CN110942137A - 一种基于深度学习的电网信息运维监控方法 - Google Patents
一种基于深度学习的电网信息运维监控方法 Download PDFInfo
- Publication number
- CN110942137A CN110942137A CN201910987484.6A CN201910987484A CN110942137A CN 110942137 A CN110942137 A CN 110942137A CN 201910987484 A CN201910987484 A CN 201910987484A CN 110942137 A CN110942137 A CN 110942137A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- power grid
- value
- maintenance monitoring
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000003908 quality control method Methods 0.000 claims description 2
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003070 Statistical process control Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的电网信息运维监控方法。该方法基于电网信息运维监控系统中的时间序列数据信息，通过适当的数据预处理技术获得清洗之后的时间序列数据，利用长短时记忆神经网络来实现对待检测时间序列数据的预测功能，从而构建待检测时间序列的正常行为模型，并进一步通过基于指数加权滑动平均的控制图来判断待检测时间序列是否存在异常现象。本发明方法面向电网信息运维监控领域中的任何受时间影响的异常，具有一定的普适性，且对异常发现后的指导性处理以及可能由异常引发的严重故障的预防有着十分重要的科学意义和应用价值。
Description
技术领域
本发明涉及一种基于深度学习结合控制图的数据异常检测方法，特别涉及一种基于深度学习的电网信息运维监控方法。
背景技术
电网场景中，随着电力企业业务及相关应用数量的逐年攀升，传统的运维手段在应对数据中心GB、TB甚至PB级别的数据时往往显得捉襟见肘，而基础设施中硬件设备性能的参差不齐、设备与设备之间的兼容性问题等主要运维矛盾使得海量数据场景下的运维困难这一问题愈发凸显。现有的运维管理系统仍然残存一些由于不同系统、不同类型数据融合问题而导致的数据整合与深度分析方面的不足，监控系统间的数据难以打通并进行有效的关联分析，极大的阻碍了运维能力的提升和业务质量的有效保障。
更进一步而言，现有电网在运维应用场景下的工作往往仅停留在设计一套运维数据管理系统来对割裂现象较为严重的海量运维数据加以整合，而缺乏一套后续基于整合后的运维监控数据信息的全链路数据消费流程规范。而对于当下电网故障频发、运维成本巨大的电网运维等主要问题，其针对数据集成所做的优化带来的效果十分有限，占据电网运维成本主要部分的被动式运维策略所造成的昂贵支出问题并不会有所改善。因此，在电网IT运维监控数据集成系统实现数据集成化科学管理的基础上，面向电力行业运维监控领域面临的痛点问题，如何在当今大数据分析热潮的推动下基于海量运维数据分析的手段来实际缩减运维带来的昂贵开销，是当前电网IT运维数据管理系统发展阶段所需要解决最主要问题之一。
对于已经出现的数据所进行的异常检测，其贡献在于对一个未知故障模式或故障机理的故障的深入剖析与故障判断规则的制定，或对实现对一个已知故障模式或机理的自动化检测以提升故障解决效率，无论是对故障的根源分析方面还是对运维成本的削减方面都有着十分重要的研究意义与价值。
发明内容
本发明的目的在于针对电网信息运维监控系统中经常出现的运维监控数据异常问题，通过深度学习中的长短时记忆神经网络与统计过程控制中的指数加权滑动平均控制图相结合的方式，提出的一种电网信息运维监控数据异常检测方法。
本发明的目的采用如下方式去实现：
一种基于深度学习的电网信息运维监控方法，包括以下步骤：
S1：明确待分析数据的时间序列yt，以及其他与yt相关的时间序列数据集信息{xt}；
S2：对待分析数据时间序列yt以及其他相关数据集信息{xt}进行数据清洗、数据规约以及数据变化的数据预处理操作，得到可分析数据集y′t与{x′t}以供后续分析使用；
S3：以其他相关可分析数据集{x′t}作为输入，对应下一时刻y′t+1作为输出，利用长短时记忆神经网络实现利用{x′t}预测
的功能；
S4：基于预测得到的t+1时刻下的预测值
以及对应时刻的真实值y′t+1，采用指数加权滑动平均的控制图进行分析，计算对应时刻下的上下控制界限UCL以及LCL；
S5：判断当前时刻的预测值
与上下控制界限UCL以及LCL的关系，得出当前时刻下电网信息运维监控数据时间序列的异常检测结果。
进一步地，步骤S2中的数据清洗主要面向数据集中的缺失数据，主要包含以下步骤：
S211：对于缺失的数据类型为整数或表示状态的设备运行数据时，缺失值所对应的时间测的整条数据均采取忽略删去的方式进行处理；
S212：对于实数型运维数据，则首先分析该数据是否呈对称的分布形式，若是则采取前一段时间该数据的均值进行插补，反之则采用前一段时间该数据的中位数进行插补；
S213：对于一些实际现场中记录的一些线下文件数据的缺失，则视其在运维流程中的重要程度来决定是否需要进行人工问询填补的方式进行处理。
进一步地，步骤S2中的数据规约主要包括以下步骤：
S221：将相同数据在多个数据源下的多个测点数据取平均值作为该数据的最终值；
S222：利用典型相关分析来判断不同时间序列之间的相似性程度：若相似性程度较高，则对两个序列进行合并操作或选择性删除其中一个时间序列；
S223：利用主成份分析将原始数据集中的属性子集进行提取以实现维度规约。
进一步地，步骤S2中的数据变换主要采用Z-Score标准化方法对时间序列数据进行归一化操作，其主要计算公式如下：
其中xt和x′t分别为变换映射前后时间序列中的第t个数据；μ和σ分别为变换前时间序列xt的均值及方差。
进一步地，步骤S4中采用指数加权滑动平均的控制图进行分析，其指标的计算公式如下：
Zt＝λyt+(1-λ)Zt-1
其中，Zt表示t时刻下的EWMA指标值，Z0取该时间序列历史一段时间的均值或本段分析区间的初值；yt表示t时刻下待分析时间序列的数据值；λ为范围在0至1之间的平滑常数，由人为给定，默认值为0.5；指数加权滑动平均的方差估计值
计算公式定义如下：
其中s2为历史一段时间序列的方差值；指数加权滑动平均控制图的上下控制界限UCL以及LCL的计算公式如下：
LCL＝Z0-ksEWMA
UCL＝Z0+ksEWMA
其中k为质量管理图相关参数，遵循3σ原则而取k＝3。
进一步地，步骤S5中的序列异常判断准则定义为：若当前预测值
或
则认为待检测时间序列在t+1时刻出现异常，反之则视为正常。
与现有技术相比，本发明的优点在于：通过将长短时记忆神经网络、正常行为模型与指数加权滑动平均相结合，以频发的时间序列异常的检测为主要研究问题，可以在环节电网信息运维监控目前所面临的数据分析难度大等压力的同时，为电网的信息运维带来实际的经济利益。
附图说明
图1是一种基于深度学习结合控制图的电网信息运维监控数据异常检测方法的整体流程图与实施架构；
图2是长短时记忆神经网络的基本组成架构示意图；
图3是实施例中服务器流量数据标准化后的时间序列图；
图4是利用长短时记忆神经网络实现对标准化后的服务器流量数据进行预测时，Epochs为10时的结果图；
图5是利用长短时记忆神经网络实现对标准化后的服务器流量数据进行预测时，Epochs为50时的结果图；
图6是利用长短时记忆神经网络实现对标准化后的服务器流量数据进行预测时，100次epochs后预测算法在服务器流量数据的训练集上的均方误差值的变化情况图；
图7是利用指数加权滑动平均进行服务器流量数据异常检测的最终结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
实施例
本实施例利用图1所示的一种基于深度学习结合控制图的电网信息运维监控数据异常检测方法对某电网的某台数据服务器在一段时间内的数据流量进行时间序列异常检测，数据集具体包括诸如CPU利用率、内存使用情况等服务器正常运行数据及状态信息共81个属性，以及待进行异常分析检测的服务器流量数据，数据采集间隔为10分钟，经过数据清洗等数据预处理步骤之后的数据信息共计40560条。由于数据在一定程度上具有保密性，仅能用表1展示部分脱敏后的数据：
表1某电网信息运维数据集部分数据表
服务器流量数据的时间序列图如图2所示，其中纵轴的服务器流量已做Z-Score标准化变换处理，红框所示的区域是服务器流量信息出现异常的时间区域，其主要异常原因是一段时间的DDOS攻击所导致的网络带宽被占满；而其他的流量时间序列均是服务器在正常运行情况下产生并记录的数据。
在完成数据预处理后，首先将所有数据集按照时间先后顺序以及6∶1∶3的比例划分为训练集，交叉验证集以及测试集，其中训练集和交叉验证集仅包含服务器正常运作的数据，而测试集则既包括服务器正常数据，又包括异常的数据；之后基于训练数据集中全部的81个属性值通过训练LSTM预测服务器流量这一变量的方式来构建服务器流量的正常行为模型，图3展示了一个长短时记忆神经网络的基本组成结构；之后通过计算EWMA的上下控制界限来对数据的异常情况进行检测，并通过交叉验证数据集加以模型可靠性与准确性的验证；最后将训练好参数的模型直接应用到测试集上，从而通过算法能否在服务器流量异常这一问题出现时及时实现检测功能来验证算法的有效性与准确性。
图4与图5展示了在训练集和测试集上利用全部81个属性值使用LSTM预测服务器流量的部分结果，蓝色曲线为数据的真实值，黄色曲线为训练集上的预测结果，绿色曲线为测试集上的预测结果，而其中图4对应10个epochs下对服务器流量的预测效果，而图5对应50个epochs下对服务器流量的预测效果。图6为100次epochs后LSTM预测算法在服务器流量数据的训练集上的均方误差值(Mean Squared Error，MSE)变化情况。综合以上各图中的结果而言，基于LSTM神经网络来实现利用81个属性值对服务器流量进行预测的效果十分优异，且在经过50个epochs之后训练集的均方误差值不再有太大的变化，因此采用50个epochs训练得到的LSTM神经网络NBM模型来进行后续EWMA分析是十分合理的。
图7为利用EWMA质量管理图进行异常检测的结果，其中黑色虚线为基于服务器流量时间序列的历史信息计算得出的EWMA上下控制界限，从图中可以看出，对于均由正常流量时间序列数据构成的训练集而言，无论是服务器流量原始数据还是基于LSTM模型的预测数据都在EWMA质量管理图的上下控制界限以内，表征EWMA质量管理图可以判断出服务器当前处于正常运行状态下；而对于测试集而言，前一部分区间的正常数据与训练集的效果相类似，但是从红色椭圆标注出的数据序列中可以发现，无论是LSTM模型预测值还是实际的数据均超出了EWMA的上下控制界限，因此异常检测算法有理由认为此时的服务器数据出现了异常信息，而这一结果也与最开始数据集运维记录中的结果相同，从而验证了该方法的合理性、可行性与有效性。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (6)
1.一种基于深度学习的电网信息运维监控方法，其特征在于，包括以下步骤：
S1：明确待分析数据的时间序列yt，以及其他与yt相关的时间序列数据集信息{xt}；
S2：对待分析数据时间序列yt以及其他相关数据集信息{xt}进行数据清洗、数据规约以及数据变化的数据预处理操作，得到可分析数据集y′t与{x′t}以供后续分析使用；
S3：以其他相关可分析数据集{x′t}作为输入，对应下一时刻y′t+1作为输出，利用长短时记忆神经网络实现利用{x′t}预测
的功能；
S4：基于预测得到的t+1时刻下的预测值
以及对应时刻的真实值y′t+1，采用指数加权滑动平均的控制图进行分析，计算对应时刻下的上下控制界限UCL以及LCL；
S5：判断当前时刻的预测值
与上下控制界限UCL以及LCL的关系，得出当前时刻下电网信息运维监控数据时间序列的异常检测结果。
2.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S2中的数据清洗主要面向数据集中的缺失数据，主要包含以下步骤：
S211：对于缺失的数据类型为整数或表示状态的设备运行数据时，缺失值所对应的时间测的整条数据均采取忽略删去的方式进行处理；
S212：对于实数型运维数据，则首先分析该数据是否呈对称的分布形式，若是则采取前一段时间该数据的均值进行插补，反之则采用前一段时间该数据的中位数进行插补；
S213：对于一些实际现场中记录的一些线下文件数据的缺失，则视其在运维流程中的重要程度来决定是否需要进行人工问询填补的方式进行处理。
3.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S2中的数据规约主要包括以下步骤：
S221：将相同数据在多个数据源下的多个测点数据取平均值作为该数据的最终值；
S222：利用典型相关分析来判断不同时间序列之间的相似性程度：若相似性程度较高，则对两个序列进行合并操作或选择性删除其中一个时间序列；
S223：利用主成份分析将原始数据集中的属性子集进行提取以实现维度规约。
4.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S2中的数据变换主要采用Z-Score标准化方法对时间序列数据进行归一化操作，其主要计算公式如下：
其中xt和x′t分别为变换映射前后时间序列中的第t个数据；μ和σ分别为变换前时间序列xt的均值及方差。
5.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S4中采用指数加权滑动平均的控制图进行分析，其指标的计算公式如下：
Zt＝λyt+(1-λ)Zt-1
其中，Zt表示t时刻下的EWMA指标值，Z0取该时间序列历史一段时间的均值或本段分析区间的初值；yt表示t时刻下待分析时间序列的数据值；λ为范围在0至1之间的平滑常数，由人为给定，默认值为0.5；指数加权滑动平均的方差估计值
计算公式定义如下：
其中s2为历史一段时间序列的方差值；指数加权滑动平均控制图的上下控制界限UCL以及LCL的计算公式如下：
LCL＝Z0-ksEWMA
UCL＝Z0+ksEWXA
其中k为质量管理图相关参数，遵循3σ原则而取k＝3。
6.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S5中的序列异常判断准则定义如下：若当前预测值
或
则认为待检测时间序列在t+1时刻出现异常，反之则视为正常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987484.6A CN110942137A (zh) | 2019-10-18 | 2019-10-18 | 一种基于深度学习的电网信息运维监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987484.6A CN110942137A (zh) | 2019-10-18 | 2019-10-18 | 一种基于深度学习的电网信息运维监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110942137A true CN110942137A (zh) | 2020-03-31 |
Family
ID=69906102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910987484.6A Pending CN110942137A (zh) | 2019-10-18 | 2019-10-18 | 一种基于深度学习的电网信息运维监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110942137A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111600300A (zh) * | 2020-05-21 | 2020-08-28 | 云南电网有限责任公司大理供电局 | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 |
| CN112134361A (zh) * | 2020-09-29 | 2020-12-25 | 南京邦州电力自动化有限公司 | 一种配电网智能监控系统 |
| 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 |
| KR102299660B1 (ko) * | 2021-02-23 | 2021-09-08 | 국민대학교산학협력단 | 이상 탐지 방법 및 이상 탐지 장치 |
| CN113850418A (zh) * | 2021-09-02 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 时间序列中异常数据的检测方法和装置 |
| CN114353881A (zh) * | 2022-03-18 | 2022-04-15 | 广东银纳增材制造技术有限公司 | 一种基于复合传感器的设备异常监测方法及系统 |
| CN116205634A (zh) * | 2023-03-17 | 2023-06-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水库大坝维修信息提取方法 |
| CN116471196A (zh) * | 2023-06-19 | 2023-07-21 | 宏景科技股份有限公司 | 运维监控网络维护方法、系统及设备 |
| CN117176545A (zh) * | 2023-11-02 | 2023-12-05 | 江苏益捷思信息科技有限公司 | 基于时间序列分析的数据交换异常检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106017729A (zh) * | 2016-05-19 | 2016-10-12 | 太原理工大学 | 一种基于统计过程控制的电机温度监控方法 |
| CN106249728A (zh) * | 2016-09-28 | 2016-12-21 | 清华大学 | 一种基于部件特性的火力发电机组在线性能监测方法 |
| CN106289754A (zh) * | 2016-09-28 | 2017-01-04 | 清华大学 | 一种基于统计控制技术的火电机组部件性能变化判定方法 |
| CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
| CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
| CN109727446A (zh) * | 2019-01-15 | 2019-05-07 | 华北电力大学（保定） | 一种用电数据异常值的识别与处理方法 |
| CN109886833A (zh) * | 2019-01-21 | 2019-06-14 | 广东电网有限责任公司信息中心 | 一种面向智能电网服务器流量异常检测的深度学习方法 |
-
2019
- 2019-10-18 CN CN201910987484.6A patent/CN110942137A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106017729A (zh) * | 2016-05-19 | 2016-10-12 | 太原理工大学 | 一种基于统计过程控制的电机温度监控方法 |
| CN106249728A (zh) * | 2016-09-28 | 2016-12-21 | 清华大学 | 一种基于部件特性的火力发电机组在线性能监测方法 |
| CN106289754A (zh) * | 2016-09-28 | 2017-01-04 | 清华大学 | 一种基于统计控制技术的火电机组部件性能变化判定方法 |
| CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
| CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
| CN109727446A (zh) * | 2019-01-15 | 2019-05-07 | 华北电力大学（保定） | 一种用电数据异常值的识别与处理方法 |
| CN109886833A (zh) * | 2019-01-21 | 2019-06-14 | 广东电网有限责任公司信息中心 | 一种面向智能电网服务器流量异常检测的深度学习方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈林: "《互联网+"智慧校园技术与工程实施》", 30 September 2017 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111600300A (zh) * | 2020-05-21 | 2020-08-28 | 云南电网有限责任公司大理供电局 | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 |
| CN111600300B (zh) * | 2020-05-21 | 2023-05-09 | 云南电网有限责任公司大理供电局 | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 |
| CN112134361A (zh) * | 2020-09-29 | 2020-12-25 | 南京邦州电力自动化有限公司 | 一种配电网智能监控系统 |
| 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 |
| KR102299660B1 (ko) * | 2021-02-23 | 2021-09-08 | 국민대학교산학협력단 | 이상 탐지 방법 및 이상 탐지 장치 |
| CN113850418A (zh) * | 2021-09-02 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 时间序列中异常数据的检测方法和装置 |
| CN114353881A (zh) * | 2022-03-18 | 2022-04-15 | 广东银纳增材制造技术有限公司 | 一种基于复合传感器的设备异常监测方法及系统 |
| CN116205634A (zh) * | 2023-03-17 | 2023-06-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水库大坝维修信息提取方法 |
| CN116471196A (zh) * | 2023-06-19 | 2023-07-21 | 宏景科技股份有限公司 | 运维监控网络维护方法、系统及设备 |
| CN116471196B (zh) * | 2023-06-19 | 2023-10-20 | 宏景科技股份有限公司 | 运维监控网络维护方法、系统及设备 |
| CN117176545A (zh) * | 2023-11-02 | 2023-12-05 | 江苏益捷思信息科技有限公司 | 基于时间序列分析的数据交换异常检测方法及系统 |
| CN117176545B (zh) * | 2023-11-02 | 2024-01-26 | 江苏益捷思信息科技有限公司 | 基于时间序列分析的数据交换异常检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
| CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
| CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
| CN109193650B (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
| CN107493277A (zh) | 基于最大信息系数的大数据平台在线异常检测方法 | |
| CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
| CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
| CN110930052A (zh) | 一种变电设备故障率预测方法，系统，设备及可读存储介质 | |
| CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
| CN116976707A (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
| CN110750760A (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| CN109525453B (zh) | 基于节点依赖关系的网络化cps异常检测方法及系统 | |
| CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
| CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
| CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
| CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
| CN110297140B (zh) | 一种配电系统的故障预测方法及装置 | |
| WO2021017284A1 (zh) | 基于皮质学习的异常检测方法、装置、终端设备及存储介质 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN116433034B (zh) | 一种基于机器学习的虚拟电厂运行风险检测方法 | |
| CN109670243A (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
| CN116610535B (zh) | 一种机房运维监控数据处理方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |