CN112926749A - 一种智能电网信息设备监控系统及方法 - Google Patents
一种智能电网信息设备监控系统及方法 Download PDFInfo
- Publication number
- CN112926749A CN112926749A CN202011603738.9A CN202011603738A CN112926749A CN 112926749 A CN112926749 A CN 112926749A CN 202011603738 A CN202011603738 A CN 202011603738A CN 112926749 A CN112926749 A CN 112926749A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- power grid
- dynamic threshold
- analysis module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000007405 data analysis Methods 0.000 claims abstract description 69
- 238000007418 data mining Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000005065 mining Methods 0.000 claims abstract description 16
- 238000007619 statistical method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000004069 differentiation Effects 0.000 abstract description 2
- 230000003068 static effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种智能电网信息设备监控系统及方法,该系统包括历史数据模块、数据采集模块、数据分析模块和告警模块,历史数据模块存储有海量历史监控数据;数据采集模块实时采集电网的实时监控数据;数据分析模块基于海量历史监控数据分析出电网信息设备的动态阈值区间;数据分析模块还判断实时监控数据是否落入动态阈值区间;告警模块对尚未落入动态阈值区间的实时监控数据发出报警信号。该方法基于上述的系统。本发明利用海量历史监控数据,进行数据挖掘聚类分析、统计分析、机器学习挖掘、预测出设备健康运行状态动态阈值区间,使智能电网信息设备监测具有高准确度,告警收敛速度迅速,智能差异化感知、辨别故障,提升运维人员的工作效率。
Description
技术领域
本发明涉及电网监控领域,尤其涉及一种智能电网信息设备监控系统及方法。
背景技术
为了发展基于数据驱动的电网态势感知理论与方法。需要对现有智能电网信息设备的静态阈值监控方式,进行优化升级,尝试研究以动态阈值方式进行智能电网信息设备的运行状态监控,提升智能电网信息熊监控指标的科学性及鲁棒性。通过动态阈值精准匹配系统时时刻刻的运行状态,解决由于信息系统业务量大幅波动造成的,信息设备静态阈值设定不准确问题,寻求解决业务高峰引起的静态阈值过载告警误报等问题。
现有监控工作当中存在一些不足之处,因信息机房复杂的工作环境、众多不同厂家的信息设备类型、数量庞大各类在运信息设备的巡检工作,现阶段所应用的信息设备静态阈值监测方法显得不够精确、不足以应付业务高峰低谷波动给信息设备运行状态参数带来的显著高频变化,产生设备告警静态阈值设置困难的问题,阈值设置过高无法起到监控指标过载监测作用,阈值设定过低,无法对抗业务高峰期正常高负载运行状态频频误报。监控静态阈值使用过程中给信息运维人员带来了种多设置困难从而使得运维人员工作效率及监控系统告警准确率不高。
发明内容
本发明提供了一种智能电网信息设备监控系统及方法,利用海量历史监控数据,进行数据挖掘聚类分析、统计分析、机器学习挖掘、预测出设备健康运行状态动态阈值区间,使智能电网信息设备监测具有高准确度,告警收敛速度迅速,智能差异化感知、辨别故障,同时提升信息调度监控工作的准确率,提升运维人员的工作效率。
实现本发明目的的技术方案如下:
一方面,本发明实施例提供了一种智能电网信息设备监控系统,包括:
历史数据模块,所述历史数据模块存储有海量历史监控数据;
数据采集模块,所述数据采集模块实时采集电网的实时监控数据;
数据分析模块,所述数据分析模块基于所述海量历史监控数据分析出电网信息设备的动态阈值区间;所述数据分析模块还判断所述实时监控数据是否落入所述动态阈值区间;
告警模块,所述告警模块对尚未落入所述动态阈值区间的所述实时监控数据发出报警信号。
结合第一方面,在一种可能的实现方式中,所述数据分析模块分析出电网信息设备的动态阈值区间,包括:
基于所述海量历史监控数据进行数据挖掘聚类分析;
基于所述海量历史监控数据进行统计分析;
基于所述海量历史监控数据进行机器学习挖掘;
基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
结合第一方面,在一种可能的实现方式中,所述数据采集模块实时读取电网的负荷数据,所述数据采集模块与所述数据分析模块连接,所述数据采集模块把电网的负荷数据实时发送给所述数据分析模块,所述数据分析模块对电网的负荷数据实时分析。
结合第一方面,在一种可能的实现方式中,所述数据分析模块包括预测模型,所述预测模型构建预测数据矩阵,所述数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
结合第一方面,在一种可能的实现方式中,所述数据分析模块与所述告警模块连接,所述数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值,若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值,所述数据分析模块向所述告警模块发送报警信号。
另一方面,本发明实施例提供了一种智能电网信息设备监控方法,包括:
历史数据模块存储有海量历史监控数据;
数据采集模块实时采集电网的实时监控数据;
数据分析模块基于所述海量历史监控数据分析出电网信息设备的动态阈值区间、判断所述实时监控数据是否落入所述动态阈值区间;
告警模块对尚未落入所述动态阈值区间的所述实时监控数据发出报警信号。
结合第二方案,在一种可能的实现方式中,所述数据分析模块分析出电网信息设备的动态阈值区间,包括:
基于所述海量历史监控数据进行数据挖掘聚类分析;
基于所述海量历史监控数据进行统计分析;
基于所述海量历史监控数据进行机器学习挖掘;
基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
结合第二方案,在一种可能的实现方式中,所述数据采集模块实时读取电网的负荷数据;
所述数据采集模块与所述数据分析模块连接;
所述数据采集模块把电网的负荷数据实时发送给所述数据分析模块,所述数据分析模块对电网的负荷数据实时分析。
结合第二方案,在一种可能的实现方式中,所述数据分析模块包括预测模型;
所述预测模型构建预测数据矩阵;
所述数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
结合第二方案,在一种可能的实现方式中,所述数据分析模块与所述告警模块连接;
所述数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值;
若实时负荷数据的最大特征值落入实时负荷数据的动态阈值,则继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值;
若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值,所述数据分析模块向所述告警模块发送报警信号的同时,所述数据分析模块还继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值。
与现有技术相比,本发明的有益效果是:
本发明利用海量历史监控数据,进行数据挖掘聚类分析、统计分析、机器学习挖掘、预测出设备健康运行状态动态阈值区间,使智能电网信息设备监测具有高准确度,告警收敛速度迅速,智能差异化感知、辨别故障,同时提升信息调度监控工作的准确率,提升运维人员的工作效率。
附图说明
图1为智能电网信息设备监控系统的原理框图;
图2为智能电网信息设备监控方法的流程图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
材料中提到,在论文《适用于电网异常符合动态判别的CNN阈值模型》中,利用时序历史负荷数据,训练卷积神经网络模型进行负荷预测,并根据预测负荷值计算出电网未来的状态变量数据。然后通过该状态变量数据源矩阵的构造,依次构造其窗口矩阵,标准矩阵,样本协方差矩阵,进而设定基于样本协方差矩阵最大特征值的动态阈值。最后,通过该阈值,对当前时刻的最大特征值进行月姐判定。实现对电网异常负荷事件的动态判别。
在电网信息设备异常检测当中,可利用迁移学习的方法,迁移该卷积神经网络的特征提取层,进行同类监控数据动态阈值的提取及后续判别。
请参阅图1,本发明实施例提供了一种智能电网信息设备监控系统,包括:
历史数据模块,历史数据模块存储有海量历史监控数据;
数据采集模块,数据采集模块实时采集电网的实时监控数据;
数据分析模块,数据分析模块基于海量历史监控数据分析出电网信息设备的动态阈值区间;数据分析模块还判断实时监控数据是否落入动态阈值区间;
告警模块,告警模块对尚未落入动态阈值区间的实时监控数据发出报警信号。
优选数据分析模块分析出电网信息设备的动态阈值区间,包括:
基于海量历史监控数据进行数据挖掘聚类分析;
基于海量历史监控数据进行统计分析;
基于海量历史监控数据进行机器学习挖掘;
基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
优选数据采集模块实时读取电网的负荷数据,数据采集模块与数据分析模块连接,数据采集模块把电网的负荷数据实时发送给数据分析模块,数据分析模块对电网的负荷数据实时分析。
优选数据分析模块包括预测模型,预测模型构建预测数据矩阵,数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
优选数据分析模块与告警模块连接,数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值,若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值,数据分析模块向告警模块发送报警信号。
请参阅图2,本发明实施例提供了一种智能电网信息设备监控方法,包括以下步骤:
步骤S110、历史数据模块存储有海量历史监控数据;
步骤S120、数据采集模块实时采集电网的实时监控数据;
步骤S130、数据分析模块基于海量历史监控数据分析出电网信息设备的动态阈值区间、判断实时监控数据是否落入动态阈值区间;
步骤S140、告警模块对尚未落入动态阈值区间的实时监控数据发出报警信号。
上述的数据分析模块分析出电网信息设备的动态阈值区间,包括:
基于海量历史监控数据进行数据挖掘聚类分析;
基于海量历史监控数据进行统计分析;
基于海量历史监控数据进行机器学习挖掘;
基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
上述的数据采集模块实时读取电网的负荷数据;
数据采集模块与数据分析模块连接;
数据采集模块把电网的负荷数据实时发送给数据分析模块,数据分析模块对电网的负荷数据实时分析。
上述的数据分析模块包括预测模型;
预测模型构建预测数据矩阵;
数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
上述的数据分析模块与告警模块连接;
数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值;
若实时负荷数据的最大特征值落入实时负荷数据的动态阈值,则继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值;
若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值,数据分析模块向告警模块发送报警信号的同时,数据分析模块还继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值。
利用海量历史监控数据,进行数据挖掘聚类分析、统计分析、机器学习挖掘、预测出设备健康运行状态动态阈值区间,使智能电网信息设备监测具有高准确度,告警收敛速度迅速,智能差异化感知、辨别故障,同时提升信息调度监控工作的准确率,提升运维人员的工作效率。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种智能电网信息设备监控系统,其特征在于,包括:
历史数据模块,所述历史数据模块存储有海量历史监控数据;
数据采集模块,所述数据采集模块实时采集电网的实时监控数据;
数据分析模块,所述数据分析模块基于所述海量历史监控数据分析出电网信息设备的动态阈值区间;所述数据分析模块还判断所述实时监控数据是否落入所述动态阈值区间;
告警模块,所述告警模块对尚未落入所述动态阈值区间的所述实时监控数据发出报警信号。
2.根据权利要求1所述的智能电网信息设备监控系统,其特征在于,所述数据分析模块分析出电网信息设备的动态阈值区间,包括:
基于所述海量历史监控数据进行数据挖掘聚类分析;
基于所述海量历史监控数据进行统计分析;
基于所述海量历史监控数据进行机器学习挖掘;
基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
3.根据权利要求1所述的智能电网信息设备监控系统,其特征在于,所述数据采集模块实时读取电网的负荷数据,所述数据采集模块与所述数据分析模块连接,所述数据采集模块把电网的负荷数据实时发送给所述数据分析模块,所述数据分析模块对电网的负荷数据实时分析。
4.根据权利要求1所述的智能电网信息设备监控系统,其特征在于,所述数据分析模块包括预测模型,所述预测模型构建预测数据矩阵,所述数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
5.根据权利要求1所述的智能电网信息设备监控系统,其特征在于,所述数据分析模块与所述告警模块连接,所述数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值,若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值,所述数据分析模块向所述告警模块发送报警信号。
6.一种智能电网信息设备监控方法,其特征在于,包括:
历史数据模块存储有海量历史监控数据;
数据采集模块实时采集电网的实时监控数据;
数据分析模块基于所述海量历史监控数据分析出电网信息设备的动态阈值区间、判断所述实时监控数据是否落入所述动态阈值区间;
告警模块对尚未落入所述动态阈值区间的所述实时监控数据发出报警信号。
7.根据权利要求6所述的智能电网信息设备监控方法,其特征在于,所述数据分析模块分析出电网信息设备的动态阈值区间,包括:
基于所述海量历史监控数据进行数据挖掘聚类分析;
基于所述海量历史监控数据进行统计分析;
基于所述海量历史监控数据进行机器学习挖掘;
基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
8.根据权利要求6所述的智能电网信息设备监控方法,其特征在于,所述数据采集模块实时读取电网的负荷数据;
所述数据采集模块与所述数据分析模块连接;
所述数据采集模块把电网的负荷数据实时发送给所述数据分析模块,所述数据分析模块对电网的负荷数据实时分析。
9.根据权利要求6所述的智能电网信息设备监控方法,其特征在于,所述数据分析模块包括预测模型;
所述预测模型构建预测数据矩阵;
所述数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
10.根据权利要求6所述的智能电网信息设备监控方法,其特征在于,所述数据分析模块与所述告警模块连接;
所述数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值;
若实时负荷数据的最大特征值落入实时负荷数据的动态阈值,则继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值;若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值,所述数据分析模块向所述告警模块发送报警信号的同时,所述数据分析模块还继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603738.9A CN112926749A (zh) | 2020-12-30 | 2020-12-30 | 一种智能电网信息设备监控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603738.9A CN112926749A (zh) | 2020-12-30 | 2020-12-30 | 一种智能电网信息设备监控系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926749A true CN112926749A (zh) | 2021-06-08 |
Family
ID=76163336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011603738.9A Pending CN112926749A (zh) | 2020-12-30 | 2020-12-30 | 一种智能电网信息设备监控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926749A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359585A (zh) * | 2021-06-21 | 2021-09-07 | 国网山东省电力公司梁山县供电公司 | 一种用于电力系统户外机柜的监控系统 |
CN113610478A (zh) * | 2021-08-25 | 2021-11-05 | 重庆卡歌科技有限公司 | 一种基于大数据的集装箱智能远程监控分析方法 |
CN113806420A (zh) * | 2021-08-31 | 2021-12-17 | 国网山东省电力公司金乡县供电公司 | 一种电网数据监测方法及装置 |
CN114168444A (zh) * | 2021-12-14 | 2022-03-11 | 天津科技大学 | 一种基于监控大数据的动态运维报修模型 |
CN114841212A (zh) * | 2022-05-18 | 2022-08-02 | 中南大学 | 基于胶囊网络的智能电网时间序列异常检测方法及系统 |
CN115471796A (zh) * | 2022-11-14 | 2022-12-13 | 河北电力工程监理有限公司 | 一种基于机器视觉的电网工程监理系统及方法 |
CN117493498A (zh) * | 2024-01-02 | 2024-02-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
CN117691752A (zh) * | 2024-02-01 | 2024-03-12 | 国网吉林省电力有限公司白山供电公司 | 一种具有通讯功能的低压台区停电自动报警装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536868A (zh) * | 2014-11-26 | 2015-04-22 | 北京广通信达科技有限公司 | 一种it系统运行指标动态阈值分析方法 |
CN105956734A (zh) * | 2016-04-15 | 2016-09-21 | 广东轩辕网络科技股份有限公司 | 动态设置it设备的性能的指标阈值的方法及系统 |
CN106209432A (zh) * | 2016-06-30 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于动态阈值的网络设备亚健康预警方法及装置 |
CN109343995A (zh) * | 2018-10-25 | 2019-02-15 | 金税信息技术服务股份有限公司 | 基于多源异构数据融合、机器学习及客服机器人的智能运维分析系统 |
CN110782045A (zh) * | 2019-10-17 | 2020-02-11 | 成都四方伟业软件股份有限公司 | 一种运维告警系统动态阈值的生成方法及装置 |
CN111506478A (zh) * | 2020-04-17 | 2020-08-07 | 上海浩方信息技术有限公司 | 基于人工智能实现告警管理控制的方法 |
CN111898669A (zh) * | 2020-07-24 | 2020-11-06 | 大连重工机电设备成套有限公司 | 一种基于机器学习的直流矿热炉异常事件预警系统 |
-
2020
- 2020-12-30 CN CN202011603738.9A patent/CN112926749A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536868A (zh) * | 2014-11-26 | 2015-04-22 | 北京广通信达科技有限公司 | 一种it系统运行指标动态阈值分析方法 |
CN105956734A (zh) * | 2016-04-15 | 2016-09-21 | 广东轩辕网络科技股份有限公司 | 动态设置it设备的性能的指标阈值的方法及系统 |
CN106209432A (zh) * | 2016-06-30 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于动态阈值的网络设备亚健康预警方法及装置 |
CN109343995A (zh) * | 2018-10-25 | 2019-02-15 | 金税信息技术服务股份有限公司 | 基于多源异构数据融合、机器学习及客服机器人的智能运维分析系统 |
CN110782045A (zh) * | 2019-10-17 | 2020-02-11 | 成都四方伟业软件股份有限公司 | 一种运维告警系统动态阈值的生成方法及装置 |
CN111506478A (zh) * | 2020-04-17 | 2020-08-07 | 上海浩方信息技术有限公司 | 基于人工智能实现告警管理控制的方法 |
CN111898669A (zh) * | 2020-07-24 | 2020-11-06 | 大连重工机电设备成套有限公司 | 一种基于机器学习的直流矿热炉异常事件预警系统 |
Non-Patent Citations (2)
Title |
---|
毛钧毅,等.: "适用于电网异常负荷动态判别的CNN阈值模型", 《计算机工程》 * |
温粉莲.: "一种混合模型的时序数据异常检测方法", 《数字通信世界》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359585A (zh) * | 2021-06-21 | 2021-09-07 | 国网山东省电力公司梁山县供电公司 | 一种用于电力系统户外机柜的监控系统 |
CN113610478A (zh) * | 2021-08-25 | 2021-11-05 | 重庆卡歌科技有限公司 | 一种基于大数据的集装箱智能远程监控分析方法 |
CN113806420A (zh) * | 2021-08-31 | 2021-12-17 | 国网山东省电力公司金乡县供电公司 | 一种电网数据监测方法及装置 |
CN114168444A (zh) * | 2021-12-14 | 2022-03-11 | 天津科技大学 | 一种基于监控大数据的动态运维报修模型 |
CN114168444B (zh) * | 2021-12-14 | 2024-06-04 | 天津市卓越新中新龙腾科技发展有限公司 | 一种基于监控大数据的动态运维报修方法 |
CN114841212A (zh) * | 2022-05-18 | 2022-08-02 | 中南大学 | 基于胶囊网络的智能电网时间序列异常检测方法及系统 |
CN115471796A (zh) * | 2022-11-14 | 2022-12-13 | 河北电力工程监理有限公司 | 一种基于机器视觉的电网工程监理系统及方法 |
CN117493498A (zh) * | 2024-01-02 | 2024-02-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
CN117493498B (zh) * | 2024-01-02 | 2024-04-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
CN117691752A (zh) * | 2024-02-01 | 2024-03-12 | 国网吉林省电力有限公司白山供电公司 | 一种具有通讯功能的低压台区停电自动报警装置 |
CN117691752B (zh) * | 2024-02-01 | 2024-04-26 | 国网吉林省电力有限公司白山供电公司 | 一种具有通讯功能的低压台区停电自动报警装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926749A (zh) | 一种智能电网信息设备监控系统及方法 | |
CN111579243B (zh) | 一种基于深度迁移学习的滚动轴承智能诊断系统 | |
CN108197817A (zh) | 一种基于大数据的非侵入式负荷暂态监测的方法 | |
CN103824130A (zh) | 一种基于svm的粮情预测预警方法及系统 | |
CN116647819A (zh) | 基于传感器网络的仪器能耗监测方法及系统 | |
CN110738289A (zh) | 电力作业标准化的多维联动综合研判装置及其使用方法 | |
CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及系统 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN113569459A (zh) | 基于群体智能的液压支架性能退化定量评估方法及系统 | |
CN116700193A (zh) | 工厂车间智能化监控管理系统及其方法 | |
CN116614177A (zh) | 一种光纤状态多维度参量监测系统 | |
CN116961215A (zh) | 一种电力系统故障快速反应处理方法 | |
CN116880402A (zh) | 智慧工厂协同管控系统及其方法 | |
CN116990619B (zh) | 一种矿井变频一体机的智能监测方法 | |
KR102126954B1 (ko) | 스마트 재봉작업 측정 방법 및 이를 수행하기 위한 시스템 | |
CN117744029A (zh) | 基于数据分析的电脑主机运行环境适应性测试系统 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
CN115423051A (zh) | 电力巡检数据挖掘、设备状态分类及风险预测系统及方法 | |
CN111476383B (zh) | 一种泵站机组状态检修动态决策方法 | |
CN113392576A (zh) | 一种系留气球主缆绳拉力状态评估预警方法 | |
CN112381130A (zh) | 一种基于聚类分析的配电房多元数据异常检测方法 | |
CN116187848B (zh) | 基于数据分析的遥感载荷综合效能评估系统 | |
CN114118479A (zh) | 基于双向rnn的电力项目异常预警处理方法 | |
CN117391352A (zh) | 一种基于人工智能高级算法的能源分析管理系统 | |
CN112648715A (zh) | 基于智能变电站的空调控制系统及装置 |
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: 20210608 |
|
RJ01 | Rejection of invention patent application after publication |