CN111523595A - 一种基于离群点检测算法的电缆缺陷研判方法 - Google Patents
一种基于离群点检测算法的电缆缺陷研判方法 Download PDFInfo
- Publication number
- CN111523595A CN111523595A CN202010326053.8A CN202010326053A CN111523595A CN 111523595 A CN111523595 A CN 111523595A CN 202010326053 A CN202010326053 A CN 202010326053A CN 111523595 A CN111523595 A CN 111523595A
- Authority
- CN
- China
- Prior art keywords
- data
- outlier
- cable
- suspicious
- fault
- 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
- 238000013450 outlier detection Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 title claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000007418 data mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
-
- 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
Abstract
本发明公开了一种基于离群点检测算法的电缆缺陷研判方法,其包括如下步骤:1、数据采集和预处理;2、利用DDPOS算法对数据进行分析,若离群点的离群因子大于1.2,则判断为可疑离群点,否则为正常点;3、设定阈值,如果可疑离群点的数据大于阈值,判定为故障点;否则继续,再次利用DDPOS算法进行离群点检测,若可疑离群点的离群因子大于1.05,则判断为可疑故障点,否则为正常点;4、故障预测,将判断出的故障点的数据、可疑故障点的数据与故障数据库内的历史数据进行对比匹配,预测故障类型。本发明的使用有助于降低因电缆故障造成的停电次数,提升电力系统供电可靠性,减少电缆运维成本,保证电缆运行环境安全。
Description
技术领域
本发明涉及电缆故障检测领域,尤其是一种基于离群点检测算法的电缆缺陷研判方法。
背景技术
随着我国电网的不断发展,电力电缆在电力系统中的应用越来越广,维护电力电缆安全稳定运行是保证供电可靠性的一个重要环节。电力电缆在长期的运行过程中,会因为电磁、机械、发热、环境腐蚀等多方面原因而产生绝缘老化与损坏的现象,减少电缆的使用寿命,严重时会引起电网大面积停电,对居民生活和工业生产造成严重的损失。
近年来电力相关的物联网技术不断发展,大量反映电缆实际运行状况的感知数据持续产生且不断积累。离群点检测是数据挖掘中重要的一部分。所谓离群点,是指那些与正常数据对象的行为具有很大差别的数据对象。大部分数据挖掘方法都将这种差异信息视为噪声而丢弃,然而在故障预测中,离群数据可能蕴含着更大的研究价值。
电缆在线监测过程中产生的离群点主要是由于数据测量和采集过程中的干扰,或者是由于设备存在潜在隐患而产生的异变。通过对离群数据进行分析,可以预测设备是否存在缺陷和隐患,进而更准确的掌握电力电缆的运行状态。
发明内容
本发明的目的在于解决上述技术问题而提供一种基于离群点检测算法的电缆缺陷研判方法,其有助于及时发现电缆运行中存在的故障和缺陷,并根据历史数据进行故障预测,以便运维人员及时安排状态检修工作,减少停电事件的发生,保证电缆运行环境安全,提升电力系统供电可靠性。
为了解决上述技术问题,本发明采用如下技术方案:
一种基于离群点检测算法的电缆缺陷研判方法,包括以下步骤:
步骤一、数据采集和预处理
对现场运行电缆的本体电流、护层环流、电缆本体温度及电缆护层接地线温度进行采集并传输到后台,结合电缆的的预存信息生成一组数据并存储至数据库;
步骤二、离群点检测
从数据库中提取最新的多组数据构成数据集,在该数据集的基础上利用基于密度和距离双参数的离群点检测算法对步骤一中得到的数据进行分析,若离群点的离群因子大于1.2,则判断为可疑离群点,否则为正常点,存入正常运行数据库;
步骤三、故障点判断
1)设定阈值,如果可疑离群点的数据大于阈值,判定为故障点,存入故障数据库;否则,进入下一步骤2);
2)将数据集扩大为全部的正常运行数据库,并在此基础上再次利用基于密度和距离双参数的离群点检测算法进行离群点检测,若可疑离群点的离群因子大于1.05,则判断为可疑故障点,存入警告数据库,否则为正常点,存入正常运行数据库;
步骤四、故障预测
将判断出的故障点的数据、可疑故障点的数据与故障数据库内的历史数据进行对比匹配,预测故障类型。
进一步地,步骤一中预处理的具体内容包括:结合预存的电缆的电压等级、生产厂家、型号的信息对数据进行预处理,形成对象Xi,其中Xi包括xi1,xi2,……,xim;且Xi存储至数据库Q1={X1,X2,……,Xn},其中Xi∈Rd且i=1,2,……,N。
进一步地,利用基于密度和距离双参数的离群点检测算法对步骤一中得到的对象Xi进行离群点检测,其具体内容包括:
1)从数据库Q1中提取最新的50个对象存储在数据集P={X1,X2,……,Xn},其中Xi∈Rd且i=1,2,……,50;计算截断距离dc;
首先计算对象Xi与数据集P中其余各点的欧式距离,公式如下:
然后对这些距离进行一个升序排序,再选取第30个距离,这第30个距离是前30个不相等的距离中最大的那一个,即为所求的截断距离dc;
2)利用自适应高斯函数计算对象Xi的局部密度,公式如下:
3)为提高检测精度,计算全局距离;全局距离是在对象Xi与前20个密度比其自己大的对象之间的平均距离,公式如下:
式中,ε代表的是拥有最大的密度对象X1的全局距离,是一个忽略不计的最小值;Si是包含了密度大小排在前20个的对象的集合;
4)根据离群点在空间分布数据中的特点来确定基于密度和距离双参数的离群因子,公式如下:
5)如果DDPOS(Xi)大于1.2,则判断Xi为可疑离群点;否则,认为Xi为正常点,存入正常运行数据库。
进一步地,步骤四中的故障数据库是指地区内输配电网5年内的电缆故障数据集合,包括电缆的厂家参数、型号参数、本体电流参数、护层环流参数。
本发明的有益效果是:本发明的方法有助于对采集到的大量电缆感知数据进行筛选和挖掘,及时发现电缆运行故障和潜在缺陷,并根据历史数据预测故障类别。本发明的方法的使用有助于降低因电缆故障造成的停电次数,提升电力系统供电可靠性,进而减少电缆运维成本,保证电缆运行环境安全。本发明的方法对于电网安全可靠性的提高,有着非常深远的意义。
附图说明
图1为本发明一种基于离群点检测算法的电缆缺陷研判方法的主程序流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明:
参见图1,本发明的一种基于离群点检测算法的电缆缺陷研判方法,包括以下步骤:
步骤一、数据采集和预处理。利用监测系统的数据采集模块对地区电网全部35KV及以上电缆线路的本体电流、护层环流、电缆所在位置的环境温度、电缆本体温度及电缆护层接地线温度进行收集并传输到后台,结合预存的电力电缆电压等级、生产厂家、型号等信息对数据进行预处理,形成对象Xi(xi1,xi2,……,xim)存储至数据库Q1={X1,X2,……,Xn},(Xi∈Rd且i=1,2,……,N)。
步骤二、离群点检测。利用基于密度和距离双参数的离群点检测算法(DDPOS)对步骤一中得到的对象Xi进行离群点检测,其具体内容包括:
1)从数据库Q1中提取最新的50个对象存储在数据集P={X1,X2,……,Xn},其中Xi∈Rd且i=1,2,……,50;计算截断距离dc;
首先计算对象Xi与数据集P中其余各点的欧式距离,公式如下:
然后对这些距离进行一个升序排序,之后再选取第30个距离,这第30个距离是前30个不相等的距离中最大的那一个,即为所求的截断距离dc。
2)利用自适应高斯函数计算对象Xi的局部密度,公式如下:
3)为提高检测精度,计算全局距离;全局距离也称平均最远距离,它是在对象Xi与前20个密度比它自己大的对象之间的平均距离,计算公式如下:
式中,ε代表的是拥有最大的密度对象X1的全局距离,是一个忽略不计的最小值;Si是包含了密度大小排在前20个的对象的集合。
4)根据离群点在空间分布数据中的特点来确定基于密度和距离双参数的离群因子,公式如下:
5)如果DDPOS(Xi)大于1.2,则判断Xi为可疑离群点;否则,认为Xi为正常点,存入正常运行数据库Q。
步骤三、故障点判断。再次利用设定的阈值和DDPOS算法对可疑离群点进行检测,其具体内容包括:
1)设定阈值,如表1所示。如果可疑离群点的数据大于阈值,判定为故障点,存入故障数据库;否则,进入下一步骤2);
表1检测阈值的设置方法表
状态信息量 | 检测阈值 |
电缆本体电流 | 电缆最大负荷电流 |
电缆互层环流 | 电缆最大负荷电流的20% |
电缆本体温度 | 环境温度+2℃ |
电缆护层接地线温度 | 环境温度+2℃ |
2)再次利用DDPOS算法进行离群点检测,其中,数据集P扩大为全部的正常运行数据库Q,如果DDPOS(Xi)大于1.05,则判断Xi为可疑故障点,存入警告数据库,否则认为Xi为正常点,存入正常运行数据库Q。
步骤四、故障预测。故障数据库是指地区内输配电网5年内的电缆故障数据集合,包括电缆的厂家、型号、本体电流、护层环流等多项参数。将判断出的故障点的数据、可疑故障点的数据与故障数据库内的历史数据进行对比匹配,预测故障类型。通过对比实际结果与预测结果是否一致,来补充修正故障数据库,使故障预测更加准确。
综上所述,本发明的内容并不局限在上述的实施例中,本领域的技术人员可以在本发明的技术指导思想之内提出其他的实施例,但这些实施例都包括在本发明的范围之内。
Claims (4)
1.一种基于离群点检测算法的电缆缺陷研判方法,其特征在于,包括以下步骤:
步骤一、数据采集和预处理
对现场运行电缆的本体电流、护层环流、电缆本体温度及电缆护层接地线温度进行采集并传输到后台,结合电缆的的预存信息生成一组数据并存储至数据库;
步骤二、离群点检测
从数据库中提取最新的多组数据构成数据集,在该数据集的基础上利用基于密度和距离双参数的离群点检测算法对步骤一中得到的数据进行分析,若离群点的离群因子大于1.2,则判断为可疑离群点,否则为正常点,存入正常运行数据库;
步骤三、故障点判断
1)设定阈值,如果可疑离群点的数据大于阈值,判定为故障点,存入故障数据库;否则,进入下一步骤2);
2)将数据集扩大为全部的正常运行数据库,并在此基础上再次利用基于密度和距离双参数的离群点检测算法进行离群点检测,若可疑离群点的离群因子大于1.05,则判断为可疑故障点,存入警告数据库,否则为正常点,存入正常运行数据库;
步骤四、故障预测
将判断出的故障点的数据、可疑故障点的数据与故障数据库内的历史数据进行对比匹配,预测故障类型。
2.根据权利要求1所述的一种基于离群点检测算法的电缆缺陷研判方法,其特征在于,步骤一中预处理的具体内容包括:结合预存的电缆的电压等级、生产厂家、型号的信息对数据进行预处理,形成对象Xi,其中Xi包括xi1,xi2,……,xim;且Xi存储至数据库Q1={X1,X2,……,Xn},其中Xi∈Rd且i=1,2,……,N。
3.根据权利要求2所述的一种基于离群点检测算法的电缆缺陷研判方法,其特征在于,利用基于密度和距离双参数的离群点检测算法对步骤一中得到的对象Xi进行离群点检测,其具体内容包括:
1)从数据库Q1中提取最新的50个对象存储在数据集P={X1,X2,……,Xn},其中Xi∈Rd且i=1,2,……,50;计算截断距离dc;
首先计算对象Xi与数据集P中其余各点的欧式距离,公式如下:
然后对这些距离进行一个升序排序,再选取第30个距离,这第30个距离是前30个不相等的距离中最大的那一个,即为所求的截断距离dc;
2)利用自适应高斯函数计算对象Xi的局部密度,公式如下:
3)为提高检测精度,计算全局距离;全局距离是在对象Xi与前20个密度比其自己大的对象之间的平均距离,公式如下:
式中,ε代表的是拥有最大的密度对象X1的全局距离,是一个忽略不计的最小值;Si是包含了密度大小排在前20个的对象的集合;
4)根据离群点在空间分布数据中的特点来确定基于密度和距离双参数的离群因子,公式如下:
5)如果DDPOS(Xi)大于1.2,则判断Xi为可疑离群点;否则,认为Xi为正常点,存入正常运行数据库。
4.根据权利要求1-3中任一项所述的一种基于离群点检测算法的电缆缺陷研判方法,其特征在于,步骤四中的故障数据库是指地区内输配电网5年内的电缆故障数据集合,包括电缆的厂家参数、型号参数、本体电流参数、护层环流参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010326053.8A CN111523595A (zh) | 2020-04-23 | 2020-04-23 | 一种基于离群点检测算法的电缆缺陷研判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010326053.8A CN111523595A (zh) | 2020-04-23 | 2020-04-23 | 一种基于离群点检测算法的电缆缺陷研判方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523595A true CN111523595A (zh) | 2020-08-11 |
Family
ID=71903495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010326053.8A Pending CN111523595A (zh) | 2020-04-23 | 2020-04-23 | 一种基于离群点检测算法的电缆缺陷研判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523595A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179922A (zh) * | 2020-09-24 | 2021-01-05 | 安徽德尔电气集团有限公司 | 一种电线电缆缺陷检测系统 |
CN112633427A (zh) * | 2021-03-15 | 2021-04-09 | 四川大学 | 一种基于离群点检测的超高次谐波发射信号检测方法 |
CN113158480A (zh) * | 2021-04-29 | 2021-07-23 | 南京林业大学 | 基于amsaa的车辆变环境可靠性增长模型的评估方法 |
CN113538418A (zh) * | 2021-08-27 | 2021-10-22 | 浙江工业大学 | 基于形态学分析的轮胎x射线图像缺陷提取模型构建方法 |
CN114783165A (zh) * | 2022-06-22 | 2022-07-22 | 山东科华电力技术有限公司 | 基于分布式光纤振动传感的电缆通道防外破在线监测系统 |
CN116794385A (zh) * | 2023-08-21 | 2023-09-22 | 山东德源电力科技股份有限公司 | 基于多维数据分析的高压电流监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093703A (zh) * | 2016-06-07 | 2016-11-09 | 湖南大学 | 一种智能配电网故障的辨识与定位方法 |
CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
US20180045768A1 (en) * | 2015-03-25 | 2018-02-15 | Optasense Holdings Limited | Detecting Failure Locations in Power Cables |
CN109063733A (zh) * | 2018-06-27 | 2018-12-21 | 西安理工大学 | 一种基于双参数离群因子的离群点检测方法 |
CN110244186A (zh) * | 2019-07-08 | 2019-09-17 | 国网天津市电力公司 | 一种基于孤立点检测算法的电缆故障预测报警方法 |
CN110471946A (zh) * | 2019-07-08 | 2019-11-19 | 广东工业大学 | 一种基于网格剪枝的lof离群点检测方法及系统 |
-
2020
- 2020-04-23 CN CN202010326053.8A patent/CN111523595A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180045768A1 (en) * | 2015-03-25 | 2018-02-15 | Optasense Holdings Limited | Detecting Failure Locations in Power Cables |
CN106093703A (zh) * | 2016-06-07 | 2016-11-09 | 湖南大学 | 一种智能配电网故障的辨识与定位方法 |
CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
CN109063733A (zh) * | 2018-06-27 | 2018-12-21 | 西安理工大学 | 一种基于双参数离群因子的离群点检测方法 |
CN110244186A (zh) * | 2019-07-08 | 2019-09-17 | 国网天津市电力公司 | 一种基于孤立点检测算法的电缆故障预测报警方法 |
CN110471946A (zh) * | 2019-07-08 | 2019-11-19 | 广东工业大学 | 一种基于网格剪枝的lof离群点检测方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179922A (zh) * | 2020-09-24 | 2021-01-05 | 安徽德尔电气集团有限公司 | 一种电线电缆缺陷检测系统 |
CN112633427A (zh) * | 2021-03-15 | 2021-04-09 | 四川大学 | 一种基于离群点检测的超高次谐波发射信号检测方法 |
CN113158480A (zh) * | 2021-04-29 | 2021-07-23 | 南京林业大学 | 基于amsaa的车辆变环境可靠性增长模型的评估方法 |
CN113538418A (zh) * | 2021-08-27 | 2021-10-22 | 浙江工业大学 | 基于形态学分析的轮胎x射线图像缺陷提取模型构建方法 |
CN114783165A (zh) * | 2022-06-22 | 2022-07-22 | 山东科华电力技术有限公司 | 基于分布式光纤振动传感的电缆通道防外破在线监测系统 |
CN114783165B (zh) * | 2022-06-22 | 2022-08-23 | 山东科华电力技术有限公司 | 基于分布式光纤振动传感的电缆通道防外破在线监测系统 |
CN116794385A (zh) * | 2023-08-21 | 2023-09-22 | 山东德源电力科技股份有限公司 | 基于多维数据分析的高压电流监测方法 |
CN116794385B (zh) * | 2023-08-21 | 2023-11-07 | 山东德源电力科技股份有限公司 | 基于多维数据分析的高压电流监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523595A (zh) | 一种基于离群点检测算法的电缆缺陷研判方法 | |
Shen et al. | A combined algorithm for cleaning abnormal data of wind turbine power curve based on change point grouping algorithm and quartile algorithm | |
CN110244186B (zh) | 一种基于孤立点检测算法的电缆故障预测报警方法 | |
CN109447441B (zh) | 一种考虑新能源机组不确定性的暂态稳定风险评估方法 | |
CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
Zhan et al. | Health assessment methods for wind turbines based on power prediction and mahalanobis distance | |
CN111082749A (zh) | 光伏组串运行状态的识别方法、装置及存储介质 | |
CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
Li et al. | A line-fault cause analysis method for distribution network based on decision-making tree and machine learning | |
CN114418378A (zh) | 基于lof离群因子检测算法的光伏发电上网数据校核方法 | |
CN108376293A (zh) | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 | |
CN112505486B (zh) | 源荷储一体化并网电能质量测试系统 | |
CN115575779A (zh) | 基于模糊理论和灰色博弈论的电缆绝缘性能评估方法 | |
CN115224684A (zh) | 基于免疫危险理论的智能配电网风险状态辨识方法及系统 | |
Dunwen et al. | A trainsient voltage stability evaluation model based on morphological similarity distance online calculation | |
CN117670313B (zh) | 一种电厂巡检方法、电厂巡检系统及可存储介质 | |
CN113323823B (zh) | 基于awkelm的风机叶片结冰故障检测方法及系统 | |
Liu et al. | Wind turbine spindle operating state recognition and early warning driven by SCADA data | |
CN115208309B (zh) | 基于i-v特性曲线的光伏组件电流失配故障诊断方法 | |
Wang et al. | Wind Turbine Abnormal Data Cleaning Method Considering Multi-Scene Parameter Adaptation | |
Chen et al. | Correlation analysis of distribution network equipment decommissioning data based on three-dimensional matrix | |
Liangzhi et al. | Research on fault prediction and diagnosis of power equipment based on big data | |
Liu et al. | Research on Multi-type Abnormal Data Preprocessing Method of Wind Turbine based on Data Identification | |
CN116664098A (zh) | 一种光伏电站的异常检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200811 |