CN113159516A - 一种基于电网运行数据的三维可视化信息分析系统 - Google Patents
一种基于电网运行数据的三维可视化信息分析系统 Download PDFInfo
- Publication number
- CN113159516A CN113159516A CN202110311802.4A CN202110311802A CN113159516A CN 113159516 A CN113159516 A CN 113159516A CN 202110311802 A CN202110311802 A CN 202110311802A CN 113159516 A CN113159516 A CN 113159516A
- Authority
- CN
- China
- Prior art keywords
- data
- power grid
- database
- grid operation
- type
- 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.)
- Granted
Links
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电网运行数据的三维可视化信息分析系统,包括:数据库,存储从外部导入的电网运行数据;数据预搜索单元,连接数据库,对每次存入数据库中的电网运行数据进行预搜索,划分数据类型区域,并在数据库中标记;数据提取单元,连接数据库,根据输入的数据类型需求匹配数据库中的类型区域,从匹配到的类型区域中搜索所需的数据并提取抽样;数据分析单元,连接数据提取单元,按预设时间间隔利用提取到的样本对神经网络模型进行训练,训练后的模型用于对后续实时输入的数据进行分析以得到结果;交互单元,连接数据分析单元,实时显示分析结果。本发明利用机器学习和三维显示技术,帮助工作人员提前发现设备隐患,提高设备可靠性。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种基于电网运行数据的三维可视化信息分析系统。
背景技术
随着智能电网建设的全面发展,电网系统运行、监控和管理过程中产生了海量的各类数据。目前,供电公司变电站是电网中大多数电网设备的集散地。变电站设备较多,内部连接关系复杂。及时控制电网运行状态对电网设备后期维护、工程技术改造、提高区域供电可靠性尤为重要。由于如何利用这些数据分析电网设备的运行规律和存在的问题,及时修订设备的技术标准和运行维护策略,对设备运行维护人员和管理人员都非常重要。
如授权公告号CN103049826B的发明公开了一种电网运行维护自动化系统,包括:电网运行监测分析子系统、变电设备在线监测分析子系统、输电设备在线监测分析子系统和应急指挥子系统。通过平台化、一体化、标准化设计,在基础平台上构建不同业务的应用功能,实现信息的智能化处理、辅助分析决策,以及基于电网运行信息的智能告警和故障诊断等功能。
现有技术虽然有一定的数据分析处理能力,但对于电网运行数据,其特点是规模较大,如果在需要时才进行数据搜索,往往效率较低,不利于大规模的数据分析。
发明内容
针对现有技术搜索方式传统,导致效率低下,不利于大规模的数据分析的问题,本发明提供了一种基于电网运行数据的三维可视化信息分析系统,通过预搜索的设置,在将大量的数据划分为不同的类型区域,减少后续需要时搜索的目标数量,加快数据处理效率,同时分摊硬件计算压力,利于大规模的数据分析。
以下是本发明的技术方案。
一种基于电网运行数据的三维可视化信息分析系统,包括:
数据库,存储从外部导入的电网运行数据;
数据预搜索单元,连接数据库,对每次存入数据库中的电网运行数据进行预搜索,划分数据类型区域,并在数据库中标记;
数据提取单元,连接数据库,根据输入的数据类型需求匹配数据库中的类型区域,从匹配到的类型区域中搜索所需的数据并提取抽样;
数据分析单元,连接数据提取单元,按预设时间间隔利用提取到的样本对神经网络模型进行训练,训练后的模型用于对后续实时输入的数据进行分析以得到结果;
交互单元,连接数据分析单元,实时显示分析结果。
本发明将进入数据库的数据进行预搜索,并进行类型区域的划分,使得在真正有搜索需求时,大幅减少搜索的目标数量,加快搜索速度,同时将部分运算压力提前至预搜索时进行,合理利用硬件资源,最终通过分析并输出至交互单元显示,因此本系统不局限于某类数据和分析结果,使用较为灵活,具有较强的通用性。
作为优选,所述数据预搜索单元每隔若干时间对电网运行数据进行缓存,抽取若干目标数据,将目标数据作为中心数据利用K近邻算法进行类型计算两次,K值分别取k和2k,其中k为预设值,当同一目标数据的两次计算结果一致时,将K赋值为2k*1.1后再进行K近邻算法,直至结果与先前出现不一致,记录前一次K的值作为该目标数据对应的类型区域的范围;当第一计算结果不一致时,将K赋值为2k*0.9后再进行K近邻算法,直至结果与K为k时一致,记录前一次K的值作为该目标数据对应的类型区域的范围。传统技术中K近邻算法用于确定目标数据的类型,但这里K近邻算法的目的不是如此,而是为了将目标数据所在的某范围内的区域标记为某类型区域,因此对K近邻算法作了调整,一步步精确到所计算的类型区域的最大范围,即借助K近邻算法原理反推得到合适的K值,使其更适宜这一目的。
作为优选,所述数据提取单元将输入的数据类型需求为标准,遍历并匹配数据库中类型区域的类型描述,将匹配到的类型区域内除中心数据以外的数据作为样本进行提取。由于每个类型区域包括了若干数据,大幅减少了匹配目标,因此匹配效率较高,另外为了在应对海量数据时减少处理时间,这里不对每个类型区域的中心数据的类型再做判断,直接舍弃。
作为优选,所述数据分析单元执行的模型训练步骤包括:将提取到的样本分为训练集和验证集,将其中的参数以多维向量表示,并整合为矩阵形式,再将矩阵进行标准化和归一化,并输入至神经网络模型进行训练。由于电网运行参数种类繁多,标准化和归一化后利于训练。
作为优选,所述交互单元包括显示模块以及输入模块,显示模块与输入模块整合于一项设备或分为单独的两项设备。
作为优选,所述显示模块为AR或VR显示设备。
作为优选,所述神经网络模型为BP神经网络模型。
本发明的实质性效果包括:基于电网运行数据,利用数据分类和机器学习技术进行分析,合理利用多维数据,效率较高,并通过三维可视化显示设备进行显示,可以帮助工作人员提前发现和消除设备隐患,加强设备相关因素的管理和控制,提高设备运行可靠性。
附图说明
图1是本发明实施例的系统框图;
图中包括:1-数据库、2-数据预搜索单元、3-数据提取单元、4-数据分析单元、5-交互单元。
具体实施方式
下面将结合实施例,对本申请的技术方案进行描述。另外,为了更好的说明本发明,在下文中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未做详细描述,以便于凸显本发明的主旨。
实施例:
一种基于电网运行数据的三维可视化信息分析系统,如图1所示,包括:
数据库1,存储从外部导入的电网运行数据。
数据预搜索单元2,连接数据库,对每次存入数据库中的电网运行数据进行预搜索,划分数据类型区域,并在数据库中标记;具体地,数据预搜索单元每隔若干时间对电网运行数据进行缓存,抽取若干目标数据,将目标数据作为中心数据利用K近邻算法进行类型计算两次,K值分别取k和2k,其中k为预设值,当同一目标数据的两次计算结果一致时,将K赋值为2k*1.1后再进行K近邻算法,直至结果与先前出现不一致,记录前一次K的值作为该目标数据对应的类型区域的范围;当第一计算结果不一致时,将K赋值为2k*0.9后再进行K近邻算法,直至结果与K为k时一致,记录前一次K的值作为该目标数据对应的类型区域的范围。传统技术中K近邻算法用于确定目标数据的类型,但这里K近邻算法的目的不是如此,而是为了将目标数据所在的某范围内的区域标记为某类型区域,因此对K近邻算法作了调整,一步步精确到所计算的类型区域的最大范围,即借助K近邻算法原理反推得到合适的K值,使其更适宜这一目的。
数据提取单元3,连接数据库,根据输入的数据类型需求匹配数据库中的类型区域,从匹配到的类型区域中搜索所需的数据并提取抽样;具体地,数据提取单元将输入的数据类型需求为标准,遍历并匹配数据库中类型区域的类型描述,将匹配到的类型区域内除中心数据以外的数据作为样本进行提取。由于每个类型区域包括了若干数据,大幅减少了匹配目标,因此匹配效率较高,另外为了在应对海量数据时减少处理时间,这里不对每个类型区域的中心数据的类型再做判断,直接舍弃。
数据分析单元4,连接数据提取单元,按预设时间间隔利用提取到的样本对BP神经网络模型进行训练,训练后的模型用于对后续实时输入的数据进行分析以得到结果。
交互单元5,连接数据分析单元,实时显示分析结果,其中交互单元包括显示模块以及输入模块,显示模块与输入模块整合于一项设备或分为单独的两项设备,显示模块为AR或VR显示设备。
本实施例将进入数据库的数据进行预搜索,并进行类型区域的划分,使得在真正有搜索需求时,大幅减少搜索的目标数量,加快搜索速度,同时将部分运算压力提前至预搜索时进行,合理利用硬件资源,最终通过分析并输出至交互单元显示,因此本系统不局限于某类数据和分析结果,使用较为灵活,具有较强的通用性。
下面本实施例以某电网系统设备的运行参数为例,说明数据分析单元执行的训练步骤。例如CPU占用率、内存占用率、带宽占用率反映了设备算力资源的综合利用率,也反映了负载状态,线路的温度数据、电流数据和电压数据反应了设备运行的安全状况,统计上述的历史样本数据对应的历史设备运行状态,记录为故障率。这些数据通过前述的预搜索和提取后得到样本,数据分析单元将样本分为训练集和验证集后进行标准化和归一化:
如果由向量X=(X1,X2,...,XP)表示p个维度,则矩阵表示为:
进一步标准化得到:
其中:
然后对矩阵进行归一化,可以得到如下结果:
其中归一化计算过程:
最终得到的是标准化和规划后的矩阵,再将结果导入到BP神经网络模型进行训练,并利用训练好的模型对实时样本进行数据分析,可以得到所需的故障率。
本实施例的实质性效果包括:基于电网运行数据,利用数据分类和机器学习技术进行分析,合理利用多维数据,效率较高,并通过三维可视化显示设备进行显示,可以帮助工作人员提前发现和消除设备隐患,加强设备相关因素的管理和控制,提高设备运行可靠性。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中可以根据需要而将上述功能分配由不同的功能模块完成,即将具体装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请实施例中的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于电网运行数据的三维可视化信息分析系统,其特征在于,包括:
数据库,存储从外部导入的电网运行数据;
数据预搜索单元,连接数据库,对每次存入数据库中的电网运行数据进行预搜索,划分数据类型区域,并在数据库中标记;
数据提取单元,连接数据库,根据输入的数据类型需求匹配数据库中的类型区域,从匹配到的类型区域中搜索所需的数据并提取抽样;
数据分析单元,连接数据提取单元,按预设时间间隔利用提取到的样本对神经网络模型进行训练,训练后的模型用于对后续实时输入的数据进行分析以得到结果;
交互单元,连接数据分析单元,实时显示分析结果。
2.根据权利要求1所述的一种基于电网运行数据的三维可视化信息分析系统,其特征在于,所述数据预搜索单元每隔若干时间对电网运行数据进行缓存,抽取若干目标数据,将目标数据作为中心数据利用K近邻算法进行类型计算两次,K值分别取k和2k,其中k为预设值,当同一目标数据的两次计算结果一致时,将K赋值为2k*1.1后再进行K近邻算法,直至结果与先前出现不一致,记录前一次K的值作为该目标数据对应的类型区域的范围;当第一计算结果不一致时,将K赋值为2k*0.9后再进行K近邻算法,直至结果与K为k时一致,记录前一次K的值作为该目标数据对应的类型区域的范围。
3.根据权利要求2所述的一种基于电网运行数据的三维可视化信息分析系统,其特征在于,所述数据提取单元将输入的数据类型需求为标准,遍历并匹配数据库中类型区域的类型描述,将匹配到的类型区域内除中心数据以外的数据作为样本进行提取。
4.根据权利要求1所述的一种基于电网运行数据的三维可视化信息分析系统,其特征在于,所述数据分析单元执行的模型训练步骤包括:将提取到的样本分为训练集和验证集,将其中的参数以多维向量表示,并整合为矩阵形式,再将矩阵进行标准化和归一化,并输入至神经网络模型进行训练。
5.根据权利要求1所述的一种基于电网运行数据的三维可视化信息分析系统,其特征在于,所述交互单元包括显示模块以及输入模块,显示模块与输入模块整合于一项设备或分为单独的两项设备。
6.根据权利要求5所述的一种基于电网运行数据的三维可视化信息分析系统,其特征在于,所述显示模块为AR或VR显示设备。
7.根据权利要求1所述的一种基于电网运行数据的三维可视化信息分析系统,其特征在于,所述神经网络模型为BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311802.4A CN113159516B (zh) | 2021-03-24 | 2021-03-24 | 一种基于电网运行数据的三维可视化信息分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311802.4A CN113159516B (zh) | 2021-03-24 | 2021-03-24 | 一种基于电网运行数据的三维可视化信息分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159516A true CN113159516A (zh) | 2021-07-23 |
CN113159516B CN113159516B (zh) | 2023-07-14 |
Family
ID=76888256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110311802.4A Active CN113159516B (zh) | 2021-03-24 | 2021-03-24 | 一种基于电网运行数据的三维可视化信息分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159516B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012034444A (ja) * | 2010-07-28 | 2012-02-16 | Toshiba Corp | 電力需給計画装置及びその方法 |
CN105427043A (zh) * | 2015-11-20 | 2016-03-23 | 江苏省电力公司扬州供电公司 | 一种基于改进的最近邻算法的电网告警分析方法 |
CN106600103A (zh) * | 2016-11-04 | 2017-04-26 | 国网江苏省电力公司 | 面向规划计划决策的统计数据模型构建方法 |
CN107145959A (zh) * | 2017-03-23 | 2017-09-08 | 北京国电通网络技术有限公司 | 一种基于大数据平台的电力数据处理方法 |
CN108733850A (zh) * | 2018-07-17 | 2018-11-02 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种电网大数据分析挖掘应用系统 |
KR20180137635A (ko) * | 2017-06-16 | 2018-12-28 | 고려대학교 산학협력단 | 수요 반응을 위한 철도 역사 내 부하 그룹화 장치 및 방법 |
CN110209745A (zh) * | 2019-05-29 | 2019-09-06 | 电子科技大学 | 基于Radviz的智能电网数据聚类可视化方法 |
CN110766043A (zh) * | 2019-09-10 | 2020-02-07 | 国网浙江省电力有限公司杭州供电公司 | 基于电网信息数据的K-means聚类算法 |
CN111598409A (zh) * | 2020-04-24 | 2020-08-28 | 广西电网有限责任公司电力科学研究院 | 一种配电网运行效率监测与分析系统 |
CN112365060A (zh) * | 2020-11-13 | 2021-02-12 | 广东电力信息科技有限公司 | 电网物联感知数据的预处理方法 |
-
2021
- 2021-03-24 CN CN202110311802.4A patent/CN113159516B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012034444A (ja) * | 2010-07-28 | 2012-02-16 | Toshiba Corp | 電力需給計画装置及びその方法 |
CN105427043A (zh) * | 2015-11-20 | 2016-03-23 | 江苏省电力公司扬州供电公司 | 一种基于改进的最近邻算法的电网告警分析方法 |
CN106600103A (zh) * | 2016-11-04 | 2017-04-26 | 国网江苏省电力公司 | 面向规划计划决策的统计数据模型构建方法 |
CN107145959A (zh) * | 2017-03-23 | 2017-09-08 | 北京国电通网络技术有限公司 | 一种基于大数据平台的电力数据处理方法 |
KR20180137635A (ko) * | 2017-06-16 | 2018-12-28 | 고려대학교 산학협력단 | 수요 반응을 위한 철도 역사 내 부하 그룹화 장치 및 방법 |
CN108733850A (zh) * | 2018-07-17 | 2018-11-02 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种电网大数据分析挖掘应用系统 |
CN110209745A (zh) * | 2019-05-29 | 2019-09-06 | 电子科技大学 | 基于Radviz的智能电网数据聚类可视化方法 |
CN110766043A (zh) * | 2019-09-10 | 2020-02-07 | 国网浙江省电力有限公司杭州供电公司 | 基于电网信息数据的K-means聚类算法 |
CN111598409A (zh) * | 2020-04-24 | 2020-08-28 | 广西电网有限责任公司电力科学研究院 | 一种配电网运行效率监测与分析系统 |
CN112365060A (zh) * | 2020-11-13 | 2021-02-12 | 广东电力信息科技有限公司 | 电网物联感知数据的预处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113159516B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN102282516B (zh) | 异常检测方法及异常检测系统 | |
CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
CN108664538A (zh) | 一种输变电设备疑似家族性缺陷的自动辨识方法及系统 | |
Huang et al. | A weighted fuzzy C-means clustering method with density peak for anomaly detection in IoT-enabled manufacturing process | |
CN116700193A (zh) | 工厂车间智能化监控管理系统及其方法 | |
CN113159517A (zh) | 一种三维可视化电网运行数据分析系统 | |
CN115034671A (zh) | 基于关联规则与聚类的二次系统信息故障分析方法 | |
CN117494072B (zh) | 一种基于数据融合的换电柜运行状态监测方法及系统 | |
Suo et al. | Computer assistance analysis of power grid relay protection based on data mining | |
CN106649765A (zh) | 基于大数据技术的智能电网全景数据分析方法 | |
CN113922502A (zh) | 一种智能视频运维管理系统及管理方法 | |
CN115186935B (zh) | 一种机电设备非线性故障预测方法及系统 | |
CN116054416B (zh) | 一种基于物联网的智能监控运维管理系统 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
CN113159516A (zh) | 一种基于电网运行数据的三维可视化信息分析系统 | |
Min et al. | Fault prediction for distribution network based on CNN and LightGBM algorithm | |
CN103383649A (zh) | 一种复杂虚拟仪器系统设计模型 | |
CN106779245A (zh) | 基于事件的民航需求预测方法和装置 | |
CN115147242A (zh) | 一种基于数据挖掘的电网数据管理系统 | |
CN109767062B (zh) | 一种电网任务处置方案的动态生成方法 | |
CN113435494A (zh) | 低压居民用户异常用电识别方法及仿真模拟系统 | |
Zeng et al. | ATM transaction status feature analysis and anomaly detection | |
Huang et al. | Research on automatic recognition system of abnormal behavior of big data technology distribution network |
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 |