CN112083371A - 一种基于lof的异常高压计量点筛查方法及系统 - Google Patents
一种基于lof的异常高压计量点筛查方法及系统 Download PDFInfo
- Publication number
- CN112083371A CN112083371A CN202010788019.2A CN202010788019A CN112083371A CN 112083371 A CN112083371 A CN 112083371A CN 202010788019 A CN202010788019 A CN 202010788019A CN 112083371 A CN112083371 A CN 112083371A
- Authority
- CN
- China
- Prior art keywords
- lof
- metering
- kth
- data object
- data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012216 screening Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于LOF的异常高压计量点筛查方法及系统，包括：获取高压计量点的电能计量数据集；采用LOF算法计算电能计量数据集中每个数据对象的第k距离和第k邻域；根据由第k距离和第k邻域得到的每个数据对象的可达密度计算局部离群点因子LOF值；筛选的局部离群点因子LOF值高于预设阈值的数据对象所属的高压计量点为异常高压计量点。采用LOF算法通过比较电能计量数据中每个数据对象的局部离群点因子LOF值，局部离群点因子LOF值表示该对象离群点的程度，局部离群点因子LOF值越高，则为异常点的可能性越大，通过与阈值的比较，筛选出较低局部离群点因子LOF值的数据对象，即确定异常高压计量点，解决检测滞后的问题，实现快速识别。
Description
技术领域
本发明涉及电力系统技术领域，特别是涉及一种基于局部异常因子算法(LocalOutlier Factor,LOF)的异常高压计量点筛查方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着用电信息采集系统、供电服务指挥系统的深入应用，电能计量装置故障在线监测技术的发展越来越完善，若电能计量装置发生故障，则会严重影响计量的准确性。
高压计量是指在高压供电线路上，对多台或一台变压器电力数据的监测计量，计量点为安装电能计量装置的位置，根据计量电压划分，可分为高供高计、高供低计两类；高压为供给用户的电力，即10kV及以上电压等级，由高压供电到用户。电能计量装置安装在电力变压器的低压侧，即为高供低计；由高压供电到用户，电能计量装置安装在电力变压器的高压侧，即为高供高计；也就是高供高计为在高压供电的同时在高压一侧进行计量，高供低计为在高压供电的同时在低压装置侧进行计量。
目前，基于用电信息采集系统计量故障在线诊断分析建立在运行抽检、周期性校验、客户申校等流程基础之上，但是发明人认为，该计量在线监测技术存在检测滞后、带故障运行的弊端；同时，随着监测数据的不断扩大，高压供电涉及的计量点电压、电流数据量非常庞大，若以人工逐条核实，效率较低，实时性较差，而且无法保证人工核实的准确性，同样无法满足电能计量装置在线监测和迅速诊断分析的需要。
发明内容
为了解决上述问题，本发明提出了一种基于LOF的异常高压计量点筛查方法及系统。首先计算远程采集到的电能计量数据对象的局部离群点因子LOF值，LOF值表示该对象离群点的程度，局部离群点因子LOF值越高，则为异常点的可能性越大，再通过与阈值的比较，筛选出高于阈值的局部离群点因子LOF值所对应的计量数据对象，即确定异常高压计量点，经在线筛查，解决检测滞后的问题，实现快速识别。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种基于LOF的异常高压计量点筛查方法，包括：
获取高压计量点的电能计量数据集；
采用LOF算法计算电能计量数据集中每个数据对象的第k距离和第k邻域；
根据由第k距离和第k邻域得到的每个数据对象的可达密度计算局部离群点因子LOF值；
筛选的局部离群点因子LOF值高于预设阈值的数据对象所属的高压计量点为异常高压计量点。
第二方面，本发明提供一种基于LOF的异常高压计量点筛查系统，包括：
数据获取模块，用于获取高压计量点的电能计量数据集；
第一计算模块，用于采用LOF算法计算电能计量数据集中每个数据对象的第k距离和第k邻域；
第二计算模块，用于根据由第k距离和第k邻域得到的每个数据对象的可达密度计算局部离群点因子LOF值；
筛选模块，用于筛选的局部离群点因子LOF值高于预设阈值的数据对象所属的高压计量点为异常高压计量点。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明的基于LOF的异常高压计量点筛查方法中，对获取的高压计量点的电能计量数据集进行数据归一化处理，解决局部异常、电网侧电压波动造成的短暂电压降落以及间歇性用电干扰的问题，保证异常点判断的准确性。
本发明的基于LOF的异常高压计量点筛查方法中，基于LOF离群点检测方法对海量用电监测数据异常识别的灵敏性较高，算法简单、迅速，针对海量数据实现快速识别计量或窃电等异常计量点，解决依靠人工进行识别检测存在的滞后问题，使外部因素造成的计量装置故障带来的计量损失降到最低。
本发明的基于LOF的异常高压计量点筛查方法中，依托计算机自动计算和分析，迅速准确计算出电压波动，实现实时计算和分析，节省大量的后台监视人员的人力物力，为异常点的进一步检查和处理争取时间，并且可以侦测误报数据，保证常点判断的准确性。
附图说明
构成本发明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。
图1为本发明实施例1提供的一种基于LOF的异常高压计量点筛查方法流程图；
图2(a)-图2(b)为本发明实施例1提供的LOF输出曲线图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种基于LOF的异常高压计量点检测方法，包括：
S1：获取高压计量点的电能计量数据集；
S2：采用LOF算法计算电能计量数据集中每个数据对象的第k距离和第k邻域；
S3：根据由第k距离和第k邻域得到的每个数据对象的可达密度计算局部离群点因子LOF值；
S4：筛选的局部离群点因子LOF值高于预设阈值的数据对象所属的高压计量点为异常高压计量点。
所述步骤S1中，高压供电的计量点按接线方式可分为高供高计三相三线、高供高计三相四线、高供低计三相四线等三种接线方式，因高压计量错误产生的电量差错较大，对高压供电的计量点进行实时监测尤为必要；
由高压10kV供电的变压器，容量在315kVA及以上的客户计量点，一般采用三相三线接线方式；公用变压器和容量在315kVA以下的客户计量点，一般采用三相四线接线方式；电压等级在35kV及以上的客户计量点以及10kV出线侧考核计量点，一般采用三相四线接线方式。
计量二次回路一般由电能表、接线盒、电压互感器、电流互感器以及相应的二次接线组成，一般的电能表和电磁式互感器现场运行条件复杂，受各种电磁环境和外部温湿条件的影响，可能会出现各种故障，反映到电能表低压侧，就会出现失压、断流以及相位关系错误等三种故障类型，一般的相位关系错误受人为影响较大，本实施例主要针对非管理因素引起的失压、断流造成的计量故障的在线监测和分析，以下给出三元件和两元件电能表计量公式：
p＝uaia+ubib+ucic，
p′＝uabia+ucbic，
本实施例以某一个地区某一天冻结的电压数据为例，电压数据可以从用电信息采集系统中获得，采用24点电压曲线，不失一般性，由于高供高计三相三线接线计量点因为B相数据为零，不再参与计算和分析；
将获取的高压计量点的电压数据进行归一化处理，归一化处理会避免局部异常、电网侧电压波动造成的短暂电压降落以及间歇性用电的干扰问题；
根据高压计量点的分类，归一化处理具体包括：高供高计三相三线计量点AB和CB两个线电压标量值除以10000，高供高计三相四线接线计量点三相电压冻结标量数据除以5774，高供低计三相四线接线计量点三相电压标量数据除以220，得到归一化的电压数据，对每条数据进行编号。
所述步骤S2中，用电信息采集系统建成以后，得到海量的用电和电网侧数据，在不确定电压或者电流波动范围的条件下，本实施例基于LOF算法从海量用电数据中获取有价值的信息，实现无监督学习的失压或者断流异常的识别。
LOF算法是一种基于密度的离群点检测法，通过比较每个数据点p与其邻域点密度，判断数据点p是否存在异常现象，数据点p的密度越低，则越可能成为异常点，目前在物联网、自然语言处理、智能交通和电力等领域得到广泛应用。
所述步骤S2包括：
S2-1：计算目标样本中的每个数据对象与其它数据对象的欧几里得距离；
S2-2：对计算得到的欧几里得距离进行排序，计算每个数据对象第k距离以及第k邻域；
S2-2.1：所述欧几里得距离或欧几里得度量是欧几里得空间中两点间的直线距离；所述第k距离的计算过程包括：
数据对象p的第k距离，记作k-dist(p)：对于电能计量数据集D，数据对象o和数据对象p均为数据集D的对象点，样本空间内存在数据对象o，其与数据对象p间的距离记作d(p,o)，对于任意的自然数k，若满足以下两个条件：
1)样本空间内至少存在k个数据对象q，使得d(p,q)小于等于d(p,o)；
2)样本空间至少存在k-1个数据对象q，使得d(p,q)小于d(p,o)；
则k-dist(p)等于d(p,o)，在数据对象p的局部空间内，对象密度越大的区域，k-dist(p)的值就越大，对象密度越小的区域，k-dist(p)的值就越小。
S2-2.2：所述第k邻域的计算过程包括：
数据对象p的第k距离的邻域Nk-dist(p)记作Nk(p)：指对于已知的k-dist(p)，所有与数据对象p的距离小于等于k-dist(p)数据对象集合，即：
Nk(p)＝{q|d(p,q)≤k-dist(p)}。
所述步骤S3中，具体包括：
S3-1：数据对象p相对于数据对象o的可达距离reach_dist(p,o)：
reach_dist(p,o)＝max{k-dist(o),d(p,o)}；
S3-2：数据对象p的局部可达密度lrdk(p)，定义为数据对象p的k最近邻点平均可达密度的倒数，即：
S3-3：数据对象p的局部异常因子LOFk(p)，表示该数据对象可能成为离群点的程度，定义为数据对象p邻域点Nk(p)局部可达密度与lrdk(p)之比的平均数：
LOFk(p)的值越接近于1，则表明p的邻域点密度值接近，数据对象p可能与邻域属于同一簇；若该值小于1，表明数据对象p的密度大于其邻域点密度，数据对象p为密集点；若该值大于1，表明数据对象p的密度小于其邻域点密度，数据对象p可能为异常点。
在本实施例中，基于LOF的离群点检测法对海量用电监测数据异常识别上灵敏性较高，对数据的归一化处理解决局部异常、电网侧电压波动造成的短暂电压降落以及间歇性用电的干扰问题，算法简单、迅速，只要调取海量数据，就可以快速识别出计量和窃电等异常计量点，克服了依靠人工进行识别的检测滞后弊端，使外部因素造成的计量装置故障带来的计量损失降到最低。
在本实施例中，以某地区290户高压供电用户计量点某一天日冻结电压作为样本数据，三相三线用户104户，三相四线高压用户1户，三相四线低压185户，合计766条数据，导入到EXCEL表格中，用MATLAB进行自动读取，自动计算，k近邻值取10，得到局部离群点因子LOF值，绘制的LOF曲线如图2(a)-图2(b)所示，通过曲线输出结果，可以发现相电压断线、高压电压互感器保险熔断、接线盒老化等计量故障，直观和快速的识别出异常数据，以便安排人员进行进一步处理。
实施例2
本实施例提供一种基于LOF的异常高压计量点筛查系统，包括：
数据获取模块，用于获取高压计量点的电能计量数据集；
第一计算模块，用于采用LOF算法计算电能计量数据集中每个数据对象的第k距离和第k邻域；
第二计算模块，用于根据由第k距离和第k邻域得到的每个数据对象的可达密度计算局部离群点因子LOF值；
筛选模块，用于筛选的局部离群点因子LOF值高于预设阈值的数据对象所属的高压计量点为异常高压计量点。
此处需要说明的是，上述模块对应于实施例1中的步骤S1至S4，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于LOF的异常高压计量点筛查方法，其特征在于，包括：
获取高压计量点的电能计量数据集；
采用LOF算法计算电能计量数据集中每个数据对象的第k距离和第k邻域；
根据由第k距离和第k邻域得到的每个数据对象的可达密度计算局部离群点因子LOF值；
筛选的局部离群点因子LOF值高于预设阈值的数据对象所属的高压计量点为异常高压计量点。
2.如权利要求1所述的一种基于LOF的异常高压计量点筛查方法，其特征在于，所述高压计量点根据接线方式划分为：高供高计三相三线、高供高计三相四线和高供低计三相四线，对获取的高压计量点的电能计量数据集进行归一化处理。
3.如权利要求1所述的一种基于LOF的异常高压计量点筛查方法，其特征在于，计算每个数据对象与其它数据对象的欧几里得距离，对欧几里得距离进行排序，计算每个数据对象的第k距离以及第k邻域。
4.如权利要求1所述的一种基于LOF的异常高压计量点筛查方法，其特征在于，所述第k距离为：计量采集数据对象p与数据对象o间的欧几里得距离为d(p,o)，若电能计量数据集中，至少存在k个数据对象q，使得d(p,q)小于等于d(p,o)，且至少存在k-1个数据对象q，使得d(p,q)小于d(p,o)，则第k距离为d(p,o)。
5.如权利要求1所述的一种基于LOF的异常高压计量点筛查方法，其特征在于，所述第k邻域为：在电能计量数据集中，与计量采集数据对象p的欧几里得距离小于等于第k距离的所有数据对象的集合即为数据对象p的第k邻域。
6.如权利要求1所述的一种基于LOF的异常高压计量点筛查方法，其特征在于，根据第k距离和第k邻域计算每个计量采集数据对象的可达距离，所述可达距离为，数据对象p与数据对象o间的欧几里得距离或数据对象o的第k距离的集合；
根据可达距离计算可达密度，即，数据对象p的第k邻域内的点到数据对象p的平均可达距离的倒数。
7.如权利要求1所述的一种基于LOF的异常高压计量点筛查方法，其特征在于，所述局部离群点因子LOF值为：计量采集数据对象p第k邻域内点的可达密度与数据对象p的可达密度之比的平均数。
8.一种基于LOF的异常高压计量点筛查系统，其特征在于，包括：
数据获取模块，用于获取高压计量点的电能计量数据集；
第一计算模块，用于采用LOF算法计算电能计量数据集中每个数据对象的第k距离和第k邻域；
第二计算模块，用于根据由第k距离和第k邻域得到的每个数据对象的可达密度计算局部离群点因子LOF值；
筛选模块，用于筛选的局部离群点因子LOF值高于预设阈值的数据对象所属的高压计量点为异常高压计量点。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010788019.2A CN112083371A (zh) | 2020-08-07 | 2020-08-07 | 一种基于lof的异常高压计量点筛查方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010788019.2A CN112083371A (zh) | 2020-08-07 | 2020-08-07 | 一种基于lof的异常高压计量点筛查方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112083371A true CN112083371A (zh) | 2020-12-15 |
Family
ID=73735389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010788019.2A Pending CN112083371A (zh) | 2020-08-07 | 2020-08-07 | 一种基于lof的异常高压计量点筛查方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112083371A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158871A (zh) * | 2021-04-15 | 2021-07-23 | 重庆大学 | 一种基于密度核心的无线信号强度异常检测方法 |
| CN114124482A (zh) * | 2021-11-09 | 2022-03-01 | 中国电子科技集团公司第三十研究所 | 基于lof和孤立森林的访问流量异常检测方法及设备 |
| CN114422046A (zh) * | 2022-01-21 | 2022-04-29 | 上海创远仪器技术股份有限公司 | 基于多通道一致性针对异常相位校准数据进行筛查处理的方法、装置、处理器及其存储介质 |
| CN116660667A (zh) * | 2023-07-26 | 2023-08-29 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及系统 |
| CN117235656A (zh) * | 2023-11-16 | 2023-12-15 | 广州视安智能科技有限公司 | 一种基于大数据和云计算的城市交通管理系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014050854A (ja) * | 2012-09-06 | 2014-03-20 | Kobe Steel Ltd | タンデムサブマージアーク溶接方法 |
| CN109102028A (zh) * | 2018-08-20 | 2018-12-28 | 南京邮电大学 | 基于改进的快速密度峰值聚类和lof离群点检测算法 |
| CN110119858A (zh) * | 2018-02-05 | 2019-08-13 | 南京易司拓电力科技股份有限公司 | 基于大数据的电网调度自动化系统的数据质量评估方法 |
| CN111398886A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司电力科学研究院 | 一种自动化检定流水线表位在线异常的检测方法及系统 |
| CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及系统 |
-
2020
- 2020-08-07 CN CN202010788019.2A patent/CN112083371A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014050854A (ja) * | 2012-09-06 | 2014-03-20 | Kobe Steel Ltd | タンデムサブマージアーク溶接方法 |
| CN110119858A (zh) * | 2018-02-05 | 2019-08-13 | 南京易司拓电力科技股份有限公司 | 基于大数据的电网调度自动化系统的数据质量评估方法 |
| CN109102028A (zh) * | 2018-08-20 | 2018-12-28 | 南京邮电大学 | 基于改进的快速密度峰值聚类和lof离群点检测算法 |
| CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及系统 |
| CN111398886A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司电力科学研究院 | 一种自动化检定流水线表位在线异常的检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 李毅;胡建成;: "一种面向混合属性数据的邻域粒离群点检测", 小型微型计算机系统, no. 04, pages 128 - 130 * |
| 王敬华等: "NLOF:一种新的基于密度的局部离群点检测算法", 《计算机科学》 * |
| 王敬华等: "NLOF:一种新的基于密度的局部离群点检测算法", 《计算机科学》, no. 08, 15 August 2013 (2013-08-15), pages 1 - 2 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158871A (zh) * | 2021-04-15 | 2021-07-23 | 重庆大学 | 一种基于密度核心的无线信号强度异常检测方法 |
| CN113158871B (zh) * | 2021-04-15 | 2022-08-02 | 重庆大学 | 一种基于密度核心的无线信号强度异常检测方法 |
| CN114124482A (zh) * | 2021-11-09 | 2022-03-01 | 中国电子科技集团公司第三十研究所 | 基于lof和孤立森林的访问流量异常检测方法及设备 |
| CN114124482B (zh) * | 2021-11-09 | 2023-09-26 | 中国电子科技集团公司第三十研究所 | 基于lof和孤立森林的访问流量异常检测方法及设备 |
| CN114422046A (zh) * | 2022-01-21 | 2022-04-29 | 上海创远仪器技术股份有限公司 | 基于多通道一致性针对异常相位校准数据进行筛查处理的方法、装置、处理器及其存储介质 |
| CN114422046B (zh) * | 2022-01-21 | 2024-03-15 | 上海创远仪器技术股份有限公司 | 基于多通道一致性针对异常相位校准数据进行筛查处理的方法、装置、处理器及其存储介质 |
| CN116660667A (zh) * | 2023-07-26 | 2023-08-29 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及系统 |
| CN116660667B (zh) * | 2023-07-26 | 2023-10-24 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及系统 |
| CN117235656A (zh) * | 2023-11-16 | 2023-12-15 | 广州视安智能科技有限公司 | 一种基于大数据和云计算的城市交通管理系统及方法 |
| CN117235656B (zh) * | 2023-11-16 | 2024-02-27 | 广州视安智能科技有限公司 | 一种基于大数据和云计算的城市交通管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112083371A (zh) | 一种基于lof的异常高压计量点筛查方法及系统 | |
| CN104483575B (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
| CN109298379B (zh) | 一种基于数据监测的智能电表现场误差异常的识别方法 | |
| US20130096853A1 (en) | Systems and methods for monitoring electrical contacts | |
| CN109188082A (zh) | 一种基于bp神经网络的变压器状态评估方法 | |
| CN112485747A (zh) | 一种电容式电压互感器误差状态评估方法 | |
| CN110930057A (zh) | 基于lof算法的配电变压器检验结果可信度的量化评判方法 | |
| CN107677903A (zh) | 一种变压器状态监测数据的聚类分析方法 | |
| CN108287327A (zh) | 基于贝叶斯分类的计量自动化终端故障诊断方法 | |
| CN109142991A (zh) | 一种基于Burr分布的瓷绝缘子红外测零温度阈值判定方法 | |
| CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
| Jiao et al. | Data-driven evaluation for error states of standard electricity meters on automatic verification assembly line | |
| CN113358993A (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
| CN109146265A (zh) | 基于动态规划时间序列相似性的三相不平衡源溯源方法 | |
| Zhao et al. | Data-driven based low-voltage distribution system transformer-customer relationship identification | |
| Detti et al. | Classification based method using fast Fourier transform (FFT) and total harmonic distortion (THD) dedicated to proton exchange membrane fuel cell (PEMFC) diagnosis | |
| Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
| CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
| CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
| CN113204894B (zh) | 一种电能计量异常诊断模型的构建方法及应用 | |
| CN116679151A (zh) | 一种低压台区线损异常诊断方法、装置及存储介质 | |
| US20240162707A1 (en) | Power grid topology determination | |
| CN115236580A (zh) | 火电储能系统的gis之中电流互感器状态量检测方法 | |
| CN109507628B (zh) | 基于三相四线表计设备的反极性故障监测方法和装置 | |
| US11513148B2 (en) | Method, system and software product to identify installations likely to exhibit an electrical non-conformity |
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: 20201215 |