化,得到向量化告警信号簇;
(3.5)、将所有向量化告警信号簇组成向量化告警信号簇集合;
(4)、构建告警信号关联网络
(4.1)、为向量化告警信号簇集合中每一个不同的向量化告警信号(ej,aj)设置一个顶点,记为Vj;
(4.2)、随机选取一个向量化告警信号簇,将每一对在时间上有前后关系的向量化告警信号Vj和Vj'用单向边Ejj'连接起来;
(4.3)、对向量化告警信号簇集合中每个向量化告警信号簇均执行步骤(4.2),完成单向边的建立;
(4.4)、整合所有顶点V={V1,V2,...,Vn}和所有边E={Ejj'|j,j'≤n},得到以有向图G=(V,E)表示的向量化告警信号的关联网络,记为告警信号关联网络;
(5)、以告警信号关联网络为基础构建概率图模型
(5.1)、计算告警信号关联网络G=(V,E)中单向相连的顶点Vj和Vj'的条件概率分布;
(5.1.2)、同理,统计在向量化告警信号簇集合中先后存在Vj和Vj'的向量化告警信号簇所占的比例P(vjvj'),以及仅存在Vj、仅存在Vj'和均不存在的向量化告警信号簇所占的比例和记为VjVj'的概率分布P(VjVj')={P(vjvj'),
(5.1.3)、综合(5.1.1)和(5.1.2),得到顶点Vj和Vj'的条件概率分布:
(5.2)、对告警信号关联网络G=(V,E)中每对单向相连的向量化告警信号执行步骤(5.1),得到联合概率分布:
(5.3)、将步骤(5.2)中得到的联合概率分布添加到告警信号关联网络G=(V,E)中,得到基于告警信号关联网络的概率图模型G'=(V,E,P(V)),记为告警信号关联网络预测模型;
(6)、告警信号的预测
(6.1)、在电网实际运行时,已知发生的告警信号X'={x1,x2,...,xm};
(6.2)、按照步骤(2)和步骤(3)中的方法将X'向量化得到V'={V1,V2,…,Vm};
2.根据权利要求1所述的一种用于电网告警信号的关联分析和预测方法,其特征在于,所述步骤(2)中,划分告警信号序列获取告警信号簇的具体过程为:
(2.1)、将告警信号序列记为点的集合X={x1,x2,…,xn},每个告警信号为X中的一个点xi,i=1,2,…,n;
(2.2)、设定距离函数d(xixi')=|ti-ti'|,其中ti表示信号xi发生的时间;
(2.3)、设置聚类参数:邻域半径ε和最小核心点数MinPts;
(2.5)、从n个点中找出核心点;
(2.5.1)、通过距离函数d(xixi')=|ti-ti'|和邻域半径ε,找到点xi的邻域点集Nε(xi)={xi'|d(xixi')≤ε};
(2.5.2)、如果邻域点集中点的数量满足|Nε(xi)|≥MinPts,将点xi加入核心点集合:Ω=Ω∪{xi};
(2.8)、从核心点集合Ω中随机选择一个核心点o,更新当前簇核心点队列Ωk=Ωk∪{o};
(2.9)、如果当前簇核心点队列则当前簇Ck生成完毕,更新簇划分C=C∪{Ck},更新核心点集Ω=Ω-Ck,结束第k个簇的生成,然后更新簇编号k=k+1,转入步骤(2.6)进行第k+1个簇的生成;否则,进入步骤(2.10);
(2.10)、对当前簇核心点队列Ωk执行出队操作,取出队首的核心点o'并更新Ωk=Ωk-{o'},找到o'的邻域点集Nε(o'),令Δ=Nε(o')∩Γ,更新当前簇点集Ck=Ck∪Δ,更新未访问点集Γ=Γ-Δ,对当前簇核心点队列Ωk执行入队操作,更新Ωk=Ωk∪(Δ∩Ω),再返回至步骤(2.9);
(2.11)、输出所有簇划分C={C1,C2,...,Ck},得到单个告警信号序列的告警信号簇集合。
(2.12)、对告警信号库中所有告警信号序列执行步骤(2.1)-(2.11),得到告警信号簇集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212971.1A CN110929951B (zh) | 2019-12-02 | 2019-12-02 | 一种用于电网告警信号的关联分析和预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212971.1A CN110929951B (zh) | 2019-12-02 | 2019-12-02 | 一种用于电网告警信号的关联分析和预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929951A true CN110929951A (zh) | 2020-03-27 |
CN110929951B CN110929951B (zh) | 2022-04-19 |
Family
ID=69848142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911212971.1A Active CN110929951B (zh) | 2019-12-02 | 2019-12-02 | 一种用于电网告警信号的关联分析和预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929951B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112105089A (zh) * | 2020-09-21 | 2020-12-18 | 电子科技大学 | 基于响应时间概率分布的通信信号关联方法 |
CN112988522A (zh) * | 2021-03-08 | 2021-06-18 | 北京明略软件系统有限公司 | 用于告警信号关联的方法、装置及设备 |
CN113381890A (zh) * | 2021-06-08 | 2021-09-10 | 中国电信股份有限公司 | 告警信息关联方法、装置、电子设备和可读存储介质 |
CN113839802A (zh) * | 2020-06-24 | 2021-12-24 | 中兴通讯股份有限公司 | 树模型构建方法、装置、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105932774A (zh) * | 2016-05-11 | 2016-09-07 | 国网冀北电力有限公司张家口供电公司 | 基于ica算法的智能变电站设备状态预警方法 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN108627720A (zh) * | 2018-03-08 | 2018-10-09 | 国网四川省电力公司电力科学研究院 | 一种基于贝叶斯算法的电力设备状态监测方法 |
-
2019
- 2019-12-02 CN CN201911212971.1A patent/CN110929951B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105932774A (zh) * | 2016-05-11 | 2016-09-07 | 国网冀北电力有限公司张家口供电公司 | 基于ica算法的智能变电站设备状态预警方法 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN108627720A (zh) * | 2018-03-08 | 2018-10-09 | 国网四川省电力公司电力科学研究院 | 一种基于贝叶斯算法的电力设备状态监测方法 |
Non-Patent Citations (1)
Title |
---|
孙朝晖等: "面向网络故障和性能管理的告警聚类关联", 《计算机工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113839802A (zh) * | 2020-06-24 | 2021-12-24 | 中兴通讯股份有限公司 | 树模型构建方法、装置、设备和存储介质 |
WO2021259273A1 (zh) * | 2020-06-24 | 2021-12-30 | 中兴通讯股份有限公司 | 树模型构建方法、装置、设备和存储介质 |
EP4170975A4 (en) * | 2020-06-24 | 2023-11-29 | ZTE Corporation | TREE MODEL CONSTRUCTION METHOD, APPARATUS AND DEVICE AND STORAGE MEDIUM |
CN112105089A (zh) * | 2020-09-21 | 2020-12-18 | 电子科技大学 | 基于响应时间概率分布的通信信号关联方法 |
CN112105089B (zh) * | 2020-09-21 | 2022-08-23 | 电子科技大学 | 基于响应时间概率分布的通信信号关联方法 |
CN112988522A (zh) * | 2021-03-08 | 2021-06-18 | 北京明略软件系统有限公司 | 用于告警信号关联的方法、装置及设备 |
CN113381890A (zh) * | 2021-06-08 | 2021-09-10 | 中国电信股份有限公司 | 告警信息关联方法、装置、电子设备和可读存储介质 |
CN113381890B (zh) * | 2021-06-08 | 2023-01-13 | 天翼云科技有限公司 | 告警信息关联方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110929951B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929951B (zh) | 一种用于电网告警信号的关联分析和预测方法 | |
CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
Zhang et al. | Artificial intelligence and its applications | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN106408124B (zh) | 一种面向数据稀疏环境下的移动路径混合预测方法 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
Fan et al. | Predicting vacant parking space availability: a long short-term memory approach | |
Zaree et al. | Improvement of air pollution prediction in a smart city and its correlation with weather conditions using metrological big data | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Gong et al. | SD-seq2seq: a deep learning model for bus bunching prediction based on smart card data | |
CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
Picano et al. | Nonlinear dynamic chaos theory framework for passenger demand forecasting in smart city | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
CN113159371A (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN116993043A (zh) | 一种电力设备故障溯源方法及装置 | |
CN116862743A (zh) | 一种旅客联程运输方案预测方法、系统及设备和介质 | |
CN115438190B (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
CN116450704A (zh) | 一种流程模型的自动化生成方法及生成装置 | |
CN115600656A (zh) | 一种基于分段策略与多成分分解算法的多元时间序列预测方法 | |
CN112181952B (zh) | 数据模型的构建方法、系统、设备及存储介质 | |
CN116070385A (zh) | 一种境外矿产资源供应链风险自动识别方法及系统 | |
CN115271207A (zh) | 一种基于门控图神经网络的序列关系预测方法以及装置 | |
CN117875520B (zh) | 基于动态图时空演化挖掘的公共安全事件预测方法及系统 | |
CN117667606B (zh) | 基于用户行为的高性能计算集群能耗预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |