CN111222800A - 一种智能电力系统异常检测方法 - Google Patents
一种智能电力系统异常检测方法 Download PDFInfo
- Publication number
- CN111222800A CN111222800A CN202010031091.0A CN202010031091A CN111222800A CN 111222800 A CN111222800 A CN 111222800A CN 202010031091 A CN202010031091 A CN 202010031091A CN 111222800 A CN111222800 A CN 111222800A
- Authority
- CN
- China
- Prior art keywords
- cluster
- power system
- data set
- sample
- training
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
Abstract
本发明公开了一种智能电力系统异常检测方法,有效提高了电力系统异常检测与分类的准确率,当训练数据不充足时,相较于传统的有监督分类方法,检测效果与分类精度有明显提升,而当训练数据充足时,利用改良的多粒度级联森林来替换传统的深度学习,优化了深度学习算法模型复杂、训练时间过长的问题;相较于传统的检测分类器,所需求的训练数据更少,算法复杂度更低,训练时间更短,收敛速度更快,反应时间更快。
Description
技术领域
本发明涉及电力设备监控领域,具体涉及一种智能变电站异常检测方法。
背景技术
电力系统是由发电厂、送变电线路、供配电所和用电环节等组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能,再经输电、变电和配电将电能供应到各用户。
电力系统的稳定性主要受到天气和设备故障相关的突发事件的影响,这些突发的电力事件可能会导致电力传输的中断,从而引发用户端的不正常断电和中断。除了设备故障等突发事件的影响之外,针对电力系统的网络攻击是另一类可能破坏电力正常传输的因素。基于上述原因,电力系统的异常检测是一个重要的技术领域。
随着机器学习技术的发展,电力系统异常检测方法也向着大数据和智能化的方向发展,现行电力系统运行与控制中的数据来源主要有电气信息采集系统(CIS)、广域测量系统(WAMS)和能量管理系统(EMS)等电网内部数据,除此之外,也有来自气象信息系统、地理信息系统(GIS)等电网外部数据。这些电力系统运行与控制中产生的数据在规模性、多样性、高速性和价值性方面呈现高度复杂的特性,现有机器学习技术无法从上述数据中快速准确地检测和分类出设备故障和网络攻击等电力系统异常现象,普遍存在准确率低、泛化能力差和资源占用率高的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种智能电力系统异常检测方法解决了现有机器学习技术无法从现行电力系统运行与控制中的监控数据中快速准确地检测和分类出设备故障和网络攻击等电力系统异常现象,普遍存在准确率低、泛化能力差和资源占用率高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种智能电力系统异常检测方法,包括以下步骤:
S1、从电力系统大数据平台获取训练集;
S2、判断训练集的数据量是否大于阈值Nth,若是则跳转至步骤S3,若否则跳转至步骤S4;
S3、根据训练集,采用增强型多粒度级联森林算法构建分类器,并通过分类器实现电力系统的异常状态检测;
S4、根据训练集,通过浮点编码型遗传算法以及半监督聚类型异常分类算法,实现电力系统的异常状态检测。
进一步地,所述步骤S1的电力系统大数据平台包括:电气信息采集系统、广域测量系统、能量管理系统、气象信息系统和地理信息系统。
进一步地,所述步骤S3包括以下步骤:
S31、采用卷积滑动窗口算法对训练集进行预处理,得到特征向量;
S32、通过特征向量对级联森林模型进行训练,得到训练完成的分类器;
S33、通过分类器对需检测数据集进行分类,聚类出电力系统异常的数据集。
上述进一步方案的有益效果为:采用卷积滑动窗口算法构建了多粒度扫描模型,将训练集的原始矢量特征转换为了更高维度的向量以及增强特征的数据,有利益提高本发明的准确性。
进一步地,所述步骤S32中的级联森林模型包括M个子层,所述子层包括两个完全梯度提升决策树和两个随机森林。
上述进一步方案的有益效果为:相比于现有资料公开的原始级联森林模型,本方法用梯度提升决策树替换了完全随机森林,增强了级联森林模型的集成性和健壮性。
进一步地,所述步骤S4包括以下步骤:
S41、对训练集进行归一化处理,得到归一化数据集;
S42、在归一化数据集中任选一组正常事件集作为初代种群,通过浮点数编码型遗传算法进行迭代训练,得到检测器;
S43、采用K均值算法,根据检测器构建半监督聚类模型;
S44、通过轮廓系数法确定半监督聚类模型的最佳K值;
S45、通过半监督聚类模型,对需检测数据集进行分类,聚类出电力系统异常的数据集。
上述进一步方案的有益效果为:采用浮点数编码的方式构建遗传算法,不仅考虑了离散特征对检测器的影响,还有效简化了遗传算法的操作难度,加快了遗传算法的收敛速度。
进一步地,所述步骤S44包括以下步骤:
S441、计算归一化数据集中的样本xi与其所在簇的其它样本的平均距离a,其中i为样本序列号,其值在区间[1,N]中,N为归一化数据集的样本总数,所述簇为具有同一特征的样本集合,所述归一化数据集包括正常簇、设备故障簇、网络攻击簇;
S442、计算归一化数据集中的样本xi与其最近簇C的所有样本的平均距离b,所述样本xi的最近簇C的计算表达式为:
其中,p为簇Cj中的样本,j为簇序列号,其值在区间[1,M]中,M为簇总数,nj为簇Cj中的样本总数;
S443、通过下式计算归一化数据集中的样本xi的轮廓系数Si,
S444、遍历归一化数据集中所有样本的轮廓系数,将其中最大的轮廓系数设定为半监督聚类模型的最佳K值。
进一步地,所述步骤S45包括以下步骤:
S451、在归一化数据集中随机选取K个样本作为聚类中心{μ1、μ2、…、μK};
S452、将归一化数据集中的每个样本xi分配到离它距离最近的聚类中心所属的簇;
S453、记录当前的K个聚类中心值为旧聚类中心值,并根据归一化数据集中的样本xi及其当前所在簇Cj,通过下式迭代得到新聚类中心值:
其中k为聚类中心序列号,其值在区间[1,K]中;
S454、K个新聚类中心值与旧聚类中心值是否完全一致,若是,则结束,用户可通过样本所在簇判断该数据是否是电力系统异常的数据,若否,则跳转至步骤S452。
本发明的有益效果为:1、优化性:本发明有效提高了电力系统异常检测与分类的准确率,特别是当训练数据不充足时,相较于传统的有监督分类方法,检测效果与分类精度有明显提升,而当训练数据充足时,利用改良的多粒度级联森林来替换传统的深度学习,优化了深度学习算法模型复杂、训练时间过长的问题。2、全面性:本发明不仅适用于训练数据充足的情况,当训练数据不足时,会自动切换成另一种检测分类系统,有效避免了训练数据不足时检测器性能骤降的问题,完美适用于电力事件检测与分类的不同应用场景。3、高效性:本发明所提出的电力系统异常检测与分类方法,相较于传统的检测分类器,所需求的训练数据更少,算法复杂度更低,训练时间更短,收敛速度更快,反应时间更快。
附图说明
图1为一种智能电力系统异常检测方法流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,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。
如图1所示,在本发明的一个实施例中,一种智能电力系统异常检测方法,包括以下步骤:
S1、从电力系统大数据平台获取训练集;
S2、判断训练集的数据量是否大于阈值Nth,若是则跳转至步骤S3,若否则跳转至步骤S4;
S3、根据训练集,采用增强型多粒度级联森林算法构建分类器,并通过分类器实现电力系统的异常状态检测;
S4、根据训练集,通过浮点编码型遗传算法以及半监督聚类型异常分类算法,实现电力系统的异常状态检测。
所述步骤S1的电力系统大数据平台包括:电气信息采集系统、广域测量系统、能量管理系统、气象信息系统和地理信息系统。
所述步骤S3包括以下步骤:
S31、采用卷积滑动窗口算法对训练集进行预处理,得到特征向量;
S32、通过特征向量对级联森林模型进行训练,得到训练完成的分类器;
S33、通过分类器对需检测数据集进行分类,聚类出电力系统异常的数据集。
采用卷积滑动窗口算法构建了多粒度扫描模型,将训练集的原始矢量特征转换为了更高维度的向量以及增强特征的数据,有利益提高本发明的准确性。
所述步骤S32中的级联森林模型包括M个子层,所述子层包括两个完全梯度提升决策树和两个随机森林。
相比于现有资料公开的原始级联森林模型,本方法用梯度提升决策树替换了完全随机森林,增强了级联森林模型的集成性和健壮性。
所述步骤S4包括以下步骤:
S41、对训练集进行归一化处理,得到归一化数据集;
S42、在归一化数据集中任选一组正常事件集作为初代种群,通过浮点数编码型遗传算法进行迭代训练,得到检测器;
S43、采用K均值算法,根据检测器构建半监督聚类模型;
S44、通过轮廓系数法确定半监督聚类模型的最佳K值;
S45、通过半监督聚类模型,对需检测数据集进行分类,聚类出电力系统异常的数据集。
采用浮点数编码的方式构建遗传算法,不仅考虑了离散特征对检测器的影响,还有效简化了遗传算法的操作难度,加快了遗传算法的收敛速度。
所述步骤S44包括以下步骤:
S441、计算归一化数据集中的样本xi与其所在簇的其它样本的平均距离a,其中i为样本序列号,其值在区间[1,N]中,N为归一化数据集的样本总数,所述簇为具有同一特征的样本集合,所述归一化数据集包括正常簇、设备故障簇、网络攻击簇;
S442、计算归一化数据集中的样本xi与其最近簇C的所有样本的平均距离b,所述样本xi的最近簇C的计算表达式为:
其中,p为簇Cj中的样本,j为簇序列号,其值在区间[1,M]中,M为簇总数,nj为簇Cj中的样本总数;
S443、通过下式计算归一化数据集中的样本xi的轮廓系数Si,
S444、遍历归一化数据集中所有样本的轮廓系数,将其中最大的轮廓系数设定为半监督聚类模型的最佳K值。
所述步骤S45包括以下步骤:
S451、在归一化数据集中随机选取K个样本作为聚类中心{μ1、μ2、…、μK};
S452、将归一化数据集中的每个样本xi分配到离它距离最近的聚类中心所属的簇;
S453、记录当前的K个聚类中心值为旧聚类中心值,并根据归一化数据集中的样本xi及其当前所在簇Cj,通过下式迭代得到新聚类中心值:
其中k为聚类中心序列号,其值在区间[1,K]中;
S454、K个新聚类中心值与旧聚类中心值是否完全一致,若是,则结束,用户可通过样本所在簇判断该数据是否是电力系统异常的数据,若否,则跳转至步骤S452。
本发明有效提高了电力系统异常检测与分类的准确率,特别是当训练数据不充足时,相较于传统的有监督分类方法,检测效果与分类精度有明显提升,而当训练数据充足时,利用改良的多粒度级联森林来替换传统的深度学习,优化了深度学习算法模型复杂、训练时间过长的问题。本发明不仅适用于训练数据充足的情况,当训练数据不足时,会自动切换成另一种检测分类系统,有效避免了训练数据不足时检测器性能骤降的问题,完美适用于电力事件检测与分类的不同应用场景。本发明所提出的电力系统异常检测与分类方法,相较于传统的检测分类器,所需求的训练数据更少,算法复杂度更低,训练时间更短,收敛速度更快,反应时间更快。
Claims (7)
1.一种智能电力系统异常检测方法,其特征在于,包括以下步骤:
S1、从电力系统大数据平台获取训练集;
S2、判断训练集的数据量是否大于阈值Nth,若是则跳转至步骤S3,若否则跳转至步骤S4;
S3、根据训练集,采用增强型多粒度级联森林算法构建分类器,并通过分类器实现电力系统的异常状态检测;
S4、根据训练集,通过浮点编码型遗传算法以及半监督聚类型异常分类算法,实现电力系统的异常状态检测。
2.根据权利要求1所述的智能电力系统异常检测方法,其特征在于,所述步骤S1的电力系统大数据平台包括:电气信息采集系统、广域测量系统、能量管理系统、气象信息系统和地理信息系统。
3.根据权利要求1所述的智能电力系统异常检测方法,其特征在于,所述步骤S3包括以下步骤:
S31、采用卷积滑动窗口算法对训练集进行预处理,得到特征向量;
S32、通过特征向量对级联森林模型进行训练,得到训练完成的分类器;
S33、通过分类器对需检测数据集进行分类,聚类出电力系统异常的数据集。
4.根据权利要求3所述的智能电力系统异常检测方法,其特征在于,所述步骤S32中的级联森林模型包括M个子层,所述子层包括两个完全梯度提升决策树和两个随机森林。
5.根据权利要求1所述的智能电力系统异常检测方法,其特征在于,所述步骤S4包括以下步骤:
S41、对训练集进行归一化处理,得到归一化数据集;
S42、在归一化数据集中任选一组正常事件集作为初代种群,通过浮点数编码型遗传算法进行迭代训练,得到检测器;
S43、采用K均值算法,根据检测器构建半监督聚类模型;
S44、通过轮廓系数法确定半监督聚类模型的最佳K值;
S45、通过半监督聚类模型,对需检测数据集进行分类,聚类出电力系统异常的数据集。
6.根据权利要求5所述的智能电力系统异常检测方法,其特征在于,所述步骤S44包括以下步骤:
S441、计算归一化数据集中的样本xi与其所在簇的其它样本的平均距离a,其中i为样本序列号,其值在区间[1,N]中,N为归一化数据集的样本总数,所述簇为具有同一特征的样本集合,所述归一化数据集包括正常簇、设备故障簇、网络攻击簇;
S442、计算归一化数据集中的样本xi与其最近簇C的所有样本的平均距离b,所述样本xi的最近簇C的计算表达式为:
其中,p为簇Cj中的样本,j为簇序列号,其值在区间[1,M]中,M为簇总数,nj为簇Cj中的样本总数;
S443、通过下式计算归一化数据集中的样本xi的轮廓系数Si,
S444、遍历归一化数据集中所有样本的轮廓系数,将其中最大的轮廓系数设定为半监督聚类模型的最佳K值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031091.0A CN111222800B (zh) | 2020-01-13 | 2020-01-13 | 一种智能电力系统异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031091.0A CN111222800B (zh) | 2020-01-13 | 2020-01-13 | 一种智能电力系统异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222800A true CN111222800A (zh) | 2020-06-02 |
CN111222800B CN111222800B (zh) | 2022-06-17 |
Family
ID=70832282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010031091.0A Active CN111222800B (zh) | 2020-01-13 | 2020-01-13 | 一种智能电力系统异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222800B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364098A (zh) * | 2020-11-06 | 2021-02-12 | 广西电网有限责任公司电力科学研究院 | 一种基于Hadoop的分布式电力系统异常数据识别方法及系统 |
CN112651431A (zh) * | 2020-12-16 | 2021-04-13 | 北方工业大学 | 一种退役动力电池的聚类分选方法 |
CN113591896A (zh) * | 2021-05-18 | 2021-11-02 | 广西电网有限责任公司电力科学研究院 | 一种电网攻击事件分类检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520272A (zh) * | 2018-03-22 | 2018-09-11 | 江南大学 | 一种改进苍狼算法的半监督入侵检测方法 |
CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
CN110020637A (zh) * | 2019-04-16 | 2019-07-16 | 重庆大学 | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 |
CN110070133A (zh) * | 2019-04-24 | 2019-07-30 | 北京工业大学 | 一种基于深度森林的脑功能网络分类方法 |
-
2020
- 2020-01-13 CN CN202010031091.0A patent/CN111222800B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520272A (zh) * | 2018-03-22 | 2018-09-11 | 江南大学 | 一种改进苍狼算法的半监督入侵检测方法 |
CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
CN110020637A (zh) * | 2019-04-16 | 2019-07-16 | 重庆大学 | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 |
CN110070133A (zh) * | 2019-04-24 | 2019-07-30 | 北京工业大学 | 一种基于深度森林的脑功能网络分类方法 |
Non-Patent Citations (1)
Title |
---|
黄润: "电力系统异常检测与分类研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364098A (zh) * | 2020-11-06 | 2021-02-12 | 广西电网有限责任公司电力科学研究院 | 一种基于Hadoop的分布式电力系统异常数据识别方法及系统 |
CN112651431A (zh) * | 2020-12-16 | 2021-04-13 | 北方工业大学 | 一种退役动力电池的聚类分选方法 |
CN112651431B (zh) * | 2020-12-16 | 2023-07-07 | 北方工业大学 | 一种退役动力电池的聚类分选方法 |
CN113591896A (zh) * | 2021-05-18 | 2021-11-02 | 广西电网有限责任公司电力科学研究院 | 一种电网攻击事件分类检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111222800B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222800B (zh) | 一种智能电力系统异常检测方法 | |
CN109787979B (zh) | 一种电力网络事件和入侵的检测方法 | |
Kabir et al. | Data driven predictive maintenance of distribution transformers | |
CN108833376B (zh) | 面向软件定义网络的DoS攻击检测方法 | |
CN106324429B (zh) | 一种基于rs-ia数据挖掘的配电网故障定位方法 | |
CN112684280A (zh) | 一种基于改进量子遗传算法的配电网故障区段定位方法 | |
CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
CN111614576A (zh) | 一种基于小波分析和支持向量机的网络数据流量识别方法及系统 | |
CN108919044A (zh) | 一种基于互校验机制的单元制配电网故障主动识别方法 | |
CN112633315A (zh) | 一种电力系统扰动分类方法 | |
Liu et al. | Semi-supervised anomaly detection with imbalanced data for failure detection in optical networks | |
CN111224984B (zh) | 一种基于数据挖掘算法的Snort改进方法 | |
CN111126445A (zh) | 一种面向智能电表海量数据的多步聚合负荷预测方法 | |
CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
De Santis et al. | Fault recognition in smart grids by a one-class classification approach | |
CN116389062A (zh) | 基于流量安全分析的工业控制系统行为监测方法及设备 | |
Yao et al. | AdaBoost-CNN: a hybrid method for electricity theft detection | |
CN113905405A (zh) | 一种电力无线接入专网异常流量检测方法 | |
CN115688961A (zh) | 基于深度学习的电力设备故障预测方法及系统 | |
CN110839256B (zh) | 一种蜂窝网络数据异常检测方法 | |
CN113850017A (zh) | 一种基于潮流变化图谱的系统级故障分析系统及方法 | |
Sicheng et al. | Abnormal line loss data detection and correction method | |
Zhao et al. | Operation and Maintenance Management and Decision Analysis in Distribution Network Based on Big Data Mining | |
Zheng et al. | Edge Computing Based Electricity-Theft Detection of Low-Voltage Users | |
CN115994305B (zh) | 一种确定继电保护设备运行状态的方法及系统 |
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 |