CN113641726B - 基于生成对抗网络的无监督护层电流数据挖掘系统 - Google Patents
基于生成对抗网络的无监督护层电流数据挖掘系统 Download PDFInfo
- Publication number
- CN113641726B CN113641726B CN202110904496.5A CN202110904496A CN113641726B CN 113641726 B CN113641726 B CN 113641726B CN 202110904496 A CN202110904496 A CN 202110904496A CN 113641726 B CN113641726 B CN 113641726B
- Authority
- CN
- China
- Prior art keywords
- data
- test database
- current data
- server
- cloud server
- 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
Links
- 238000007418 data mining Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000005065 mining Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013107 unsupervised machine learning method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F16/24—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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1446—Point-in-time backing up or restoration of persistent data
- G06F11/1458—Management of the backup or restore process
- G06F11/1464—Management of the backup or restore process for networked environments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于生成对抗网络的无监督护层电流数据挖掘系统。其中,该挖掘系统包括:建立测试数据库并确立关联规则模型库的保护测试等,测试数据库,用于接收电流数据,并对电流数据进行挖掘处理得到目标数据;云端服务器,与测试数据库通讯连接,用于获取目标数据,并对目标数据进行备份,得到备份数据;客户端服务器,与测试数据库和云端服务器通讯连接,用于访问测试数据库和云端服务器,对测试数据库所挖掘的目标数据和云端服务器所存储的备份数据进行监控处理。本发明解决了由于电力设备与电缆的运行状态数据具有海量、复杂性以及不完整的特性,进而导致电力设备和电力电缆的在线诊断与分析工作难以进展的技术问题。
Description
技术领域
本发明涉及数据挖掘领域,具体而言,涉及一种基于生成对抗网络的无监督护层电流数据挖掘系统。
背景技术
现有技术中,随着电站电网与供电设备的大量增多,对其电力设备和电力电缆的在线诊断与分析具有重要的意义,然而现实中的电力设备和电力电缆的运行状态具有海量、复杂性以及不完整的特点,给具体的电力电缆故障诊断带来了不小的困难。
针对上述由于电力设备和电力电缆的运行状态数据具有海量、复杂性以及不完整的特性,进而导致电力设备和电力电缆的在线诊断与分析工作难以进展的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于生成对抗网络的无监督护层电流数据挖掘系统,以至少解决由于电力设备和电力电缆的运行状态数据具有海量、复杂性以及不完整的特性,进而导致电力设备和电力电缆的在线诊断与分析工作难以进展的技术问题。
根据本发明实施例的一个方面,提供了一种基于生成对抗网络的无监督护层电流数据挖掘系统,包括:测试数据库,用于接收电流数据,并对所述电流数据进行挖掘处理得到目标数据。云端服务器,与所述测试数据库通讯连接,用于获取所述目标数据,并对所述目标数据进行备份,得到备份数据;客户端服务器,与所述测试数据库和所述云端服务器通讯连接,用于访问所述测试数据库和所述云端服务器,对所述测试数据库所挖掘的目标数据和所述云端服务器所存储的备份数据进行监控处理。
可选地,所述测试数据库内部设置有生成对抗网络(GAN),其中,所述测试数据库通过所述生成对抗网络,训练得到目标算法,并通过所述目标算法从所述电流数据中挖掘出符合预设要求的目标数据。
可选地,所述测试数据库还用于:在接收电流数据之后,对电流数据进行离散化处理,并保存所述离散化处理后的电流数据,以便所述测试数据库对所述存储的电流数据进行挖掘处理。
可选地,所述测试数据库还用于:在对所述电流数据进行挖掘处理之前,对所述电流数据进行预处理,其中,预处理的方式至少包括以下任一:对所述电流数据进行去噪处理、填补所述电流数据的丢失数据、修正所述电流数据中的不一致数据。
可选地,所述无监督护层电流数据挖掘系统还包括:远端服务器,与所述测试数据库和所述云端服务器通讯连接,用于将所述测试数据库所挖掘的目标数据实时传输至上述云端服务器进行备份处理。
可选地,所述测试数据库挖掘得到的目标数据的呈现形式至少包括以下任一:数据集合、数据列表和表达式。
可选地,所述客户端服务器,还用于对所述测试数据库中的目标数据进行可视化展示。
可选地,所述客户端服务器还用于:判断所述测试数据库所挖掘的目标数据和所述云端服务器所存储的备份数据中是否存在超过预设阈值的告警数据;若存在超过预设阈值的告警数据,则令所述客户端服务器基于所述告警数据发送告警提示。
可选地,所述远端服务器、所述客户端服务器与所述云端服务器分别设置于电网的多个供电设备处,以便所述电网通过多个供电设备分别对所述远端服务器、所述客户端服务器与所述云端服务器进行独立供电。
可选地,所述远端服务器、所述客户端服务器与所述云端服务器均设置有备用UPS电源,所述备用UPS电源用于在所述电网和供电设备无法为所述服务器稳定供电的情况下,为所述服务器提供稳定供电的服务。
总而言之,本申请公开了一种基于生成对抗网络的无监督护层电流数据挖掘系统,包括:测试数据库,用于接收电流数据,并对所述电流数据进行挖掘处理得到目标数据;云端服务器,与所述测试数据库通讯连接,用于获取所述目标数据,并对所述目标数据进行备份,得到备份数据;客户端服务器,与所述测试数据库和所述云端服务器通讯连接,用于访问所述测试数据库和所述云端服务器,对所述测试数据库所挖掘的目标数据和所述云端服务器所存储的备份数据进行监控处理。
本申请通过基于生成对抗网络(GAN)和关联规则构造测试数据库以及利用无监督机器学习方法在数据处理和数据挖掘过程中进行处理,对电力电缆的护层电流数据进行挖掘处理;同时,利用所挖掘的目标数据对电力设备和电力电缆进行故障在线诊断;以及,通过建立测试数据库与远端服务器、客户端服务器与云端服务器之间的通讯关系,令监控人员可对电力设备和电力电缆进行实时远程监控,进而达到对原本海量、复杂以及不完整的运行状态的电力电站设备的有效实时监控,并可通过客户端服务器即时有效发现电力设备和电力电缆的故障,以便电力维护人员作出迅速的响应。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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。在附图中:
图1是根据本发明实施例的一种可选的电流数据的挖掘系统的示意图一;
图2是根据本发明实施例的一种可选的电流数据的挖掘系统的示意图二;
图3是根据本发明实施例的一种可选的电流数据的挖掘系统的示意图三。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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。
根据本发明实施例,提供了一种电流数据的挖掘系统的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的基于生成对抗网络的无监督护层电流数据挖掘系统,如图1所示,该电流数据的挖掘系统包括:
测试数据库10,用于接收电流数据,并对所述电流数据进行挖掘处理得到目标数据。
需要说明的是:本申请是基于生成对抗网络(GAN)建立测试数据库10;与此同时,本申请还确立了关联规则模型,用以对护层电流数据进行预处理和加工检验,换言之,本申请就是根据测试数据库10中的关联规则模型,对GAN产生数据和实际数据进行数据挖掘,并引入无监督机器学习方法对数据处理和数据挖掘过程中进行处理。
云端服务器20,与所述测试数据库10通讯连接,用于获取所述目标数据,并对所述目标数据进行备份,得到备份数据。
客户端服务器30,与所述测试数据库10和所述云端服务器20通讯连接,用于访问所述测试数据库10和所述云端服务器20,对所述测试数据库10所挖掘的目标数据和所述云端服务器20所存储的备份数据进行监控处理。
在一个可选的示例中,所述测试数据库10内部设置有生成对抗网络(GAN),其中,所述测试数据库10通过所述生成对抗网络,训练得到目标算法,并通过所述目标算法从所述电流数据中挖掘出符合预设要求的目标数据。
换言之,测试数据库10通过所述生成对抗网络选择合适的算法,而选择合适的算法包括:选择合适的模型、合适的参数,并使用合适的模型和合适的参数进行训练以得到合适的算法。此时,测试数据库10通过所述生成对抗网络所选择取的算法与整个数据挖掘的评判标准相一致,进而通过该算法从电流数据中提取出用户所需的目标数据。
需要说明的是:生成式对抗网络(GAN,Generative Adversarial Network)是一种深度学习模型。模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。原始GAN理论中,并不要求G和D都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为G和D。一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出不理想。
基于生成对抗网络的无监督护层电流数据挖掘系统可以对电力设备、电力电缆运行过程中出现的数据监控、状态监测以及故障诊断起到关键作用,尤其是故障诊断方面。本申请所提供的基于生成对抗网络的无监督护层电流数据挖掘系统可以从大量的、历史的数据中发现未知的、具有潜在应用价值的信息或模式,进而解决现有技术中由于电力设备与电力电缆的运行状态数据具有海量、复杂性以及不完整的特性,进而导致电力设备和电力电缆的在线诊断与分析工作难以进展的问题。
在一个可选的示例中,所述测试数据库10内部还设置有关联规则,其中,所述测试数据库10通过所述关联规则判断所述生成对抗网络生成的算法是否能从电流数据中挖掘出符合预设要求的目标数据;若能挖掘出符合预设要求的目标数据,则确定该算法为目标算法,若不能挖掘出符合预设要求的目标数据,则所述测试数据库10继续通过所述生成对抗网络进行算法训练,直至得到目标算法。
换言之,目标数据可以用一种特定的方式表示,或者说,目标数据使用一种常用的表示方式,例如:产生规则/关联规则。此时,生成对抗网络为了判断所选择的算法是否是真正的合适的算法,会通过上述生产规则/关联规则不断检测生成对抗网络所选择出的算法。
其中,关联规则即保护测试关联规则是形如的蕴含式,其中X,Y分别是C和D的模式,规则/>在事务集W中成立且具有支持度s;用相关规则表示模式X与模式Y之间的相关度:/>其中,所述支持度s是中事务W包括X∪Y的百分比,/>在事务集W中成立且具有置信度c,置信度c是中事务W包含X的事务同时也包含Y的百分比。
此外,针对测试数据库还需要说明的是:所述测试数据库的保护测试条件为C={C1,C2,…,Cm},其中保护的动作状况为D={O},其中Ci(0≤i≤m)和O都是概念层;测试数据库为T={T1,T2,…,Tn};以及,测试数据库中的每个元组Ti(1≤i≤n)的表示形式为(ci,c2,…,cm,0),其中ci∈Lset(Ci),0∈Lset(0)。
在一个可选的示例中,所述测试数据库10还用于:在接收电流数据之后,对电流数据进行离散化处理,并保存所述离散化处理后的电流数据,以便所述测试数据库10对所述存储的电流数据进行挖掘处理。换言之,电流数据在被存入所述测试数据库10T之前,还需要对该电流数据进行离散化处理。
在一个可选的示例中,所述测试数据库10还用于:在对所述电流数据进行挖掘处理之前,对所述电流数据进行预处理,其中,预处理的方式至少包括以下任一:对所述电流数据进行去噪处理、填补所述电流数据的丢失数据、修正所述电流数据中的不一致数据。
换言之,测试数据库10还用于对接收到的电流数据进行数据预处理,数据预处理包括对电流数据进行再加工,检查数据的完整性及一致性、以及对其中的噪音进行处理,其中,对丢失的数据可以利用统计方法或其他方法进行填补。
进一步的,所述测试数据库10在对电流数据进行预处理的过程中,可以引入机器学习算法、神经网络算法或大数据算法对电流数据进行预处理,例如:贝叶斯分类器、神经网络分类方法、K-最临近方法、遗传算法、模糊集合还有粗糙集等。
在一个可选的示例中,如图2所示,所述挖掘系统还包括:远端服务器40,与所述测试数据库10和所述云端服务器20通讯连接,用于将所述测试数据库10所挖掘的目标数据实时传输至上述云端服务器20进行备份处理。
换言之,测试数据库10还配置有远程网络模块,而远程网络模块包括远端服务器40、客户端服务器30与云端服务器20,远端服务器40将测试数据库10上产生的知识信息实时传输至云端服务器20进行记录备份,同时监控人员可通过客户端服务器30访问测试数据库10或者云端服务器20,从而对实时数据以及备份数据进行访问监控。
进一步的,相关工作人员可以通过客户端服务器30对电流数据中提取的目标数据进行评价,而该评价具体包括:对所述测试数据库10通过生成对抗网络训练得到的目标算法进行价值评定,对所述目标算法所挖掘的目标数据进行价值评定。
在一个可选的示例中,所述测试数据库10挖掘得到的目标数据的呈现形式至少包括以下任一:数据集合、数据列表和表达式。
在一个可选的示例中,所述客户端服务器30,还用于对所述测试数据库10中的目标数据进行可视化展示。
具体的,客户端服务器30还用于以图表的形式呈现测试数据库10中的目标数据,其中,如图3所示,远端服务器40用于辅助客户端服务器30以图表的形式呈现测试数据库10中的目标数据,即,远端服务器40还用于对测试数据库10中的数据集合、数据列表和表达式进行可视化处理,使其以图表的形式呈现至客户端。
进一步的,所述客户端服务器30还用于以图表的形式呈现云端服务器20中的备份数据。
在一个可选的示例中,所述客户端服务器30还用于:判断所述测试数据库10所挖掘的目标数据和所述云端服务器20所存储的备份数据中是否存在超过预设阈值的告警数据;若存在超过预设阈值的告警数据,则令所述客户端服务器30基于所述告警数据发送告警提示。换言之,所述客户端服务器30中设置有阈值判断模块。此时,阈值判断模块对测试数据库10的目标数据进行实时监控,当目标数据中的某些数据值突破阈值时,则客户端服务器30对监控人员进行警报提示。
在一个可选的示例中,所述远端服务器40、所述客户端服务器30与所述云端服务器20分别设置于电网的多个供电设备处,以便所述电网通过多个供电设备分别对所述远端服务器40、所述客户端服务器30与所述云端服务器20进行独立供电。换言之,所述远端服务器40、客户端服务器30与云端服务器20分布式的设置于电网上不同的供电设备处,并由电网与供电设备对各个服务器进行单独供电。
在一个可选的示例中,所述远端服务器40、所述客户端服务器30与所述云端服务器20均设置有备用UPS电源,所述备用UPS电源用于在所述电网和供电设备无法为所述服务器稳定供电的情况下,为所述服务器提供稳定供电的服务。换言之,所述远端服务器40、客户端服务器30与云端服务器20均设置有用于服务器的备用UPS电源,所述UPS电源在主供电结束后可为服务器提供至少5h的稳定供电。
总而言之,本申请公开了基于生成对抗网络的无监督护层电流数据挖掘系统,包括:测试数据库10,用于接收电流数据,并对所述电流数据进行挖掘处理得到目标数据;云端服务器20,与所述测试数据库10通讯连接,用于获取所述目标数据,并对所述目标数据进行备份,得到备份数据;客户端服务器30,与所述测试数据库10和所述云端服务器20通讯连接,用于访问所述测试数据库10和所述云端服务器20,对所述测试数据库10所挖掘的目标数据和所述云端服务器20所存储的备份数据进行监控处理。
本申请通过基于生成对抗网络(GAN)和无监督层的关联规则,对电力设备和电力电缆的电流数据进行挖掘处理;同时,利用所挖掘的目标数据对电力设备、电力电缆进行故障在线诊断;以及,通过建立测试数据库10与远端服务器40、客户端服务器30与云端服务器20之间的通讯关系,令监控人员可对电力设备进行实时远程监控,进而达到对原本海量、复杂以及不完整的运行状态的电力设备和电力电缆的有效实时监控,并可通过客户端服务器30即时有效发现电力设备和电力电缆的异常或故障,以便电力维护人员作出迅速的响应
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述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或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。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,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成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。
所述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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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,该计算机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台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于生成对抗网络的无监督护层电流数据挖掘系统,其特征在于,所述无监督护层电流数据挖掘系统包括:
测试数据库,用于接收电流数据,并对所述电流数据进行挖掘处理得到目标数据;
所述测试数据库内部设置有生成对抗网络(GAN),其中,所述测试数据库通过所述生成对抗网络,训练得到目标算法,并通过所述目标算法从所述电流数据中挖掘出符合预设要求的目标数据;
所述测试数据库内部还设置有关联规则,其中,所述测试数据库通过所述关联规则判断所述生成对抗网络生成的算法是否能从电流数据中挖掘出符合预设要求的目标数据;
云端服务器,与所述测试数据库通讯连接,用于获取所述目标数据,并对所述目标数据进行备份,得到备份数据;
客户端服务器,与所述测试数据库和所述云端服务器通讯连接,用于访问所述测试数据库和所述云端服务器,对所述测试数据库所挖掘的目标数据和所述云端服务器所存储的备份数据进行监控处理。
2.根据权利要求1所述的无监督护层电流数据挖掘系统,其特征在于,所述测试数据库还用于:在接收电流数据之后,对电流数据进行离散化处理,并保存所述离散化处理后的电流数据,以便所述测试数据库对所述存储的电流数据进行挖掘处理。
3.根据权利要求1所述的无监督护层电流数据挖掘系统,其特征在于,所述测试数据库还用于:在对所述电流数据进行挖掘处理之前,对所述电流数据进行预处理,其中,预处理的方式至少包括以下任一:对所述电流数据进行去噪处理、填补所述电流数据的丢失数据、修正所述电流数据中的不一致数据。
4.根据权利要求1所述的无监督护层电流数据挖掘系统,其特征在于,所述无监督护层电流数据挖掘系统还包括:
远端服务器,与所述测试数据库和所述云端服务器通讯连接,用于将所述测试数据库所挖掘的目标数据实时传输至上述云端服务器进行备份处理。
5.根据权利要求1所述的无监督护层电流数据挖掘系统,其特征在于,所述测试数据库挖掘得到的目标数据的呈现形式至少包括以下任一:数据集合、数据列表和表达式。
6.根据权利要求5所述的无监督护层电流数据挖掘系统,其特征在于,所述客户端服务器,还用于对所述测试数据库中的目标数据进行可视化展示。
7.根据权利要求1所述的无监督护层电流数据挖掘系统,其特征在于,所述客户端服务器还用于:判断所述测试数据库所挖掘的目标数据和所述云端服务器所存储的备份数据中是否存在超过预设阈值的告警数据;若存在超过预设阈值的告警数据,则令所述客户端服务器基于所述告警数据发送告警提示。
8.根据权利要求4所述的无监督护层电流数据挖掘系统,其特征在于,所述远端服务器、所述客户端服务器与所述云端服务器分别设置于电网的多个供电设备处,以便所述电网通过多个供电设备分别对所述远端服务器、所述客户端服务器与所述云端服务器进行独立供电。
9.根据权利要求8所述的无监督护层电流数据挖掘系统,其特征在于,所述远端服务器、所述客户端服务器与所述云端服务器均设置有备用UPS电源,所述备用UPS电源用于在所述电网和供电设备无法为所述服务器稳定供电的情况下,为所述服务器提供稳定供电的服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904496.5A CN113641726B (zh) | 2021-08-06 | 2021-08-06 | 基于生成对抗网络的无监督护层电流数据挖掘系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904496.5A CN113641726B (zh) | 2021-08-06 | 2021-08-06 | 基于生成对抗网络的无监督护层电流数据挖掘系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113641726A CN113641726A (zh) | 2021-11-12 |
CN113641726B true CN113641726B (zh) | 2024-01-30 |
Family
ID=78420020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110904496.5A Active CN113641726B (zh) | 2021-08-06 | 2021-08-06 | 基于生成对抗网络的无监督护层电流数据挖掘系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641726B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567488A (zh) * | 2011-12-21 | 2012-07-11 | 江苏远为科技有限公司 | 基于云计算机框架的电动汽车数据挖掘系统与挖掘方法 |
CN103905553A (zh) * | 2014-04-04 | 2014-07-02 | 江苏林洋电子股份有限公司 | 一种能效管理系统的云架构及其运行方法 |
CN105184394A (zh) * | 2015-08-26 | 2015-12-23 | 中国电力科学研究院 | 基于配电网cps在线数据挖掘的优化控制方法 |
CN106325252A (zh) * | 2016-09-28 | 2017-01-11 | 华北电力大学 | 多层大跨度面向大数据的电力设备状态监测与评估系统 |
CN106651633A (zh) * | 2016-10-09 | 2017-05-10 | 国网浙江省电力公司信息通信分公司 | 一种基于大数据技术的用电信息采集系统及其采集方法 |
CN108829704A (zh) * | 2018-04-28 | 2018-11-16 | 安徽瑞来宝信息科技有限公司 | 一种大数据分布式挖掘分析服务技术 |
CN109360188A (zh) * | 2018-09-13 | 2019-02-19 | 西南交通大学 | 一种高铁接触网等电位线不良状态的检测方法 |
CN110321947A (zh) * | 2019-06-27 | 2019-10-11 | 和远智能科技股份有限公司 | 一种基于卷积神经网络的用电异常预判方法 |
CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
CN111600297A (zh) * | 2020-04-10 | 2020-08-28 | 安徽继远软件有限公司 | 云-边协同下电网设备运行数据的在线分析方法及装置 |
CN111652406A (zh) * | 2020-04-10 | 2020-09-11 | 安徽继远软件有限公司 | 云-边协同下电网设备运行状态预测方法及系统 |
CN111667425A (zh) * | 2020-06-02 | 2020-09-15 | 大连民族大学 | 一种基于先验算法的人脸表情图像遮挡修复方法 |
CN111983386A (zh) * | 2020-08-19 | 2020-11-24 | 剑科云智(深圳)科技有限公司 | 一种配电网的分布式状态估计系统 |
CN112307076A (zh) * | 2019-08-02 | 2021-02-02 | 深圳中集智能科技有限公司 | 基于云与端融合的生产设备运维系统及生产设备运维方法 |
CN112395737A (zh) * | 2020-10-09 | 2021-02-23 | 湖南工业大学 | 一种基于生成对抗网络高速列车量测数据缺失重建的方法 |
CN112395289A (zh) * | 2020-10-27 | 2021-02-23 | 国电南瑞科技股份有限公司 | 一种分布式光伏数据分层存储方法和系统 |
CN112463393A (zh) * | 2020-12-14 | 2021-03-09 | 国网辽宁省电力有限公司抚顺供电公司 | 基于Mongo集群技术的配电物联网边缘计算架构设计方法 |
CA3059904A1 (en) * | 2019-10-24 | 2021-04-24 | Brian Keng | Method and system for generating aspects associated with a future event for a subject |
CN112749309A (zh) * | 2021-01-19 | 2021-05-04 | 上海茵罗智能科技有限公司 | 一种ai智能机器人数据收集方法 |
CN112988539A (zh) * | 2021-03-18 | 2021-06-18 | 北京明略昭辉科技有限公司 | 一种可视化服务器监控系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3035274A1 (en) * | 2014-12-17 | 2016-06-22 | Tata Consultancy Services Limited | Interpretation of a dataset |
-
2021
- 2021-08-06 CN CN202110904496.5A patent/CN113641726B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567488A (zh) * | 2011-12-21 | 2012-07-11 | 江苏远为科技有限公司 | 基于云计算机框架的电动汽车数据挖掘系统与挖掘方法 |
CN103905553A (zh) * | 2014-04-04 | 2014-07-02 | 江苏林洋电子股份有限公司 | 一种能效管理系统的云架构及其运行方法 |
CN105184394A (zh) * | 2015-08-26 | 2015-12-23 | 中国电力科学研究院 | 基于配电网cps在线数据挖掘的优化控制方法 |
CN106325252A (zh) * | 2016-09-28 | 2017-01-11 | 华北电力大学 | 多层大跨度面向大数据的电力设备状态监测与评估系统 |
CN106651633A (zh) * | 2016-10-09 | 2017-05-10 | 国网浙江省电力公司信息通信分公司 | 一种基于大数据技术的用电信息采集系统及其采集方法 |
CN108829704A (zh) * | 2018-04-28 | 2018-11-16 | 安徽瑞来宝信息科技有限公司 | 一种大数据分布式挖掘分析服务技术 |
CN109360188A (zh) * | 2018-09-13 | 2019-02-19 | 西南交通大学 | 一种高铁接触网等电位线不良状态的检测方法 |
CN110321947A (zh) * | 2019-06-27 | 2019-10-11 | 和远智能科技股份有限公司 | 一种基于卷积神经网络的用电异常预判方法 |
CN112307076A (zh) * | 2019-08-02 | 2021-02-02 | 深圳中集智能科技有限公司 | 基于云与端融合的生产设备运维系统及生产设备运维方法 |
CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
CA3059904A1 (en) * | 2019-10-24 | 2021-04-24 | Brian Keng | Method and system for generating aspects associated with a future event for a subject |
CN111652406A (zh) * | 2020-04-10 | 2020-09-11 | 安徽继远软件有限公司 | 云-边协同下电网设备运行状态预测方法及系统 |
CN111600297A (zh) * | 2020-04-10 | 2020-08-28 | 安徽继远软件有限公司 | 云-边协同下电网设备运行数据的在线分析方法及装置 |
CN111667425A (zh) * | 2020-06-02 | 2020-09-15 | 大连民族大学 | 一种基于先验算法的人脸表情图像遮挡修复方法 |
CN111983386A (zh) * | 2020-08-19 | 2020-11-24 | 剑科云智(深圳)科技有限公司 | 一种配电网的分布式状态估计系统 |
CN112395737A (zh) * | 2020-10-09 | 2021-02-23 | 湖南工业大学 | 一种基于生成对抗网络高速列车量测数据缺失重建的方法 |
CN112395289A (zh) * | 2020-10-27 | 2021-02-23 | 国电南瑞科技股份有限公司 | 一种分布式光伏数据分层存储方法和系统 |
CN112463393A (zh) * | 2020-12-14 | 2021-03-09 | 国网辽宁省电力有限公司抚顺供电公司 | 基于Mongo集群技术的配电物联网边缘计算架构设计方法 |
CN112749309A (zh) * | 2021-01-19 | 2021-05-04 | 上海茵罗智能科技有限公司 | 一种ai智能机器人数据收集方法 |
CN112988539A (zh) * | 2021-03-18 | 2021-06-18 | 北京明略昭辉科技有限公司 | 一种可视化服务器监控系统及方法 |
Non-Patent Citations (1)
Title |
---|
电力行业大数据研究综述;赵海波;《电工电能新技术》;第39卷(第12期);62-72 * |
Also Published As
Publication number | Publication date |
---|---|
CN113641726A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108008332A (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
Chang et al. | The reliability of general vague fault-tree analysis on weapon systems fault diagnosis | |
CN106165345A (zh) | 标识用于化解网络故障的故障排除选项 | |
CN110991552A (zh) | 基于联邦学习的孤立森林模型构建和预测方法和装置 | |
CN109597836A (zh) | 一种基于加权矩阵的通信设备告警关联规则挖掘方法 | |
CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
CN109492595A (zh) | 适用于固定群体的行为预测方法和系统 | |
CN113410813A (zh) | 一种基于数字孪生配网故障的诊断方法及相关装置 | |
CN106060008A (zh) | 一种网络入侵异常检测方法 | |
KR20230030542A (ko) | 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법 | |
CN114021168A (zh) | 基于联邦学习的地铁基坑开挖风险识别方法及装置 | |
Ducoffe et al. | Anomaly detection on time series with Wasserstein GAN applied to PHM | |
CN114817739B (zh) | 一种基于人工智能算法的工业大数据处理系统 | |
Nan et al. | Multilayer hybrid modeling framework for the performance assessment of interdependent critical infrastructures | |
CN113641726B (zh) | 基于生成对抗网络的无监督护层电流数据挖掘系统 | |
CN103616877B (zh) | 能源管网的监控诊断方法和系统 | |
CN108107292A (zh) | 电能质量在线监测系统的业务数据监测系统及方法 | |
CN113506247A (zh) | 一种基于变分贝叶斯推断的输电线路巡检缺陷检测方法 | |
Dhiman et al. | A Clustered Approach to Analyze the Software Quality Using Software Defects | |
CN115828145A (zh) | 一种电子设备的在线监测方法、系统及介质 | |
CN116308255A (zh) | 基于元宇宙的沉浸式供热管网巡检与故障检测系统及方法 | |
CN115310704A (zh) | 一种基于系统安全模型的多维度消防安全评估预警系统 | |
CN108664405A (zh) | 一种基于漏斗模型的自动化监测方法及终端 | |
CN115185792A (zh) | 故障硬件处理方法、装置和系统 | |
CN114237135A (zh) | 基于数字孪生技术的信息通信机房3d可视化方法及系统 |
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 |