CN111563524A - 一种多站融合系统运行态势异常监测和告警合并方法 - Google Patents
一种多站融合系统运行态势异常监测和告警合并方法 Download PDFInfo
- Publication number
- CN111563524A CN111563524A CN202010192002.0A CN202010192002A CN111563524A CN 111563524 A CN111563524 A CN 111563524A CN 202010192002 A CN202010192002 A CN 202010192002A CN 111563524 A CN111563524 A CN 111563524A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- alarm information
- alarm
- anomaly
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000005065 mining Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
Abstract
本发明涉及智能电网领域,尤其涉及一种多站融合系统运行态势异常监测和告警合并方法,包括:基于电力多站融合系统的历史数据训练异常检测模型,确定异常值阈值;实时获取电力多站融合系统运行态势的时间序列数据,将处理好的时间序列数据输入到训练好的异常检测模型中,得到数据的异常分数,将异常分数与异常值阈值进行比较,判断异常信息;基于历史告警数据信息,挖掘告警信息之间的相关性,确定关联规则;确定异常信息的类别和紧急程度,并生成对应的告警信息,基于关联规则完成告警信息的合并和输出。本发明实现告警信息的合并和输出,实现电力多站融合系统运维中时序数据中异常数据的有效检测。
Description
技术领域
本发明涉及智能电网领域,尤其涉及一种多站融合系统运行态势异常监测和告警合并方法。
背景技术
异常检测是关于寻找不符合期望行为的数据模式的问题,在现实生活中有着广泛的应用场景。电力系统的安全稳定运行十分重要,因此需要对智能电网系统中的异常进行检测,以便及时地处理安全隐患或者解决存在的问题。同时,由于收集到的电力系统运行数据的时空维度复杂、计算量大,大部分传统的方法难以捕获电力系统复杂的时空多样性,难以应用于大规模的在线检测系统,实现快速地、实时地电力系统异常检测。
在电力系统的运维过程中,当检测到异常时,则发出报警信息。若一段连续时间内,检测到多个异常,每个异常均发出告警信息,海量的报警信息对于工作人员而言工作量过大且难以及时查看,容易致使重要告警信息延迟或者遗漏,造成严重的损失。
但是在大型系统中,告警信息之间包含一定的相关关系,告警信息之间也存在一定的内部规律,分析多个变量异常数据的变化规律,可以挖掘出告警信息之间的潜在关联,对关联度高的相关信息进行收敛合并,在很大程度上可以缓解上述问题。
发明内容
为解决上述问题,本发明提出一种多站融合系统运行态势异常监测和告警合并方法。
一种多站融合系统运行态势异常监测和告警合并方法,包括:
基于电力多站融合系统的历史数据训练异常检测模型,确定异常值阈值;
实时获取电力多站融合系统运行态势的时间序列数据,将处理好的时间序列数据输入到训练好的异常检测模型中,得到数据的异常分数,将异常分数与异常值阈值进行比较,判断异常信息;
基于历史告警数据信息,挖掘告警信息之间的相关性,确定关联规则;
确定异常信息的类别和紧急程度,并生成对应的告警信息,基于关联规则完成告警信息的合并和输出。
优选的,所述基于电力多站融合系统的历史数据训练异常检测模型,从而确定异常值阈值包括:
对采集的电力多站融合系统的历史数据进行清洗以及归一化处理,得到有效数据格式的时序变量;
基于DAE-RNN模型根据时序变量训练异常检测模型;
根据训练好的训练异常检测模型对正常数据和异常数据的特征提取,确定异常值阈值。
优选的,所述将异常分数与异常值阈值进行比较,判断异常信息包括:
若异常分数小于异常值阈值,则接收到的时间序列数据为正常数据,否则,则为异常数据。
优选的,所述基于历史告警数据信息,挖掘告警信息之间的相关性,确定关联规则包括:
获取历史告警信息,并对数据进行清洗;
通过挖掘窗口进行滑动,把位于同一个窗口内的历史告警信息归结为一个事务;挖掘出频繁项集,从频繁项集中产生规则;
确定合适的关联阈值,得出所有规则的支持度和置信度,确定合适的置信度阈值,将满足置信度阈值的关联规则归纳为一条规则。
优选的,所述确定异常信息的类别和紧急程度,并生成对应的告警信息,基于关联规则完成告警信息的合并和输出包括:
当检测到异常数据时,获取到检测到异常数据的序列;
针对检测到的异常数据,确定异常数据的类别和紧急程度,生成对应的告警信息;
根据挖掘得到的关联规则进行数据测试,与预设的时间间隔内收到的告警信息进行关联检测;
将具有时序关联关系的告警信息进行收敛,合并成同一告警信息。
优选的,所述针对检测到的异常数据,确定异常数据的类别和紧急程度,生成对应的告警信息包括:
对历史异常数据进行聚类分析,确定异常数据的类别标签anomalyclass={anomaly1,anomaly2,…anomalyk}和紧急程度urgency={Urgent,General},异常数据的每一类与告警信息一一对应,告警信息中包含告警的类别和紧急程度。
优选的,所述根据挖掘得到的关联规则进行数据测试,与预设的时间间隔内收到的告警信息进行关联检测包括:
判断告警信息的紧急程度,若告警信息的紧急程度为General,则根据挖掘得到的关联规则进行数据测试,与预设的时间间隔内收到的告警信息进行关联检测;若告警信息的紧急程度为Urgent,则不进行告警信息合并。
通过使用本发明,可以实现以下效果:
1.基于电力多站融合系统的历史数据训练异常检测模型,确定异常值阈值;实时获取电力多站融合系统运行态势的时间序列数据,将处理好的时间序列数据输入到训练好的异常检测模型中,得到数据的异常分数,将异常分数与异常值阈值进行比较,判断异常信息;基于历史告警数据信息,挖掘告警信息之间的相关性,确定关联规则;确定异常信息的类别和紧急程度,并生成对应的告警信息,基于关联规则完成告警信息的合并和输出;
2.DAE能够解决时间序列数据中的噪声问题,防止噪声信息影响异常数据的检测,从而提高异常数据检测的正确率;RNN则结合上下文信息,解决了序列的时间相关性问题。利用DAE-RNN模型,基于当前样本能获得性能优秀的模型,实现电力多站融合系统运维中时序数据中异常数据的有效检测;
3.挖掘告警信息之间的关联关系,对基于时序关联的告警信息进行有效合并,减少告警次数,避免频繁告警。
4.基于告警信息的紧急程度,将告警信息分为两类:紧急告警信息和一般告警信息,实现了告警信息的分级管理。对于紧急告警,不经过关联检测和合并,直接输出,有效防止紧急预警的延迟。
附图说明
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。
图1是本发明一实施例一种多站融合系统运行态势异常监测和告警合并方法的示意性流程图;
图2是本发明一实施例一种多站融合系统运行态势异常监测和告警合并方法中步骤S1的示意性流程图;
图3是本发明一实施例一种多站融合系统运行态势异常监测和告警合并方法中步骤S2的示意性流程图;
图4是本发明一实施例一种多站融合系统运行态势异常监测和告警合并方法中步骤S3的示意性流程图。
具体实施方式
以下结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
本发明的基本思想是基于电力多站融合系统的历史数据训练异常检测模型,确定异常值阈值;实时获取电力多站融合系统运行态势的时间序列数据,将处理好的时间序列数据输入到训练好的异常检测模型中,得到数据的异常分数,将异常分数与异常值阈值进行比较,判断异常信息;基于历史告警数据信息,挖掘告警信息之间的相关性,确定关联规则;确定异常信息的类别和紧急程度,并生成对应的告警信息,基于关联规则完成告警信息的合并和输出。
基于以上思想,本发明提出了一种多站融合系统运行态势异常监测和告警合并方法,如图1所示,包括以下步骤:
S1:基于电力多站融合系统的历史数据训练异常检测模型,确定异常值阈值。具体的,如图2所示。
S11:对采集的电力多站融合系统的历史数据进行清洗以及归一化处理,得到有效数据格式的时序变量。
考虑到电力多站融合系统的历史数据可能存在杂糅数据等问题,因此在训练异常检测模型前需要进行数据预处理。
首先对采集的电力多站融合系统的历史数据进行清洗,去除冗余杂糅数据,保留有效的时间序列数据信息,其次,对时间序列数据X={x1,x2,…xn}进行如下式的归一化操作,将序列中的每一维元素归一化到[-1,1]区间,得到有效数据格式的时序变量:
S12:基于DAE-RNN模型根据时序变量训练异常检测模型。
构建DAE-RNN模型,主要分为两个主体:DAE(去噪自动编码器)和RNN(循环神经网络)。DAE向输入中加入噪声,利用含有噪声的样本重构不含有噪声的输入,达到去噪的目的,然后进行特征提取,获取正常数据与异常数据之间的内在差异,RNN则用于架构时间模型,充分利用上下文信息,使学习器对时间维度上的演变更加稳健,考虑序列的时间相关性。
异常检测模型训练:首先单独训练DAE,然后通过固定DAE的参数来训练RNN,最后执行微调更新DAE中的参数;通过训练减少模型对输入数据的重构误差,不断迭代对网络参数进行优化,提取训练好的模型。
具体为:初始化DAE参数并对隐藏层进行预训练作为降噪自动编码器,随机梯度下降使重构损失最小化;使用训练好的DAE生成时序数据的隐藏单元;获取RNN隐藏单元的期望值,使用定义的损失函数训练RNN;将时序数据分成几段长度均为M的分段序列,使用M长度序列对参数进行微调。
DAE能够解决时间序列数据中的噪声问题,防止噪声信息影响异常数据的检测,从而提高异常数据检测的正确率;RNN则结合上下文信息,解决了序列的时间相关性问题。利用DAE-RNN模型,基于当前样本能获得性能优秀的模型,实现电力多站融合系统运维中时序数据中异常数据的有效检测。
S13:根据训练好的训练异常检测模型对正常数据和异常数据的特征提取,确定异常值阈值。
S2:实时获取电力多站融合系统运行态势的时间序列数据,将处理好的时间序列数据输入到训练好的异常检测模型中,得到数据的异常分数,将异常分数与异常值阈值进行比较,判断异常信息。具体的,如图3所示。
S21:实时获取电力多站融合系统运行态势的时间序列数据;
S22:对时间序列数据进行预处理;
同样,对接收到的时间序列数据需要进行数据清洗,保留其中的相关有效信息,对时间序列数据进行归一化操作,将其归一化到[-1,1]的数据范围中。
S23:将处理好的时间序列数据输入到训练好的DAE-RNN模型中,计算输出数据的重构误差,得到数据的异常分数;
S24:将异常分数与异常值阈值进行比较,若小于异常值阈值,则判断接收到的时间序列数据为正常数据;否则,则为异常数据。
S3:基于历史告警数据信息,挖掘告警信息之间的相关性,确定关联规则。
当异常检测模块检测到异常数据时,将其转化为对应的告警信息,并根据挖掘的关联规则,对有时序关联的告警信息进行合并,将合并的信息发送给告警接收人员处理。具体如图4所示,包括以下步骤:
S31:历史告警数据信息预处理;
同样,在获取历史告警信息后,对数据进行清洗,消除噪声以及无用的、不合理的杂糅数据,保留与目标相关的有效数据信息,获得适合分析的数据形式,本发明中告警信息包括告警类别和告警的紧急程度。
S32:使用挖掘窗口进行滑动,把位于同一个窗口内的报警归结为一个事务;挖掘出频繁项集,从频繁项集中产生规则;
在本实施例中,告警信息的关联是指若历史上告警信息warn2往往伴随着warn1的告警信息,两个告警信息之间可能存在关联。
S32:确定合适的关联阈值,得出所有规则的支持度和置信度,确定合适的置信度阈值,将满足置信度阈值的关联规则归纳为一条规则。
S4:确定异常信息的类别和紧急程度,并生成对应的告警信息,基于关联规则完成告警信息的合并和输出。
对历史异常数据进行聚类分析,确定异常数据的类别标签anomalyclass={anomaly1,anomaly2,…anomalyk}和紧急程度urgency={Urgent,General},异常数据的每一类与告警信息一一对应,告警信息中包含告警的类别和紧急程度。判断告警信息的紧急程度,若告警信息的紧急程度为General,则根据挖掘得到的关联规则进行数据测试,与预设的时间间隔内收到的告警信息进行关联检测;若告警信息的紧急程度为Urgent,则不进行告警信息合并。
若获得的告警信息的紧急程度为Urgent,,则不进行告警合并,直接将告警信息发送给告警处理人员;若获得的告警信息的紧急程度为General,则将预设时间间隔内具有时序关联关系的告警合并为同一告警,将该时间间隔内合并后的告警信息发送给告警信息处理人员。本发明中预设时间间隔为15min,暂存15min内收到的紧急程度为general的告警信息,进行关联检测和合并,15min时,将合并后的告警信息发出。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种多站融合系统运行态势异常监测和告警合并方法,其特征在于,包括:
基于电力多站融合系统的历史数据训练异常检测模型,确定异常值阈值;
实时获取电力多站融合系统运行态势的时间序列数据,将处理好的时间序列数据输入到训练好的异常检测模型中,得到数据的异常分数,将异常分数与异常值阈值进行比较,判断异常信息;
基于历史告警数据信息,挖掘告警信息之间的相关性,确定关联规则;
确定异常信息的类别和紧急程度,并生成对应的告警信息,基于关联规则完成告警信息的合并和输出。
2.根据权利要求1所述的一种多站融合系统运行态势异常监测和告警合并方法,其特征在于,所述基于电力多站融合系统的历史数据训练异常检测模型,从而确定异常值阈值包括:
对采集的电力多站融合系统的历史数据进行清洗以及归一化处理,得到有效数据格式的时序变量;
基于DAE-RNN模型根据时序变量训练异常检测模型;
根据训练好的训练异常检测模型对正常数据和异常数据的特征提取,确定异常值阈值。
3.根据权利要求1所述的一种多站融合系统运行态势异常监测和告警合并方法,其特征在于,所述将异常分数与异常值阈值进行比较,判断异常信息包括:
若异常分数小于异常值阈值,则接收到的时间序列数据为正常数据,否则,则为异常数据。
4.根据权利要求1所述的一种多站融合系统运行态势异常监测和告警合并方法,其特征在于,所述基于历史告警数据信息,挖掘告警信息之间的相关性,确定关联规则包括:
获取历史告警信息,并对数据进行清洗;
通过挖掘窗口进行滑动,把位于同一个窗口内的历史告警信息归结为一个事务;挖掘出频繁项集,从频繁项集中产生规则;
确定合适的关联阈值,得出所有规则的支持度和置信度,确定合适的置信度阈值,将满足置信度阈值的关联规则归纳为一条规则。
5.根据权利要求1所述的一种多站融合系统运行态势异常监测和告警合并方法,其特征在于,所述确定异常信息的类别和紧急程度,并生成对应的告警信息,基于关联规则完成告警信息的合并和输出包括:
当检测到异常数据时,获取到检测到异常数据的序列;
针对检测到的异常数据,确定异常数据的类别和紧急程度,生成对应的告警信息;
根据挖掘得到的关联规则进行数据测试,与预设的时间间隔内收到的告警信息进行关联检测;
将具有时序关联关系的告警信息进行收敛,合并成同一告警信息。
6.根据权利要求5所述的一种多站融合系统运行态势异常监测和告警合并方法,其特征在于,所述针对检测到的异常数据,确定异常数据的类别和紧急程度,生成对应的告警信息包括:
对历史异常数据进行聚类分析,确定异常数据的类别标签anomalyclass={anomaly1,anomaly2,...anomalyk}和紧急程度urgency={Urgent,General},异常数据的每一类与告警信息一一对应,告警信息中包含告警的类别和紧急程度。
7.根据权利要求6所述的一种多站融合系统运行态势异常监测和告警合并方法,其特征在于,所述根据挖掘得到的关联规则进行数据测试,与预设的时间间隔内收到的告警信息进行关联检测包括:
判断告警信息的紧急程度,若告警信息的紧急程度为General,则根据挖掘得到的关联规则进行数据测试,与预设的时间间隔内收到的告警信息进行关联检测;若告警信息的紧急程度为Urgent,则不进行告警信息合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192002.0A CN111563524A (zh) | 2020-03-18 | 2020-03-18 | 一种多站融合系统运行态势异常监测和告警合并方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192002.0A CN111563524A (zh) | 2020-03-18 | 2020-03-18 | 一种多站融合系统运行态势异常监测和告警合并方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563524A true CN111563524A (zh) | 2020-08-21 |
Family
ID=72074210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010192002.0A Pending CN111563524A (zh) | 2020-03-18 | 2020-03-18 | 一种多站融合系统运行态势异常监测和告警合并方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563524A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767195A (zh) * | 2020-09-02 | 2020-10-13 | 江苏达科云数据科技有限公司 | 一种告警信息智能降噪的处理方法 |
CN112115180A (zh) * | 2020-09-11 | 2020-12-22 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的电网事故预测方法 |
CN112181787A (zh) * | 2020-09-04 | 2021-01-05 | 北京达佳互联信息技术有限公司 | 异常数据的报警处理方法、装置、电子设备及存储介质 |
CN112257755A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN112631240A (zh) * | 2020-12-07 | 2021-04-09 | 中国人民解放军63920部队 | 航天器故障主动检测方法及装置 |
CN112651656A (zh) * | 2020-12-31 | 2021-04-13 | 四川弘和通讯有限公司 | 一种基于时间线方式检测火情动态趋势方法及系统 |
CN112884032A (zh) * | 2021-02-05 | 2021-06-01 | 南京振盈和信息技术有限公司 | 基于多源信息融合的实时线变关系精确诊断分析系统 |
CN114721912A (zh) * | 2021-01-04 | 2022-07-08 | 腾讯科技(深圳)有限公司 | 一种数据分析方法、装置、设备及介质 |
CN116070162A (zh) * | 2023-03-06 | 2023-05-05 | 国网浙江省电力有限公司宁波供电公司 | 一种反窃电监测方法及系统 |
CN116861318A (zh) * | 2023-09-05 | 2023-10-10 | 国网浙江省电力有限公司余姚市供电公司 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
CN117171576A (zh) * | 2023-11-01 | 2023-12-05 | 博纯材料股份有限公司 | 应用于材料提纯系统的异常监控方法及系统 |
CN117411518A (zh) * | 2023-10-17 | 2024-01-16 | 安徽炬视科技有限公司 | 一种电力信息采集方法与系统 |
CN117572808A (zh) * | 2024-01-15 | 2024-02-20 | 埃睿迪信息技术(北京)有限公司 | 一种设备监测方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
CN109345408A (zh) * | 2018-08-23 | 2019-02-15 | 国网江苏省电力有限公司 | 基于长短期记忆网络的异常数据甄别方法 |
CN110245168A (zh) * | 2019-06-20 | 2019-09-17 | 国网江苏省电力有限公司南京供电分公司 | 一种提取电网历史告警中异常事件特征信号的方法及系统 |
CN110399278A (zh) * | 2019-07-24 | 2019-11-01 | 江苏物联网研究发展中心 | 基于数据中心异常监控的告警融合系统及方法 |
-
2020
- 2020-03-18 CN CN202010192002.0A patent/CN111563524A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
CN109345408A (zh) * | 2018-08-23 | 2019-02-15 | 国网江苏省电力有限公司 | 基于长短期记忆网络的异常数据甄别方法 |
CN110245168A (zh) * | 2019-06-20 | 2019-09-17 | 国网江苏省电力有限公司南京供电分公司 | 一种提取电网历史告警中异常事件特征信号的方法及系统 |
CN110399278A (zh) * | 2019-07-24 | 2019-11-01 | 江苏物联网研究发展中心 | 基于数据中心异常监控的告警融合系统及方法 |
Non-Patent Citations (1)
Title |
---|
WEINING LU等: "Unsupervised Sequential Outlier Detection with Deep Architectures", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767195A (zh) * | 2020-09-02 | 2020-10-13 | 江苏达科云数据科技有限公司 | 一种告警信息智能降噪的处理方法 |
CN112181787A (zh) * | 2020-09-04 | 2021-01-05 | 北京达佳互联信息技术有限公司 | 异常数据的报警处理方法、装置、电子设备及存储介质 |
CN112181787B (zh) * | 2020-09-04 | 2023-12-19 | 北京达佳互联信息技术有限公司 | 异常数据的报警处理方法、装置、电子设备及存储介质 |
CN112115180A (zh) * | 2020-09-11 | 2020-12-22 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的电网事故预测方法 |
CN112257755B (zh) * | 2020-09-24 | 2023-07-28 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN112257755A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN112631240A (zh) * | 2020-12-07 | 2021-04-09 | 中国人民解放军63920部队 | 航天器故障主动检测方法及装置 |
CN112651656A (zh) * | 2020-12-31 | 2021-04-13 | 四川弘和通讯有限公司 | 一种基于时间线方式检测火情动态趋势方法及系统 |
CN112651656B (zh) * | 2020-12-31 | 2023-11-07 | 四川弘和通讯有限公司 | 一种基于时间线方式检测火情动态趋势方法及系统 |
CN114721912B (zh) * | 2021-01-04 | 2024-07-09 | 腾讯科技(深圳)有限公司 | 一种数据分析方法、装置、设备及介质 |
CN114721912A (zh) * | 2021-01-04 | 2022-07-08 | 腾讯科技(深圳)有限公司 | 一种数据分析方法、装置、设备及介质 |
CN112884032A (zh) * | 2021-02-05 | 2021-06-01 | 南京振盈和信息技术有限公司 | 基于多源信息融合的实时线变关系精确诊断分析系统 |
CN112884032B (zh) * | 2021-02-05 | 2022-05-27 | 南京振盈和信息技术有限公司 | 基于多源信息融合的实时线变关系精确诊断分析系统 |
CN116070162A (zh) * | 2023-03-06 | 2023-05-05 | 国网浙江省电力有限公司宁波供电公司 | 一种反窃电监测方法及系统 |
CN116070162B (zh) * | 2023-03-06 | 2023-08-29 | 国网浙江省电力有限公司宁波供电公司 | 一种反窃电监测方法及系统 |
CN116861318B (zh) * | 2023-09-05 | 2023-11-21 | 国网浙江省电力有限公司余姚市供电公司 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
CN116861318A (zh) * | 2023-09-05 | 2023-10-10 | 国网浙江省电力有限公司余姚市供电公司 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
CN117411518A (zh) * | 2023-10-17 | 2024-01-16 | 安徽炬视科技有限公司 | 一种电力信息采集方法与系统 |
CN117171576A (zh) * | 2023-11-01 | 2023-12-05 | 博纯材料股份有限公司 | 应用于材料提纯系统的异常监控方法及系统 |
CN117171576B (zh) * | 2023-11-01 | 2024-02-27 | 博纯材料股份有限公司 | 应用于材料提纯系统的异常监控方法及系统 |
CN117572808A (zh) * | 2024-01-15 | 2024-02-20 | 埃睿迪信息技术(北京)有限公司 | 一种设备监测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563524A (zh) | 一种多站融合系统运行态势异常监测和告警合并方法 | |
CN110647539B (zh) | 一种用于车辆故障的预测方法和系统 | |
CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
CN110263846A (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN112016602B (zh) | 电网故障原因与状态量的关联分析方法,设备和存储介质 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
CN111507376A (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN110912737A (zh) | 一种基于混合模型的动态感知性能预告警方法 | |
CN113037575B (zh) | 网元异常的根因定位方法、装置、电子设备及存储介质 | |
CN116361059B (zh) | 一种银行业务异常根因诊断方法及诊断系统 | |
CN106682835A (zh) | 一种数据驱动的复杂机电系统服役质量状态评估方法 | |
CN110032167A (zh) | 基于局部线性嵌入的卫星姿态控制系统微小故障检测方法 | |
CN115269314A (zh) | 一种基于日志的事务异常检测方法 | |
CN115237717A (zh) | 一种微服务异常检测方法和系统 | |
CN110187275A (zh) | 一种永磁电机健康状态检测方法及系统 | |
CN105930255A (zh) | 一种系统健康度预测方法及装置 | |
KR20190081691A (ko) | 머신러닝 알고리즘을 이용한 공정 이상 감지 시스템 및 그 방법 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN114566964A (zh) | 一种配电网馈线自动化控制方法、装置、设备及存储介质 | |
CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 | |
CN117667495B (zh) | 一种关联规则与深度学习集成的应用系统故障预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |