CN111695620B - 一种电力系统时间序列异常数据检测与修正方法及系统 - Google Patents
一种电力系统时间序列异常数据检测与修正方法及系统 Download PDFInfo
- Publication number
- CN111695620B CN111695620B CN202010514926.8A CN202010514926A CN111695620B CN 111695620 B CN111695620 B CN 111695620B CN 202010514926 A CN202010514926 A CN 202010514926A CN 111695620 B CN111695620 B CN 111695620B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- scale
- error
- power system
- 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 54
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 230000008034 disappearance Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000011157 data evaluation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 239000010410 layer Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
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
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种电力系统时间序列异常数据检测与修正方法及系统，其首先利用多尺度卷积模块对电力序列数据做初步的特征提取，然后利用多个残差模块对提取的特征向量进一步表示为新的特征向量，再使用一个全连接层将特征向量映射到误差序列中，最后通过一个标准阈值对误差进行处理，得到数据异常点并修正；其提高异常数据的辨别能力，利用深度残差结构有效地减少网络的梯度消失及模型退化问题，通过序列误差估计实现异常数据的检测与修正，无需复杂的特征工程，并且相同硬件条件下样本测试时间也比大多数方法快很多，其能够更高效地进行时间序列数据的异常检测及修正，从而提高电网时序数据的质量，为电网的准确数据分析和评价提供了有效支撑。
Description
技术领域
本发明属于时序电力数据异常检测与修正技术领域，涉及一种电力系统时间序列异常数据检测与修正方法及系统，尤其涉及一种基于多尺度深度残差网络的电力系统时间序列异常数据检测与修正方法及系统。
背景技术
目前，随着现代化技术的先进发展，在电力系统中，电网的内部结构及系统运行方式也变得更加复杂，这使得加深系统智能化、自动化成为必然。同时，由于人们对电能质量的要求提高，使得必须拥有更真实、更精确的数据库。然而，多种外部环境的干扰会导致少数测量数据存在测量误差，影响数据分级，进而影响决策。因此电力系统不良数据的检测与辨识是电力系统状态估计的重要功能之一，其目的在与排除测量采样中偶然出现的少量不良数据，提高状态估计的可靠性。不良数据的存在会影响电力系统的运行状态，从而影响系统的性能，但是电力环境的复杂性对不良数据检测算法的鲁棒性提出挑战。因此，面向复杂的电力环境，建立一套不良检测与辨识模型及算法对有效估计电力系统状态，保证电力系统稳定运行具有十分的重要意义。现有技术的电力系统异常数据检测方法主要有基于状态估计法、数据挖掘法。状态估计法一般以加权最小二乘状态估计方法为基础，该方法假设测量误差服从误差正态分布，然后基于假设检验的方法依据残差来辨识异常数据，但该类方法可能会污染或者淹没残差，从而造成不良数据的漏检或误检。数据挖掘指主要从大量的各种纯净或非纯净数据中，提取出其中隐含的有用信息或知识过程，此类方法主要包含基于神经网络和基于模糊理论的两种方法。但是，传统的单层感知器只能求解线性问题，对求解复杂的非线性问题时需要用到多层感知机即深度神经网络，然而基于深度神经网络的算法仍然需要进一步完善。
发明内容
本发明提供一种电力系统时间序列异常数据检测与修正方法及系统，以解决现有技术中所存在的上述问题，其作为基于多尺度深度残差网络的电力系统时间序列异常数据检测与修正方法，能够辨识和修正电力系统不良数据。
本发明的电力系统时间序列异常数据检测与修正方法，包括如下步骤：
第一步，多尺度深度残差网络模型的训练：设定网络模型为多尺度输入、基于残差单元的特征提取器和误差修正三个部分；整个网络的开始部分为多尺度输入模块，在所述多尺度输入模块提取完特征向量后，使用多个所述残差单元对所述多尺度输入模块提取的特征向量进一步映射，得到误差序列，最后输入数据序列减去所述误差序列得到修正后的数据序列；
第二步，多尺度深度残差网络的电力系统时间序列异常数据检测与修正：通过大小为N的滑动窗口在对输入的电力数据进行采样作为所述多尺度深度残差网络的输入，然后经由所述多尺度深度残差网络得到误差序列；得到所述误差序列后，通过一个标准化阈值对所述误差序列进行处理，得到数据的异常点。
在以上方案中优选的是，第一步中，所述多尺度深度残差网络模型包括：所述多尺度深度残差网络的电力系统时间序列异常数据检测与修正的数据输入部分，所述多尺度深度残差网络的电力系统时间序列异常数据检测与修正模型用对输入采用多尺度卷积来提取特征并联后作为输入。
还可以优选的是，第一步中，所述多尺度输入模块采用三个尺度卷积提取特征。
还可以优选的是，第一步中，所述三个尺度卷积的卷积核大小分别为1×1，3×1，5×1。
还可以优选的是，第二步中，所述多尺度深度残差网络的电力系统时间序列异常数据检测与修正预测部分，为将多尺度输入模块输出的特征向量作为输入，然后使用多个残差结构对多所述尺度输入模块的输出进一步表示，最后通过一个全连接层将矢量映射到误差序列中；在得到误差序列后，通过一个所述标准化阈值对误差序列进行处理，得到数据的异常点。
还可以优选的是，第二步中，所述标准化阈值θi的选取公式为θi＝α(pi+qi)，其中qi为误差序列中的第i个数据点，pi为原始序列的i个数据点，α为阈值系数。
还可以优选的是，第二步中，当qi超过θi时，作为一个异常点。
还可以优选的是，第二步中，通过原始数据减去误差数据来对所述原始数据进行修正。
一种电力系统时间序列异常数据检测与修正系统，应用于电力系统，所述系统包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现所述的一种电力系统时间序列异常数据检测与修正方法的方法步骤。
本发明的有益效果：
本发明的电力系统时间序列异常数据检测与修正方法，其首先利用多尺度卷积模块对电力序列数据做初步的特征提取，然后利用多个残差模块对提取的特征向量进一步表示为新的特征向量，再使用一个全连接层将特征向量映射到误差序列中，最后通过一个标准阈值对误差进行处理，得到数据异常点并修正；其基于多尺度深度残差网络模型对电力系统时间序列异常数据进行检测与修正，利用多尺度卷积有效地提取时间序列的多尺度特征，提高了异常数据的辨别能力，利用深度残差结构有效地减少网络的梯度消失及模型退化问题，通过序列误差估计实现异常数据的检测与修正，无需复杂的特征工程，并且相同硬件条件下样本测试时间也比大多数方法快很多，其能够更高效地进行时间序列数据的异常检测及修正，从而提高电网时序数据的质量，为电网的准确数据分析和评价提供了有效支撑。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的电力系统时间序列异常数据检测与修正方法的基本流程框图。
图2为本发明的电力系统时间序列异常数据检测与修正方法的流程示意图。
图3为本发明的电力系统时间序列异常数据检测与修正方法的标准阈值对误差序列处理的示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
一种电力系统时间序列异常数据检测与修正方法，如图1所示，包括如下步骤：
第一步，多尺度深度残差网络模型的训练：设定网络模型为多尺度输入、基于残差单元的特征提取器和误差修正三个部分；整个网络的开始部分为多尺度输入模块，在所述多尺度输入模块提取完特征向量后，使用多个所述残差单元对所述多尺度输入模块提取的特征向量进一步映射，得到误差序列，最后输入数据序列减去所述误差序列得到修正后的数据序列；
第二步，多尺度深度残差网络的电力系统时间序列异常数据检测与修正：通过大小为N的滑动窗口在对输入的电力数据进行采样作为所述多尺度深度残差网络的输入，然后经由所述多尺度深度残差网络得到误差序列；得到所述误差序列后，通过一个标准化阈值对所述误差序列进行处理，得到数据的异常点。
其利用多尺度卷积有效地提取时间序列的多尺度特征，提高了异常数据的辨别能力，利用深度残差结构有效地减少网络的梯度消失及模型退化问题，通过序列误差估计实现异常数据的检测与修正，能够更高效地进行时间序列数据的异常检测及修正，从而提高电网时序数据的质量，为电网的准确数据分析和评价提供了有效支撑。
实施例2
如图1所示，一种电力系统时间序列异常数据检测与修正方法，其基于多尺度深度残差网络(MS-ResNet)，包括以下步骤：
第一步，多尺度深度残差网络模型的训练：设定网络模型为多尺度输入、基于残差单元的特征提取器和误差修正三个部分；整个网络的开始部分为多尺度输入模块，该模块采用3个尺度卷积提取特征，三个尺度卷积的卷积核大小分别为1×1，3×1，5×1。在多尺度输入模块提取完特征向量后，使用多个残差单元对多尺度输入模块提取的特征向量进一步映射，得到误差序列，最后输入数据序列减去误差序列得到修正后的数据序列；
第二步，多尺度深度残差网络的电力系统时间序列异常数据检测与修正：使用大小为N的滑动窗口在对输入的电力数据进行采样作为多尺度深度残差网络的输入，然后经由该网络得到误差序列。在得到误差序列后，通过一个标准化阈值对误差序列进行处理，得到数据的异常点。该网络的整体结构如附图2所示。本文中，标准化阈值θi的选取方法为θi＝α(pi+qi)，其中qi为误差序列中的第i个数据点，pi为原始序列的i个数据点，α为阈值系数。当qi超过θi时即认为是一个异常点。通过原始数据减去误差数据可以对原始数据进行修正,该方法如附图3所示。
在另一个具体实施例中，第一步中，所述的多尺度深度残差网络模型包括：多尺度深度残差网络的电力系统时间序列异常数据检测与修正的数据输入部分，多尺度深度残差网络的电力系统时间序列异常数据检测与修正模型用对输入采用多尺度卷积来提取特征并联后作为输入；
在另一个具体实施例中，第二步中，多尺度深度残差网络的电力系统时间序列异常数据检测与修正预测部分，是将多尺度输入模块输出的特征向量作为输入，然后使用多个残差结构对多尺度模块的输出进一步表示，最后通过一个全连接层将矢量映射到误差序列中。在得到误差序列后，通过一个标准化阈值对误差序列进行处理，得到数据的异常点。
在另一个具体实施例中，第二步中，标准化阈值θi的选取方法为θi＝α(pi+qi)，其中qi为误差序列中的第i个数据点，pi为原始序列的i个数据点，α为阈值系数。当qi超过θi时即认为是一个异常点。通过原始数据减去误差数据可以对原始数据进行修正,该方法如附图3所示。
上述实施例的电力系统时间序列异常数据检测与修正方法，首先，利用多尺度卷积提取特征信息方法，采用卷积核大小分别为1×1，3×1，5×1的三个尺度卷积提取特征，核大小为1×1、3×1的卷积提取时间范围较短的时序信息，5×1卷积在较大的时间范围内捕获信息，并通过在不同尺度的卷积设置不同数量的卷积核个数来限制参数量，再使用拼接的方式将不同卷积核尺寸卷积得到的特征图进行整合，这既有利于特征的顺利提取，同时也避免了多尺度卷积后的卷积结构训练参数的爆炸式增长。其次，利用深度残差网络获得误差序列方法：通过大小为N的滑动窗口对电力数据进行采样作为多尺度深度残差网络的输入，利用多尺度卷积对多个残差块进行高层次特征提取，将序列信息展平为表示主序列的一维特征向量，利用节点数小于特征向量维数的隐藏层来减少特征向量，然后通过一个全连接层将矢量映射到误差序列中，即利用深度残差网络得到误差序列，再通过一个标准化阈值对误差序列进行处理，最终获得数据的异常点。
一种电力系统时间序列异常数据检测与修正系统，应用于电力系统，所述系统包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现所述的一种电力系统时间序列异常数据检测与修正方法的方法步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (4)
1.一种电力系统时间序列异常数据检测与修正方法，其特征在于，包括如下步骤：
第一步，多尺度深度残差网络模型的训练：设定网络模型为多尺度输入、基于残差单元的特征提取器和误差修正三个部分；整个网络的开始部分为多尺度输入模块，在所述多尺度输入模块提取完特征向量后，使用多个所述残差单元对所述多尺度输入模块提取的特征向量进一步映射，得到误差序列，最后输入数据序列减去所述误差序列得到修正后的数据序列；
第二步，多尺度深度残差网络的电力系统时间序列异常数据检测与修正：通过大小为N的滑动窗口在对输入的电力数据进行采样作为所述多尺度深度残差网络的输入，然后经由所述多尺度深度残差网络得到误差序列；得到所述误差序列后，通过一个标准化阈值对所述误差序列进行处理，得到数据的异常点；
所述多尺度深度残差网络模型包括：所述多尺度深度残差网络的电力系统时间序列异常数据检测与修正的数据输入部分，所述多尺度深度残差网络的电力系统时间序列异常数据检测与修正模型用对输入采用多尺度卷积来提取特征并联后作为输入；
所述多尺度深度残差网络的电力系统时间序列异常数据检测与修正预测部分，为将多尺度输入模块输出的特征向量作为输入，然后使用多个残差结构对多所述尺度输入模块的输出进一步表示，最后通过一个全连接层将矢量映射到误差序列中；在得到误差序列后，通过一个所述标准化阈值对误差序列进行处理，得到数据的异常点；
所述标准化阈值θi的选取公式为θi＝α(pi+qi)，其中qi为误差序列中的第i个数据点，pi为原始序列的i个数据点，α为阈值系数；
第二步中，当qi超过θi时，作为一个异常点；
第二步中，通过原始数据减去误差数据来对所述原始数据进行修正。
2.如权利要求1所述的电力系统时间序列异常数据检测与修正方法，其特征在于，第一步中，所述多尺度输入模块采用三个尺度卷积提取特征。
3.如权利要求2所述的电力系统时间序列异常数据检测与修正方法，其特征在于，第一步中，所述三个尺度卷积的卷积核大小分别为1×1，3×1，5×1。
4.一种电力系统时间序列异常数据检测与修正系统，应用于电力系统，其特征在于，所述系统包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1至3中任一项所述的一种电力系统时间序列异常数据检测与修正方法的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010514926.8A CN111695620B (zh) | 2020-06-08 | 2020-06-08 | 一种电力系统时间序列异常数据检测与修正方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010514926.8A CN111695620B (zh) | 2020-06-08 | 2020-06-08 | 一种电力系统时间序列异常数据检测与修正方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695620A CN111695620A (zh) | 2020-09-22 |
| CN111695620B true CN111695620B (zh) | 2023-10-24 |
Family
ID=72479868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010514926.8A Active CN111695620B (zh) | 2020-06-08 | 2020-06-08 | 一种电力系统时间序列异常数据检测与修正方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695620B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884008B (zh) * | 2021-01-25 | 2022-09-09 | 国电南瑞科技股份有限公司 | 一种电力信息采集系统运行状态的预测评估方法及装置 |
| CN112861071B (zh) * | 2021-02-05 | 2022-09-02 | 哈尔滨工程大学 | 一种基于深度自编码的高铁牵引系统异常检测方法 |
| CN113077357B (zh) * | 2021-03-29 | 2023-11-28 | 国网湖南省电力有限公司 | 电力时序数据异常检测方法及其填补方法 |
| CN115345202B (zh) * | 2022-08-17 | 2023-05-23 | 国网江苏省电力有限公司电力科学研究院 | 一种第三方负荷聚合平台交互数据异常检测方法及系统 |
| CN116613895B (zh) * | 2023-07-21 | 2023-10-31 | 国网天津市电力公司信息通信公司 | 一种智能电网电力数据异常检测方法和系统 |
| CN117391481B (zh) * | 2023-12-11 | 2024-03-01 | 阿尔卑斯系统集成(大连)有限公司 | 一种基于大数据的电力数据监视方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
| CN110826624A (zh) * | 2019-11-05 | 2020-02-21 | 电子科技大学 | 一种基于深度强化学习的时间序列分类方法 |
| CN111160626A (zh) * | 2019-12-10 | 2020-05-15 | 天津大学 | 一种基于分解融合的电力负荷时间序列控制方法 |
-
2020
- 2020-06-08 CN CN202010514926.8A patent/CN111695620B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
| CN110826624A (zh) * | 2019-11-05 | 2020-02-21 | 电子科技大学 | 一种基于深度强化学习的时间序列分类方法 |
| CN111160626A (zh) * | 2019-12-10 | 2020-05-15 | 天津大学 | 一种基于分解融合的电力负荷时间序列控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于时间序列提取和维诺图的电力数据异常检测方法;裴湉;齐冬莲;;电力建设(05);全文 * |
| 基于深度学习的电力大数据融合与异常检测方法;刘冬兰;马雷;刘新;李冬;常英贤;;计算机应用与软件(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695620A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695620B (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
| CN112966879A (zh) | 环境试验箱故障预测方法、装置、计算机设备及存储介质 | |
| CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
| CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
| CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及系统 | |
| CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
| CN114227717A (zh) | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN116977907A (zh) | 基于图像识别的电力巡检故障诊断方法及系统 | |
| CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 | |
| CN111093140A (zh) | 检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质 | |
| CN115359059A (zh) | 太阳能电池性能测试方法及系统 | |
| CN114462127A (zh) | 基于深度极限学习机的结构损伤识别方法及系统 | |
| CN116484513A (zh) | 基于多级抽象时间特征融合的滚动轴承故障诊断方法 | |
| KR20220028727A (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
| CN112862002A (zh) | 多尺度目标检测模型的训练方法、目标检测方法和装置 | |
| CN116150233B (zh) | 有源配电台区运行状态数据的最小映射处理方法及系统 | |
| CN113111804B (zh) | 一种人脸检测的方法、装置、电子设备及存储介质 | |
| CN115578359B (zh) | 一种基于生成对抗网络与无缺陷图像度量的少样本缺陷检测方法、系统、装置以及存储介质 | |
| CN117726627B (zh) | 芯片表面缺陷检测方法及设备 | |
| CN117893538B (zh) | 基于机器视觉的半导体器件质量检测方法、装置及系统 | |
| CN115935166A (zh) | 检测模型训练方法、装置及相关设备 | |
| CN117892214A (zh) | 异常检测模型的构建方法、异常检测方法及异常检测系统 | |
| CN117313010A (zh) | 一种晶闸管变流器故障诊断方法和系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |