CN111489053A - 一种基于FP-growth算法的电网异常原因确定方法及系统 - Google Patents

一种基于FP-growth算法的电网异常原因确定方法及系统 Download PDF

Info

Publication number
CN111489053A
CN111489053A CN202010178327.3A CN202010178327A CN111489053A CN 111489053 A CN111489053 A CN 111489053A CN 202010178327 A CN202010178327 A CN 202010178327A CN 111489053 A CN111489053 A CN 111489053A
Authority
CN
China
Prior art keywords
power grid
data
determining
abnormality
reason
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
Application number
CN202010178327.3A
Other languages
English (en)
Inventor
刘识
纪鑫
王宏刚
苑帅
赵晓龙
余婷
赵加奎
张帆
张海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Big Data Center Of State Grid Corp Of China
Original Assignee
Big Data Center Of State Grid Corp Of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Big Data Center Of State Grid Corp Of China filed Critical Big Data Center Of State Grid Corp Of China
Publication of CN111489053A publication Critical patent/CN111489053A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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

Abstract

一种基于FP‑growth算法的电网异常原因确定方法及系统，包括：通过电网数据平台获取电网异常相关数据；从所述数据中进行特征选择构建数据集；基于所述数据集通过FP‑growth算法进行训练确定发生电网异常的原因，通过FP‑growth算法模型可以去除关联性较低的因子，留下关联性高的因子，利用树形结构，无需产生候选频繁集而是直接得到频繁集，减少扫描数据库的次数，从而提高了算法的效率；通过数据进行原因分析和决策分析可以快速定位整体数据中的异常点，提高了工作效率，更高效的保障电网安全。

Description

一种基于FP-growth算法的电网异常原因确定方法及系统
技术领域
本发明涉及配电网安全领域，具体涉及一种基于FP-growth算法的电网异常原因确定方法及系统。
背景技术
电力系统在运转的时候会因为诸多因素影响而产生异常，故而电力系统在运转的时候也会表现出十分脆弱的特性，这种情形将会致使其在工作过程中遇到诸多状况的扰乱，致使其处于非运行失常的形态，而网络运行异常会直接威胁电网安全与设备运行，需要实时监控并及时处理如果处理不当会造成大范围停电，导致大量的社会经济损失，因此需要对电网异常进行分析，确定异常的原因，避免电网故障，避免故障引起大范围停电。
现有的网络异常种类较多，例如线损故障、低电压故障等，而电网企业拥有平台、用户、数据、品牌等丰富资源，电力大数据贯穿“源网荷储”以及企业经营管理全环节，规模巨大、类型繁多，且主要伴随电力生产和消费同时产生，数据真实性高。在电力供需维度，数据链完整、真实且闭环，与气象、社会经济、公共事业、地理信息等外部典型数据进行融合。因此各种故障的因子非常多，因此分析需要考虑计量、电费、用检等各专业口，分析涉及的数据量非常大，各种因子也相互影响，导致电网异常分析方法落后，网络异常处理效率极低。
现有的Apriori算法可以去除关联性较低的因子，留下关联性较高的因子来进行关联挖掘分析。但当数据量大时处理有困难，需要对整个数据库进行扫描，非常耗时，效率低下。
发明内容
为了解决现有技术中在对大量的电网故障数据进行处理时，需要对整个故障数据库进行扫描，耗时大，效率低的问题，本发明提供一种基于FP-growth算法的电网异常原因确定方法，包括：
通过电网数据平台获取电网异常相关数据；
从所述数据中进行特征选择构建数据集；
基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因。
优选的，通过电网数据平台获取的电网异常相关数据包括：变电站、台区、变压器、线路、用户、计量点、电能表的属性数据以及相应的异常类型。
优选的，所述从所述数据中进行特征选择构建数据集，包括：
对所述数据进行数据清洗；
对清洗后的数据采用随机森林算法，算出每个属性特征平均减少的不纯度；
将所述不纯度作为所述属性特征的值；
去掉不纯度减小在设定阈值内的属性特征，将剩余的属性值特征值构建数据集；
优选的，所述清洗包括：对缺失值进行填充、对错误数据进行删除。
优选的，所述基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因，包括：
将电网异常类型设定为事务，将属性特征设定为元素；
基于每个电网异常类型，对所述数据集进行遍历，统计每个元素项出现的频率；
对所述数据集再次遍历，基于元素以及元素出现次数构建FP树；
基于所述FP树确定电网异常的原因。
优选的，所述基于所述FP树确定电网异常的原因，包括：
对于所述FP树中每一个元素项，获取其对应的条件模式基；
基于所述FP树，按照从下往上的顺序，根据FP-growth算法，最终得到频繁模式；
基于所述频繁项原因确定电网异常的原因。
基于同一种发明构思，本发明还提供一种基于FP-growth算法的电网异常原因确定系统，包括：
获取模块：用于通过电网数据平台获取电网异常相关数据；
构建模块，用于从所述数据中进行特征选择构建数据集；
分析模块，用于基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因。
具体的，所述构建模块包括：
清洗子模块，用于对所述数据进行数据清洗；
计算子模块，用于对清洗后的数据采用随机森林算法，算出每个属性特征平均减少的不纯度；
构建子模块，用于将所述不纯度作为所述属性特征的值，并去掉不纯度减小在设定阈值内的属性特征，将剩余的属性值特征值构建数据集；
优选的，所述分析模块，包括：
设定子模块，用于将电网异常类型设定为事务，将属性特征设定为元素；
统计子模块，用于基于每个电网异常类型，对所述数据集进行遍历，统计每个元素项出现的频率；
构建FP树子模块，用于对所述数据集再次遍历，基于元素以及元素出现次数构建FP树；
确定子模块：用于基于所述FP树确定电网异常的原因。
优选的，所述确定子模块，具体用于：
对于所述FP树中每一个元素项，获取其对应的条件模式基；
基于所述FP树，按照从下往上的顺序，根据FP-growth算法，最终得到频繁模式；
基于所述频繁项原因确定电网异常的原因。
与现有技术相比，本发明的有益效果为：
1、本发明提供的一种基于FP-growth算法的电网异常原因确定方法包括：通过电网数据平台获取电网异常相关数据；从所述数据中进行特征选择构建数据集；基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因，通过FP-growth算法模型可以去除关联性较低的因子，留下关联性高的因子，利用树形结构，无需产生候选频繁集而是直接得到频繁集，减少扫描数据库的次数，从而提高了算法的效率；
2、本发明提供的技术方案通过数据进行原因分析和决策分析可以快速定位整体数据中的异常点，提高了工作效率，更高效的保障电网安全。
附图说明
图1为本发明的电网异常原因确定流程图；
图2为本发明算法中的FP树；
图3为本发明的电网异常原因确定系统结构示意图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
本发明基于FP-growth算法，对电网相关数据异常原因进行分析，并为业务部门提供自助化的数断迭代提升“配网一张图”的准确性。
实施例1：
一种基于FP-growth算法的电网异常原因确定方法，如图1所示：
S1通过电网数据平台获取电网异常相关数据；
S2从所述数据中进行特征选择构建数据集；
S3基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因。
其中，S1通过电网数据平台获取电网异常相关数据，具体包括
通过数据平台，获取营销、设备、调度等相关数据库中的变电站、台区、变压器、线路、用户、计量点、电能表的属性数据以及相应的异常类型。
S2从所述数据中进行特征选择构建数据集，具体包括
1)先进行数据清洗，对缺失值通过均值进行填充，将落在3倍标准差之外的数据定义为异常值，将其删除。
2)特征选择：利用清洗后的数据进行分析，从原有的变电站、台区、变压器、线路、用户、计量点、电能表的属性等相关数据中通过随机森林算法，采用信息增益算出每个属性特征平均减少了多少不纯度，并把它平均减少的不纯度作为特征选择的值，删除不纯度减小较小的的特征，然后构建供模型训练的数据集。
S3基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因，具体包括：通过FP-growth算法，可以实现电网数据异常关联分析，通过训练，去除关联性较低的因子，留下关联性高的因子，不断调整模型参数，修改阈值的大小(这里的阈值指的是最小支持度)，开始生成FPtree以及节点链表，首先挖掘频率低的项，然后逐次挖掘频率高的项，具体如下：
将电网异常类型设定为事务，将属性特征设定为元素；基于每个电网异常类型，对所述数据集进行遍历，统计每个元素项出现的频率；对所述数据集再次遍历，基于元素以及元素出现次数构建FP树；基于所述FP树确定电网异常的原因。
所述基于所述FP树确定电网异常的原因，包括：对于所述FP树中每一个元素项，获取其对应的条件模式基；基于所述FP树，按照从下往上的顺序，根据FP-growth算法，最终得到频繁模式；基于所述频繁项原因确定电网异常的原因。
本方法还包括对训练完成的结果进行评估，通过全置信度、最大置信度、Kluc、余弦四种方式度量评估计算结果。
本发明中的FP-growth算法将数据存储在一种称为FP树的紧凑数据结构中，FP代表频繁模式(Frequent Pattern)，一棵FP树看上去与计算机科学中的其他树结构类似，但是它通过链接(Link)来连接相似元素，被连起来的元素项可以看成一个链表。
下面就电网线损方面数据对本发明进行进一步说明。
线损是反映电网规划设计、生产运行和经营水平的主要经济技术指标，其定义是电能在电力网传送、分配、管理等过程中产生的有功功率损失和电能损失统称为线路损失。线损按种类可以分为统计线损、理论线损、管理线损、经济线损、定额线损五类。
Figure BDA0002410096040000051
Figure BDA0002410096040000061
表1数据平台预处理后数据
1)扫描数据集，对事务中每个元素计数。
2)设定最小支持度(即事务中每个元素出现的次数)
3)按照降序,重新确定新的元素。
4)根据元素出现的次数，对事务中的元素项进行筛选并排序，然后根据筛选并排序的元素项构建链表；
5)构建FP树，如图2所示；
6)递归调用FP-Growth挖掘频繁项
对于每一个元素项，获取其对应的条件模式基。条件模式基是以所查找元素项为结尾的路径集合。每一条路径其实都是一条前缀路径。按照从下往上的顺序。根据FP-growth算法，最终得到的支持度大于2频繁模式。
通过FP-growth算法可以挖掘出频繁项，通过图2产生的频繁模式可以得出线损数据异常原因，根据不同的频繁项原因确定线损的种类。
虽然本实施例以线损为例，但是本发明保护的网络异常还包括：电压异常、电网频率震荡等等，基于各种异常情况都可以利用本发明提供的方案确定引起异常的原因。
实施例2：
为了实现上述方法，本发明还基于同一种发明构思，提供了一种基于FP-growth算法的电网异常原因确定系统，包括：
获取模块：用于通过电网数据平台获取电网异常相关数据；
构建模块，用于从所述数据中进行特征选择构建数据集；
分析模块，用于基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因。
具体的，所述构建模块包括：
清洗子模块，用于对所述数据进行数据清洗；
计算子模块，用于对清洗后的数据采用随机森林算法，算出每个属性特征平均减少的不纯度；
构建子模块，用于将所述不纯度作为所述属性特征的值，并去掉不纯度减小在设定阈值内的属性特征，将剩余的属性值特征值构建数据集；
优选的，所述分析模块，包括：
设定子模块，用于将电网异常类型设定为事务，将属性特征设定为元素；
统计子模块，用于基于每个电网异常类型，对所述数据集进行遍历，统计每个元素项出现的频率；
构建FP树子模块，用于对所述数据集再次遍历，基于元素以及元素出现次数构建FP树；
确定子模块：用于基于所述FP树确定电网异常的原因。
其中，确定子模块，具体用于：
对于所述FP树中每一个元素项，获取其对应的条件模式基；
基于所述FP树，按照从下往上的顺序，根据FP-growth算法，最终得到频繁模式；
基于所述频繁项原因确定电网异常的原因。
其中，通过电网数据平台获取的电网异常相关数据包括：变电站、台区、变压器、线路、用户、计量点、电能表的属性数据以及相应的异常类型。

Claims (10)

1.一种基于FP-growth算法的电网异常原因确定方法，其特征在于，包括：
通过电网数据平台获取电网异常相关数据；
从所述数据中进行特征选择构建数据集；
基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因。
2.如权利要求1所述的异常原因确定方法，其特征在于，
通过电网数据平台获取的电网异常相关数据包括：变电站、台区、变压器、线路、用户、计量点、电能表的属性数据以及相应的异常类型。
3.如权利要求1所述的异常原因确定方法，其特征在于，所述从所述数据中进行特征选择构建数据集，包括：
对所述数据进行数据清洗；
对清洗后的数据采用随机森林算法，算出每个属性特征平均减少的不纯度；
将所述不纯度作为所述属性特征的值；
去掉不纯度减小在设定阈值内的属性特征，将剩余的属性值特征值构建数据集。
4.如权利要求3所述的异常原因确定方法，其特征在于，所述清洗包括：对缺失值进行填充、对错误数据进行删除。
5.如权利要求3所述的异常原因确定方法，其特征在于，所述基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因，包括：
将电网异常类型设定为事务，将属性特征设定为元素；
基于每个电网异常类型，对所述数据集进行遍历，统计每个元素项出现的频率；
对所述数据集再次遍历，基于元素以及元素出现次数构建FP树；
基于所述FP树确定电网异常的原因。
6.如权利要求5所述的异常原因确定方法，其特征在于，所述基于所述FP树确定电网异常的原因，包括：
对于所述FP树中每一个元素项，获取其对应的条件模式基；
基于所述FP树，按照从下往上的顺序，根据FP-growth算法，最终得到频繁模式；
基于所述频繁项原因确定电网异常的原因。
7.一种基于FP-growth算法的电网异常原因确定系统，其特征在于，包括：
获取模块：用于通过电网数据平台获取电网异常相关数据；
构建模块，用于从所述数据中进行特征选择构建数据集；
分析模块，用于基于所述数据集通过FP-growth算法进行训练确定发生电网异常的原因。
8.如权利要求7所述的异常原因确定系统，其特征在于，所述构建模块包括：
清洗子模块，用于对所述数据进行数据清洗；
计算子模块，用于对清洗后的数据采用随机森林算法，算出每个属性特征平均减少的不纯度；
构建子模块，用于将所述不纯度作为所述属性特征的值，并去掉不纯度减小在设定阈值内的属性特征，将剩余的属性值特征值构建数据集。
9.如权利要求7所述的异常原因确定系统，其特征在于，所述分析模块，包括：
设定子模块，用于将电网异常类型设定为事务，将属性特征设定为元素；
统计子模块，用于基于每个电网异常类型，对所述数据集进行遍历，统计每个元素项出现的频率；
构建FP树子模块，用于对所述数据集再次遍历，基于元素以及元素出现次数构建FP树；
确定子模块：用于基于所述FP树确定电网异常的原因。
10.如权利要求9所述的异常原因确定系统，其特征在于，所述确定子模块，具体用于：
对于所述FP树中每一个元素项，获取其对应的条件模式基；
基于所述FP树，按照从下往上的顺序，根据FP-growth算法，最终得到频繁模式；
基于所述频繁项原因确定电网异常的原因。
CN202010178327.3A 2019-12-17 2020-03-13 一种基于FP-growth算法的电网异常原因确定方法及系统 Pending CN111489053A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019113029231 2019-12-17
CN201911302923 2019-12-17

Publications (1)

Publication Number Publication Date
CN111489053A true CN111489053A (zh) 2020-08-04

Family

ID=71794377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010178327.3A Pending CN111489053A (zh) 2019-12-17 2020-03-13 一种基于FP-growth算法的电网异常原因确定方法及系统

Country Status (1)

Country Link
CN (1) CN111489053A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256110A (zh) * 2021-05-25 2021-08-13 国网山东省电力公司济南市济阳区供电公司 一种电力监控系统异常消息提示方法及装置
CN113535811A (zh) * 2021-06-28 2021-10-22 北京智芯微电子科技有限公司 基于改进FP-growth算法的数据检测方法、装置、设备及存储介质
CN116069986A (zh) * 2023-04-04 2023-05-05 山东登远信息科技有限公司 一种告警信号关联规则分析方法和系统
CN117076991A (zh) * 2023-10-16 2023-11-17 云境商务智能研究院南京有限公司 治污设备用电异常监测方法、装置及计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504116A (zh) * 2016-10-31 2017-03-15 山东大学 基于电网运行与暂态稳定裕度指标关联的稳定评估方法
CN108492057A (zh) * 2018-04-28 2018-09-04 国网新疆电力公司电力科学研究院 基于FP-growth的跳闸明细数据与气象数据关联分析及预警方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504116A (zh) * 2016-10-31 2017-03-15 山东大学 基于电网运行与暂态稳定裕度指标关联的稳定评估方法
CN108492057A (zh) * 2018-04-28 2018-09-04 国网新疆电力公司电力科学研究院 基于FP-growth的跳闸明细数据与气象数据关联分析及预警方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256110A (zh) * 2021-05-25 2021-08-13 国网山东省电力公司济南市济阳区供电公司 一种电力监控系统异常消息提示方法及装置
CN113535811A (zh) * 2021-06-28 2021-10-22 北京智芯微电子科技有限公司 基于改进FP-growth算法的数据检测方法、装置、设备及存储介质
CN116069986A (zh) * 2023-04-04 2023-05-05 山东登远信息科技有限公司 一种告警信号关联规则分析方法和系统
CN117076991A (zh) * 2023-10-16 2023-11-17 云境商务智能研究院南京有限公司 治污设备用电异常监测方法、装置及计算机设备
CN117076991B (zh) * 2023-10-16 2024-01-02 云境商务智能研究院南京有限公司 治污设备用电异常监测方法、装置及计算机设备

Similar Documents

Publication Publication Date Title
CN111489053A (zh) 一种基于FP-growth算法的电网异常原因确定方法及系统
CN106154209B (zh) 基于决策树算法的电能表故障预测方法
CN105186514B (zh) 一种大规模分布式光伏并网对配网安全评价及预警方法
CN103902816A (zh) 基于数据挖掘技术的带电检测数据处理方法
CN109376924A (zh) 一种物资需求预测的方法、装置、设备及可读存储介质
JP2009089594A (ja) 検針データを利用した電力設備の時空間負荷分析システム及び負荷の計算方法
CN114676883A (zh) 基于大数据的电网运行管理方法、装置、设备及存储介质
CN107633050A (zh) 一种基于大数据分析用电行为判定窃电概率的方法
Porteiro et al. Electricity demand forecasting in industrial and residential facilities using ensemble machine learning
CN107909508A (zh) 一种配电变压器负荷异常告警方法
CN112257013A (zh) 高损台区基于动态时间弯曲算法的窃电用户识别定位方法
CN115423429A (zh) 基于图像和声音信息的多模态一体化配网运营系统
CN102609501A (zh) 一种基于实时历史数据库的数据清洗方法
CN107862459B (zh) 一种基于大数据的计量设备状态评估方法及系统
CN113706333A (zh) 一种配电网拓扑岛自动生成的方法和系统
CN113609746A (zh) 基于蒙特卡洛树搜索及强化学习算法的配电网规划方法
CN112308348A (zh) 一种中压线损异常智能分析方法
Chen et al. An analytical method of data mining on voltage sag based on gray target theory and cloud model
CN110717725A (zh) 基于大数据分析的电网项目选取方法
CN113256183B (zh) 一种发电厂实时数据关联配置方法及系统
Machado et al. Framework to support grid-connected microgrid optimal planning
Yan et al. Comprehensive energy efficiency rating evaluation model of enterprise power based on grid big data
CN113377753A (zh) 一种蓄热式电锅炉负荷数据清洗系统
CN107368917A (zh) 一种基于knn算法的电力物资库存优化系统及方法
Lv et al. The Data Cleaning of Electric Industrial Control Terminal Based on the iForest and Genetic BP Neural Network Algorithms

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

Application publication date: 20200804

RJ01 Rejection of invention patent application after publication