CN114358152A - 一种智能电力数据异常检测方法及系统 - Google Patents
一种智能电力数据异常检测方法及系统 Download PDFInfo
- Publication number
- CN114358152A CN114358152A CN202111575119.8A CN202111575119A CN114358152A CN 114358152 A CN114358152 A CN 114358152A CN 202111575119 A CN202111575119 A CN 202111575119A CN 114358152 A CN114358152 A CN 114358152A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- module
- sample
- power
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 149
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 23
- 238000004140 cleaning Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000011049 filling Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种智能电力数据异常检测方法及系统，采集待测自动化主站系统中每个电力设备各测量点的电力运行数据后对数据进行清洗得到有效离线数据样本；然后对有效离线数据样本进行降维，计算得到时序样本序列，并将其输入改进循环神经网络进行训练，训练得到电力数据异常检测模型；之后使用训练好的电力数据异常检测模型对异常数据进行检测并采用改进聚类算法对异常电力数据进行聚类；最后采用自适应设定方法设定异常告警区间，当异常数据超过异常告警区间时进行报警。本发明精确地检测出设备运行中产生的各种异常及分类，使用的自适应告警区间可以得到合理的动态报警区间，并且能够自适应地调整区间以适配不同电力设备，从而更好地反应当前设备的状态。
Description
技术领域
本发明涉及一种智能电力数据异常检测方法及系统，属于电力数据处理技术领域。
背景技术
随着大规模分布式发电并网以及大范围随机性多元负荷接入，地区级智能电网调控系统监控设备的范围越来越广，直采直控厂站数量和种类剧增，电网安全运行控制面临重大挑战。电网调度控制系统作为电网运行控制和调度生产管理的核心支撑系统，是电网各类设备实时数据汇聚处理和调度控制的中心，如何保证系统基础数据质量、设备远方操作控制安全性、系统本身运行状态可靠性至关重要，是电网的安全稳定运行迫切需要解决的问题。
现有电网调控控制系统在安全可靠运行方面还存在薄弱环节，在地区级电网调控系统基础数据质量缺乏管控体系，对进一步提升电网安全运行存在制约。随着地区电网快速发展，地区级智能电网控制系统内业务数据的数量和种类的逐步增多，数据质量参差不齐，缺乏有效的基础数据质量评估手段，影响监控及调度的决策。
具体为，1)缺乏有效的异常辨识规则，主要依靠经验设置阈值，导致误报、漏报情况时有发生；2)对数据异常原因的排查水平较低，没有建立故障与故障间的关联关系，限制了从根源如量测缺失、模型参数错误等消除数据质量隐患的能力；3)数据质量管控滞后，数据质量信息分散，没有形成一个完整性的数据质量管控体系和全面有效的数据质量保障机制，制约数据价值的深度挖掘。
因此，有必要基于电网调控控制系统建设与应用现状，增加基础数据质量综合监视与分析，对系统所有实时数据、历史数据、计算数据及模型异常数据开展识别、监视与分析工作，夯实数据基础，提升数据质量，保障数据的准确、及时、有效和可信，为电网安全运行提供有力保障。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种智能电力数据异常检测方法及系统。
本发明采用如下的技术方案：
一种智能电力数据异常检测方法包括以下步骤：
步骤1，采集待测自动化主站系统中每个电力设备各测量点的电力运行数据，电力运行数据包括通过量测直接得到的数据，又称直采数据，分为离线数据和实时数据；
步骤2，对离线数据中因采集导致的异常数据进行清洗得到有效离线数据样本；
步骤3，对有效离线数据样本进行降维，并计算得到时序样本序列；
步骤4，将步骤3得到的时序样本序列输入改进循环神经网络进行训练，训练得到电力数据异常检测模型；
步骤5，使用训练好的电力数据异常检测模型对异常数据进行检测；
步骤6，采用改进聚类算法对异常电力数据进行聚类；
步骤7，采用自适应设定方法设定动态告警区间，当异常数据超过动态告警区间上限时进行报警。
在步骤1中，离线数据即为历史电力运行数据，包括历史异常电力数据以及历史正常电力数据，并分别给予这两类数据1与0的标签。
在步骤2中，因采集导致的异常数据包括重复数据、缺失数据以及错误数据；
重复数据为在同一测量点重复测量的数据；
缺失数据为在某个测量点没有测量到的数据；
错误数据的判定方式为，在离线数据中随机选择一个数据点，计算其他所有数据与其的欧拉距离，设定欧拉距离阈值，如果一个数据点的欧拉距离小于所设定阈值时，则认为该数据为错误数据；欧拉距离阈值的设定值应使得最多 5％的离线数据被判定为是错误数据。
在步骤2中，选取大于75％的离线数据作为离线数据样本，并对其中重复、缺失以及错误数据进行清洗，得到有效离线数据样本：
处理过程包括：
对于重复数据，采取删除策略进行处理；
对于缺失数据，首先，建立数据字段的上限值和下限值；其次，从上下限区间采用随机选择的办法进行填补；
上限值为所选离线数据样本的最大值，下限值为所选离线数据样本的最小值；
对于错误数据，先将其删除后，再使用与处理缺失数据相同的方法进行填补。
步骤3包括以下内容：
步骤301，使用PCA主成分分析法对有效离线数据样本进行降维处理，去除三维以上的各个维度特征的关联性，得到降维后的离线数据样本；
步骤302，对降维后的离线数据样本进行序列化处理得到时序样本序列；
通过滑动窗口的方式分割时序样本序列，将窗口的宽度设置为滑动步长的 1～5倍，再采用以下公式对时序样本序列进行标准化处理，将不同维度的数据变换到同一尺度，将数据值转换到[0,1]区间：
其中，E’为时序化后的离线数据样本，E为时序化前的离线数据样本，Emin为时序化前离线数据样本的最小值，EMAX为时序化前离线数据样本的最大值。
在步骤4中，所述改进循环神经网络由nn个神经单元A构成，其中，nn至少为3个，一般取大于3的2整倍数；
每个神经单元A接受上一时刻的储存信息St-1、状态信息Ot-1，本时刻的样本输入信息xt后，生成当前时刻的储存信息St、状态信息Ot并输出给下一个神经单元A；对于最后一个神经单元A而言，最后一个神经单元A的状态信息Ot即为最终的预测结果；
每个所述神经单元A包含一个接受环节、过滤环节、储存环节以及状态环节。
接受环节接受当前时刻t时的输入信息xt与上一时刻的状态信息Ot-1，对两者进行连接操作7后，将连接后的结果分别输入至三个基于sigmoid激活函数的第一前向神经网络(2)以及一个基于tanh激活函数的前向神经网络；
连接操作7指得是在状态信息Ot-1的数字后接上输入信息xt的数字。
过滤环节将基于sigmoid激活函数的第一前向神经网络2的预测结果与上一时刻的储存信息St-1进行按位乘操作得到过滤环节的输出。
储存环节将基于sigmoid激活函数的第二前向神经网络3的预测结果与基于tanh激活函数的前向神经网络5的预测结果进行按位乘操作1，之后将按位乘操作结果与过滤环节的输出进行按位加操作后得到当前时刻的储存信息St。
状态环节将基于sigmoid激活函数的第三前向神经网络4的预测结果与当前时刻的储存信息St进行按位乘操作1后得到当前的状态信息Ot。
前向神经网络都至少包含2层隐藏层。
步骤6包括以下内容：
步骤601，选取多个异常电力数据作为异常电力数据样本集为D，则第i个异常样本点第m维数据为xim，对每一维数据进行中心化处理:
步骤602，根据以下公式计算出中心化样本集协方差矩阵G
其中，
表示中心化样本集
的转置，xjm表示异常样本点i周围第j个异常样本点第m维的数据，j＝1,2,…n,m＝1,2,……d,d表示维度总数；
步骤603，对G进行特征值分解，选中最大的三个特征值A1，A2，A3，并用w1，w2，w3表示它们的特征向量；同时，使这三个特征向量正交，构成新的三维特征空间。
步骤604，令W＝(w1，w2，w3)，由
可将
投影到三维特征空间中，形成新的异常样本集D'＝(z1，z2，…，zn’)，其中，zn’表示新三维空间中第n′个样本点，
表示异常样本点i所有维度的数据；
步骤605，使用欧氏距离公式计算出异常样本点j′和异常样本点i′之间的欧式距离d(i′,j′)，并通过计算出异常样本的平均距离MDT(D’)，设样本点i′的密度为ρ(i′)，则可得到其密度表达公式为：
其中，i′表示异常样本集中的第i′个异常样本点，j′表示异常样本集中的第j′个异常样本点,n′表示异常样本集中样本的总个数；
选择K个最大的样本点密度ρ(i′)为初始聚类中心；
根据聚类中心，输出至少K个聚类簇集，完成聚类，即完成对异常样本点的分类。
在步骤7中，所述自适应设定方法为：
根据设备一天内的运行时长划分时间周期，所划分的时间周期最多为该设备运行时长的0.5倍；采集连续mm个周期内的电力运行数据，并计算mm个周期内的电力运行数据的平均值以及标准差，以及置信区间：
其中，α表示1-置信度，在本实施例中置信度为95％,则α＝1-0.95＝0.05，
称为z值，通过正态分布表查找对应的置信度查到，
表示连续mm个周期内电力运行数据的平均值，nn为连续mm个周期内电力运行数据的总数；
使用计算得出的置信区间作为当前周期的动态告警区间进行告警监测，若此时异常电力数据数量处于置信区间内，则将动态告警区间的下限向上调整原下限数值的1％或将动态告警区间的上限向下调整原上限数值的1％；若此时异常电力数据数量超出置信区间则触发告警；
触发告警后对动态告警区间进行更新，重新采集mm周期的电力运行数据，计算得出新的置信区间后作为新的动态告警区间。
本发明还公开了一个基于智能电力数据异常检测方法的智能电力数据异常检测系统，包括数据采集模块、数据清洗模块、数据标注模块、计算模块、存储模块、异常电力数据判定模块、聚类模块、告警动态区间设定模块、提醒模块；
其中，数据采集模块用于采集直采数据，并将直采数据传输给数据清洗模块进行数据清洗；
数据清洗模块将清洗后的离线数据输入至数据标注模块进行历史异常电力数据与历史正常电力数据的标注；数据标注模块将标注后的数据输入至计算模块；
计算模块对输入的数据进行降维，并计算得到时序样本序列；
存储模块分别与数据采集模块、计算模块连接，用于存储直采数据以及计算得到的时序样本序列；存储模块将数据输入至异常电力数据判定模块；
异常电力数据判定模块使用离线数据的时间样本序列训练得到电力数据异常检测模型，之后用电力数据异常检测模型对实时数据的时间样本序列进行判定，筛选出异常电力数据并将其输入至储存模块进行存储；
储存模块将判定的异常电力数据输入至聚类模块、告警动态区间设定模块以及提醒模块；
聚类模块对输入的数据进行聚类，得到异常电力数据的分类；
告警动态区间设定模块根据输入的数据数量对告警动态区间进行调整，并将更新后的告警动态区间输入至提醒模块；
提醒模块基于输入的告警动态区间以及异常电力数据的数量对用户进行提醒；提醒模块还包括报警模块、状态标注模块，报警模块与状态标注模块连接。报警模块使用声光报警器、颜色警示灯形式来提醒用户。
所述智能电力数据异常检测系统还包括设备标注模块、主控制系统、备用控制系统；
备用控制系统与主控制系统并联，设备标注模块分别与存储模块、提醒模块、主控制系统、备用控制系统连接，用于待测系统中的重点设备进行标注，获取重点设备的电力运行数据并进行处理；
被标记的重点设备在检测系统中重点显示；其中，重点设备的位置使用定位系统进行定位，并将检测数据及结果传送至云服务器，当重点设备发生异常数据或者是检测中断时，启用备用控制系统，云服务器将数据传输至备用控制系统，继续进行检测，同时，备用控制系统的信息定时传输至云服务器进行存储，当主控制系统恢复使用时，备用控制系统本地数据自动清空。
本发明的有益效果在于，与现有技术相比，
1、本发明所提出的改进循环神经网络以及改进的分类算法使得检测方法能够及时、精确地检测出设备运行中产生的各种异常及分类，提高了检测效率，进而提升调控系统基础数据质量管理水平，促进电网安全稳定优质运行。
2、本发明使用自适应的告警区间可以得到合理的动态报警区间，该动态报警区间能够自适应地调整区间以适配不同电力设备，从而更好地反应当前设备的状态。
附图说明
图1为本发明一种智能电力数据异常检测方法流程图；
图2为本发明一种智能电力数据异常检测系统结构示意图；
图3为本发明所使用的改进循环神经网络的结构示意图；
图4为本发明所使用的改进循环神经网络中每一神经单元的内部结构示意图。
附图标记说明：
A–改进循环神经网络中的神经单元；
1–按位乘操作；
2–基于sigmoid激活函数的第一前向神经网络；
3-基于sigmoid激活函数的第二前向神经网络；
4-基于sigmoid激活函数的第三前向神经网络；
5–基于tanh激活函数的前向神经网络；
6–按位加操作；
7–连接操作。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明公开了一种智能电力数据异常检测方法，包括如下步骤：
步骤1，自动化主站系统控制着多个电力设备，采集待测自动化主站系统中每个电力设备各测量点的电力运行数据，电力运行数据包括可通过量测直接得到的数据，又称直采数据，分为离线数据和实时数据，离线数据即为历史电力运行数据，包括历史异常电力数据以及历史正常电力数据，并分别给予这两类数据1与0的标签；
每个测量点由tt时间段间隔，tt优选1小时；
步骤2，对离线数据中因采集导致的异常数据进行清洗得到有效离线数据样本；
因采集导致的异常数据包括重复数据、缺失数据以及错误数据；
重复数据为在同一测量点重复测量的数据；
缺失数据为在某个测量点没有测量到的数据；
错误数据的判定方式为，在离线数据中随机选择一个数据点，计算其他所有数据与其的欧拉距离，设定欧拉距离阈值，如果一个数据点的欧拉距离小于所设定阈值时，则认为该数据为错误数据；欧拉距离阈值的设定值应使得最多5％的离线数据被判定为是错误数据；选取大于75％的离线数据作为离线数据样本，并对其中重复、缺失以及错误数据进行清洗，得到有效离线数据样本：
处理过程包括：
对于重复数据，采取删除策略进行处理；
对于缺失数据，首先，建立数据字段的上限值和下限值；其次，从上下限区间采用随机选择的办法进行填补；
上限值为所选离线数据样本的最大值，下限值为所选离线数据样本的最小值；
对于错误数据，先将其删除后，再使用与处理缺失数据相同的方法进行填补。
步骤3，对有效离线数据样本进行降维，并计算得到时序样本序列；
步骤301，使用PCA主成分分析法对有效离线数据样本进行降维处理，去除三维以上的各个维度特征的关联性，得到降维后的离线数据样本；
该步骤是为了使用较少的数据维度，同时保留住较多的原数据点的特性；
步骤302，对降维后的离线数据样本进行序列化处理得到时序样本序列；
通过滑动窗口的方式分割时序样本序列，将窗口的宽度设置为滑动步长的 1～5倍，再采用以下公式对时序样本序列进行标准化处理，将不同维度的数据变换到同一尺度，本实施例中将数据值转换到[0,1]区间：
其中，E’为时序化后的离线数据样本，E为时序化前的离线数据样本，Emin为时序化前离线数据样本的最小值，EMAX为时序化前离线数据样本的最大值。
步骤4，将步骤3得到的时序样本序列输入改进循环神经网络进行训练，训练得到电力数据异常检测模型；
将时序样本序列分为训练集、测试集，训练集与测试集的比例需大于或等于7：3，在本实施例中选择7：3；
由于时间序列的原因，对数据集的划分不能随机打乱，而是按照采集流量的时间线，把前70％的时间样本序列划分为训练集，后30％的时序样本序列划分为测试集。
需要注意的是，在电力系统实际运行过程中，系统模型往往不是一成不变的，而会随着系统运行状态的变化发生一定的改变，因此在训练集中加入滞后历史特征，即模型需要多长时间的输入去预测下一时刻的数据。因此，以达到上述目的，本发明提出的电力数据异常检测模型是一个改进的循环神经网络。
如图3所示，改进循环神经网络由nn个神经单元A构成，其中，nn至少为3个，一般取大于3的2整倍数，在本实施例中选16个。每个神经单元A 接受上一时刻的神经元A的储存信息St-1、状态信息Ot-1，本时刻的样本输入信息xt后，生成当前时刻的储存信息St、状态信息Ot并输出给下一个神经单元 A。
初始状态信息即为时序样本序列最初对应的标签，即为离线数据中原历史异常电力数据以及历史正常电力数据对应的标签，分别由数字1或0表示。
每一个神经单元A包含一个接受环节、过滤环节、储存环节以及状态环节；具体地，接收环节对接收当前时刻的输入信息与上一时刻的状态信息进行处理后分别输入至四个神经网络；过滤环节将第一神经网络的预测结果与上一时刻的储存信息进行按位乘操作后输出；储存环节将第二神经网络与第四神经网络的预测结果按位乘操作后，再与过滤环节的输出进行按位加操作得到当前时刻的储存信息；状态环节根据第三神经网络的预测结果与当前时刻的储存信息进行按位乘操作，之后得到当前的状态信息，并将当前状态信息输入至下一个时刻的神经单元A中；对于最后一个神经单元A而言，它的状态信息即为最终的预测结果。优选地，第一至第三神经网络为基于sigmoid激活函数的前向神经网络，第四神经网络为基于tanh激活函数的前向神经网络；
如图4所示，接受环节接受当前时刻t时的输入信息xt与上一时刻的状态信息Ot-1，对两者进行连接操作7后，将连接后的结果分别输入至三个基于 sigmoid激活函数的前向神经网络以及一个基于tanh激活函数的前向神经网络；
此处的连接操作7指得是在状态信息Ot-1的数字后接上输入信息xt的数字；
过滤环节将基于sigmoid激活函数的第一前向神经网络2的预测结果与上一时刻的储存信息St-1进行按位乘操作得到过滤环节的输出；
储存环节将基于sigmoid激活函数的第二前向神经网络3的预测结果与基于tanh激活函数的前向神经网络5的预测结果进行按位乘操作1，之后将按位乘操作结果与过滤环节的输出进行按位加操作后得到当前时刻的储存信息St；
状态环节将基于sigmoid激活函数的第三前向神经网络4的预测结果与当前时刻的储存信息St进行按位乘操作1后得到当前的状态信息Ot；对于最后一个神经单元A而言，它的状态信息Ot即为最终的预测结果；
本模型中所使用的前向神经网络都至少包含2层隐藏层；
步骤5，使用训练好的电力数据异常检测模型对异常数据进行检测；
使用步骤2和步骤3的方法对实时数据进行清洗、降维以及时间序列的提取后输入至步骤4训练好的电力数据异常检测模型中得到异常电力数据以及正常电力数据；
步骤6，采用改进聚类算法对异常电力数据进行聚类；
传统聚类算法的初始聚类中心选取具有随机性，因此需要改进这种聚类算法以降低算法的随机性，进而提高算法结果的准确率：
改进的聚类方法包括如下步骤：
步骤601，选取大于总数70％的异常电力数据作为异常电力数据样本集为 D，称异常电力数据样本集的异常电力数据为异常样本点，则随机选取的异常样本点i第m维数据为xim，对每一维数据进行中心化处理:
步骤602，根据以下公式计算出中心化样本集协方差矩阵G
其中，
表示中心化样本集
的转置，xjm表示异常样本点i周围第j个异常样本点第m维的数据，j＝1,2,…n,m＝1,2,……d,d表示维度总数；
步骤603，使用SVD分解方法对G进行特征值分解，对得到的所有特征值进行排序，选其中最大的三个特征值A1，A2，A3，并用w1，w2，w3分别表示它们的特征向量；同时，使这三个特征向量正交，构成新的三维特征空间。
步骤604，令W＝(w1，w2，w3)，由
可将
投影到三维特征空间中，形成新的异常样本集D'＝(z1，z2，…，zn’)，其中，zn’表示新三维空间中第n′个样本点，
表示异常样本点i所有维度的数据；
步骤605，使用欧氏距离公式计算出异常样本点j′和异常样本点i′之间的欧式距离d(i′,j′)，并计算出所有其他异常样本点到异常样本点i′的平均距离MDT(D’)，设样本点i′的密度为ρ(i′)，则可得到其密度表达公式为：
其中，i′表示异常样本集中的第i′个异常样本点，j′表示异常样本集中的第j′个异常样本点,n′表示异常样本集中样本的总个数；
选择K个最大的样本点密度ρ(i′)为初始聚类中心；
根据聚类中心，输出至少K个聚类簇集，完成聚类，即完成对异常样本点的分类。
聚类簇集形成的方法为：首先形成一级聚类簇集，选择所有异常样本点到所需要聚类的初始聚类中心平均距离的一半作为t1，将距离该初始聚类中心点 t1内的异常样本点归于该初始聚类中心的一级聚类簇集；之后再进行第二次聚类形成二级聚类簇集，方法为：从异常样本点中任意取出一个异常样本点PP，如果当前不存在二级聚类簇集，则将该样本点作为一个二级聚类簇集的中心，如果存在二级聚类簇集，则判断PP与每个二级聚类簇集中心的距离是否在t2 范围内，如果在t2范围内则将该异常样本点PP删除；如果PP到所有二级聚类簇集中心的距离都大于t2，则将PP中取出作为一个新的二级聚类簇集中心；如果PP与二级聚类簇集中心的距离等于t2，则将PP归于任意一个距离等于2 的二级聚类簇集中；重复直至所有的异常样本点都被判定过；t2的值可以根据实际情况进行设定，设定的原则是应保证至少能形成K个聚类簇集；
步骤7，采用自适应设定方法设定动态告警区间，当异常数据超过动态告警区间的上限时进行报警，用于实现自动化主站量测数据的异常在线告警。
根据设备一天内的运行时长划分时间周期，所划分的时间周期最多为该设备运行时长的0.5倍；采集连续mm个周期内的电力运行数据，并计算mm个周期内的电力运行数据的平均值
以及标准差σ，以及置信区间：
其中，α表示1-置信度，在本实施例中置信度为95％,则α＝1-0.95＝0.05，
称为z值，通过正态分布表查找对应的置信度查到，
表示连续mm个周期内电力运行数据的平均值，nn为连续mm个周期内电力运行数据的总数；
使用计算得出的置信区间作为当前周期的动态告警区间进行告警监测，若此时异常电力数据数量处于置信区间内，则对动态告警区间进行微调，微调方法为：将动态告警区间的下限向上调整原下限数值的1％或将动态告警区间的上限向下调整原上限数值的1％，若此时异常电力数据数量超出动态告警区间的上限则触发告警；
触发告警后对动态告警区间进行更新，重新采集mm周期的电力运行数据，计算得出新的置信区间后，根据此时异常电力数据数量处于置信区间内的位置以同样的方法对动态告警区间进行微调，通过这种方法使实现对动态告警区间的更新。
更新数据采集期间使用人为设定的固定阈值进行异常检测，数值超出告警阈值则触发告警。优选的，人为设定的固定阈值为当前动态告警区间上限值的90％。
使用此办法可以得到较为合理的浮动阈值，并且能够自适应地调整阀值以适配不同电力设备，可以更好地反应当前设备的状态
除此之外，针对电网设备中的重点电力设备，需要提前进行标注，将获取重点设备的电力运行数据，将重点设备的电力运行数据按照一定关联关系定义成一个集合进行监视，比如系统频率、全网总加、联络线潮流等，只要被监视的集合中任何一个量测值不刷新，则通过告警或状态标注等方式对用户进行提醒。
如图2所示，本发明公开了一种基于智能电力数据异常检测方法的智能电力数据异常检测系统，包括：数据采集模块、数据清洗模块、数据标注模块、计算模块、存储模块、异常电力数据判定模块、聚类模块、告警动态区间设定模块、提醒模块；
数据采集模块用于采集直采数据，并将直采数据传输给存储模块；
数据清洗模块从存储模块中读取直采数据并对进行清洗，将清洗后得到的有效离线数据样本输入至数据标注模块；
数据标注模块将有效离线数据样本标注为历史异常电力数据与历史正常电力数据，并将标注后的数据输入至计算模块；
计算模块对输入的数据进行降维，并计算得到时序样本序列，并将其输入至存储模块；
存储模块用于存储直采数据、计算得到的时序样本序列以及异常电力数据判定模块筛选出的异常电力数据；存储模块将数据输入至异常电力数据判定模块；
异常电力数据判定模块使用离线数据的时间样本序列训练得到电力数据异常检测模型，之后用电力数据异常检测模型对实时数据的时间样本序列进行判定，筛选出异常电力数据并将其输入至存储模块进行存储；
存储模块将判定的异常电力数据输入至聚类模块以及告警动态区间设定模块；
聚类模块对输入的异常电力数据进行聚类，得到异常电力数据的分类；
告警动态区间设定模块根据输入的异常电力数据数量对告警动态区间进行调整，并将更新后的告警动态区间输入至提醒模块；
提醒模块基于输入的告警动态区间以及异常电力数据的数量对用户进行提醒。提醒模块还包括报警模块、状态标注模块，报警模块与状态标注模块连接。状态标注模块对当前状态进行标注，根据电力数据数量是否超过告警动态区间的上限将当前状态标为异常状态或正常状态，并将状态输入至报警模块；报警模块在接受到异常状态时，使用声光报警器和颜色警示灯进行报警。
本检测系统还包括设备标注模块、主控制系统、备用控制系统，备用控制系统与主控制系统并联，设备标注模块分别与存储模块、提醒模块、主控制系统、备用控制系统连接，用于待测系统中的重点设备进行标注，获取重点设备的电力运行数据并进行处理。被标记的重点设备在检测系统中重点显示，例如在显示其中使用明显的颜色进行区分。其中，重点设备的位置使用定位系统进行定位，并将检测数据及结果传送至云服务器，当重点设备发生异常数据或者是检测中断时，启用备用控制系统，云服务器将数据传输至备用控制系统，继续进行检测，同时，备用控制系统的信息定时传输至云服务器进行存储，当主控制系统恢复使用时，备用控制系统本地数据自动清空，实现备用控制系统的轻量化运行。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (15)
1.一种智能电力数据异常检测方法，其特征在于，所述智能电力数据异常检测方法包括以下步骤：
步骤1，采集待测自动化主站系统中每个电力设备各测量点的电力运行数据，电力运行数据包括通过量测直接得到的数据，又称直采数据，分为离线数据和实时数据；
步骤2，对离线数据中因采集导致的异常数据进行清洗得到有效离线数据样本；
步骤3，对有效离线数据样本进行降维，并计算得到时序样本序列；
步骤4，将步骤3得到的时序样本序列输入改进循环神经网络进行训练，训练得到电力数据异常检测模型；
步骤5，使用训练好的电力数据异常检测模型对异常数据进行检测；
步骤6，采用改进聚类算法对异常电力数据进行聚类；
步骤7，采用自适应设定方法设定动态告警区间，当异常数据超过动态告警区间上限时进行报警。
2.根据权利要求1所述的智能电力数据异常检测方法，其特征在于：
在所述步骤1中，离线数据即为历史电力运行数据，包括历史异常电力数据以及历史正常电力数据，并分别给予这两类数据1与0的标签。
3.根据权利要求1或2所述的智能电力数据异常检测方法，其特征在于：
在所述步骤2中，因采集导致的异常数据包括重复数据、缺失数据以及错误数据；
所述重复数据为在同一测量点重复测量的数据；
所述缺失数据为在某个测量点没有测量到的数据；
所述错误数据的判定方式为，在离线数据中随机选择一个数据点，计算其他所有数据与其的欧拉距离，设定欧拉距离阈值，如果一个数据点的欧拉距离小于所设定阈值时，则认为该数据为错误数据。
4.根据权利要求3所述的智能电力数据异常检测方法，其特征在于：
在所述步骤2中，对离线数据样本中重复、缺失以及错误数据进行清洗，得到有效离线数据样本：
处理过程包括：
对于重复数据，采取删除策略进行处理；
对于缺失数据，首先，建立数据字段的上限值和下限值；其次，从上下限区间采用随机选择的办法进行填补；
上限值为所选离线数据样本的最大值，下限值为所选离线数据样本的最小值；
对于错误数据，先将其删除后，再使用与处理缺失数据相同的方法进行填补。
5.根据权利要求1或3所述的智能电力数据异常检测方法，其特征在于：
所述步骤3包括以下内容：
步骤301，使用PCA主成分分析法对有效离线数据样本进行降维处理，去除三维以上的各个维度特征的关联性，得到降维后的离线数据样本；
步骤302，对降维后的离线数据样本进行序列化处理得到时序样本序列；
通过滑动窗口的方式分割时序样本序列，将窗口的宽度设置为滑动步长的1～5倍，再采用以下公式对时序样本序列进行标准化处理，将不同维度的数据变换到同一尺度，将数据值转换到[0,1]区间：
其中，E’为时序化后的离线数据样本，E为时序化前的离线数据样本，Emin为时序化前离线数据样本的最小值，EMAX为时序化前离线数据样本的最大值。
6.根据权利要求1所述的智能电力数据异常检测方法，其特征在于：
在所述步骤4中，所述改进循环神经网络由nn个神经单元(A)构成，其中，nn至少为3个；
每个所述神经单元(A)包含一个接受环节、过滤环节、储存环节以及状态环节。
7.根据权利要求6所述的智能电力数据异常检测方法，其特征在于：
所述接受环节接受当前时刻t时的样本输入信息xt与上一时刻的状态信息Ot-1，对两者进行连接操作后，将连接后的结果分别输入至三个基于sigmoid激活函数的第一前向神经网络以及一个基于tanh激活函数的前向神经网络；
连接操作指得是在状态信息Ot-1的数字后接上输入信息xt的数字。
8.根据权利要求6所述的智能电力数据异常检测方法，其特征在于：
所述过滤环节将基于sigmoid激活函数的第一前向神经网络2的预测结果与上一时刻的储存信息St-1进行按位乘操作得到过滤环节的输出。
9.根据权利要求6所述的智能电力数据异常检测方法，其特征在于：
所述储存环节将基于sigmoid激活函数的第二前向神经网络3的预测结果与基于tanh激活函数的前向神经网络5的预测结果进行按位乘操作1，之后将按位乘操作结果与过滤环节的输出进行按位加操作后得到当前时刻的储存信息St。
10.根据权利要求6所述的智能电力数据异常检测方法，其特征在于：
所述状态环节将基于sigmoid激活函数的第三前向神经网络4的预测结果与当前时刻的储存信息St进行按位乘操作1后得到当前的状态信息Ot。
11.根据权利要求7-10任一一项所述的智能电力数据异常检测方法，其特征在于：
所述前向神经网络都至少包含2层隐藏层。
12.根据权利要求11所述的智能电力数据异常检测方法，其特征在于：
所述步骤6包括以下内容：
步骤601，选取多个异常电力数据作为异常电力数据样本集为D，则第i个异常样本点第m维数据为xim，对每一维数据进行中心化处理:
步骤602，根据以下公式计算出中心化样本集协方差矩阵G
其中，
表示中心化样本集
的转置，xjm表示异常样本点i周围第j个异常样本点第m维的数据，j＝1,2,…n,m＝1,2,……d,d表示维度总数；
步骤603，对G进行特征值分解，选中最大的三个特征值A1，A2，A3，并用w1，w2，w3表示它们的特征向量；同时，使这三个特征向量正交，构成新的三维特征空间。
步骤604，令W＝(w1，w2，w3)，由
可将
投影到三维特征空间中，形成新的异常样本集D'＝(z1，z2，…，zn’)，其中，zn’表示新三维空间中第n′个样本点，
表示异常样本点i所有维度的数据；
步骤605，使用欧氏距离公式计算出异常样本点j′和异常样本点i′之间的欧式距离d(i′,j′)，并通过计算出异常样本的平均距离MDT(D’)，设样本点i′的密度为ρ(i′)，则可得到其密度表达公式为：
其中，i′表示异常样本集中的第i′个异常样本点，j′表示异常样本集中的第j′个异常样本点,n′表示异常样本集中样本的总个数；
选择K个最大的样本点密度ρ(i′)为初始聚类中心；
根据聚类中心，输出至少K个聚类簇集，完成聚类，即完成对异常样本点的分类。
13.根据权利要求1或12所述的智能电力数据异常检测方法，其特征在于：
在所述步骤7中，所述自适应设定方法为：
根据设备一天内的运行时长划分时间周期，所划分的时间周期最多为该设备运行时长的0.5倍；采集连续mm个周期内的电力运行数据，并计算mm个周期内的电力运行数据的平均值以及标准差，以及置信区间：
其中，α表示1-置信度，在本实施例中置信度为95％,则α＝1-0.95＝0.05，
称为z值，通过正态分布表查找对应的置信度查到，
表示连续mm个周期内电力运行数据的平均值，nn为连续mm个周期内电力运行数据的总数；
使用计算得出的置信区间作为当前周期的动态告警区间进行告警监测，若此时异常电力数据数量处于置信区间内，则将动态告警区间的下限向上调整原下限数值的1％或将动态告警区间的上限向下调整原上限数值的1％；若此时异常电力数据数量超出置信区间则触发告警；
触发告警后对动态告警区间进行更新，重新采集mm周期的电力运行数据，计算得出新的置信区间后作为新的动态告警区间。
14.根据权利要求1-13任一一项所述的智能电力数据异常检测方法的智能电力数据异常检测系统，包括数据采集模块、数据清洗模块、数据标注模块、计算模块、存储模块、异常电力数据判定模块、聚类模块、告警动态区间设定模块、提醒模块，其特征在于：
数据采集模块用于采集直采数据，并将直采数据传输给数据清洗模块进行数据清洗；
数据清洗模块将清洗后的离线数据输入至数据标注模块进行历史异常电力数据与历史正常电力数据的标注；数据标注模块将标注后的数据输入至计算模块；
计算模块对输入的数据进行降维，并计算得到时序样本序列；
存储模块分别与数据采集模块、计算模块连接，用于存储直采数据以及计算得到的时序样本序列；存储模块将数据输入至异常电力数据判定模块；
异常电力数据判定模块使用离线数据的时间样本序列训练得到电力数据异常检测模型，之后用电力数据异常检测模型对实时数据的时间样本序列进行判定，筛选出异常电力数据并将其输入至储存模块进行存储；
储存模块将判定的异常电力数据输入至聚类模块、告警动态区间设定模块以及提醒模块；
聚类模块对输入的数据进行聚类，得到异常电力数据的分类；
告警动态区间设定模块根据输入的数据数量对告警动态区间进行调整，并将更新后的告警动态区间输入至提醒模块；
提醒模块基于输入的告警动态区间以及异常电力数据的数量对用户进行提醒；提醒模块还包括报警模块、状态标注模块，报警模块与状态标注模块连接。报警模块使用声光报警器、颜色警示灯形式来提醒用户。
15.根据权利要求14所述的智能电力数据异常检测系统，其特征在于：
所述智能电力数据异常检测系统还包括设备标注模块、主控制系统、备用控制系统；
备用控制系统与主控制系统并联，设备标注模块分别与存储模块、提醒模块、主控制系统、备用控制系统连接，用于待测系统中的重点设备进行标注，获取重点设备的电力运行数据并进行处理；
被标记的重点设备在检测系统中重点显示；其中，重点设备的位置使用定位系统进行定位，并将检测数据及结果传送至云服务器，当重点设备发生异常数据或者是检测中断时，启用备用控制系统，云服务器将数据传输至备用控制系统，继续进行检测，同时，备用控制系统的信息定时传输至云服务器进行存储，当主控制系统恢复使用时，备用控制系统本地数据自动清空。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111575119.8A CN114358152A (zh) | 2021-12-21 | 2021-12-21 | 一种智能电力数据异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111575119.8A CN114358152A (zh) | 2021-12-21 | 2021-12-21 | 一种智能电力数据异常检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114358152A true CN114358152A (zh) | 2022-04-15 |
Family
ID=81102281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111575119.8A Pending CN114358152A (zh) | 2021-12-21 | 2021-12-21 | 一种智能电力数据异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358152A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114756722A (zh) * | 2022-04-25 | 2022-07-15 | 珠海市鸿瑞信息技术股份有限公司 | 一种多元数据集中管理控制系统及方法 |
| CN114757455A (zh) * | 2022-06-15 | 2022-07-15 | 苏芯物联技术(南京)有限公司 | 一种基于伺服电机时序数据的地沟台车异常预测方法及系统 |
| CN115292393A (zh) * | 2022-10-10 | 2022-11-04 | 宁波高盛电气有限公司 | 一种用于智慧网关的数据管理系统 |
| CN115563622A (zh) * | 2022-09-29 | 2023-01-03 | 国网山西省电力公司 | 一种运行环境的检测方法、装置和系统 |
| CN115630755A (zh) * | 2022-12-22 | 2023-01-20 | 睿至科技集团有限公司 | 一种综合能源智慧管理系统的数据处理方法及系统 |
| CN115755752A (zh) * | 2023-01-06 | 2023-03-07 | 山东鸿德电力科技有限公司 | 一种基于plc的自动化设备节能控制方法及系统 |
| CN115936428A (zh) * | 2022-11-17 | 2023-04-07 | 江苏东港能源投资有限公司 | 增量配电网防外破定值优化系统 |
| CN116111727A (zh) * | 2023-04-13 | 2023-05-12 | 盛锋电力科技有限公司 | 基于动态温度阈值的综合配电箱异常监测方法 |
| CN117034180A (zh) * | 2023-10-10 | 2023-11-10 | 国网湖北省电力有限公司武汉供电公司 | 电力通信设备数据异常检测方法、系统及存储介质 |
| CN117150417A (zh) * | 2023-10-30 | 2023-12-01 | 国网山东省电力公司菏泽供电公司 | 一种离线式检测系统 |
| CN117150244A (zh) * | 2023-10-30 | 2023-12-01 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及系统 |
| CN117235265A (zh) * | 2023-09-21 | 2023-12-15 | 湖北中恒电测科技有限公司 | 一种电力数据文件的处理系统和方法 |
| CN117271375A (zh) * | 2023-11-21 | 2023-12-22 | 中国电力科学研究院有限公司 | 电网图模数测试样本生成、维护及管理方法和相关装置 |
| CN117371996A (zh) * | 2023-12-06 | 2024-01-09 | 北京中能亿信软件有限公司 | 一种基于大数据的电力通讯分析方法 |
-
2021
- 2021-12-21 CN CN202111575119.8A patent/CN114358152A/zh active Pending
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114756722B (zh) * | 2022-04-25 | 2022-10-04 | 珠海市鸿瑞信息技术股份有限公司 | 一种多元数据集中管理控制系统及方法 |
| CN114756722A (zh) * | 2022-04-25 | 2022-07-15 | 珠海市鸿瑞信息技术股份有限公司 | 一种多元数据集中管理控制系统及方法 |
| CN114757455A (zh) * | 2022-06-15 | 2022-07-15 | 苏芯物联技术(南京)有限公司 | 一种基于伺服电机时序数据的地沟台车异常预测方法及系统 |
| CN114757455B (zh) * | 2022-06-15 | 2022-11-01 | 苏芯物联技术(南京)有限公司 | 一种基于伺服电机时序数据的地沟台车异常预测方法及系统 |
| CN115563622A (zh) * | 2022-09-29 | 2023-01-03 | 国网山西省电力公司 | 一种运行环境的检测方法、装置和系统 |
| CN115563622B (zh) * | 2022-09-29 | 2024-03-12 | 国网山西省电力公司 | 一种运行环境的检测方法、装置和系统 |
| CN115292393A (zh) * | 2022-10-10 | 2022-11-04 | 宁波高盛电气有限公司 | 一种用于智慧网关的数据管理系统 |
| CN115936428A (zh) * | 2022-11-17 | 2023-04-07 | 江苏东港能源投资有限公司 | 增量配电网防外破定值优化系统 |
| CN115630755A (zh) * | 2022-12-22 | 2023-01-20 | 睿至科技集团有限公司 | 一种综合能源智慧管理系统的数据处理方法及系统 |
| CN115755752A (zh) * | 2023-01-06 | 2023-03-07 | 山东鸿德电力科技有限公司 | 一种基于plc的自动化设备节能控制方法及系统 |
| CN116111727A (zh) * | 2023-04-13 | 2023-05-12 | 盛锋电力科技有限公司 | 基于动态温度阈值的综合配电箱异常监测方法 |
| CN117235265A (zh) * | 2023-09-21 | 2023-12-15 | 湖北中恒电测科技有限公司 | 一种电力数据文件的处理系统和方法 |
| CN117034180A (zh) * | 2023-10-10 | 2023-11-10 | 国网湖北省电力有限公司武汉供电公司 | 电力通信设备数据异常检测方法、系统及存储介质 |
| CN117034180B (zh) * | 2023-10-10 | 2023-12-22 | 国网湖北省电力有限公司武汉供电公司 | 电力通信设备数据异常检测方法、系统及存储介质 |
| CN117150244A (zh) * | 2023-10-30 | 2023-12-01 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及系统 |
| CN117150244B (zh) * | 2023-10-30 | 2024-01-26 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及系统 |
| CN117150417B (zh) * | 2023-10-30 | 2024-02-02 | 国网山东省电力公司菏泽供电公司 | 一种离线式检测系统 |
| CN117150417A (zh) * | 2023-10-30 | 2023-12-01 | 国网山东省电力公司菏泽供电公司 | 一种离线式检测系统 |
| CN117271375A (zh) * | 2023-11-21 | 2023-12-22 | 中国电力科学研究院有限公司 | 电网图模数测试样本生成、维护及管理方法和相关装置 |
| CN117271375B (zh) * | 2023-11-21 | 2024-02-13 | 中国电力科学研究院有限公司 | 电网图模数测试样本生成、维护及管理方法和相关装置 |
| CN117371996A (zh) * | 2023-12-06 | 2024-01-09 | 北京中能亿信软件有限公司 | 一种基于大数据的电力通讯分析方法 |
| CN117371996B (zh) * | 2023-12-06 | 2024-03-19 | 北京中能亿信软件有限公司 | 一种基于大数据的电力通讯分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114358152A (zh) | 一种智能电力数据异常检测方法及系统 | |
| CN108805202B (zh) | 一种用于电解槽故障预警的机器学习方法及其应用 | |
| CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN111858231A (zh) | 一种基于运维监控的单指标异常检测方法 | |
| CN110287552B (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及系统 | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
| CN106845526B (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
| CN111445103B (zh) | 一种基于工业互联网的输电线缆生产质量管理反馈系统 | |
| CN113887616A (zh) | 一种epg连接数的实时异常检测系统及方法 | |
| CN112363896A (zh) | 日志异常检测系统 | |
| CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
| CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
| CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
| CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN113569462A (zh) | 一种计及天气因素的配电网故障等级预测方法及系统 | |
| CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
| CN113608968B (zh) | 一种基于密度距离综合决策的电力调度监控数据异常检测方法 | |
| Guan et al. | Application of a novel PNN evaluation algorithm to a greenhouse monitoring system | |
| CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
| CN113112188A (zh) | 一种基于预筛选动态集成的电力调度监控数据异常检测方法 | |
| CN117236665A (zh) | 物资生产调度优化方法及系统 | |
| CN105590140A (zh) | 电力系统短期负荷的预测方法和装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240130 Address after: 215004 No. 555 Labor Road, Gusu District, Suzhou City, Jiangsu Province Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUZHOU BRANCH Country or region after: China Applicant after: NR ENGINEERING Co.,Ltd. Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. Address before: 215004 No. 555 Labor Road, Gusu District, Suzhou City, Jiangsu Province Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUZHOU BRANCH Country or region before: China Applicant before: NARI TECHNOLOGY Co.,Ltd. Applicant before: NR ENGINEERING Co.,Ltd. Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. |
|
| TA01 | Transfer of patent application right |