CN111694827B - 一种电力设备状态监测数据缺失值分类插补方法和系统 - Google Patents

一种电力设备状态监测数据缺失值分类插补方法和系统 Download PDF

Info

Publication number
CN111694827B
CN111694827B CN202010481374.5A CN202010481374A CN111694827B CN 111694827 B CN111694827 B CN 111694827B CN 202010481374 A CN202010481374 A CN 202010481374A CN 111694827 B CN111694827 B CN 111694827B
Authority
CN
China
Prior art keywords
missing
interpolation
values
value
continuous
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
Application number
CN202010481374.5A
Other languages
English (en)
Other versions
CN111694827A (zh
Inventor
王有元
刘航
陈伟根
杜林�
李剑
李后英
周湶
王飞鹏
谭亚雄
万福
黄正勇
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202010481374.5A priority Critical patent/CN111694827B/zh
Publication of CN111694827A publication Critical patent/CN111694827A/zh
Application granted granted Critical
Publication of CN111694827B publication Critical patent/CN111694827B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/21—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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • 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

本申请公开了一种电力设备状态监测数据缺失值分类插补方法和系统，所述方法包括：获取电力设备状态在线监测数据集Xm×n，Xm×n包含m个样本，每个样本包含n类状态变量；根据Xm×n中测量值缺失特点，对Xm×n中的缺失值进行分类；构建不同类型缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复。本申请遵循由易到难的原则，提出了分类插补方法实现三类缺失值的顺序修复。与使用单一的数据插补模型相比，本申请的分类插补方法建立了合理的数据插补流程，适用于修复缺失情况复杂且缺失率高的状态监测数据。

Description

一种电力设备状态监测数据缺失值分类插补方法和系统
技术领域
本发明属于电力设备状态监测数据清洗和修复技术领域，涉及一种电力设备状态监测数据缺失值分类插补方法和系统。
背景技术
高质量的电力设备状态监测数据是保证电力设备故障检测与诊断结果准确性和有效性的前提。然而，在数据采集、传输和存储过程中，受监测装置故障、信号中断等各类因素影响，采集到的原始数据会不可避免地含有缺失值。使用含有缺失值的状态监测数据会降低故障检测和诊断结果的有效性和准确性，威胁电力设备的安全稳定运行。
一方面，由于缺失值产生机理复杂且影响因素众多，状态监测数据中的缺失值往往类型众多且缺失程度严重。目前缺乏对电力设备状态监测数据准确合理的缺失值的分类方法，导致难以根据缺失值的特征选择合理的插补方法进行准确的数据修复。另一方面，尽管缺失值插补方法众多，但单一的插补方法大多针对于修复数据集中特定类型的缺失值。由于缺失值产生机理复杂且影响因素众多，状态监测数据中的缺失值往往类型众多且缺失程度严重，使用单一的插补方法难以取得准确可靠的数据修复效果。
发明内容
为解决现有技术中的不足，本申请提供一种电力设备状态监测数据缺失值分类插补方法和系统，首先根据状态监测数据中缺失值的特点将其分为三种类别，按照由易到难的数据修复原则，建立分类插补模型进行不同类型缺失值的顺序插补，实现电力设备状态监测数据缺失值的准确插补和数据质量的提升，解决电力设备监测质量低的问题。
为了实现上述目标，本申请的第一件发明采用如下技术方案：
一种电力设备状态监测数据缺失值分类插补方法，其特征在于：
所述方法包括以下步骤：
步骤1：获取电力设备状态在线监测数据集Xm×n，Xm×n包含m个样本，每个样本包含n类状态变量；
步骤2：根据Xm×n中测量值缺失特点，对Xm×n中的缺失值进行分类；
步骤3：构建不同类型缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复。
本发明进一步包括以下优选方案：
步骤2中，将Xm×n中的缺失值划分为孤立缺失值、连续缺失状态变量和连续缺失样本三种缺失类型；
若Xm×n中的某个测量值发生缺失，但其前后相邻样本的同类状态变量测量值完整已知，则这类缺失的测量值被定义为孤立缺失值；
若Xm×n中某类状态变量的测量值在一段时间内连续缺失，但同一时段内，如果至少n/2种状态变量没有发生连续缺失，这类连续缺失的测量值为连续缺失状态变量；
若Xm×n中至少n/2种状态变量在一段时间内同时出现了连续的缺失，则该时段内的所有缺失值为连续缺失样本。
步骤3：构建不同类型的缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复。
步骤3具体包括以下步骤：
步骤3.1：根据不同位置的K-1组连续缺失样本将Xm×n分割为K段数据子段，具体为：
Xm×n＝[X(1),Xinc(1),...,X(k),Xinc(k),...,Xinc(K-1),X(K)]T   (2)
其中，X(k)(k＝1,…,K)中只含有孤立缺失值和连续缺失状态变量，Xinc(k)(k＝1,…,K-1)由连续缺失样本构成；
步骤3.2：对于各X(k)(k＝1,…,K)中的孤立缺失值，采用缺失值前后相邻的完整测量值构造一维插值函数进行插补；
步骤3.3：对于各X(k)(k＝1,…,K)中的连续缺失状态变量，在步骤3.2完成孤立缺失值插补后，以待插补数据子段以外的数据子段中相同时段的完整状态变量作为输入，待插补的数据子段连续缺失状态变量为输出，构建回归分析模型进行插补；
步骤3.4：对于各Xinc(k)中的连续缺失样本，以完成步骤3.2孤立缺失值且完成步骤3.3连续缺失样本的数据子段X(k)为输入，构建逐步外推预测模型实现对Xinc(k)中连续缺失样本的插补。
步骤3.2中构造的一维插值函数为：
Figure BDA0002517525280000031
式中，
Figure BDA0002517525280000032
是第i个样本第j类状态变量测量值xi,j的插补值。
步骤3.3中，使用多元线性回归分析模型、神经网络、支持向量机回归或随机森林构建回归分析模型。
步骤3.4中，使用基于长短时记忆网络的深度学习模型、循环神经网络、或门限循环单元模型构建逐步外推预测模型。
本申请还公开了另一件发明，即一种电力设备状态监测数据缺失值分类插补系统，包括获取模块、分类模块和插补模块；
所述获取模块，用于获取电力设备状态在线监测数据集Xm×n，Xm×n包含m个样本，每个样本包含n类状态变量；
所述分类模块，用于根据Xm×n中测量值缺失特点，对Xm×n中的缺失值进行分类；
所述插补模块，用于构建不同类型缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复。
本申请所达到的有益效果：
1.本申请应用于设备监测数据的处理，在分析状态监测数据中的缺失值特点和缺失程度的基础上，将状态监测数据中的缺失值分为孤立缺失值、连续缺失状态变量和连续缺失样本三种缺失类型，为后续的缺失值插补方法选择和数据修复提供了较好的数据完整性信息；
2.本申请遵循由易到难的原则，提出了分类插补方法实现三类缺失值的顺序修复。与使用单一的数据插补模型相比，本申请的分类插补方法建立了合理的数据插补流程，适用于修复缺失情况复杂且缺失率高的状态监测数据，可有效解决设备监测质量低的问题。
附图说明
图1是本申请一种电力设备状态监测数据缺失值分类插补方法的流程图；
图2是本申请状态监测数据中的缺失值类型举例；
附图2中每个方块表示一个测量值；
图3是本申请实施例中状态监测数据集中的缺失值插补流程图；
图4是本申请实施例中第4台变压器负荷的数据插补结果；
附图4中，(a)为原始数据；(b)为孤立缺失值插补完成后数据修复结果；(c)为连续缺失状态变量插补完成后数据修复结果；(d)为连续缺失状态变量插补完成后数据修复结果；(e)为完整真实的负荷数据。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本申请的一种电力设备状态监测数据缺失值分类插补方法，包括以下步骤：
步骤1：获取电力设备状态在线监测数据集Xm×n，Xm×n包含m个样本，每个样本包含n类状态变量，如式(1)所示；
Figure BDA0002517525280000041
本申请实施例中，某500kV变电站由4台并联变压器组成，该变电站中的能量管理系统(energy management system,EMS)中存储了4台变压器的有功功率在线监测数据
Figure BDA0002517525280000042
步骤2：将Xm×n中的缺失值划分为孤立缺失值、连续缺失状态变量和连续缺失样本三种缺失类型；
若Xm×n中的某个测量值发生缺失，但其前后相邻样本的同类状态变量测量值完整已知，则这类缺失的测量值被定义为孤立缺失值；
即，例如，Xm×n中第i个样本第j类状态变量测量值xi,j的插补值xi,j发生缺失，但其相邻的测量值xi-1,j和xi+1,j是完整已知的，则将xi,j划分为孤立缺失值。如附图2中黑色方框所示。
若Xm×n中某类状态变量的测量值在一段时间内连续缺失，但同一时段内，有至少n/2种状态变量没有发生连续缺失，这类连续缺失的测量值为连续缺失状态变量；
例如，在[i,i+1,…,i+t](t>2)的时段内，第j类状态变量的测量值[xi,j,xi+1,j,…,xi+t,j]发生连续缺失，但在[i,i+1,…,i+t]时段内Xm×n中至少有n/2种状态变量没有发生连续缺失，则将发生缺失的[xi,j,xi+1,j,…,xi+t,j]划分为连续缺失状态变量，如附图2中带有“×”号的方框所示；
若Xm×n中至少有n/2种状态变量在一段时间内同时出现了连续的缺失，则该时段内的所有缺失值为连续缺失样本。
例如，在[i,i+1,…,i+t](t>2)的时段内，如果至少有n/2种状态变量的测量值同时出现连续缺失，则将[i,i+1,…,i+t](t>2)的时段内所有缺失值划分为连续缺失样本。如附图2中带有“+”号的方框所示。
如图3所示，步骤3：构建不同类型缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复，具体包括以下步骤：
步骤3.1：根据不同位置的K-1组连续缺失样本将Xm×n分割为K段数据子段，具体为：
Xm×n＝[X(1),Xinc(1),...,X(k),Xinc(k),...,Xinc(K-1),X(K)]T   (2)
其中，X(k)(k＝1,…,K)中只含有孤立缺失值和连续缺失状态变量，Xinc(k)(k＝1,…,K-1)由连续缺失样本构成；
本申请实施例中，X被连续缺失的样本分割为3段，各数据子段的基本信息分别如表1所示。其中在X(1)中只有第4台变压器有功功率中含有连续缺失状态变量。且在Xinc(1)和Xinc(2)中，所有测量值全部发生缺失。
表1 X的基本信息
Figure BDA0002517525280000051
步骤3.2：对于X(1)～X(3)中的孤立缺失值，采用缺失值前后相邻的完整测量值构造一维插值函数进行插补；
例如，在数据子段X(k)中，当xi,j发生缺失，使用相邻已知值，如xi-1,j和xi+1,j，构造插值函数对xi,j进行插补。
所述一维插值函数为：
Figure BDA0002517525280000061
式中，
Figure BDA0002517525280000062
是第i个样本第j类状态变量测量值xi,j的插补值。
步骤3.3：对于X(1)～X(3)中的连续缺失状态变量，在步骤3.2完成孤立缺失值插补后，以待插补数据子段以外的数据子段中相同时段的完整状态变量作为输入，待插补的数据子段连续缺失状态变量为输出，构建回归分析模型进行插补；
例如在完成孤立缺失值插补后的数据段X(k)中，当[xi,j,xi+1,j,…,xi+t,j]发生连续缺失时，以相同时段其余完整的状态变量为输入，第j类状态变量为输出，构建回归分析模型实现对[xi,j,xi+1,j,…,xi+t,j]的插补。
本申请实施例中，以X(1)中的连续缺失状态变量为例，在完成孤立缺失值插补后，以X(1)中相同时段的前三台变压器的有功功率作为输入，待插补的第4台变压器有功功率为输出，构建回归分析模型，对第4台变压器有功功率中的连续缺失状态变量进行插补。可使用多元线性回归分析模型、神经网络、支持向量机回归或随机森林构建回归分析模型。
步骤3.4：对于各Xinc(k)中的连续缺失样本，以完成步骤3.2孤立缺失值且完成步骤3.3连续缺失样本的数据子段X(k)为输入，构建逐步外推预测模型实现对Xinc(k)中连续缺失样本的插补。
例如，当完成X(k)中孤立缺失值和连续缺失状态变量的插补后，X(k)中不含有任何缺失值。以X(k)中的数据为输入，构建逐步外推预测模型，对Xinc(k)中的连续缺失样本进行逐步外推预测，实现连续缺失样本的插补。
本申请实施例中，在完成孤立缺失值和连续缺失状态变量的插补后，数据子段X(1)～X(3)中将不含任何缺失值，以X(1)和X(2)为输入，分别构建逐步外推预测模型对Xinc(1)和Xinc(2)中的连续缺失样本进行插补。
步骤3.4中，使用基于长短时记忆网络的深度学习模型、循环神经网络、或门限循环单元模型构建逐步外推预测模型。
以X中第4台变压器有功功率缺失值插补为例，其分类插补效果如附图4所示。由插补结果可知，三类插补模型具有准确性高、鲁棒性强和适用性广的优异性能，表明该模型适用于修复缺失情况复杂且缺失程度严重的状态监测数据。
本申请的一种电力设备状态监测数据缺失值分类插补系统，包括获取模块、分类模块和插补模块；
所述获取模块，用于获取电力设备状态在线监测数据集Xm×n，Xm×n包含m个样本，每个样本包含n类状态变量；
所述分类模块，用于根据Xm×n中测量值缺失特点，对Xm×n中的缺失值进行分类；
所述插补模块，用于构建不同类型缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复。
本申请应用于设备监测数据的处理，在分析状态监测数据中的缺失值特点和缺失程度的基础上，将状态监测数据中的缺失值分为孤立缺失值、连续缺失状态变量和连续缺失样本三种缺失类型，为后续的缺失值插补方法选择和数据修复提供了较好的数据完整性信息；
本申请遵循由易到难的原则，提出了分类插补方法实现三类缺失值的顺序修复。与使用单一的数据插补模型相比，本申请的分类插补方法建立了合理的数据插补流程，适用于修复缺失情况复杂且缺失率高的状态监测数据，可有效解决设备监测质量低的问题。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (5)

1.一种电力设备状态监测数据缺失值分类插补方法，其特征在于：
所述方法包括以下步骤：
步骤1：获取电力设备状态在线监测数据集Xm×n，Xm×n包含m个样本，每个样本包含n类状态变量；
步骤2：根据Xm×n中测量值缺失特点，对Xm×n中的缺失值进行分类，具体的：
将Xm×n中的缺失值划分为孤立缺失值、连续缺失状态变量和连续缺失样本三种缺失类型；
若Xm×n中的某个测量值发生缺失，但其前后相邻样本的同类状态变量测量值完整已知，则这类缺失的测量值被定义为孤立缺失值；
若Xm×n中某类状态变量的测量值在一段时间内连续缺失，但同一时段内，如果至少n/2种状态变量没有发生连续缺失，这类连续缺失的测量值为连续缺失状态变量；
若Xm×n中至少n/2种状态变量在一段时间内同时出现了连续的缺失，则该时段内的所有缺失值为连续缺失样本；
步骤3：构建不同类型缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复，具体包括以下步骤：
步骤3.1：根据不同位置的K-1组连续缺失样本将Xm×n分割为K段数据子段，具体为：
Xm×n＝[X(1),Xinc(1),...,X(k),Xinc(k),...,Xinc(K-1),X(K)]T         (2)
其中，X(k)(k＝1,…,K)中只含有孤立缺失值和连续缺失状态变量，Xinc(k)(k＝1,…,K-1)由连续缺失样本构成；
步骤3.2：对于各X(k)(k＝1,…,K)中的孤立缺失值，采用缺失值前后相邻的完整测量值构造一维插值函数进行插补；
步骤3.3：对于各X(k)(k＝1,…,K)中的连续缺失状态变量，在步骤3.2完成孤立缺失值插补后，以待插补数据子段以外的数据子段中相同时段的完整状态变量作为输入，待插补的数据子段连续缺失状态变量为输出，构建回归分析模型进行插补；
步骤3.4：对于各Xinc(k)中的连续缺失样本，以完成步骤3.2孤立缺失值且完成步骤3.3连续缺失样本的数据子段X(k)为输入，构建逐步外推预测模型实现对Xinc(k)中连续缺失样本的插补。
2.根据权利要求1所述的一种电力设备状态监测数据缺失值分类插补方法，其特征在于：
步骤3.2中构造的一维插值函数为：
Figure FDA0004074825270000021
式中，
Figure FDA0004074825270000022
是第i个样本第j类状态变量测量值xi,j的插补值。
3.根据权利要求1所述的一种电力设备状态监测数据缺失值分类插补方法，其特征在于：
步骤3.3中，使用多元线性回归分析模型、神经网络、支持向量机回归或随机森林构建回归分析模型。
4.根据权利要求1所述的一种电力设备状态监测数据缺失值分类插补方法，其特征在于：
步骤3.4中，使用基于长短时记忆网络的深度学习模型、循环神经网络、或门限循环单元模型构建逐步外推预测模型。
5.一种电力设备状态监测数据缺失值分类插补系统，包括获取模块、分类模块和插补模块，其特征在于：
所述获取模块，用于获取电力设备状态在线监测数据集Xm×n，Xm×n包含m个样本，每个样本包含n类状态变量；
所述分类模块，用于根据Xm×n中测量值缺失特点，对Xm×n中的缺失值进行分类，具体的：
将Xm×n中的缺失值划分为孤立缺失值、连续缺失状态变量和连续缺失样本三种缺失类型；
若Xm×n中的某个测量值发生缺失，但其前后相邻样本的同类状态变量测量值完整已知，则这类缺失的测量值被定义为孤立缺失值；
若Xm×n中某类状态变量的测量值在一段时间内连续缺失，但同一时段内，如果至少n/2种状态变量没有发生连续缺失，这类连续缺失的测量值为连续缺失状态变量；
若Xm×n中至少n/2种状态变量在一段时间内同时出现了连续的缺失，则该时段内的所有缺失值为连续缺失样本；
所述插补模块，用于构建不同类型缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复，具体包括：
1)：根据不同位置的K-1组连续缺失样本将Xm×n分割为K段数据子段，具体为：
Xm×n＝[X(1),Xinc(1),...,X(k),Xinc(k),...,Xinc(K-1),X(K)]T         (2)
其中，X(k)(k＝1,…,K)中只含有孤立缺失值和连续缺失状态变量，Xinc(k)(k＝1,…,K-1)由连续缺失样本构成；
2)：对于各X(k)(k＝1,…,K)中的孤立缺失值，采用缺失值前后相邻的完整测量值构造一维插值函数进行插补；
3)：对于各X(k)(k＝1,…,K)中的连续缺失状态变量，在2)完成孤立缺失值插补后，以待插补数据子段以外的数据子段中相同时段的完整状态变量作为输入，待插补的数据子段连续缺失状态变量为输出，构建回归分析模型进行插补；
4)：对于各Xinc(k)中的连续缺失样本，以完成2)孤立缺失值且完成3)连续缺失样本的数据子段X(k)为输入，构建逐步外推预测模型实现对Xinc(k)中连续缺失样本的插补。
CN202010481374.5A 2020-05-31 2020-05-31 一种电力设备状态监测数据缺失值分类插补方法和系统 Active CN111694827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010481374.5A CN111694827B (zh) 2020-05-31 2020-05-31 一种电力设备状态监测数据缺失值分类插补方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010481374.5A CN111694827B (zh) 2020-05-31 2020-05-31 一种电力设备状态监测数据缺失值分类插补方法和系统

Publications (2)

Publication Number Publication Date
CN111694827A CN111694827A (zh) 2020-09-22
CN111694827B true CN111694827B (zh) 2023-04-07

Family

ID=72478697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010481374.5A Active CN111694827B (zh) 2020-05-31 2020-05-31 一种电力设备状态监测数据缺失值分类插补方法和系统

Country Status (1)

Country Link
CN (1) CN111694827B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199362B (zh) * 2020-10-14 2022-11-11 北京理工大学 一种mes背景下的数据库数据缺失的填补方法及系统
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
CN113127469B (zh) * 2021-04-27 2023-03-24 国网内蒙古东部电力有限公司信息通信分公司 一种三相不平衡数据的缺失值的填补方法及系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6373399B1 (en) * 1990-02-15 2002-04-16 Itron, Inc. Wide area communications network for remote data generating stations
CN1690713A (zh) * 2004-04-23 2005-11-02 霍夫曼-拉罗奇有限公司 对样本进行分析以提供表征数据的方法、系统和指令程序
CN104319768A (zh) * 2014-11-03 2015-01-28 四川慧盈科技有限责任公司 一种微电网供电及监控方法
CN105069751A (zh) * 2015-07-17 2015-11-18 江西欧酷智能科技有限公司 一种深度图像缺失数据的插值方法
CN105117988A (zh) * 2015-10-14 2015-12-02 国家电网公司 一种电力系统中缺失数据插补的方法
CN107273445A (zh) * 2017-05-26 2017-10-20 电子科技大学 一种大数据分析中缺失数据混合多重插值的装置和方法
CN107273820A (zh) * 2017-05-26 2017-10-20 中国科学院遥感与数字地球研究所 一种土地覆盖遥感分类方法及系统
CN108181894A (zh) * 2017-12-15 2018-06-19 宁波大学 一种基于修剪独立元回归策略的非高斯过程监测方法
CN108197079A (zh) * 2016-12-08 2018-06-22 广东精点数据科技股份有限公司 一种改进的对缺失值插补的算法
CN108197080A (zh) * 2016-12-08 2018-06-22 广东精点数据科技股份有限公司 一种基于多种算法融合的缺失值插补方法
CN108469180A (zh) * 2018-04-09 2018-08-31 华北理工大学 基于大数据和机器学习的烧结终点预测系统的建立方法
CN109147949A (zh) * 2018-08-16 2019-01-04 辽宁大学 一种基于分类回归树来用于检测教师亚健康状态的方法
CN109587655A (zh) * 2017-09-29 2019-04-05 波音公司 用于通过标准飞机轨迹公约来传送高保真飞机轨迹相关信息的系统和方法
CN109598449A (zh) * 2018-12-14 2019-04-09 北京匠芯电池科技有限公司 基于充电数据的锂离子电池包性能评估方法
WO2019094721A2 (en) * 2017-11-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
CN109784362A (zh) * 2018-12-05 2019-05-21 国网辽宁省电力有限公司信息通信分公司 一种基于迭代knn和插补优先级的dga数据缺失值插补方法
CN110309136A (zh) * 2019-07-10 2019-10-08 山东大学 一种数据库异常事件缺失数据填充方法及系统
CN110782007A (zh) * 2019-10-15 2020-02-11 中国航空无线电电子研究所 一种基于神经网络的飞行数据缺失补充方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120266209A1 (en) * 2012-06-11 2012-10-18 David Jeffrey Gooding Method of Secure Electric Power Grid Operations Using Common Cyber Security Services
US20180284758A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection for equipment analysis in an upstream oil and gas environment

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6373399B1 (en) * 1990-02-15 2002-04-16 Itron, Inc. Wide area communications network for remote data generating stations
CN1690713A (zh) * 2004-04-23 2005-11-02 霍夫曼-拉罗奇有限公司 对样本进行分析以提供表征数据的方法、系统和指令程序
CN104319768A (zh) * 2014-11-03 2015-01-28 四川慧盈科技有限责任公司 一种微电网供电及监控方法
CN105069751A (zh) * 2015-07-17 2015-11-18 江西欧酷智能科技有限公司 一种深度图像缺失数据的插值方法
CN105117988A (zh) * 2015-10-14 2015-12-02 国家电网公司 一种电力系统中缺失数据插补的方法
CN108197079A (zh) * 2016-12-08 2018-06-22 广东精点数据科技股份有限公司 一种改进的对缺失值插补的算法
CN108197080A (zh) * 2016-12-08 2018-06-22 广东精点数据科技股份有限公司 一种基于多种算法融合的缺失值插补方法
CN107273820A (zh) * 2017-05-26 2017-10-20 中国科学院遥感与数字地球研究所 一种土地覆盖遥感分类方法及系统
CN107273445A (zh) * 2017-05-26 2017-10-20 电子科技大学 一种大数据分析中缺失数据混合多重插值的装置和方法
CN109587655A (zh) * 2017-09-29 2019-04-05 波音公司 用于通过标准飞机轨迹公约来传送高保真飞机轨迹相关信息的系统和方法
WO2019094721A2 (en) * 2017-11-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
CN108181894A (zh) * 2017-12-15 2018-06-19 宁波大学 一种基于修剪独立元回归策略的非高斯过程监测方法
CN108469180A (zh) * 2018-04-09 2018-08-31 华北理工大学 基于大数据和机器学习的烧结终点预测系统的建立方法
CN109147949A (zh) * 2018-08-16 2019-01-04 辽宁大学 一种基于分类回归树来用于检测教师亚健康状态的方法
CN109784362A (zh) * 2018-12-05 2019-05-21 国网辽宁省电力有限公司信息通信分公司 一种基于迭代knn和插补优先级的dga数据缺失值插补方法
CN109598449A (zh) * 2018-12-14 2019-04-09 北京匠芯电池科技有限公司 基于充电数据的锂离子电池包性能评估方法
CN110309136A (zh) * 2019-07-10 2019-10-08 山东大学 一种数据库异常事件缺失数据填充方法及系统
CN110782007A (zh) * 2019-10-15 2020-02-11 中国航空无线电电子研究所 一种基于神经网络的飞行数据缺失补充方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
IPWireless Inc..R1-113440 "Initial complexity analysis of MTC LTE UEs".《3GPP tsg_ran\WG1_RL1》.2011, *
Research_on_Transformer_Condition-based_Maintenance_Optimization_Based_on_Live_Detection;WANG YOUYUAN;《IEEE XPLORE》;全文 *
数据缺失情况下基于深度学习的故障诊断;刘炜博;《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》;全文 *

Also Published As

Publication number Publication date
CN111694827A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111694827B (zh) 一种电力设备状态监测数据缺失值分类插补方法和系统
Papaefthymiou et al. MCMC for wind power simulation
Paternina et al. Identification of electromechanical oscillatory modes based on variational mode decomposition
CN110829417B (zh) 基于lstm双结构模型的电力系统暂态稳定预测方法
CN109193650B (zh) 一种基于高维随机矩阵理论的电网薄弱点评估方法
CN109444667B (zh) 基于卷积神经网络的配电网早期故障分类方法及装置
CN111582551A (zh) 风电场短期风速预测方法、系统及电子设备
CN111371188A (zh) 一种用电异常数据实时预警系统
CN110348114B (zh) 一种电网完备性状态信息重构的非精确故障识别方法
Izadi et al. A synchronized lissajous-based method to detect and classify events in synchro-waveform measurements in power distribution networks
Cortes-Robles et al. Fast-training feedforward neural network for multi-scale power quality monitoring in power systems with distributed generation sources
CN116610998A (zh) 一种基于多模态数据融合的开关柜故障诊断方法和系统
CN113554360A (zh) 一种输电线路运行状态可视化管理方法、系统及存储介质
CN111931849A (zh) 一种水电机组运行数据趋势预警方法
Bala et al. Random forest based fault analysis method in IEEE 14 bus system
CN116298509A (zh) 一种电力系统谐波谐振的在线识别方法
CN115166625A (zh) 智能电表误差估计方法及装置
CN115600494A (zh) 一种低压台区拓扑自动识别方法及装置
CN112560888B (zh) 基于辛几何变换评估变压器绕组抗短路能力的方法及系统
Chen et al. An analytical method of data mining on voltage sag based on gray target theory and cloud model
Xu et al. A Wavelet Transform and ResNet Based Method for Sensing the Operational Status of Secondary Equipment in the Distribution Room
Rydén et al. Estimation of return levels of sea level along the Swedish coast by the method of r largest annual maxima
Zhou et al. Power-Load Fault Diagnosis via Fractal Similarity Analysis
Acharya et al. Enhancing lossy compression of PMU measurements by data conditioning
De Greve et al. A review of time series models for the long term modeling of wind speed in distribution network planning

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