CN112527877A - 一种电能质量异常数据的管理方法、装置及系统 - Google Patents
一种电能质量异常数据的管理方法、装置及系统 Download PDFInfo
- Publication number
- CN112527877A CN112527877A CN202011473678.3A CN202011473678A CN112527877A CN 112527877 A CN112527877 A CN 112527877A CN 202011473678 A CN202011473678 A CN 202011473678A CN 112527877 A CN112527877 A CN 112527877A
- Authority
- CN
- China
- Prior art keywords
- data
- power quality
- abnormal
- monitoring terminal
- abnormal 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 104
- 238000007726 management method Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims description 26
- 230000001052 transient effect Effects 0.000 claims description 23
- 238000004140 cleaning Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电能质量异常数据的管理方法、装置及系统。通过引入电能质量异常数据的识别模型,能够自动地对电能质量异常数据进行识别以及处理,使得电能质量统计结果能够正确、真实的反映电力系统的运行状况。在电能质量数据采集的过程中对异常数据进行管理,减少数据库中异常数据的比例,提高电能质量数据的质量和基于数据的电能质量分析结果的可信度。
Description
技术领域
本发明涉及数据管理技术领域,具体涉及一种电能质量异常数据的管理方法、装置及系统。
背景技术
电能质量监测系统的一个特点是数据量特别大。大数据量带来存储空间、查询效率等一系列问题,其中一个很重要的问题是异常数据处理问题。
电能质量异常数据的产生主要有以下原因:
由于电力系统正常的检修、维护、运行状态临时调整等工作,导致电能质量稳态指标长时间的超标,例如供电电压在整个检修期间降为零。
由于电力系统的各种暂态事件,如电压中断、电压暂升、电压暂降等,导致短时间内电能质量稳态指标严重超标。
由于未能对电能质量异常数据进行处理,导致国内现有电能质量监测系统的电能质量统计分析结果均存在以下问题:
重复统计问题。电能质量暂态事件通常会造成某些稳态指标超标,由于暂态事件通常持续时间很短,此时的稳态指标超标并不能反映真实的稳态指标变化趋势。而实际上电能质量暂态事件和稳态指标是分开评估的,暂态事件通常用“事件型”的分析方法来评估分析,而稳态指标常用“趋势型”的分析方法来统计评估。如果不能将暂态过程导致的超标稳态指标剔除,则一次实际的电能质量事件其影响被重复统计了两次。
统计结果错误问题。不管是何种原因导致的电能质量异常数据,如果不对其进行处理,都将导致最终的统计结果不正确。
目前国内外在对电能质量异常数据的识别、分析和处理尚处于起步阶段。国外在对于暂态过程中的稳态指标超标问题的处理有比较明确的规定,但是对于正常检修维护过程中的稳态指标超标问题的处理没有见过相关研究。国内在上述两种稳态指标超标问题的处理方面都没有明确的规定,也没有看到过有实际的处理。
从用户需求的角度来讲,异常数据由于可能导致统计结果的失真,所以有比较迫切的处理需求。但由于没有系统能够做到异常数据的自动识别和处理,目前只能通过手动识别、手动剔除的方法来处理异常数据,工作量非常之大。
发明内容
为解决上述技术问题,本发明提供了一种电能质量异常数据的管理方法、装置及系统。能够自动识别电能质量异常数据并进行标记,提高统计数据的准确性。
为解决上述技术问题,本发明一方面,提供一种电能质量异常数据的管理方法,其包括如下步骤:
步骤S10,读取电能质量监测终端数据,对于每个读取到的数据,采用预选确定的异常数据判断模型进行判断,确定所述数据是否异常;所述异常数据判断模型通过机器学习训练而成;
步骤S11,对于经过异常数据判断模型判断为异常的数据,采用曲线拟合技术手段进行清洗处理;
步骤S12,对经过清洗处理后的数据进行标记处理,其中,对于清洗成功的数据,设置数据的属性为“清洗成功”;对于无法清洗的数据,设置数据的属性为“异常”,同时,将所述数据、数据时标、数据异常标志存储到数据库指定位置;
步骤S13,对电能质量监测终端数据进行统计时,读取数据库中的电能质量监测终端数据以及其对应的标记;对属性为“异常”的数据采用预定的策略进行处理,所述预定的策略包括彻底弃置、调整为额定值后使用、不考虑异常标记正常使用中之一种。
优选地,进一步包括预先建立异常数据判断模型的步骤:
对异常数据判断标准人工设置初始标准,并采用异常训练库基于机器学习语言进行学习和完善。
优选地,所述步骤S13进一步包括:
根据所读取的电能质量监测终端数据形成电能质量稳态指标趋势曲线,并根据清洗结果在所述电能质量稳态指标趋势曲线上标记电能质量暂态事件,将稳态指标分析和暂态事件分析关联起来。
相应地,本发明的另一方面,还提供一种电能质量异常数据的管理系统,其包括:
读取判断单元,用于读取电能质量监测终端数据,对于每个读取到的数据,采用预选确定的异常数据判断模型进行判断,确定所述数据是否异常;所述异常数据判断模型通过机器学习训练而成;
清洗处理单元,用于对于经过异常数据判断模型判断为异常的数据,采用曲线拟合技术手段进行清洗处理;
标记处理单元,用于对经过清洗处理后的数据进行标记处理,其中,对于清洗成功的数据,设置数据的属性为“清洗成功”;对于无法清洗的数据,设置数据的属性为“异常”,同时,将所述数据、数据时标、数据异常标志存储到数据库指定位置;
统计处理单元,用于对电能质量监测终端数据进行统计时,读取数据库中的电能质量监测终端数据以及其对应的标记;对属性为“异常”的数据采用预定的策略进行处理,所述预定的策略包括彻底弃置、调整为额定值后使用、不考虑异常标记正常使用中之一种。
优选地,进一步包括:
异常数据判断模型建立单元,用于对异常数据判断标准人工设置初始标准,并采用异常训练库基于机器学习语言进行学习和完善。
优选地,进一步包括:
关联标记单元,用于根据所读取的电能质量监测终端数据形成电能质量稳态指标趋势曲线,并根据清洗结果在所述电能质量稳态指标趋势曲线上标记电能质量暂态事件,将稳态指标分析和暂态事件分析关联起来。
相应地,本发明的再一方面,还提供一种电能质量异常数据的管理设备,其包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行前述的方法。
实施本发明,具有如下的有益效果:
本发明提供一种电能质量异常数据的管理方法、装置及系统,通过引入电能质量异常数据的识别模型,能够自动地对电能质量异常数据进行识别以及处理,使得电能质量统计结果能够正确、真实的反映电力系统的运行状况。在电能质量数据采集的过程中对异常数据进行管理,减少数据库中异常数据的比例,提高电能质量数据的质量和基于数据的电能质量分析结果的可信度。
更具体地,在电能质量报表统计分析的时候,自动剔除标记为异常数据的原始数据,一方面保证了统计结果的真实性,一方面减少了人为手动识别、剔除异常数据的工作量;
在电能质量稳态指标趋势曲线上标记电能质量暂态事件,将稳态指标分析和暂态事件分析关联起来,使得电能质量分析结果更可信。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1是本发明提供的一种电能质量异常数据的管理方法的一个实施例的主流程示意图;
图2为本发明提供的一种电能质量异常数据的管理系统的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
如图1所示,示出了本发明提供的一种电能质量异常数据的管理方法的一个实施例的主流程示意图。在本实施例中,所述方法包括如下步骤:
步骤S10,读取电能质量监测终端数据,对于每个读取到的数据,采用预选确定的异常数据判断模型进行判断,确定所述数据是否异常;所述异常数据判断模型通过机器学习训练而成;可以理解的是,所述机器学习可以采用市面上常用的机器学习语言来实现;
步骤S11,对于经过异常数据判断模型判断为异常的数据,采用曲线拟合技术手段进行清洗处理;
步骤S12,对经过清洗处理后的数据进行标记处理,其中,对于清洗成功的数据,设置数据的属性为“清洗成功”;对于无法清洗的数据,设置数据的属性为“异常”,同时,将所述数据、数据时标、数据异常标志存储到数据库指定位置;
步骤S13,对电能质量监测终端数据进行统计时,读取数据库中的电能质量监测终端数据以及其对应的标记;对属性为“异常”的数据采用预定的策略进行处理,所述预定的策略包括彻底弃置、调整为额定值后使用、不考虑异常标记正常使用中之一种。
在具体的例子中,进一步包括预先建立异常数据判断模型的步骤:
对异常数据判断标准人工设置初始标准,并采用异常训练库基于机器学习语言进行学习和完善。
在一个具体的例子中,所述步骤S13进一步包括:
根据所读取的电能质量监测终端数据形成电能质量稳态指标趋势曲线,并根据清洗结果在所述电能质量稳态指标趋势曲线上标记电能质量暂态事件,将稳态指标分析和暂态事件分析关联起来。
可以理解的是,在本发明实施例中,能够按照预先设定的模型,自动识别电能质量异常数据并进行标记;
在进行电能质量统计分析的时候,能够自动将标记为异常的电能质量数据剔除,使得统计分析结果更加正确,更能体现电力系统实际运行情况。
其中,异常数据的剔除并非将之从数据库中删除,只是使之不参与统计过程,所以不会影响到原始数据的完整性。
如图2所示,示出了本发明提供的一种电能质量异常数据的管理系统1的一个实施例的结构示意图,在本实施例中,所述系统包括:
读取判断单元10,用于读取电能质量监测终端数据,对于每个读取到的数据,采用预选确定的异常数据判断模型进行判断,确定所述数据是否异常;所述异常数据判断模型通过机器学习训练而成;
清洗处理单元11,用于对于经过异常数据判断模型判断为异常的数据,采用曲线拟合技术手段进行清洗处理;
标记处理单元12,用于对经过清洗处理后的数据进行标记处理,其中,对于清洗成功的数据,设置数据的属性为“清洗成功”;对于无法清洗的数据,设置数据的属性为“异常”,同时,将所述数据、数据时标、数据异常标志存储到数据库指定位置;
统计处理单元13,用于对电能质量监测终端数据进行统计时,读取数据库中的电能质量监测终端数据以及其对应的标记;对属性为“异常”的数据采用预定的策略进行处理,所述预定的策略包括彻底弃置、调整为额定值后使用、不考虑异常标记正常使用中之一种。
更具体地,进一步包括:
异常数据判断模型建立单元15,用于对异常数据判断标准人工设置初始标准,并采用异常训练库基于机器学习语言进行学习和完善。
更具体地,进一步包括:
关联标记单元14,用于根据所读取的电能质量监测终端数据形成电能质量稳态指标趋势曲线,并根据清洗结果在所述电能质量稳态指标趋势曲线上标记电能质量暂态事件,将稳态指标分析和暂态事件分析关联起来,使得电能质量分析结果更可信。
相应地,本发明的再一方面,还提供一种电能质量异常数据的管理设备,其包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行前述图1中示出的方法。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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。
输入设备可以包括键盘等,输出设备可以包括显示器(LCD等)、扬声器等。
该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取存储器。例如,存储器还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器、输入设备、输出设备可执行本发明方法实施例中所描述的实现方式,在此不再赘述。
实施本发明,具有如下的有益效果:
本发明提供一种电能质量异常数据的管理方法、装置及系统,通过引入电能质量异常数据的识别模型,能够自动地对电能质量异常数据进行识别以及处理,使得电能质量统计结果能够正确、真实的反映电力系统的运行状况。在电能质量数据采集的过程中对异常数据进行管理,减少数据库中异常数据的比例,提高电能质量数据的质量和基于数据的电能质量分析结果的可信度。
更具体地,在电能质量报表统计分析的时候,自动剔除标记为异常数据的原始数据,一方面保证了统计结果的真实性,一方面减少了人为手动识别、剔除异常数据的工作量;
在电能质量稳态指标趋势曲线上标记电能质量暂态事件,将稳态指标分析和暂态事件分析关联起来,使得电能质量分析结果更可信。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种电能质量异常数据的管理方法,其特征在于,包括如下步骤:
步骤S10,读取电能质量监测终端数据,对于每个读取到的数据,采用预选确定的异常数据判断模型进行判断,确定所述数据是否异常;所述异常数据判断模型通过机器学习训练而成;
步骤S11,对于经过异常数据判断模型判断为异常的数据,采用曲线拟合技术手段进行清洗处理;
步骤S12,对经过清洗处理后的数据进行标记处理,其中,对于清洗成功的数据,设置数据的属性为“清洗成功”;对于无法清洗的数据,设置数据的属性为“异常”,同时,将所述数据、数据时标、数据异常标志存储到数据库指定位置;
步骤S13,对电能质量监测终端数据进行统计时,读取数据库中的电能质量监测终端数据以及其对应的标记;对属性为“异常”的数据采用预定的策略进行处理,所述预定的策略包括彻底弃置、调整为额定值后使用、不考虑异常标记正常使用中之一种。
2.如权利要求1所述的方法,其特征在于,进一步包括预先建立异常数据判断模型的步骤:
对异常数据判断标准人工设置初始标准,并采用异常训练库基于机器学习语言进行学习和完善。
3.如权利要求2所述的方法,其特征在于,所述步骤S13进一步包括:
根据所读取的电能质量监测终端数据形成电能质量稳态指标趋势曲线,并根据清洗结果在所述电能质量稳态指标趋势曲线上标记电能质量暂态事件,将稳态指标分析和暂态事件分析关联起来。
4.一种电能质量异常数据的管理系统,其特征在于,包括:
读取判断单元,用于读取电能质量监测终端数据,对于每个读取到的数据,采用预选确定的异常数据判断模型进行判断,确定所述数据是否异常;所述异常数据判断模型通过机器学习训练而成;
清洗处理单元,用于对于经过异常数据判断模型判断为异常的数据,采用曲线拟合技术手段进行清洗处理;
标记处理单元,用于对经过清洗处理后的数据进行标记处理,其中,对于清洗成功的数据,设置数据的属性为“清洗成功”;对于无法清洗的数据,设置数据的属性为“异常”,同时,将所述数据、数据时标、数据异常标志存储到数据库指定位置;
统计处理单元,用于对电能质量监测终端数据进行统计时,读取数据库中的电能质量监测终端数据以及其对应的标记;对属性为“异常”的数据采用预定的策略进行处理,所述预定的策略包括彻底弃置、调整为额定值后使用、不考虑异常标记正常使用中之一种。
5.如权利要求4所述的系统,其特征在于,进一步包括:
异常数据判断模型建立单元,用于对异常数据判断标准人工设置初始标准,并采用异常训练库基于机器学习语言进行学习和完善。
6.如权利要求5所述的系统,其特征在于,进一步包括:
关联标记单元,用于根据所读取的电能质量监测终端数据形成电能质量稳态指标趋势曲线,并根据清洗结果在所述电能质量稳态指标趋势曲线上标记电能质量暂态事件,将稳态指标分析和暂态事件分析关联起来。
7.一种电能质量异常数据的管理设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473678.3A CN112527877A (zh) | 2020-12-15 | 2020-12-15 | 一种电能质量异常数据的管理方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473678.3A CN112527877A (zh) | 2020-12-15 | 2020-12-15 | 一种电能质量异常数据的管理方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112527877A true CN112527877A (zh) | 2021-03-19 |
Family
ID=74999899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011473678.3A Pending CN112527877A (zh) | 2020-12-15 | 2020-12-15 | 一种电能质量异常数据的管理方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112527877A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408537A (zh) * | 2023-12-15 | 2024-01-16 | 安徽科派自动化技术有限公司 | 一种能够实现实时风险预测的电能质量监测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053095A (zh) * | 2017-11-22 | 2018-05-18 | 全球能源互联网研究院有限公司 | 一种电能质量扰动事件特征提取方法及系统 |
CN109766334A (zh) * | 2019-01-07 | 2019-05-17 | 国网湖南省电力有限公司 | 用于电力设备在线监测异常数据的处理方法及系统 |
-
2020
- 2020-12-15 CN CN202011473678.3A patent/CN112527877A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053095A (zh) * | 2017-11-22 | 2018-05-18 | 全球能源互联网研究院有限公司 | 一种电能质量扰动事件特征提取方法及系统 |
CN109766334A (zh) * | 2019-01-07 | 2019-05-17 | 国网湖南省电力有限公司 | 用于电力设备在线监测异常数据的处理方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408537A (zh) * | 2023-12-15 | 2024-01-16 | 安徽科派自动化技术有限公司 | 一种能够实现实时风险预测的电能质量监测系统 |
CN117408537B (zh) * | 2023-12-15 | 2024-05-07 | 安徽科派自动化技术有限公司 | 一种能够实现实时风险预测的电能质量监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815991B (zh) | 机器学习模型的训练方法、装置、电子设备及存储介质 | |
CN109934268B (zh) | 异常交易检测方法及系统 | |
CN104750703B (zh) | 一种提高数据准确性的方法和装置 | |
DE60215730T2 (de) | Vorrichtung und Verfahren zur Leistungsmessung in einem digitalen Signalprozessor unter Verwendung von Ablaufdaten und Simulationstechniken. | |
CN107609028B (zh) | 一种低效率sql语句的确定方法及装置 | |
CN111126759B (zh) | 一种基于异常事件故障关联度的电能表状态评估方法 | |
CN109882834B (zh) | 锅炉设备的运行数据监测方法及装置 | |
CN109830246B (zh) | 音频质量评估方法、装置、电子设备及存储介质 | |
CN110275878B (zh) | 业务数据检测方法、装置、计算机设备及存储介质 | |
CN107436414B (zh) | 一种存储系统中bbu的有效性测试方法和装置 | |
CN111611172A (zh) | 项目测试缺陷分析方法、装置、设备及存储介质 | |
CN112527877A (zh) | 一种电能质量异常数据的管理方法、装置及系统 | |
CN111427928A (zh) | 一种数据质量检测方法及装置 | |
CN111241059A (zh) | 一种基于数据库的数据库优化方法及装置 | |
CN115061013A (zh) | 基于停电事件大数据分析的低压常见故障研判方法及系统 | |
CN109933492B (zh) | 一种软件异常溯源方法、系统、设备及存储介质 | |
CN113467314B (zh) | 一种基于大数据和边缘计算的信息安全风险评估系统及方法 | |
CN114647636A (zh) | 大数据异常检测方法及系统 | |
CN113886373A (zh) | 一种数据处理方法、装置及电子设备 | |
CN111949467A (zh) | 服务器硬件的校验方法和系统 | |
CN109189809B (zh) | 一种股东名称关联匹配的方法和装置 | |
CN111221320B (zh) | 一种数据判读方法、装置、终端及计算机可读介质 | |
CN115309638A (zh) | 协助模型优化的方法及装置 | |
CN113656667A (zh) | 一种配电网线变关系故障检测方法、系统、终端及可读存储介质 | |
CN114692647B (zh) | 一种数据处理方法、装置、设备及介质 |
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 |