CN111444168B - 一种配电室变压器日最大负荷异常数据检测处理方法 - Google Patents
一种配电室变压器日最大负荷异常数据检测处理方法 Download PDFInfo
- Publication number
- CN111444168B CN111444168B CN202010221066.9A CN202010221066A CN111444168B CN 111444168 B CN111444168 B CN 111444168B CN 202010221066 A CN202010221066 A CN 202010221066A CN 111444168 B CN111444168 B CN 111444168B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- trend
- algorithm
- maximum load
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000001932 seasonal effect Effects 0.000 claims description 19
- 230000000737 periodic effect Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F16/2474—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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种配电室变压器日最大负荷异常数据检测处理方法，包括以下步骤：步骤1.通过SCADA系统获取配电室变压器日最大负荷数据，并将日最大负荷转换为时间序列数据；步骤2.采用STL算法对配电室变压器日最大负荷数据进行时序分解：趋势项、周期项、残余项；步骤3.基于STL算法分解后的残余项分量，采用S‑H‑ESD算法进行异常值识别；步骤4.对S‑H‑ESD算法识别出的异常值进行处理：利用原始数据在STL算法分解下的趋势项和周期项在异常值点的加和作为异常值的替换值；本发明对配电室变压器日最大负荷异常数据识别率更高、异常值处理方式更合理，该方法可靠、易用、操作性强，能够有效地指导配电室的智能化运维，有利于提高配电室工作人员的运维效率，提升供电质量。
Description
技术领域：
本发明属于电力系统配电运维技术领域，特别涉及一种配电室变压器日最大负荷异常数据检测处理方法。
背景技术：
在电力系统中，配电室是一种常见的基础设施，主要为低压用户配送电能。配电室中电气设备众多，一般包括进线柜、计量柜、PT柜、联络柜、出线柜和隔离柜，核心设备为配电变压器。日最大负荷作为配电变压器关键的运行指标，被用于判断变压器的负载运行情况，因此，日最大负荷数据的监测、分析对于配电室的安全、可靠、稳定运行具有重要的指导意义。
在实际的配电运维中，监测到的负荷数据常含有很多异常值，这些异常值的来源复杂，有些是因为传感器的异常状况造成的异常值，有些则是因数据传输系统的问题而产生。这些异常值对数据的质量造成了明显的影响，不利于配电室工作人员对数据的分析和判断，如何减少异常值对数据的影响一直是研究的热点问题之一。
目前，被广泛应用的异常值检测方法是“3δ准则”，该方法假设样本数据服从正态分布，并将数值偏离均值超过三倍样本标准差的数据点判定为异常值。该方法存在很大的局限性，实际运行数据的分布情况和正态分布之间存在很大差异。如何对识别出的异常值进行处理，常用的方法是删除异常值、利用样本均值或中位数进行插补，前者会造成数据的缺失，影响数据质量；后者的处理方法过于粗糙，也不是一种理想的处理方式。
发明内容：
本发明的目的就在于为了解决上述问题而提供一种配电室变压器日最大负荷异常数据检测处理方法，解决了目前现有的问题。
为了解决上述问题，本发明提供了一种技术方案：
一种配电室变压器日最大负荷异常数据检测处理方法，包括以下步骤：
步骤1.通过SCADA系统获取配电室变压器日最大负荷数据，并将日最大负荷转换为时间序列数据；
步骤2.采用STL算法对配电室变压器日最大负荷数据进行时序分解：趋势项、周期项、残余项；
步骤3.基于STL算法分解后的残余项分量，采用S-H-ESD算法进行异常值识别；
步骤4.对S-H-ESD算法识别出的异常值进行处理：利用原始数据在STL算法分解下的趋势项和周期项在异常值点的加和作为异常值的替换值。
作为优选，所述步骤2中的算法包含两种递归过程，分别为外循环以及嵌套在外循环中的内循环。
作为优选，所述步骤2中的内循环过程中，每次通过都有一次更新季节成分的季节平滑，所述内循环开始于内循环的初始循环结束。
作为优选，所述步骤3中正态分布的单变量数据集Y中的单个异常值为数据集中的最大值或最小值。
作为优选，所述步骤4中非异常值点上STL分解下的残余项数值小于原始数据在STL算法分解下作为异常值的替换值。
本发明对配电室变压器日最大负荷数据中的异常值识别准确率较高，识别速率较快，可以作为一种常用的异常值检测手段处理配电室日常运维数据；同时，本申请对异常数据的处理方法，尽可能地降低了异常值处理对样本数据质量的影响，保留了数据的趋势性和周期性等特征，最大限度的保证了数据的质量，为基于监测数据的分析、判断、构建配电室智能运维平台等提供了良好的基础。
附图说明：
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1是本发明的配电室变压器日最大负荷异常数据检测和处理方法流程图；
图2是本发明的STL算法分解时间序列的示意图；
图3是本发明的S-H-ESD算法识别出的日最大负荷异常值的示意图；
图4是本发明的异常值处理后的配电室变压器日最大负荷的示曲线示意图。
具体实施方式：
如图1所示，本具体实施方式采用以下技术方案：一种配电室变压器日最大负荷异常数据检测处理方法，包括以下步骤：
一种配电室变压器日最大负荷异常数据检测处理方法，包括以下步骤：
步骤1.通过SCADA系统获取配电室变压器日最大负荷数据，并将日最大负荷转换为时间序列数据；
步骤2.采用STL算法对配电室变压器日最大负荷数据进行时序分解：趋势项、周期项、残余项；
具体参照附图2，为STL算法分解后的配电室变压器日最大负荷曲线：观测值＝趋势项+周期项+残余项，STL是以局部加权多项式回归拟合作为平滑方法的时间序列分解方法，算法将时间序列分解成3个部分，即趋势项(T)、周期项(S)和残余项(R)：
Y＝T+S+R
该算法包含两种递归过程，外循环以及嵌套在外循环中的内循环，内循环每通过一次，季节成分和趋势成分就更新一次，一个完整的内循环过程需要n(i)次通过，外循环的一次完整通过需要内循环计算鲁棒性权重，这些权重用于下一次的内循环过程中，用以减少趋势成分和季节成分中的异常，外循环在第一次通过时，所有的鲁棒性权重都等于1，一共经历n(o)次通过n(p)为每个季节周期中的观测值数量；
内循环过程中，每次通过都有一次更新季节成分的季节平滑，接着一次更新趋势成分的趋势平滑，假设和/>是第k次通过结束之后的季节成分和趋势成分，这两个成分在v＝1…N的任何时刻都有定义，即使在Yv缺失的时候，第(k+1)次通过的计算方式如下：
第一步：趋势分离。计算如果Yv在某个时间点上缺失，那么该趋势分离的序列在该时间点上也缺失；
第二步：周期子序列平滑。周期子序列指每个周期中相同时期上的数据构成的序列。趋势分离后的每个周期子序列用q＝n(s)、d＝1的Loess算法进行平滑。每个周期子序列在所有时刻的平滑值都需要被计算，包括缺失值、第一个位置之前和最后一个位置之后的数据；
第三步：对平滑后的周期子序列进行低通过滤。该过滤包含一次长度为n(p)的移动平均，之后再进行一次长度为n(p)的移动平均，接着是长度为3的移动平均，最后是d＝1、q＝n(l)的Loess平滑。过滤之后的结果为/>其中v＝1...N，因为三步移动平均不能延伸到最后，每个结尾都丢失n(p)个数据。考虑到这种损失，第二步中的季节性平滑在每个结尾都延伸了n(p)个时刻；
第四步：为平滑后的周期子序列进行趋势分离。(k+1)次循环产生的季节成分为/>将/>从/>中除去是为了防止季节成分中存在低频波段；
第五步：季节性分离。计算如果Yv在某个时间点上缺失，则该季节分离序列在该时间点上也缺失；
第六步：趋势平滑季节分离序列用q＝n(t)、d＝1的Loess算法进行平滑v＝1...N上的所有时间点都计算平滑值，即使是缺失值处。(k+1)次循环产生的趋势成分就是此步产生的平滑值；
外循环的计算方式：
完成了内循环的初始循环后，得到了趋势成分Tv和季节成分Sv，则残余项为：
Rv＝Yv-Tv-S
输入指令：h＝6×median(|Rv|)；
时刻v的鲁棒性权重为：ρv＝B(|Rv|/h)；
其中B是双平方权重函数：
重复内循环的步骤中的第二步和第六步，时刻v的邻域权重需要乘上鲁棒性权重ρv，外循环中的鲁棒性迭代一共需要进行n(o)次，完成内循环的初始通过结束之后，把上一次内循环在第六步中计算的趋势成分设置为的值。
步骤3.基于STL算法分解后的残余项分量，采用S-H-ESD算法进行异常值识别；
具体参照附图3，基于STL算法分解后的残余项分量，采用S-H-ESD算法进行异常值识别；
(1)利用Grubbs′Test假设检验方法，原假设与备择假设如下：
H0：数据集中没有异常值；
H1：数据集中有一个异常值；
Grubbs′Test假设检验的所用到的检验统计量为：
其中，为均值，s为标准差。原假设H0被拒绝，当检验统计量满足以下条件：
其中，N为数据集的样本数，tα/(2N),N-2为显著度(significance level)等于α/2N、自由度等于N-2的t分布临界值，实际上，Grubbs′Test可理解为检验最大值、最小值偏离均值的程度是否为异常。
(2)利用GESD算法检测服从近似正态分布的单变量数据集一个或多个异常值，算法流程如下：
Step1：计算与均值偏离最远的残差，注意计算均值时的数据序列应是删除上一轮最大残差样本数据后：
Step2：计算临界值(critical value)：
Step3：检验原假设，比较检验统计量与临界值；若Rj＞λj，则原假设H0不成立，该样本点为异常点；
Step4：重复以上步骤k次至算法结束；
(3)利用S-ESD算法检测不能作为孤立的样本点处理的残余项，残余项计算公式如下：
其中，X为原时间序列数据，SX为STL分解后的周期分量，为X的中位数；
(4)S-H-ESD
由于个别异常值会极大地拉伸均值和方差，从而导致S-ESD未能很好地捕获到部分异常点，召回率偏低。为了解决这个问题，S-H-ESD采用了更具鲁棒性的中位数与绝对中位差替换公式(1)中的均值与标准差，MAD的计算公式如下：
MAD＝median(|Xi-median(X)|)；
该算法考虑到数据可能具有周期性和趋势性的特点，可以准确地识别全局异常值和局部异常值，同时具备对含有较多异常值的数据进行检测的能力。
如附图3所示，为S-H-ESD算法识别出的配电室变压器日最大负荷异常值(显著性水平α＝0.00000000001)，从混淆矩阵(如表1所示)中可以看出，11个异常点中10个被检测出来，1个异常点被错判为正常点。模型的精度为99.79％，查准率为100％，查全率(召回率)为90.91％，F1值为0.95，模型效果表现优异。
下表为模型结果的混淆矩阵
步骤4.对S-H-ESD算法识别出的异常值进行处理：利用原始数据在STL算法分解下的趋势项和周期项在异常值点的加和(T+S)作为异常值的替换值，这样处理的基本原理是认为非异常值点上STL分解下的残余项数值(R)应当较小，可以忽略不计，故用周期项和趋势项之和作为“理想状况”下的数据值；
如附图4所示，为采用该异常值处理方法后的配电室变压器日最大负荷曲线，可以看出，在进行一次完整的异常值检测和替换后，得到了与理想状况较为相近的数据样式。
本发明对配电室变压器日最大负荷数据中的异常值识别准确率较高，识别速率较快，可以作为一种常用的异常值检测手段处理配电室日常运维数据；同时，本申请对异常数据的处理方法，尽可能地降低了异常值处理对样本数据质量的影响，保留了数据的趋势性和周期性等特征，最大限度的保证了数据的质量，为基于监测数据的分析、判断、构建配电室智能运维平台等提供了良好的基础。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种配电室变压器日最大负荷异常数据检测处理方法，其特征在于，包括以下步骤：
步骤1.通过SCADA系统获取配电室变压器日最大负荷数据，并将日最大负荷转换为时间序列数据；
步骤2.采用STL算法对配电室变压器日最大负荷数据进行时序分解：趋势项、周期项、残余项；
步骤3.基于STL算法分解后的残余项分量，采用S-H-ESD算法进行异常值识别；
步骤4.对S-H-ESD算法识别出的异常值进行处理：利用原始数据在STL算法分解下的趋势项和周期项在异常值点的加和作为异常值的替换值；
其中，步骤2中的STL算法包含两种递归过程，外循环以及嵌套在外循环中的内循环；对所述内循环进行初始循环，得到趋势成分和季节成分；根据趋势成分和季节成分进行外循环计算，得到残余项分量；
其中，对所述内循环进行初始循环，得到趋势成分和季节成分，包括：
内循环过程中，每次通过都有一次更新季节成分的季节平滑，接着一次更新趋势成分的趋势平滑，假设和/>是第k次通过结束之后的季节成分和趋势成分，这两个成分在v＝1…N的任何时刻都有定义，即使在观测值Yv缺失的时候；第(k+1)次通过的计算方式如下：
第一步：趋势分离，计算Yv-Yv (k)，如果Yv在某个时间点上缺失，那么该趋势分离的序列在该时间点上也缺失；
第二步：周期子序列平滑，趋势分离后的每个周期子序列用q＝n(s)、d＝1的Loess算法进行平滑，每个周期子序列在所有时刻的平滑值都需要被计算，包括缺失值、第一个位置之前和最后一个位置之后的数据；
第三步：对平滑后的周期子序列进行低通过滤，该过滤包含一次长度为n(p)的移动平均，之后再进行一次长度为n(p)的移动平均，接着是长度为3的移动平均，最后是d＝1、q＝n(l)的Loess平滑，过滤之后的结果为/>其中v＝1...N；
第四步：为平滑后的周期子序列进行趋势分离，(k+1)次循环产生的季节成分为
第五步：季节性分离，计算如果Yv在某个时间点上缺失，则该季节分离序列在该时间点上也缺失；
其中，根据趋势成分和季节成分进行外循环计算，得到残余项分量，包括：
残余项为：Rv＝Yv-Tv-S；
输入指令：h＝6×midian(|Rv|)；
时刻v的鲁棒性权重为：ρv＝B(|Rv|/h)；
其中B是双平方权重函数：
第六步：趋势平滑季节分离序列用q＝n(t)、d＝1的Loess算法进行平滑，v＝1...N上的所有时间点都计算平滑值，即使是缺失值处；(k+1)次循环产生的趋势成分就是此步产生的平滑值；
重复上述步骤中的第二步和第六步，时刻v的邻域权重乘上鲁棒性权重ρv，外循环中的鲁棒性迭代一共需要进行n(o)次，完成内循环的初始通过结束之后，把上一次内循环在第六步中计算的趋势成分设置为Tv (0)的值；
其中，为第k次通过结束之后的季节成分，/>为第k次通过结束之后的趋势成分，Yv为观测值，/>为第k次通过结束之后的观测值，/>为平滑后的周期子序列，/>为过滤之后的结果/>为(k+1)次循环产生的季节成分，Rv为残余项，Tv为趋势成分，S为季节成分，h为输入指令，ρv为时刻v的鲁棒性权重，B为双平方权重函数；
其中，所述步骤3具体包括：
利用Grubbs′Test假设检验方法，原假设与备择假设如下：
H0：数据集中没有异常值；
H1：数据集中有一个异常值；
Grubbs′Test假设检验的所用到的检验统计量为：
其中，为均值，s为标准差，原假设H0被拒绝，当检验统计量满足以下条件：
其中，N为数据集的样本数，tα/(2N)，N-2为显著度等于α/aN、自由度等于N-2的t分布临界值；
利用GESD算法检测服从近似正态分布的单变量数据集一个或多个异常值，算法流程如下：
计算与均值偏离最远的残差，计算均值时的数据序列应是删除上一轮最大残差样本数据后：
计算得到临界值λj；
检验原假设，比较检验统计量与临界值；若Rj＞λj，则原假设H0不成立，该样本点为异常点；
重复以上步骤k次至算法结束；
利用S-ESD算法检测不能作为孤立的样本点处理的残余项，残余项计算公式如下：
其中，X为原时间序列数据，SX为STL分解后的周期分量，为X的中位数。
2.根据权利要求1所述的一种配电室变压器日最大负荷异常数据检测处理方法，其特征在于：所述步骤3中正态分布的单变量数据集Y中的单个异常值为数据集中的最大值或最小值。
3.根据权利要求1所述的一种配电室变压器日最大负荷异常数据检测处理方法，其特征在于：所述步骤4中非异常值点上STL分解下的残余项数值小于原始数据在STL算法分解下作为异常值的替换值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010221066.9A CN111444168B (zh) | 2020-03-26 | 2020-03-26 | 一种配电室变压器日最大负荷异常数据检测处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010221066.9A CN111444168B (zh) | 2020-03-26 | 2020-03-26 | 一种配电室变压器日最大负荷异常数据检测处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111444168A CN111444168A (zh) | 2020-07-24 |
| CN111444168B true CN111444168B (zh) | 2023-12-22 |
Family
ID=71650739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010221066.9A Active CN111444168B (zh) | 2020-03-26 | 2020-03-26 | 一种配电室变压器日最大负荷异常数据检测处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111444168B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287988A (zh) * | 2020-10-19 | 2021-01-29 | 广东长天思源环保科技股份有限公司 | 一种水污染源在线监测数据异常的识别方法 |
| CN112380044B (zh) * | 2020-12-04 | 2024-05-28 | 腾讯科技（深圳）有限公司 | 数据异常检测方法、装置、计算机设备和存储介质 |
| CN112508922B (zh) * | 2020-12-14 | 2021-12-21 | 深圳精智达技术股份有限公司 | Mura检测方法、装置、终端设备以及存储介质 |
| CN112685465A (zh) * | 2020-12-23 | 2021-04-20 | 深圳供电局有限公司 | 识别变压器的状态的方法、装置、计算机设备和存储介质 |
| CN112818297B (zh) * | 2021-02-05 | 2024-02-20 | 国网安徽省电力有限公司合肥供电公司 | 一种云环境下数据异常检测方法 |
| CN112966379B (zh) * | 2021-03-07 | 2023-05-23 | 广东电网有限责任公司广州供电局 | 基于闭锁的防误操作方法、装置 |
| CN113111573B (zh) * | 2021-03-24 | 2022-09-23 | 桂林电子科技大学 | 基于gru的滑坡位移预测方法 |
| CN112798963B (zh) * | 2021-04-14 | 2021-07-09 | 杭州宇谷科技有限公司 | 基于时间序列的电池充电特性异常检测方法、装置及介质 |
| CN113127716B (zh) * | 2021-04-29 | 2023-07-28 | 南京大学 | 一种基于显著性图的情感时间序列异常检测方法 |
| CN113609115A (zh) * | 2021-08-03 | 2021-11-05 | 招商局重庆交通科研设计院有限公司 | 一种边坡形变监测数据的数据清洗方法 |
| CN113760880A (zh) * | 2021-09-07 | 2021-12-07 | 天津大学 | 一种水质自动监测数据的预处理方法 |
| CN113961548B (zh) * | 2021-09-22 | 2022-03-25 | 航天宏康智能科技(北京)有限公司 | 用水量时序数据的异常值处理方法和异常值处理装置 |
| CN116070163B (zh) * | 2023-03-07 | 2023-07-11 | 深圳市特安电子有限公司 | 一种室内有害气体浓度异常监测数据处理方法 |
| CN116627707A (zh) * | 2023-07-20 | 2023-08-22 | 中孚安全技术有限公司 | 一种用户异常操作行为的检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106095655A (zh) * | 2016-05-31 | 2016-11-09 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
| CN108492141A (zh) * | 2018-03-28 | 2018-09-04 | 联想(北京)有限公司 | 一种多模型融合的预测方法及装置 |
| CN110750429A (zh) * | 2019-09-06 | 2020-02-04 | 平安科技（深圳）有限公司 | 运维管理系统的异常检测方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10917419B2 (en) * | 2017-05-05 | 2021-02-09 | Servicenow, Inc. | Systems and methods for anomaly detection |
-
2020
- 2020-03-26 CN CN202010221066.9A patent/CN111444168B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106095655A (zh) * | 2016-05-31 | 2016-11-09 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
| CN108492141A (zh) * | 2018-03-28 | 2018-09-04 | 联想(北京)有限公司 | 一种多模型融合的预测方法及装置 |
| CN110750429A (zh) * | 2019-09-06 | 2020-02-04 | 平安科技（深圳）有限公司 | 运维管理系统的异常检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111444168A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444168B (zh) | 一种配电室变压器日最大负荷异常数据检测处理方法 | |
| WO2021197009A1 (zh) | 一种水情监测数据的实时异常诊断与插补方法 | |
| CN110579682B (zh) | 一种故障录波数据暂态同源对比方法及装置 | |
| CN109446189A (zh) | 一种工业参数离群点检测系统及方法 | |
| CN111242391B (zh) | 用于电力负荷识别的机器学习模型训练方法及系统 | |
| CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
| CN117421687B (zh) | 一种数字化电力环网柜运行状态监测方法 | |
| CN109284933B (zh) | 一种基于数理统计的电子式互感器状态评估系统及方法 | |
| CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
| CN111259953B (zh) | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 | |
| CN113702728A (zh) | 一种基于组合采样和LightGBM的变压器故障诊断方法及系统 | |
| CN113239132A (zh) | 一种电压互感器的超差在线辨识方法 | |
| CN115293372A (zh) | 基于多维度、多参量数值分析的光伏组串故障诊断方法 | |
| CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
| CN115639502A (zh) | 异常工况下变压器绕组运行状态下的综合评估方法及系统 | |
| CN117318310B (zh) | 一种防爆配电柜远程无人智慧监测系统 | |
| WO2024104037A1 (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
| CN117314020A (zh) | 一种浮游生物的湿地碳汇数据监测系统 | |
| CN115542064B (zh) | 一种互感器误差状态实时监测方法及装置 | |
| CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
| CN116317103A (zh) | 一种配电网电压数据处理方法 | |
| CN109632205A (zh) | 凝汽器真空严密性的在线计算方法 | |
| CN110031701B (zh) | 一种基于电流指纹技术的电器特征检测方法 | |
| CN112100919B (zh) | 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法 | |
| CN108345214A (zh) | 一种基于替代数据法的工业过程非线性检测方法 |
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 |