CN114185882A - 一种不良数据修正方法、装置、存储介质及电子设备 - Google Patents

一种不良数据修正方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN114185882A
CN114185882A CN202111529154.6A CN202111529154A CN114185882A CN 114185882 A CN114185882 A CN 114185882A CN 202111529154 A CN202111529154 A CN 202111529154A CN 114185882 A CN114185882 A CN 114185882A
Authority
CN
China
Prior art keywords
measurement
weighted residual
preset threshold
weighted
correcting
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
Application number
CN202111529154.6A
Other languages
English (en)
Inventor
高昆仑
赵保华
郑晓崑
周飞
林国强
刘首文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Global Energy Interconnection Research Institute, State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111529154.6A priority Critical patent/CN114185882A/zh
Publication of CN114185882A publication Critical patent/CN114185882A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/21—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种不良数据修正方法、装置、存储介质及电子设备，该方法包括：获取初始可疑量测集合；判断所述初始可疑量测集合中的最大可疑量测的加权残差和预设阈值的关系；当最大可疑量测的加权残差小于预设阈值时，基于预测残差法对状态量进行修正。本发明提供的不良数据修正方法、装置、存储介质及电子设备，通过对量测量的判断首先形成初始可疑量测集合，然后通过计算初始可疑量测集合中最大可疑量测对应的加权残差，并判断和预设阈值的关系，基于判断结果实现了对初始可疑量测集合中不良数据的修正。由此，保障了不良数据辨识的准确性。

Description

一种不良数据修正方法、装置、存储介质及电子设备
技术领域
本发明涉及数据处理技术领域，具体涉及一种不良数据修正方法、装置、存储介质及电子设备。
背景技术
随着计算机技术和通信技术在电力系统的深度应用，电力系统数字化特征逐步显著。通过高精度分布式传感、物联网等先进数字技术与电力物理系统的高度融合，实现了对电力系统的数字赋能，从而实现新型电力系统的全面感知和智能化运行。
另一方面，正因为电力系统中参与运行的感知设备、传感设备等信息采集装置快速增长，以及新能源并网、电动汽车负荷增加等导致电力网络规模爆发增长，使得电力系统运行产生的海量数据仍然在高速增加。而电力运行数据在采集、运输过程中因为设备自身精度或者外部环境等因素难免会产生的不良数据也潜在地增加。电力不良数据会对潮流分析、状态估计等造成不良影响，轻则影响电力系统计算的收敛性能，重则误导调度员的决策从而影响电力系统正常运行甚至造成重大电力事故。因此针对电力不良数据的准确且快速的辨识以及修正对于电力系统稳定运行有着重大意义。
发明内容
有鉴于此，本发明实施例提供了涉及一种不良数据修正方法、装置、存储介质及电子设备，以解决现有技术中缺少对不良数据辨识修正的技术问题。
本发明提出的技术方案如下：
本发明实施例第一方面提供一种不良数据修正方法，包括：获取初始可疑量测集合；判断所述初始可疑量测集合中的最大可疑量测的加权残差和预设阈值的关系；当最大可疑量测的加权残差小于预设阈值时，基于预测残差法对状态量进行修正。
可选地，该不良数据修正方法还包括：当最大可疑量测的加权残差大于等于预设阈值时，对加权残差进行修正；当修正后的加权残差小于预设阈值时，基于预测残差法和修正后的加权残差对状态量进行修正。
可选地，当最大可疑量测的加权残差大于等于预设阈值时，对加权残差进行修正，包括：当最大可疑量测的加权残差大于等于预设阈值时，确定可疑量测组的大小；当所述可疑量测组的值为1时，根据删除量测量后的加权残差计算公式对加权残差进行修正；当所述可疑量测组的值不为1时，根据删除量测组后的加权残差计算公式进行修正。
可选地，当修正后的加权残差小于预设阈值时，基于预测残差法和修正后的加权残差对状态量进行修正，包括：判断修正后的加权残差和预设阈值的关系；当修正后的加权残差小于预设阈值时，基于预测残差法和修正后的加权残差对状态量进行修正；当修正后的加权残差大于等于预设阈值时，采用状态量的递推公式、加权残差的递推公式对加权残差进行修正。
可选地，所述状态量的修正公式为：
Figure BDA0003409797890000021
Figure BDA0003409797890000022
其中，
Figure BDA0003409797890000023
是删除量测之前的状态估计值；Hω,i为Hω矩阵的第i行向量，维数为1×n；Hω,I为Hω矩阵中对应于删除的I个量测的I行向量，维数为I×n；Hω为加权雅可比矩阵，维数为m×n；Wω为加权残差灵敏度矩阵，维数为m×m；Wω,i,i为对应删除量测i的Wω的对角线元素；Wω,I为对应删除量测组I的Wω的子矩阵；rω,i为删除前量测量i的加权残差向量，为I维；rω,I为删除前量测组I的加权残差向量，为I维。
可选地，该不良数据修正方法还包括：当确定最大可疑量测为不良数据时，基于残差灵敏度矩阵，生成量测影响图；根据影响值阈值对所述量测影响图进行粗粒化处理；根据对所述量测影响图状态的分析，得到影响量测集合。
本发明实施例第二方面提供一种不良数据修正装置，包括：量测集合确定模块，用于获取初始可疑量测集合；关系判断模块，用于判断所述初始可疑量测集合中的最大可疑量测的加权残差和预设阈值的关系；修正模块，用于当最大可疑量测的加权残差小于预设阈值时，基于预设残差法对状态量进行修正。
本发明实施例第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的不良数据修正方法。
本发明实施例第四方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的不良数据修正方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的不良数据修正方法、装置、存储介质及电子设备，通过对量测量的判断首先形成初始可疑量测集合，然后通过计算初始可疑量测集合中最大可疑量测对应的加权残差，并判断和预设阈值的关系，基于判断结果实现了对初始可疑量测集合中不良数据的修正。由此，保障了不良数据辨识的准确性。
本发明实施例提供的不良数据修正方法，基于图计算的节点并行技术，同时基于粗粒化的量测影响图，对量测数据进一步精确分组，减少计算量，提升了不良数据辨识的速度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的不良数据修正方法的流程图；
图2是根据本发明另一实施例的不良数据修正方法的流程图；
图3是根据本发明另一实施例的不良数据修正方法的流程图；
图4是根据本发明实施例的量测与邻居量测关系示意图；
图5是根据本发明实施例的不良数据辨识装置的结构框图；
图6是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图7是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
本发明实施例提供一种不良数据修正方法，如图1所示，该方法包括如下步骤：
步骤S101：获取初始可疑量测集合。具体地，该不良数据可以是电力不良数据。在对不良数据进行辨识修正时，可以从量测节点获取量测样本作为量测量进行辨识。例如，可以采用SCADA(Supervisory Control And Data Acquisition，数据采集与监视控制系统)获取每个量测节点的量测量。
其中，在确定初始可疑量测集合时，可以从量测量中获取各自对应的最值，包括最大值量测样本和最小值量测样本，将其作为可疑不良数据加入到初始可疑量测集合中。后续，可以采用该形成的初始可疑量测集合进行不良数据的辨识修正。
步骤S102：判断所述初始可疑量测集合中的最大可疑量测的加权残差和预设阈值的关系。具体地，当确定初始可疑量测集合之后，可以从初始可疑量测集合中寻找最大可疑量测i，即该初始可疑量测中的最大值，计算删除该量测i之前的量测量i的加权残差向量rω,i，将该加权残差向量的绝对值和预设阈值εω进行比较。
步骤S103：当最大可疑量测的加权残差小于预设阈值时，基于预测残差法对状态量进行修正。具体地，当最大可疑量测的加权残差即删除该量测i之前的量测量i的加权残差向量的绝对值小于预设阈值时，可以采用预测残差法对状态量进行修正。
其中，预测残差是指删除一个量测量i或者一组量测量I之后的残差。预测残差可以采用如下公式(1)表示：
Figure BDA0003409797890000061
式中，
Figure BDA0003409797890000062
为m维删除量测量i之后的加权残差向量，zω为m维加权量测向量，
Figure BDA0003409797890000063
为n维的删除量测量i之后的状态量，
Figure BDA0003409797890000064
为m维删除量测组I之后的加权残差向量，
Figure BDA0003409797890000065
为n维删除量测组I之后的状态量，hω(·)为m维加权量测方程。
而删除量测之后的状态量采用以下公式(2)修正计算：
Figure BDA0003409797890000066
其中，
Figure BDA0003409797890000067
是删除量测之前的状态估计值；Hω,i为Hω矩阵的第i行向量，维数为I×n；Hω,I为Hω矩阵中对应于删除的I个量测的I行向量，维数为I×n；Hω为加权雅可比矩阵，维数为m×n；Wω为加权残差灵敏度矩阵，维数为m×m；Wω,i,i为对应删除量测i的Wω的对角线元素；Wω,I为对应删除量测组I的Wω的子矩阵；rω,i为删除前量测量i的加权残差向量，为I维；rω,I为删除前量测组I的加权残差向量，为I维。
本发明实施例提供的不良数据修正方法，通过对量测量的判断首先形成初始可疑量测集合，然后通过计算初始可疑量测集合中最大可疑量测对应的加权残差，并判断和预设阈值的关系，基于判断结果实现了对初始可疑量测集合中不良数据的修正。由此，保障了不良数据辨识的准确性。
在一实施方式中，该不良数据修正方法还包括如下步骤：当最大可疑量测的加权残差大于等于预设阈值时，对加权残差进行修正。当修正后的加权残差小于预设阈值时，基于预测残差法和修正后的加权残差对状态量进行修正。
具体地，在将删除该量测i之前的量测量i的加权残差向量rω,i的绝对值和预设阈值εω进行比较时，若其绝对值小于预设阈值，可以直接进行状态量的修正；若其绝对值大于等于预设阈值，需要对该加权残差进行修正之后，再进行进一步的修正。
其中，在确定最大可疑量测时，可以先设置要删除的一组量测量I为0，即I＝0；当判断删除该量测i之前的加权残差向量rω,i的绝对值大于等于预设阈值εω时，将量测组I加1，即|rω,i|≥εω,I＝I+1。
由于初始I＝0，再将量测组I加1后，I＝1，此时，根据删除量测量后的加权残差计算公式对加权残差进行修正。该删除量测量后的加权残差计算公式可以通过上述预测残差法中的公式(1)和公式(2)推导确定。由此，该删除量测量后的加权残差采用如下公式(3)表示：
Figure BDA0003409797890000071
在采用上述公式(3)对加权残差进行修正之后，先判断修正后的加权残差和预设阈值的关系，若其绝对值小于预设阈值，直接采用上述公式(2)对状态量进行修正。若其绝对值大于等于预设阈值，继续将量测组I加1；此时，量测组I的值不为1，采用删除量测组I后的加权残差计算公式对加权残差进行修正。该删除量测组I后的加权残差计算公式可以基于上述删除量测量i后的加权残差公式确定。即删除量测组I后的加权残差计算公式通过以下公式(4)表示：
Figure BDA0003409797890000081
在采用公式(4)对加权残差修正后，继续判断修正后加权残差和预设阈值的关系；若其绝对值小于预设阈值，则基于预测残差法和修正后的加权残差对状态量进行修正。若其绝对值大于等于预设阈值，继续将量测组I加1；然后基于状态量的递推公式、加权残差的递推公式对加权残差进行修正。其中，状态量的递推公式采用如下公式(5)和公式(6)表示：
Figure BDA0003409797890000082
其中
Figure BDA0003409797890000083
加权残差
Figure BDA0003409797890000084
的递推公式为：
Figure BDA0003409797890000085
加权残差
Figure BDA0003409797890000086
的递推公式为：
Figure BDA0003409797890000087
其中f＝(rω,i+1-bTrω,I)/C。
在修正过程中，如果C小于某一值，可以终止迭代修正的过程。然后采用此时的加权残差作为修正后的加权残差。
在一实施方式中，该不良数据修正方法采用如下流程实现：
1.确定初始可疑量测集合S0，令I＝0；
2.选出最大可疑量测i，如果|rω,i|<εω,去第4步；如果|rω,i|≥εω,I＝I+1,去第3步；
3.如果I＝1。利用公式(3)计算出
Figure BDA0003409797890000091
如果I≠1，则用公式(4)修正
Figure BDA0003409797890000092
在修正过程中，如果C小于某一值，即表明此量测量不可辨识，可用其预测值代替，去第2步；
4.用公式(2)计算状态向量x，完成不良电力数据的辨识过程。
在一实施方式中，如图3所示，该不良数据修正方法还包括如下步骤：
步骤S201：基于残差灵敏度矩阵，生成量测影响图。其中，当确定不良数据后，可以基于该不良数据的残差灵敏度矩阵，生成量测影响图。该不良数据可以是初始可疑量测集合中的量测数据。在生成的量测影响图中，每个顶点表示一个量测，每条边表示一个量测的残差对另一个量测残差的影响程度。
步骤S202：根据影响值阈值对所述量测影响图进行粗粒化处理。其中，在粗粒化处理时，可以删除影响值小于阈值的边，只保留影响比较大的量测，从而完成量测影响图的粗粒化。
步骤S203：根据对所述量测影响图状态的分析，得到影响量测集合。具体地，基于图状态估计的分析，每个节点的状态只与其自身节点、以及邻居节点有关，其影响范围不会超过两步。如图4所示，节点i的状态和其残差只受节点a,b,x,y的影响。因而，如果节点i是不良数据，其邻居节点a,b,x,y上的残差将受到污染，这些节点上的量测被认为是影响量测集合。由此，通过对图状态估计的分析，结合初始可疑量测集合中的量测数据可以生成影响量测集合。
本发明实施例提供的不良数据修正方法，基于图计算的节点并行技术，同时基于粗粒化的量测影响图，对量测数据进一步精确分组，减少计算量，提升了不良数据辨识的速度。
本发明实施例还提供一种不良数据辨识装置，如图5所示，该装置包括：
量测集合确定模块，用于获取初始可疑量测集合；具体内容参见上述方法实施例对应部分，在此不再赘述。
关系判断模块，用于判断所述初始可疑量测集合中的最大可疑量测的加权残差和预设阈值的关系；具体内容参见上述方法实施例对应部分，在此不再赘述。
修正模块，用于当最大可疑量测的加权残差小于预设阈值时，基于预测残差法对状态量进行修正。具体内容参见上述方法实施例对应部分，在此不再赘述。
本发明实施例提供的不良数据辨识装置，通过对量测量的判断首先形成初始可疑量测集合，然后通过计算初始可疑量测集合中最大可疑量测对应的加权残差，并判断和预设阈值的关系，基于判断结果实现了对初始可疑量测集合中不良数据的修正。由此，保障了不良数据辨识的准确性。
本发明实施例提供的不良数据辨识装置的功能描述详细参见上述实施例中不良数据修正方法描述。
本发明实施例还提供一种存储介质，如图6所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中不良数据修正方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备，如图7所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的不良数据修正方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1-4所示实施例中的不良数据修正方法。
上述电子设备具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种不良数据修正方法，其特征在于，包括：
获取初始可疑量测集合；
判断所述初始可疑量测集合中的最大可疑量测的加权残差和预设阈值的关系；
当最大可疑量测的加权残差小于预设阈值时，基于预测残差法对状态量进行修正。
2.根据权利要求1所述的不良数据修正方法，其特征在于，还包括：
当最大可疑量测的加权残差大于等于预设阈值时，对加权残差进行修正；
当修正后的加权残差小于预设阈值时，基于预测残差法和修正后的加权残差对状态量进行修正。
3.根据权利要求2所述的不良数据修正方法，其特征在于，当最大可疑量测的加权残差大于等于预设阈值时，对加权残差进行修正，包括：
当最大可疑量测的加权残差大于等于预设阈值时，确定可疑量测组的大小；
当所述可疑量测组的值为1时，根据删除量测量后的加权残差计算公式对加权残差进行修正；
当所述可疑量测组的值不为1时，根据删除量测组后的加权残差计算公式进行修正。
4.根据权利要求2所述的不良数据修正方法，其特征在于，当修正后的加权残差小于预设阈值时，基于预测残差法和修正后的加权残差对状态量进行修正，包括：
判断修正后的加权残差和预设阈值的关系；
当修正后的加权残差小于预设阈值时，基于预测残差法和修正后的加权残差对状态量进行修正；
当修正后的加权残差大于等于预设阈值时，采用状态量的递推公式、加权残差的递推公式对加权残差进行修正。
5.根据权利要求1所述的不良数据修正方法，其特征在于，所述状态量的修正公式为：
Figure FDA0003409797880000021
Figure FDA0003409797880000022
其中，
Figure FDA0003409797880000023
是删除量测之前的状态估计值；Hω,i为Hω矩阵的第i行向量，维数为1×n；Hω,I为Hω矩阵中对应于删除的I个量测的I行向量，维数为I×n；Hω为加权雅可比矩阵，维数为m×n；Wω为加权残差灵敏度矩阵，维数为m×m；Wω,i,i为对应删除量测i的Wω的对角线元素；Wω,I为对应删除量测组I的Wω的子矩阵；rω,i为删除前量测量i的加权残差向量，为I维；rω,I为删除前量测组I的加权残差向量，为I维。
6.根据权利要求1所述的不良数据修正方法，其特征在于，还包括：
残差灵敏度矩阵，生成量测影响图；
根据影响值阈值对所述量测影响图进行粗粒化处理；
基于初始可疑量测集合，根据对所述量测影响图状态的分析，得到影响量测集合。
7.一种不良数据修正装置，其特征在于，包括：
量测集合确定模块，用于获取初始可疑量测集合；
关系判断模块，用于判断所述初始可疑量测集合中的最大可疑量测的加权残差和预设阈值的关系；
修正模块，用于当最大可疑量测的加权残差小于预设阈值时，基于预测残差法对状态量进行修正。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-6任一项所述的不良数据修正方法。
9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-6任一项所述的不良数据修正方法。
CN202111529154.6A 2021-12-14 2021-12-14 一种不良数据修正方法、装置、存储介质及电子设备 Pending CN114185882A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111529154.6A CN114185882A (zh) 2021-12-14 2021-12-14 一种不良数据修正方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111529154.6A CN114185882A (zh) 2021-12-14 2021-12-14 一种不良数据修正方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN114185882A true CN114185882A (zh) 2022-03-15

Family

ID=80543815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111529154.6A Pending CN114185882A (zh) 2021-12-14 2021-12-14 一种不良数据修正方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114185882A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859404A (zh) * 2023-02-16 2023-03-28 威海新城智能科技有限公司 基于测距轮量测数据的cad图纸生成方法、装置及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859404A (zh) * 2023-02-16 2023-03-28 威海新城智能科技有限公司 基于测距轮量测数据的cad图纸生成方法、装置及介质

Similar Documents

Publication Publication Date Title
CN109949290B (zh) 路面裂缝检测方法、装置、设备及存储介质
CN113158589B (zh) 一种电池管理系统的仿真模型校准方法以及装置
CN109814101B (zh) 一种航空器位置预测的方法及装置
CN112816877A (zh) 电池的电流校准方法、设备和存储介质
CN114091281A (zh) 产品寿命预测方法、装置、电子设备及存储介质
CN114185882A (zh) 一种不良数据修正方法、装置、存储介质及电子设备
CN115754603A (zh) 数据修正方法、装置、设备、存储介质和计算机程序产品
CN114371408A (zh) 电池荷电状态的估算方法、充电曲线的提取方法及装置
CN110726937B (zh) 用于确定状态噪声协方差矩阵的方法和相应设备
CN115761648A (zh) 应用于变压器的渗油评估方法、装置、设备、介质及产品
CN115579352A (zh) 电迁移寿命时间测试方法、测试组件、计算机设备、介质
CN114966470A (zh) 电力扰动检测方法、装置、计算机设备、存储介质
CN111259338B (zh) 元器件失效率修正方法、装置、计算机设备及存储介质
JP7497163B2 (ja) 異常検出装置および異常検出方法
CN116306030A (zh) 考虑预测误差和波动分布的新能源预测动态场景生成方法
CN111239615A (zh) 电池模型的参数的确定方法和装置、存储介质、计算机设备
CN108520178B (zh) 一种基于CFSFDP聚类的Android平台入侵检测方法
CN112731150B (zh) 电压暂降状态估计方法、装置、计算机设备和存储介质
CN115423159A (zh) 光伏发电预测方法、装置及终端设备
CN111045875B (zh) 车辆事故检测方法及相关设备
CN110970887B (zh) 一种主动配电网的两阶段线性三相状态估计方法及装置
CN112632456A (zh) 一种基于遗忘因子的配电网参数校验方法及装置
CN112528500A (zh) 一种场景图构造模型的评估方法及评估设备
CN112474435A (zh) 一种电池模组的快速分选方法和装置
CN114528907B (zh) 工业异常数据检测方法及装置

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