CN114693106A - 一种基于云边模式的信息物联统一的数据模型构建方法 - Google Patents
一种基于云边模式的信息物联统一的数据模型构建方法 Download PDFInfo
- Publication number
- CN114693106A CN114693106A CN202210309257.XA CN202210309257A CN114693106A CN 114693106 A CN114693106 A CN 114693106A CN 202210309257 A CN202210309257 A CN 202210309257A CN 114693106 A CN114693106 A CN 114693106A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- causal
- big data
- causal relationship
- 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
- 238000013499 data model Methods 0.000 title claims abstract description 21
- 238000010276 construction Methods 0.000 title claims abstract description 18
- 230000006855 networking Effects 0.000 title claims description 3
- 230000001364 causal effect Effects 0.000 claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000005065 mining Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Toxicology (AREA)
- Accounting & Taxation (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Primary Health Care (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
Abstract
本发明公开了一种基于云边模式的信息物联统一的数据模型构建方法,包括以下步骤:S1、应用大数据分析技术从海量多源多维数据中挖掘出存在强关联关系的变量集合;S2、将人工经验与推荐模型相结合,筛选出功能应用集合,生成基于物联网的监控业务模型。本发明构建依托监控大数据分析平台,基于智能电网监控运行大数据应用模型构建方法研发的监控运行大数据分析系统,结合相关性分析和格兰杰因果分析方法,该框架能够从海量多源多维生数据中提炼出因果关系变量集,进而生成监控大数据因果概率图模型,对提高大数据技术在电网深度应用具有重要的工程意义。
Description
技术领域
本发明涉及物联网技术,特别是一种基于云边模式的信息物联统一的数据模型构建方法。
背景技术
近年来,经过国家电网有限公司内部职责的重新调整,传统调度机构更名为调度控制中心(简称调控中心),其调管职责也新增了对管辖全部设备的集中监视和遥控操作职能,传统的有人值守变电站模式变为了无人值守模式。
由于电网数据具有多源、高维、先验、异构的特点,并且蕴含大量因果关系,如何从电网历史大数据中挖掘出不同应用场景的因果关系,从而构建监控运行业务应用是电网监控专业实际生产及管理的热点问题。
发明内容
发明目的:本发明的目的是提供一种基于云边模式的信息物联统一的数据模型构建方法,从而从海量多源多维生数据中提炼出因果关系变量集,进而生成监控大数据因果概率图模型。
技术方案:本发明所述的一种基于云边模式的信息物联统一的数据模型构建方法,包括以下步骤:
S1、应用大数据分析技术从海量多源多维数据中挖掘出存在强关联关系的变量集合,其具体的构建步骤如下:
S1.1、计算获得强相关数据集,采用皮尔逊积矩相关系数法,实施全要素间的相关性检测,对检测出大于指定相关性检测阈值的强相关关系的要素进行标注,并且删除不具备强相关关系的要素,从而获得强相关要素集;
S1.2、计算获得因果关系数据集,对强相关要素集,使用格兰杰因果关系假设方法,检测强相关要素集中存在的因果关系,对检测大于指定阈值的强相关要素对,进行因果关系标注,获得因果关系要素集;
S1.3、电力大数据概率图建模,基于步骤S2中获得的因果关系数据集进行有向概率图建模,其节点为因果关系要素集中的元素,其节点间的有向边为节点间的因果关系;
S1.4、对电力大数据概率图因果结构中的指定的故障或异常节点与其各祖先节点之间的关系系数进行计算;
S1.5、应用人工经验与因果依赖关系推荐模型相结合建立故障或异常的决策判断模型;
S1.6、基于步骤S5中获得的决策判断模型,建立的敏感故障或缺陷趋势预警分类器;
S2、将人工经验与推荐模型相结合,筛选出功能应用集合,生成基于物联网的监控业务模型。
步骤S1.3中所述的概率图模型是用图来表示变量概率依赖关系的理论,结合概率论与图论表示与模型有关的变量联合概率分布形式。
一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的基于云边模式的信息物联统一的数据模型构建方法。
一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的基于云边模式的信息物联统一的数据模型构建方法。
有益效果:与现有技术相比,本发明具有如下优点:本发明构建依托监控大数据分析平台,基于智能电网监控运行大数据应用模型构建方法研发的监控运行大数据分析系统,结合相关性分析和格兰杰因果分析方法,该框架能够从海量多源多维生数据中提炼出因果关系变量集,进而生成监控大数据因果概率图模型,对提高大数据技术在电网深度应用具有重要的工程意义。
附图说明
图1为本发明的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
一种基于云边模式的信息物联统一的数据模型构建方法,建立数据模型最终是对每个主题建立逻辑数据库,即建立数据模型,对物联网平台而言,数据模型自上而下分为:(1)全域数据模型,整个规划范围内有序的基本表集;(2)应用系统数据模型,一个应用系统内有序的基本表集;(3)子系统数据模型,一个子系统内有序的基本表集。
其模型构建方法具体包括以下步骤:
S1、应用大数据分析技术从海量多源多维数据中挖掘出存在强关联关系的变量集合,其具体的构建步骤如下:
S1.1、计算获得强相关数据集,采用皮尔逊积矩相关系数法,实施全要素间的相关性检测,对检测出大于指定相关性检测阈值的强相关关系的要素进行标注,并且删除不具备强相关关系的要素,从而获得强相关要素集;
S1.2、计算获得因果关系数据集,对强相关要素集,使用格兰杰因果关系假设方法,检测强相关要素集中存在的因果关系,对检测大于指定阈值的强相关要素对,进行因果关系标注,获得因果关系要素集;
S1.3、电力大数据概率图建模,基于步骤S2中获得的因果关系数据集进行有向概率图建模,其节点为因果关系要素集中的元素,其节点间的有向边为节点间的因果关系;
S1.4、对电力大数据概率图因果结构中的指定的故障或异常节点与其各祖先节点之间的关系系数进行计算;
S1.5、应用人工经验与因果依赖关系推荐模型相结合建立故障或异常的决策判断模型;
S1.6、基于步骤S5中获得的决策判断模型,建立的敏感故障或缺陷趋势预警分类器。
S2、将人工经验与推荐模型相结合,筛选出功能应用集合,生成基于物联网的监控业务模型。
其中S1.3中概率图模型是用图来表示变量概率依赖关系的理论,结合概率论与图论表示与模型有关的变量联合概率分布形式。
本发明中,多源全要素集合,汇聚了调控中心集中采集到的天气数据(例如:温度、降雨量、湿度)、主动变压器(以下简称主变)负载、主变油温、主变线温、冷却器是否投入、主变电压、主变电流、地区实时负载、主变油位、主变投入使用年限、是否存在渗漏油故障、导线搭头温度、声音、主变色谱、主变绝缘等数据。
这些多源全要素被认为与监控业务关注的设备故障、异常时间序列之间是隐藏着互为因果的关系。
因此,本数据模型构建方法涉及应用大数据分析方法从海量多源多维数据中挖掘出存在强因果关系的变量集合,建立变量的数学模型的过程。
其中数据模型构建方法的具体流程如下:
1.计算获得强相关数据集,采用皮尔逊积矩相关系数法,实施全要素间的相关性检测,对检测出大于指定相关性检测阈值的强相关关系的要素进行标注,并且删除不具备强相关关系的要素,从而获得强相关要素集;
皮尔逊相关系数广泛用于度量两个变量之间的相关程度,其值介于-1与1之间。皮尔逊相关系数的变化范围为-1到1。系数的值为1意味着X和Y可以很好的由直线方程来描述,所有的数据点都很好的落在一条直线上,且随着的增加而增加。系数的值为-1意味着所有的数据点都落在直线上,且随着的增加而减少。系数的值为0意味着两个变量之间没有线性关系。
2.计算获得因果关系数据集,对强相关要素集,使用格兰杰因果关系假设方法,检测强相关要素集中存在的因果关系,对检测大于指定阈值的的强相关要素对,进行因果关系标注,获得因果关系要素集;
格兰杰因果关系假设方法中过去值(lagvalue,或称落后期):同一变项比当期时间上更早的值。
例如:当期为y10,它的落後期为yi<10。格兰杰因果关系检验的基本观念在于:未来的事件不会对目前与过去产生因果影响,而过去的事件才可能对现在及未来产生影响。
也就是说,如果我们试图探讨变量是否对变量有因果影响,那么只需要估计的落後期是否会影响的现在值,因为的未来值不可能影响的现在值。假如在控制了变量的过去值以后,变量的过去值仍能对y变量有显著的解释能力,我们就可以称能“Granger影响”(Granger-cause)y。
3.电力大数据概率图建模,基于步骤2获得的因果关系数据集进行有向概率图建模,其节点为因果关系要素集中的元素,其节点间的有向边为节点间的因果关系。
4.对电力大数据概率图因果结构中的指定的故障或异常节点与其各祖先节点之间的关系系数进行计算。假设某指定故障或异常节点Xi具有m个相对独立的祖先节点,每一组祖先节点记为{π(Xi),π2(Xi),…,πm(Xi)},πj(Xi)→Xi,代表Xi的第j个祖先节点与故障或异常节点Xi之间的因果依赖关系,其中j∈[1,m],而πj(Xi)→Xi的因果依赖关系系数P(Xi|πj(Xi))记为πj(Xi)→Xi的权重λj i。
5.应用人工经验与因果依赖关系推荐模型相结合建立故障或异常的决策判断模型。该决策判断模型计算公式为:
式中:αj为由人工专家对各组因果依赖关系πj(Xi)→Xi进行的可用性、结构及合理性的参数评估取值,并且约定∑αj=1;P(πj(Xi))为工程应用中。
6.基于步骤5获得的决策判断模型,建立的敏感故障或缺陷趋势预警分类器。其输入为“果”要素的各祖先节点πj(Xi)(“因”要素)的概率值P(πj(Xi))(根据历史值和预测值的抽样获得),当输出的趋势预警系数H大于指定阈值时,判断为故障或异常Xi告警,否则不告警。
Claims (4)
1.一种基于云边模式的信息物联统一的数据模型构建方法,其特征在于,包括以下步骤:
S1、应用大数据分析技术从海量多源多维数据中挖掘出存在强关联关系的变量集合,其具体的构建步骤如下:
S1.1、计算获得强相关数据集,采用皮尔逊积矩相关系数法,实施全要素间的相关性检测,对检测出大于指定相关性检测阈值的强相关关系的要素进行标注,并且删除不具备强相关关系的要素,从而获得强相关要素集;
S1.2、计算获得因果关系数据集,对强相关要素集,使用格兰杰因果关系假设方法,检测强相关要素集中存在的因果关系,对检测大于指定阈值的强相关要素对,进行因果关系标注,获得因果关系要素集;
S1.3、电力大数据概率图建模,基于步骤S2中获得的因果关系数据集进行有向概率图建模,其节点为因果关系要素集中的元素,其节点间的有向边为节点间的因果关系;
S1.4、对电力大数据概率图因果结构中的指定的故障或异常节点与其各祖先节点之间的关系系数进行计算;
S1.5、应用人工经验与因果依赖关系推荐模型相结合建立故障或异常的决策判断模型;
S1.6、基于步骤S5中获得的决策判断模型,建立的敏感故障或缺陷趋势预警分类器;
S2、将人工经验与推荐模型相结合,筛选出功能应用集合,生成基于物联网的监控业务模型。
2.根据权利要求1所述的一种基于云边模式的信息物联统一的数据模型构建方法,其特征在于,步骤S1.3中所述的概率图模型是用图来表示变量概率依赖关系的理论,结合概率论与图论表示与模型有关的变量联合概率分布形式。
3.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-2中任一项所述的基于云边模式的信息物联统一的数据模型构建方法。
4.一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-2中任一项所述的基于云边模式的信息物联统一的数据模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210309257.XA CN114693106A (zh) | 2022-03-28 | 2022-03-28 | 一种基于云边模式的信息物联统一的数据模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210309257.XA CN114693106A (zh) | 2022-03-28 | 2022-03-28 | 一种基于云边模式的信息物联统一的数据模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693106A true CN114693106A (zh) | 2022-07-01 |
Family
ID=82139664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210309257.XA Pending CN114693106A (zh) | 2022-03-28 | 2022-03-28 | 一种基于云边模式的信息物联统一的数据模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693106A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647891A (zh) * | 2018-05-14 | 2018-10-12 | 口口相传(北京)网络技术有限公司 | 数据异常归因分析方法及装置 |
CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
CN112101480A (zh) * | 2020-09-27 | 2020-12-18 | 西安交通大学 | 一种多变量聚类与融合的时间序列组合预测方法 |
CN112632148A (zh) * | 2020-12-10 | 2021-04-09 | 国家电网有限公司 | 一种考虑极端气候条件下配电网元器件智能预警方法 |
CN114066262A (zh) * | 2021-11-18 | 2022-02-18 | 国网江苏省电力有限公司 | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 |
-
2022
- 2022-03-28 CN CN202210309257.XA patent/CN114693106A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647891A (zh) * | 2018-05-14 | 2018-10-12 | 口口相传(北京)网络技术有限公司 | 数据异常归因分析方法及装置 |
CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
CN112101480A (zh) * | 2020-09-27 | 2020-12-18 | 西安交通大学 | 一种多变量聚类与融合的时间序列组合预测方法 |
CN112632148A (zh) * | 2020-12-10 | 2021-04-09 | 国家电网有限公司 | 一种考虑极端气候条件下配电网元器件智能预警方法 |
CN114066262A (zh) * | 2021-11-18 | 2022-02-18 | 国网江苏省电力有限公司 | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Remaining useful life re-prediction methodology based on Wiener process: Subsea Christmas tree system as a case study | |
Bahga et al. | Analyzing massive machine maintenance data in a computing cloud | |
Karia et al. | Forecasting on crude palm oil prices using artificial intelligence approaches | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
Shi et al. | Expected output calculation based on inverse distance weighting and its application in anomaly detection of distributed photovoltaic power stations | |
Sun et al. | An ensemble system to predict the spatiotemporal distribution of energy security weaknesses in transmission networks | |
Reddy et al. | Data-driven approach to form energy resilient smart microgrids with identification of vulnerable nodes in active electrical distribution network | |
Dawood et al. | Red deer optimized recurrent neural network for the classification of power quality disturbance | |
Indira et al. | Electricity Load Demand Prediction for Microgrid Energy Management System Using Hybrid Adaptive Barnacle‐Mating Optimizer with Artificial Neural Network Algorithm | |
Sun et al. | A multi-model-integration-based prediction methodology for the spatiotemporal distribution of vulnerabilities in integrated energy systems under the multi-type, imbalanced, and dependent input data scenarios | |
Yuan et al. | Short-term wind speed forecasting using STLSSVM hybrid model | |
CN114693106A (zh) | 一种基于云边模式的信息物联统一的数据模型构建方法 | |
CN117060353A (zh) | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 | |
Xiong et al. | Forecasting ultra‐short‐term wind power by multiview gated recurrent unit neural network | |
KR102593144B1 (ko) | 이상 탐지 및 복원 기반의 전력 수요량 예측 장치 및 방법 | |
Yang et al. | Design of equipment online monitoring and fault diagnosis platform based on IoT | |
CN114611764A (zh) | 一种特定区域内企业工业用水异常监测预警方法 | |
Zor et al. | Interpretation of error calculation methods in the context of energy forecasting | |
Mazidi | From condition monitoring to maintenance management in electric power system generation with focus on wind turbines | |
Miranda et al. | Bayesian inferencing for wind resource characterisation | |
CN116596405B (zh) | 纯数据驱动的电力系统分析方法及系统 | |
Sayar et al. | Real-time prediction of electricity distribution network status using artificial neural network model: A case study in Salihli (Manisa, Turkey) | |
Xiaodong et al. | Artificial Intelligence in power multimodal data analysis | |
Mubarak et al. | Enhanced Short-term Reactive Energy Demand Forecasting by Employing Seasonal Decomposition and Multi-Model Approach |
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: 20220701 |