CN114860808B - 基于大数据的配电网设备异常事件关联分析方法 - Google Patents
基于大数据的配电网设备异常事件关联分析方法 Download PDFInfo
- Publication number
- CN114860808B CN114860808B CN202210527191.1A CN202210527191A CN114860808B CN 114860808 B CN114860808 B CN 114860808B CN 202210527191 A CN202210527191 A CN 202210527191A CN 114860808 B CN114860808 B CN 114860808B
- Authority
- CN
- China
- Prior art keywords
- association
- event
- coefficient
- events
- degree
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims description 20
- 238000010219 correlation analysis Methods 0.000 title description 2
- 238000012097 association analysis method Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012163 sequencing technique 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
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于大数据的配电网设备异常事件关联分析方法,包括基于伴生事件设备比例的关联性预判;基于事件间隔天数的单台配变事件关联系数计算;考虑配变关联系数集中度的两类事件关联度计算;两类异常事件关联度强弱判断。本发明的有益效果是:量化分析配网设备异常事件间的关联关系及关联程度,辅助识别配网设备异常事件的伴生规律,以提前评估预判电网运行潜在风险,支撑配网的主动运维和主动检修工作,实现精准施策,高效提高供电可靠性,促进电网提质增效。
Description
技术领域
本发明属于配电网运行分析技术领域,尤其涉及一种基于大数据的配电网设备异常事件关联分析方法。
背景技术
随着社会和国民经济发展以及人民生活水平的迅速提高,对供电可靠性和电能质量等有了更高的要求。电力系统尤其配网系统点多面广,在运行过程中会受到外界各类因素的影响,配网设备运行时常常发生超重载、低电压、三相不平衡等异常事件,而这些异常事件与设备停运存在关联关系,并且异常事件间也存在伴生现象,是影响供电可靠性和供电优质服务的重要因素。电力系统中发生异常有可能进一步扩大,进而导致设备停电。目前,还没有对系统异常事件分析的研究。现状配网的运维、检修、抢修都是基于单一事件开展,缺乏对事件间伴生关系的量化评估与分析方法,不能对设备存在潜在关联关系的事件开展多目标联合运维、检修和抢修,造成异常事件接连发生、同一配网设备频繁停电的问题,影响电网安全及供电可靠性。
发明内容
本发明针对以上问题,提供了一种对异常事件间伴生关系的量化评估与分析,通过潜在关联联系,提高运维、检修和抢修可靠性,保证电网安全和供电可靠的基于大数据的配电网设备异常事件关联分析方法。
本发明的目的是采用下述技术方案实现的:包括下述步骤:
步骤(1)、基于伴生事件设备比例的关联性预判;
步骤(2)、基于事件间隔天数的单台配变事件关联系数计算;
步骤(3)、考虑配变关联系数集中度的两类事件关联度计算;
步骤(4)、两类异常事件关联度强弱判断。
步骤(1)包括下述步骤:
1.1)确定有待挖掘关联关系的设备事件类型,其中,事件类型包括配变超重载、三相不平衡、电压越限、配变失电;
1.2)分别统计每种事件类型在统计期内出现的次数nk;
1.3)对所有的事件类型进行两两组合,分别求出第i种事件与第j种事件组合时,间隔天数d≤90,且为同一配变的次数nij;
1.4)设置阈值η,当nij>η时,初步判断两种事件可能有关联。
步骤1.4)中,当nij大于单异常事件在统计期内出现的总数的5%时,认为两种事件可能有关联;
阈值η的计算公式为:
η=min(ni·5%,nj·5%) (1)
式中,ni表示第i种事件在统计期内出现的总次数;nj表示第j种事件在统计期内出现的总次数。
2.1)对于同时发生过至少两种异常事件的单台配变,计算两类事件发生的时间间隔天数d;
2.2)设置发生日期间隔天数d的阈值;
2.3)针对各台配变,计算两种事件基于时间间隔的关联系数r。
步骤2.3)中,当d>90时,认为无关联,不进行关联系数计算;当d≤90,关联系数计算为:
3.1)依据步骤(2)中的关联系数r计算出nij次的每次关联系数rs,其中,s=1,2,3,…,nij;计算关联系数rs在其每个可能取值处的概率pl;
3.2)对求得的pl按照从大到小的顺序排列,记为pl′,对应的关联系数取值为xl′;
3.3)计算分散程度系数k;
3.4)计算关联度Rij。
步骤3.1)中,令为关联系数rs在区间[0,1]上所有可能取值,其中,l=1,2,3,…,90;
为关联系数在每个取值处的概率,其中,nl为rs=xl的总数,l=1,2,3,…,90。
步骤3.3)中,当关联系数rs在某取值处的概率大于0.7时,可认为rs主要集中分布在该取值处;
设a为使得的最小取值,当0≤a≤(90·0.7)时,k=1-a/63;当(90·0.7)<a≤90时,k=0。
步骤3.4)中,关联度Rij计算公式为:
式中,m为关联系数rs所有取值为xl′(l=0,…,a)的总个数;rs′为关联系数rs中所有取值为xl′(l=0,…,a)的部分。
步骤(4)包括以下步骤:
1)设定关联度阈值ξ对存在关联的并发事件组合进行筛选;当Rij≥ξ时,认为两个事件存在关联,阈值ξ设定为0.4;
2)判断两两事件组合的关联度强弱;
根据关联度计算结果划分强弱等级,判断关联度强弱;关联系数与关联性强弱的对应关系为可划分为:0.8<Rij≤1为极强关联;0.6<Rij≤0.8为强关联;0.4≤Rij≤0.6为中等强度关联。
本发明基于实际工作的需求,提出一种基于大数据的配电网设备异常事件关联分析方法,可以量化分析配网设备异常事件、失电事件之间的关联关系及关联程度,挖掘配网设备异常事件的伴生规律,实现提前评估预判电网运行潜在风险,支撑配网的主动运维和主动检修工作,实现精准施策,高效提高供电可靠性,促进电网提质增效。
附图说明
图1为本发明的流程图,
图2是本发明实施方式的流程图。
具体实施方式
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,都属于本发明保护的范围。
本发明如图1所示,包括以下步骤:
步骤(1)、基于伴生事件设备比例的关联性预判。这样,通过对各种两两事件组合场景下的配变数量分别占每个事件总配变数量的比例分析,剔除可认为是统计学小概率事件的事件组合场景,以缩减后续进一步开展关联度量化评价的计算场景数量。
步骤(2)、基于事件间隔天数的单台配变事件关联系数计算。这样,针对每个事件组合计算场景下,发生过不只一种事件的各台配变,基于该配变发生两个事件的时间间隔,计算得到单台配变两两伴生事件的关联系数,为步骤(3)开展两种事件整体关联度评价提供基础。
步骤(3)、考虑配变关联系数集中度的两类事件关联度计算。这样,在应用上一步得到的每一台存在事件伴生情况的配变发生两种事件的关联系数,计算得到两种事件类型的整体关联度计算结果。
步骤(4)、两类异常事件关联度强弱判断。通过给出关联度数值计算结果的关联度强弱区间判断规则,并以此直观表达各种两两事件组合场景的关联度强弱。
本发明中的分析方法,一是能够简便识别具有潜在关联量化分析价值的事件组合,降低复杂计算工作量,提高关联分析效率;二是在考虑单个设备关联系数数值信息的基础上,得出两两异常事件的总体关联度,更简洁、直观、准确的反映事件类型之间的整体关联,并且便于不同事件组合关联的横向比较。
步骤(1)中基于伴生事件设备比例的关联性预判方法具体为:
首先,对不同类型历史配电设备异常事件进行分析处理,得到调研统计期内所有待分析的事件类型(如配变超重载、三相不平衡、电压越限、配变失电等事件),分别统计得到每种事件在统计期内出现的次数nk;其次,对所有的事件类型进行两两组合,分别求出第i种事件与第j种事件组合时,间隔天数d≤90,且为同一配变的次数nij;最后,设置阈值η,当nij>η时,可初步判断两种事件可能有关联。该阈值应排除小概率事件,即当nij大于单异常事件在统计期内出现的总数的5%时,认为两种事件可能有关联。阈值η的计算公式为:
η=min(ni·5%,nj·5%) (1)
式中,ni表示第i种事件在统计期内出现的总次数;nj表示第j种事件在统计期内出现的总次数。
步骤(2)中基于事件间隔天数的单台配变事件关联系数计算为:
对于同一配变,两个异常或失电事件之间的关联系数r与事件发生日期间隔天数d成反比关系,即随着间隔天数d的增大,关联系数r逐渐减小。结合过往经验分析,用户的用电特性一般具有季节性规律。鉴于此,将异常或失电事件发生日期间隔天数d的阈值定为90(即约三个月内),即当d>90时,认为无关联,不进行关联系数计算;当d≤90,关联系数计算式为:
步骤(3)中考虑配变关联系数集中度的两类事件关联度计算方法为:
根据关联系数计算公式可分别计算出nij次的每次的关联系数rs(s=1,2,3,…,nij),令为关联系数rs在区间[0,1]上所有可能取值,为关联系数在每个取值处的概率,其中nl为rs=xl的总数。对求得的pl按照从大到小的顺序排列,记为pl′,对应的关联系数取值为xl′。排序后,从前至后逐步叠加,累计概率超过0.7时,即得到a值。
关联度Rij计算公式为:
式中,k为分散程度系数,根据统计学经验以及反复的数据分析发现,当随机变量关联系数rs在某取值处的概率大于0.7时,可认为rs主要集中分布在该取值处,设a为使得的最小取值,当0≤a≤63时k=1-a/63,当63<a≤90时k=0;分散程度系数k的计算结果范围为[0,1]。引入分散程度系数k的含义在于体现当a取值越小,则说明关联系数数值分布越集中,关联度计算结果应越接近关联系数的均值;反之当a取值越大,则说明关联系数计算结果数值分布越离散,均值可信度降低;直至当a大于63时,即关联系数数值过于离散,并没有集中分布特征,均值计算结果不具有参考价值,此时k取0,后续关联度计算结果即为0。
m为关联系数rs所有取值为xl′(l=0,…,a)的总个数;rs′为关联系数rs中所有取值为xl′(l=0,…,a)的部分。
步骤(4)中两类异常事件关联度强弱判断规则为:
根据式(3)计算出关联度Rij的范围为[0,1],即说明Rij越接近1,关联性越强;Rij越接近0,关联性越弱。
设定阈值ξ对存在关联的并发事件组合进行筛选,当Rij>ξ时,认为两个事件存在关联。根据相关系数与关联性强弱关系将阈值ξ设定为0.4,即认为关联强弱在中等程度及以上的两个事件组合有关联。
可根据关联度计算结果划分强弱等级,判断关联度强弱。关联系数与关联性强弱的对应关系为可划分为:0.8<Rij≤1为极强关联;0.6<Rij≤0.8为强关联;0.4≤Rij≤0.6为中等强度关联。
如图2所示,在应用中,包括:
从配电设备计量监测及运检系统中,采集近2年所有配电变压器的至少两种有待进行关联分析的异常事件。假设A1为事件一(如配变三相不平衡),A2为事件二(如配变失电)。
分别统计得到两种事件在统计期内出现的次数n1和n2;
求出A1事件与A2事件组合时,间隔天数d≤90,且为同一配变的次数n12;
计算阈值η,η=min(n1·5%,n2·5%)
当n12≤η时,则配电变压器台数同时发生两种事件的台数占比较低,为统计学小概率事件,可认为无关联,结束分析;
当n12>η时,认为两种事件可能有关联,继续进行关联度分析;
针对同时发生过A1事件与A2事件,且间隔天数d≤90的每一台配变,分别计算出的这n12≤η次每次的关联系数rs(s=1,2,3,…,);
计算关联系数rs在其每个可能取值处的概率pl,令 为关联系数rs在区间[0,1]上所有可能取值,/> 为关联系数在每个取值处的概率,其中nl为rs=xl的总数;
对求得的pl按照从大到小的顺序排列,记为pl′,对应的关联系数取值为xl′;
计算分散程度系数k,方法为设a为使得的最小取值,当0≤a≤63时,k=1-a/63,当63<a≤90时,k=0。当随机变量rs在某取值处的概率大于0.7时,可认为rs主要集中分布在该取值处;
计算最终关联度m为关联系数rs所有取值为xl′(l=0,…,a)的总个数;rs′为关联系数rs中所有取值为xl′(l=0,…,a)的部分。
通过设定阈值ξ=0.4,依据最终关联度R判断A1事件与A2事件是否存在关联。其中,当R<0.4时,认为A1事件与A2事件不具有关联;当R≥0.4时,A1事件与A2事件具有关联,则可参考A1事件的发生(如配变三相不平衡)来预判A2事件(如配变失电),以改进运检策略。
可进一步的,根据关联度R计算结果绝对值的大小,判断关联度强弱。关联系数与关联性强弱的对应关系为可划分为:0.8<R≤1为极强关联;0.6<R≤0.8为强关联;0.4≤R≤0.6为中等强度关联。
当对多个两两事件组合进行分析后,可识别关联性更强的事件组合,辅助运检计划决策。
在实际的配电网运行、维护工作中配网设备经常发生异常事件,根据经验这些异常事件间及与失电事件间应该存在某些关联关系,但是又没有方法可以量化配网设备异常事件间的关联关系及程度。
本发明中的系统异常事件分析对设备失电预判和避免是具有重要意义的。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.基于大数据的配电网设备异常事件关联分析方法,其特征在于:包括下述步骤:
步骤(1)、基于伴生事件设备比例的关联性预判;
步骤(2)、基于事件间隔天数的单台配变事件关联系数计算;
步骤(3)、考虑配变关联系数集中度的两类事件关联度计算;
步骤(3)包括以下步骤:
3.1)依据步骤(2)中的关联系数r计算出nij次的每次关联系数rs,其中,s=1,2,3,…,nij;计算关联系数rs在其每个可能取值处的概率pl;
3.2)对求得的pl按照从大到小的顺序排列,记为pl′,对应的关联系数取值为xl′;
3.3)计算分散程度系数k;
3.4)计算关联度Rij;
步骤3.1)中,令为关联系数rs在区间[0,1]上所有可能取值,其中,l=1,2,3,…,90;
为关联系数在每个取值处的概率,其中,nl为rs=xl的总数,l=1,2,3,…,90;
步骤3.3)中,设a为使得的最小取值,当0≤a≤(90·0.7)时,k=1-a/63;当(90·0.7)<a≤90时,k=0;
步骤3.4)中,关联度Rij计算公式为:
式中,m为关联系数rs所有取值为xl′(l=0,…,a)的总个数;rs′为关联系数rs中所有取值为xl′(l=0,…,a)的部分;
步骤(4)、两类异常事件关联度强弱判断。
2.根据权利要求1所述的基于大数据的配电网设备异常事件关联分析方法,其特征在于:
步骤(1)包括下述步骤:
1.1)确定有待挖掘关联关系的设备事件类型,其中,事件类型包括配变超重载、三相不平衡、电压越限、配变失电;
1.2)分别统计每种事件类型在统计期内出现的次数nk;
1.3)对所有的事件类型进行两两组合,分别求出第i种事件与第j种事件组合时,间隔天数d≤90,且为同一配变的次数nij;
1.4)设置阈值η,当nij>η时,初步判断两种事件可能有关联。
3.根据权利要求2所述的基于大数据的配电网设备异常事件关联分析方法,其特征在于:
步骤1.4)中,当nij大于单异常事件在统计期内出现的总数的5%时,认为两种事件可能有关联;
阈值η的计算公式为:
η=min(ni·5%,nj·5%) (1)
式中,ni表示第i种事件在统计期内出现的总次数;nj表示第j种事件在统计期内出现的总次数。
4.根据权利要求1所述的基于大数据的配电网设备异常事件关联分析方法,其特征在于:步骤(2)包括以下步骤:
2.1)对于同时发生过至少两种异常事件的单台配变,计算两类事件发生的时间间隔天数d;
2.2)设置发生日期间隔天数d的阈值;
2.3)针对各台配变,计算两种事件基于时间间隔的关联系数r。
5.根据权利要求4所述的基于大数据的配电网设备异常事件关联分析方法,其特征在于:
步骤2.3)中,当d>90时,认为无关联,不进行关联系数计算;当d≤90,关联系数计算为:
6.根据权利要求1所述的基于大数据的配电网设备异常事件关联分析方法,其特征在于:
步骤(4)包括以下步骤:
1)设定关联度阈值ξ对存在关联的并发事件组合进行筛选;当Rij≥ξ时,认为两个事件存在关联,阈值ξ设定为0.4;
2)判断两两事件组合的关联度强弱;
根据关联度计算结果划分强弱等级,判断关联度强弱;关联系数与关联性强弱的对应关系为可划分为:0.8<Rij≤1为极强关联;0.6<Rij≤0.8为强关联;0.4≤Rij≤0.6为中等强度关联。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210527191.1A CN114860808B (zh) | 2022-05-16 | 2022-05-16 | 基于大数据的配电网设备异常事件关联分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210527191.1A CN114860808B (zh) | 2022-05-16 | 2022-05-16 | 基于大数据的配电网设备异常事件关联分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114860808A CN114860808A (zh) | 2022-08-05 |
CN114860808B true CN114860808B (zh) | 2023-10-24 |
Family
ID=82637703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210527191.1A Active CN114860808B (zh) | 2022-05-16 | 2022-05-16 | 基于大数据的配电网设备异常事件关联分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114860808B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116204842B (zh) * | 2023-03-10 | 2023-09-08 | 广东省建设工程质量安全检测总站有限公司 | 一种电气设备的异常监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012099067A (ja) * | 2010-11-05 | 2012-05-24 | Yamatake Corp | イベント分析装置、イベント分析方法およびイベント分析プログラム |
CN109977132A (zh) * | 2019-02-01 | 2019-07-05 | 北京工业大学 | 一种基于无监督聚类模式的学生异常行为模式分析方法 |
CN110321912A (zh) * | 2018-03-30 | 2019-10-11 | 浙江华云信息科技有限公司 | 多计量异常事件关联度分析方法 |
CN110555016A (zh) * | 2018-03-30 | 2019-12-10 | 国网浙江新昌县供电有限公司 | 一种多计量异常事件关联度分析方法 |
CN111191878A (zh) * | 2019-12-10 | 2020-05-22 | 国网天津市电力公司电力科学研究院 | 一种基于异常分析的台区及电能表状态评价方法及系统 |
CN112488360A (zh) * | 2020-11-03 | 2021-03-12 | 国网河南省电力公司郑州供电公司 | 基于人工智能的配变异常分析预警方法 |
CN113971425A (zh) * | 2020-07-22 | 2022-01-25 | 中移(苏州)软件技术有限公司 | 一种异常分析方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7127317B2 (en) * | 2004-11-30 | 2006-10-24 | Taiwan Semiconductor Manufacturing Co., Ltd. | System and method to analyze low yield of wafers caused by abnormal lot events |
US9093841B2 (en) * | 2012-02-16 | 2015-07-28 | General Electric Company | Power distribution network event correlation and analysis |
US10444121B2 (en) * | 2016-05-03 | 2019-10-15 | Sap Se | Fault detection using event-based predictive models |
-
2022
- 2022-05-16 CN CN202210527191.1A patent/CN114860808B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012099067A (ja) * | 2010-11-05 | 2012-05-24 | Yamatake Corp | イベント分析装置、イベント分析方法およびイベント分析プログラム |
CN110321912A (zh) * | 2018-03-30 | 2019-10-11 | 浙江华云信息科技有限公司 | 多计量异常事件关联度分析方法 |
CN110555016A (zh) * | 2018-03-30 | 2019-12-10 | 国网浙江新昌县供电有限公司 | 一种多计量异常事件关联度分析方法 |
CN109977132A (zh) * | 2019-02-01 | 2019-07-05 | 北京工业大学 | 一种基于无监督聚类模式的学生异常行为模式分析方法 |
CN111191878A (zh) * | 2019-12-10 | 2020-05-22 | 国网天津市电力公司电力科学研究院 | 一种基于异常分析的台区及电能表状态评价方法及系统 |
CN113971425A (zh) * | 2020-07-22 | 2022-01-25 | 中移(苏州)软件技术有限公司 | 一种异常分析方法、装置及存储介质 |
CN112488360A (zh) * | 2020-11-03 | 2021-03-12 | 国网河南省电力公司郑州供电公司 | 基于人工智能的配变异常分析预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114860808A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598435B (zh) | 一种配电网电缆运行状态评价方法及系统 | |
CN112434962B (zh) | 基于电力负荷数据的企业用户状态评估方法和系统 | |
CN104933477A (zh) | 一种利用输变电设备风险评估优化检修策略的方法 | |
CN113420992A (zh) | 一种电力系统网络风险评估方法与系统 | |
CN114860808B (zh) | 基于大数据的配电网设备异常事件关联分析方法 | |
CN113030633B (zh) | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 | |
CN112085321A (zh) | 一种基于边缘计算的台区状态评价方法 | |
CN112084678A (zh) | 一种基于多元回归的配线线损率处理方法及装置 | |
CN114565293B (zh) | 一种工业负荷提供长周期需求响应能力的评估方法 | |
CN115713242A (zh) | 一种工业园区低碳措施评价方法及系统 | |
CN111832174A (zh) | 一种基于多元回归的配线线损率处理方法及装置 | |
CN110400001B (zh) | 一种基于风险评估的高压电缆巡检周期优化方法 | |
CN106325258B (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
CN117668772A (zh) | 基于大数据的线损检测方法及系统 | |
CN118017624A (zh) | 基于配网重构的多时间尺度的无功优化方法 | |
CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
CN110310048B (zh) | 一种配网规划全过程评估方法及装置 | |
CN116308299A (zh) | 一种站房设备风险评估方法及装置 | |
CN116151808A (zh) | 一种基于风险评估的配电设备状态检修方法 | |
CN114492507B (zh) | 一种数模协同驱动下的轴承剩余寿命预测方法 | |
CN115907461A (zh) | 一种基于机理推导方程的电力工程方法 | |
CN110991841B (zh) | 一种基于ai技术的对招投标过程中不规范行为的分析方法 | |
CN112611997B (zh) | 一种台区关口表挂接关系在线校验方法和系统 | |
CN114399150A (zh) | 基于ahp-模糊综合评价法的配网设备状态评价方法 | |
CN113807743A (zh) | 一种电网调度自动化软件可靠性评估方法及系统 |
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 |