CN111738067B - 一种电力在线监测系统数据的时间序列异常检测方法 - Google Patents

一种电力在线监测系统数据的时间序列异常检测方法 Download PDF

Info

Publication number
CN111738067B
CN111738067B CN202010400180.8A CN202010400180A CN111738067B CN 111738067 B CN111738067 B CN 111738067B CN 202010400180 A CN202010400180 A CN 202010400180A CN 111738067 B CN111738067 B CN 111738067B
Authority
CN
China
Prior art keywords
time
time sequence
monitoring system
power
line monitoring
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
CN202010400180.8A
Other languages
English (en)
Other versions
CN111738067A (zh
Inventor
王文森
杨晓西
董明
郭晨希
魏昊焜
吴经锋
丁彬
韩彦华
高峰
张璐
王辰曦
尚宇
刘强
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd
Xian Jiaotong University
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd
Xian Jiaotong 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd, Xian Jiaotong University filed Critical State Grid Corp of China SGCC
Priority to CN202010400180.8A priority Critical patent/CN111738067B/zh
Publication of CN111738067A publication Critical patent/CN111738067A/zh
Application granted granted Critical
Publication of CN111738067B publication Critical patent/CN111738067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06F18/24—Classification techniques
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种电力在线监测系统数据的时间序列异常检测方法，方法包括以下步骤：采集电力在线监测系统数据以预处理其时间序列；导入预处理后的时间序列进行数据训练，得到若干的时序异常规则；基于异常规则建立时间序列模型，将待检测的电力在线监测系统数据导入所述时间序列模型中与异常规则对比；通过对比时序图判断待检测的电力在线监测系统数据的时间序列是否异常和确定出现异常的时间点。

Description

一种电力在线监测系统数据的时间序列异常检测方法
技术领域
本发明属于电力设备状态监测和故障诊断技术领域，特别是一种电力在线监测系统数据的时间序列异常检测方法。
背景技术
在线监测时序数据的大数据挖掘有利于评价在线监测系统的数据质量，以便于实现基于大数据的电力设备应用场景构建。
时间序列上的数据挖掘研究自从世纪90年代以来发展迅速，其研究内容涵盖了时间序列的相似性查询、时序模式挖掘、时间序列分类和聚类、时间序列异常检测等。时间序列的异常检测又有孤立森林、DBSCAN等算法。它们的缺点是所需要的起始数据量较大；检测效果不佳；参数难以调整和固定等。
同时存在多时间间隔的问题，多时间间隔是时序数据在采集过程中有不同的采集频率，由于客户需要以及采集系统能够做到随时改变单一指标的采集间隔，以及不同之间存在不同的时间间隔，时序数据出现多标准化问题，无法用统一的办法来对其进行解决。在处理多时间间隔问题上，目前尚无成熟的解决方案，但是在应用上无法绕开多时间间隔带来的问题，由于无论是有监督还是无监督，都是需要依靠历史数据来对当前时刻点作出判断，因而需要一种通用的规则及时帮助判断。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术存在的问题，本发明提出一种电力在线监测系统数据的时间序列异常检测方法，通过将时间序列数据与训练后的规则对应，能够实现对电力在线监测系统数据的异常的自动诊断。
本发明的目的通过以下技术方案予以实现，一种电力在线监测系统数据的时间序列异常检测方法包括以下步骤：
第一步骤中，采集电力在线监测系统数据以预处理其时间序列；
第二步骤中，导入预处理后的时间序列进行数据训练，得到若干的时序异常规则；
第三步骤中，基于异常规则建立时间序列模型，将待检测的电力在线监测系统数据导入所述时间序列模型中与异常规则对比；
第四步骤中，通过对比时序图判断待检测的电力在线监测系统数据的时间序列是否异常和确定出现异常的时间点。
所述的方法中，第一步骤中，所述预处理包括对电力在线监测系统数据进行时序校验，解决时间索引不是单调增加的问题，以及解决时间索引包含重复的时间戳的问题，通过保留第一个值进行固定。
所述的方法中，第一步骤中，所述预处理包括对电力在线监测系统数据进行时序校验，解决缺少时间索引属性freq的问题。
所述的方法中，第一步骤中，所述预处理包括对电力在线监测系统数据进行时序校验，时间序列包括分类标签列，通过将分类标签转换为二进制指示符进行修复。
所述的方法中，分类标签列为非二进制。
所述的方法中，预处理基于Python语言利用Pandas包执行。
所述的方法中，第二步骤中，所述异常规则包括阈值异常检测、分位数异常检测和/或离群值异常检测。
所述的方法中，第二步骤中，所述异常规则包括水平位移异常检测和/或波动率异常检测。
所述的方法中，第二步骤中，所述异常规则包括季节异常检测。
所述的方法中，第二步骤中，所述异常规则包括最小簇检测。
有益效果
本发明的一种电力在线监测系统数据的时间序列异常检测方法是基于规则/无监督学习的电力在线监测系统数据时间序列异常检测方法，引入了时间序列异常模式的各种规则，直接实现了对电力在线监测数据的实时诊断，对实现智能化在线监测、为现场工作人员提供指导策略有显著的实际意义。
附图说明
通过阅读下文优选的具体实施方式中的详细描述，本发明各种优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于表示优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。
在附图中：
图1是本发明提供的一种电力在线监测系统数据的时间序列异常检测方法的离群值异常检测示意图；
图2是本发明提供的一种电力在线监测系统数据的时间序列异常检测方法的水平移位异常检测示意图；
图3(a)和图3(b)是本发明提供的一种电力在线监测系统数据的时间序列异常检测方法的波动性异常检测的标准差为指标聚合的波动性偏移转换时间序列示意图；
图4(a)和图4(b)是本发明提供的一种电力在线监测系统数据的时间序列异常检测方法的波动性异常检测的以非零值的数量为指标聚合的具有临时高频率时间序列示意图；
图5(a)和图5(b)是本发明提供的一种电力在线监测系统数据的时间序列异常检测方法的季节异常检测示意图；
图6是本发明提供的一种电力在线监测系统数据的时间序列异常检测方法的时间序列数据的自动异常检测示意图；
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面的参照附图1至附图6将更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
为了更好地理解，一种电力在线监测系统数据的时间序列异常检测方法包括以下步骤：
第一步骤S1中，采集电力在线监测系统数据以预处理其时间序列；
第二步骤S2中，导入预处理后的时间序列进行数据训练，得到若干的时序异常规则；
第三步骤S3中，基于异常规则建立时间序列模型，将待检测的电力在线监测系统数据导入所述时间序列模型中与异常规则对比；
第四步骤S4中，通过对比时序图判断待检测的电力在线监测系统数据的时间序列是否异常和确定出现异常的时间点。
所述的方法的优选实施方式中，第一步骤S1中，所述预处理包括对电力在线监测系统数据进行时序校验，解决时间索引不是单调增加的问题，以及解决时间索引包含重复的时间戳的问题，通过保留第一个值进行固定。
所述的方法的优选实施方式中，第一步骤S1中，所述预处理包括对电力在线监测系统数据进行时序校验，解决缺少时间索引属性freq的问题。
所述的方法的优选实施方式中，第一步骤S1中，所述预处理包括对电力在线监测系统数据进行时序校验，时间序列包括分类标签列，通过将分类标签转换为二进制指示符进行修复。
所述的方法的优选实施方式中，分类标签列为非二进制。
所述的方法的优选实施方式中，预处理基于Python语言利用Pandas包执行。
所述的方法的优选实施方式中，第二步骤S2中，所述异常规则包括阈值异常检测、分位数异常检测和/或离群值异常检测。
所述的方法的优选实施方式中，第二步骤S2中，所述异常规则包括水平位移异常检测和/或波动率异常检测。
所述的方法的优选实施方式中，第二步骤S2中，所述异常规则包括季节异常检测。
所述的方法的优选实施方式中，第二步骤S2中，所述异常规则包括最小簇检测。
为了进一步理解本发明，一个实施例中，一种电力在线监测系统数据的时间序列异常检测方法包括以下步骤：
S100：采集电力在线监测系统的数据，对其进行时间序列的预处理；
S200：导入预处理后的时间序列数据进行训练，得到若干异常的规则；
S300：将所述电力在线监测系统的时序数据导入训练后的时间序列模型中，与异常的规则作对比；
S400：通过对比的时序图可以发现该时间序列是否为该异常类型，且发现出现异常的时间点。
进一步地，步骤S100中，所述预处理包括对得到的电力系统在线监测数据进行时序校验，包括如下步骤：
S1011：解决时间索引不是单调增加的问题；
S1012：解决时间索引包含重复的时间戳的问题，通过保留第一个值进行固定；
S1013：解决缺少时间索引属性freq的问题；
S1014：时间序列包括分类标签列，通过将分类标签转换为二进制指示符进行修复。
进一步地，步骤S200中，所述时序异常的规则包括如下类型：
S2011：阈值异常检测、分位数异常检测、离群值异常检测；
S2012：水平位移异常检测、波动率异常检测；
S2013：季节异常检测；
S2014：最小簇检测；
S2015：回归异常检测。
一个实施例中，检测方法包括如下步骤：
采集电力在线监测系统的时序数据，对时序数据进行预处理；
建立一组通用组件，将它们组合为不同场景的各种类型的时间序列异常检测模型，即建立在线监测数据的时间序列的标准故障时序；
若检测的时间序列数据为多变量，则了解异常检测任务是否可以在序列上分离，若无法由单一维度表示异常类型，则需要将多维变量综合分析，
接下来对预处理后的时序数据进行基于不同类型的异常检测识别，由对应类型异常的探测器实现。
一个实施例中，如图1至图5(b)所示，异常规则包括如下：
离群值异常检测：如图1，离群值是一个数据点，其值与其他值明显不同。在不考虑数据点之间的时间关系的情况下，时间序列中的离群点超出了该序列的正常范围。
水平移位异常检测：如图2，并排滑动两个时间窗口，并持续跟踪其平均值或中值之间的差异。每当左窗口和右窗口中的统计信息显著不同时，它指示此时间点周围的突然变化。对于水平移位，两个窗口应足够长以捕获稳定状态。
波动性异常检测：图3(a)和图3(b)为以标准差为指标聚合的波动性偏移转换时间序列。图4(a)和图4(b)为以非零值的数量为指标聚合的具有临时高频率时间序列。
季节异常检测：当时间序列受季节性因素，例如一天中的小时、星期几、一年的月份，影响时，存在季节性模式。季节性分解从原始时间序列中删除季节性模式，并通过检查剩余序列来突出显示时序序列不正常遵循季节模式的时间段。如图5(a)和图5(b)使用经典季节性分解从时间序列中删除季节性模式，周期为一周。
方法的具体实现实例如图6，该在线监测数据经过预处理后，时序数据出现模式异常，可以直接代入波动性异常规则，规则本身以标准差为指标聚合，可以看出标红时刻开始出现异常。实现了时间序列数据的自动异常检测。
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (8)

1.一种电力在线监测系统数据的时间序列异常检测方法，所述方法包括以下步骤：
第一步骤（S1）中，采集电力在线监测系统数据以预处理其时间序列，所述预处理包括对电力在线监测系统数据进行时序校验，解决时间索引不是单调增加的问题，以及解决时间索引包含重复的时间戳的问题，通过保留第一个值进行固定；
第二步骤（S2）中，导入预处理后的时间序列进行数据训练，得到若干的时序异常规则，所述异常规则包括水平位移异常检测，其中，并排滑动两个时间窗口，并持续跟踪其平均值或中值之间的差异，每当左窗口和右窗口中的统计信息显著不同时，指示此时间点周围的突然变化；
第三步骤（S3）中，基于异常规则建立时间序列模型，将待检测的电力在线监测系统数据导入所述时间序列模型中与异常规则对比得到对比时序图，所述异常规则包括波动率异常检测；
第四步骤（S4）中，通过对比时序图判断待检测的电力在线监测系统数据的时间序列是否异常和确定出现异常的时间点。
2.根据权利要求1所述的方法，其中，第一步骤（S1）中，所述预处理包括对电力在线监测系统数据进行时序校验，解决缺少时间索引属性freq的问题。
3.根据权利要求1所述的方法，其中，第一步骤（S1）中，所述预处理包括对电力在线监测系统数据进行时序校验，时间序列包括分类标签列，通过将分类标签转换为二进制指示符进行修复。
4.根据权利要求3所述方法，其中，分类标签列为非二进制。
5.根据权利要求1所述方法，其中，预处理基于Python语言利用Pandas包执行。
6.根据权利要求1所述方法，其中，第二步骤（S2）中，所述异常规则包括阈值异常检测、分位数异常检测和/或离群值异常检测。
7.根据权利要求1所述方法，其中,第二步骤（S2）中，所述异常规则包括季节异常检测。
8.根据权利要求1所述方法，其中,第二步骤（S2）中，所述异常规则包括最小簇检测。
CN202010400180.8A 2020-05-12 2020-05-12 一种电力在线监测系统数据的时间序列异常检测方法 Active CN111738067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010400180.8A CN111738067B (zh) 2020-05-12 2020-05-12 一种电力在线监测系统数据的时间序列异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010400180.8A CN111738067B (zh) 2020-05-12 2020-05-12 一种电力在线监测系统数据的时间序列异常检测方法

Publications (2)

Publication Number Publication Date
CN111738067A CN111738067A (zh) 2020-10-02
CN111738067B true CN111738067B (zh) 2024-04-16

Family

ID=72647173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010400180.8A Active CN111738067B (zh) 2020-05-12 2020-05-12 一种电力在线监测系统数据的时间序列异常检测方法

Country Status (1)

Country Link
CN (1) CN111738067B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11995154B2 (en) 2021-09-03 2024-05-28 Beijing Baidu Netcom Science Technology Co., Ltd. Method of determining state of target object, electronic device, and storage medium

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111098B (zh) * 2021-06-11 2021-10-29 阿里云计算有限公司 检测时序数据的查询的方法、装置及时序数据库系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101548876B1 (ko) * 2014-08-29 2015-09-01 이화여자대학교 산학협력단 동형 암호기법을 사용하는 스마트 그리드 시스템에서 공격 노드를 식별하는 방법 및 공격 노드를 식별하는 스마트 그리드 시스템
CN105138413A (zh) * 2015-08-19 2015-12-09 中国电力科学研究院 一种配电网在线数据异常检测方法
CN106371939A (zh) * 2016-09-12 2017-02-01 山东大学 一种时序数据异常检测方法及其系统
CN106446091A (zh) * 2016-09-13 2017-02-22 北京协力筑成金融信息服务股份有限公司 一种多源时序数据的预处理方法和装置
CN106933691A (zh) * 2017-03-09 2017-07-07 深圳市彬讯科技有限公司 一种针对季节性时序数据序列中异常点的识别方法及系统
CN107368957A (zh) * 2017-07-04 2017-11-21 广西电网有限责任公司电力科学研究院 一种设备状态监测数据质量评测体系的构建方法
CN109255134A (zh) * 2017-07-12 2019-01-22 中国石油天然气股份有限公司 一种抽油机井故障情况的获取方法
CN109308343A (zh) * 2018-07-31 2019-02-05 北京航空航天大学 一种基于随机波动模型的行程时间预测及可靠性度量方法
CN109508846A (zh) * 2017-09-15 2019-03-22 新奥（中国）燃气投资有限公司 一种机组数据异常波动的检测方法及装置
CN109543083A (zh) * 2018-11-19 2019-03-29 国网陕西省电力公司电力科学研究院 一种多元电网实时数据中异常数据的检测方法
CN110210701A (zh) * 2019-04-23 2019-09-06 贵州电网有限责任公司 一种电网设备风险感知方法
EP3623964A1 (en) * 2018-09-14 2020-03-18 Verint Americas Inc. Framework for the automated determination of classes and anomaly detection methods for time series

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101548876B1 (ko) * 2014-08-29 2015-09-01 이화여자대학교 산학협력단 동형 암호기법을 사용하는 스마트 그리드 시스템에서 공격 노드를 식별하는 방법 및 공격 노드를 식별하는 스마트 그리드 시스템
CN105138413A (zh) * 2015-08-19 2015-12-09 中国电力科学研究院 一种配电网在线数据异常检测方法
CN106371939A (zh) * 2016-09-12 2017-02-01 山东大学 一种时序数据异常检测方法及其系统
CN106446091A (zh) * 2016-09-13 2017-02-22 北京协力筑成金融信息服务股份有限公司 一种多源时序数据的预处理方法和装置
CN106933691A (zh) * 2017-03-09 2017-07-07 深圳市彬讯科技有限公司 一种针对季节性时序数据序列中异常点的识别方法及系统
CN107368957A (zh) * 2017-07-04 2017-11-21 广西电网有限责任公司电力科学研究院 一种设备状态监测数据质量评测体系的构建方法
CN109255134A (zh) * 2017-07-12 2019-01-22 中国石油天然气股份有限公司 一种抽油机井故障情况的获取方法
CN109508846A (zh) * 2017-09-15 2019-03-22 新奥（中国）燃气投资有限公司 一种机组数据异常波动的检测方法及装置
CN109308343A (zh) * 2018-07-31 2019-02-05 北京航空航天大学 一种基于随机波动模型的行程时间预测及可靠性度量方法
EP3623964A1 (en) * 2018-09-14 2020-03-18 Verint Americas Inc. Framework for the automated determination of classes and anomaly detection methods for time series
CN109543083A (zh) * 2018-11-19 2019-03-29 国网陕西省电力公司电力科学研究院 一种多元电网实时数据中异常数据的检测方法
CN110210701A (zh) * 2019-04-23 2019-09-06 贵州电网有限责任公司 一种电网设备风险感知方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Hai-Bin Zhou 等.An intelligent monitoring and diagnosis system for 330kV oil-immersed power transformer.《Proceedings of 2011 International Symposium on Electrical Insulating Materials》.2014,257-260. *
严英杰 等.基于滑动窗口和聚类算法的变压器状态异常检测.《高电压技术》.2016,第42卷(第12期),摘要、第1.1.1节、第1.2节、第2.1节. *
季节时间序列法在IP网异常流量检测的应用;曾国鉴 等;计算机工程与应用;20081231(第7期);144-147 *
朱倩雯 等.风电场输出功率异常数据识别与重构方法研究.《电力系统保护与控制》.2015,第43卷(第3期),38-45. *
王红斌 等.基于负荷时序模型的变压器状态预警方法.《高压电器》.2017,第53卷(第8期),204-210. *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11995154B2 (en) 2021-09-03 2024-05-28 Beijing Baidu Netcom Science Technology Co., Ltd. Method of determining state of target object, electronic device, and storage medium

Also Published As

Publication number Publication date
CN111738067A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111337768B (zh) 变压器油中溶解气体的深度并行故障诊断方法及系统
CN107703920B (zh) 基于多元时间序列的列车制动系统的故障检测方法
CN111738067B (zh) 一种电力在线监测系统数据的时间序列异常检测方法
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
CN109740648A (zh) 电力负荷异常数据识别方法、装置和计算机设备
US20210065021A1 (en) Working condition state modeling and model correcting method
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
CN109765332A (zh) 基于隔离森林的变压器异常值实时检测和故障诊断方法
CN111325410A (zh) 基于样本分布的通用故障预警系统及其预警方法
CN112861350A (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN116700193A (zh) 工厂车间智能化监控管理系统及其方法
EP3665536A1 (de) Ursachenbestimmung von anomalieereignissen
CN113948159B (zh) 一种变压器的故障检测方法、装置及设备
CN110059126B (zh) 基于lkj异常值数据的复杂关联网络分析方法及系统
CN116523499A (zh) 基于数据驱动模型的自动故障诊断和预测方法及系统
Janka et al. Detecting and locating patterns in time series using machine learning
CN116610105A (zh) 一种基于数据融合的轧机机械运行故障监测方法及系统
CN116502043A (zh) 一种基于孤立森林算法的精轧电机状态分析方法
CN111367255A (zh) 一种多变量控制系统性能评价测试系统及方法
CN110320802A (zh) 基于数据可视化的复杂系统信号时序识别方法
CN116595857A (zh) 基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法
CN116911419A (zh) 一种基于趋势相关性特征学习的长时序预测方法
CN113036917B (zh) 一种基于机器学习的配电网监控信息监视系统和方法
CN112269778B (zh) 一种设备故障诊断方法
CN115062686A (zh) 基于多角度特征的多元kpi时序异常检测方法和系统

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