CN115292659B - 智能家居的时序数据异常检测方法 - Google Patents

智能家居的时序数据异常检测方法 Download PDF

Info

Publication number
CN115292659B
CN115292659B CN202210921092.1A CN202210921092A CN115292659B CN 115292659 B CN115292659 B CN 115292659B CN 202210921092 A CN202210921092 A CN 202210921092A CN 115292659 B CN115292659 B CN 115292659B
Authority
CN
China
Prior art keywords
encoder
significance
decoder
time sequence
characteristic
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
Application number
CN202210921092.1A
Other languages
English (en)
Other versions
CN115292659A (zh
Inventor
李坚
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.)
Sichuan Yichuang Kanghua Health Technology Co.,Ltd.
Original Assignee
Chengdu Yichuang Space Technology 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 Chengdu Yichuang Space Technology Co ltd filed Critical Chengdu Yichuang Space Technology Co ltd
Priority to CN202210921092.1A priority Critical patent/CN115292659B/zh
Publication of CN115292659A publication Critical patent/CN115292659A/zh
Application granted granted Critical
Publication of CN115292659B publication Critical patent/CN115292659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及智能家居的时序数据异常检测方法，包括步骤：步骤S1，按照设定的时间周期获取智能家居的时序数据x，通过消息队列进入数据库，提取输入数据库的时序数据x的显著性特征S(x)；步骤S2，使用编码器将显著性特征S(x)编码为编码特征t，再使用解码器将编码特征t解码为新的显著性特征S(x)`；步骤S3，将显著性特征S(x)与新的显著性特征S(x)`进行差异性对比，若差异大于异常阈值，则触发报警。本发明实现无监督、统一、准确、高效的对智能家居的时序数据进行异常检测。

Description

智能家居的时序数据异常检测方法
技术领域
本发明涉及时序数据异常检测技术领域，特别涉及一种智能家居的时序数据异常检测方法。
背景技术
随着科技发展，将智能电器带入家庭已不是难事，比如智能窗帘、智能空调、扫地机器人等智能家电，就是将微处理器、传感器技术、网络通信技术引入家电设备后形成的家电产品，能自动感知住宅空间状态、家电自身状态和家电服务状态，能够与住宅内其他家电、家具和设施互联组成系统，实现智能家居功能。
但智能家居的时序数据呈现的模式繁多，难以统一，因此在对时序数据的异常检测上充满了挑战。请参见图2（a）为周期性时序数据，图2（b）为稳定型时序数据，图2（c）为紊乱型时序数据。当面临需要同时处理数以百万计的时序数据流，且监控周期在分钟级时，时序数据异常检测便更加有难度。
发明内容
本发明的目的在于无监督、统一、准确、高效的对智能家居的时序数据进行异常检测，提供一种智能家居的时序数据异常检测方法。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
智能家居的时序数据异常检测方法，包括以下步骤：
步骤S1，按照设定的时间周期获取智能家居的时序数据x，通过消息队列进入数据库，提取输入数据库的时序数据x的显著性特征S(x)；
步骤S2，使用编码器将显著性特征S(x)编码为编码特征t，再使用解码器将编码特征t解码为新的显著性特征S(x)`；
步骤S3，将显著性特征S(x)与新的显著性特征S(x)`进行差异性对比，若差异大于异常阈值，则触发报警。
所述提取输入数据库的时序数据x的显著性特征S(x)的步骤，包括：
通过傅里叶变换获取时序数据x的幅度谱A(f)：
Figure DEST_PATH_IMAGE001
基于幅度谱A(f)计算时序数据x的残差谱R(f)：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE005
其中，
Figure DEST_PATH_IMAGE006
表示时序数据x的频率域，A(f)表示幅度谱，P(f)表示相位谱，L(f)表示幅度谱A(f)做对数处理得到的对数幅度谱，AL(f)表示L(f)进行均值滤波之后的结果，hq(f)表示空间滤波函数，R(f)表示残差谱；
Figure DEST_PATH_IMAGE007
其中，q表示滤波系数，
Figure DEST_PATH_IMAGE008
为n×n对角矩阵；
再通过傅里叶逆变换将时序数据x转换回空间域，获得显著性特征S(x)：
Figure DEST_PATH_IMAGE009
其中，
Figure DEST_PATH_IMAGE010
表示空间域，i表示相位系数。
所述使用编码器将显著性特征S(x)编码为编码特征t的步骤，包括：
将显著性特征S(x)输入编码器进行降维处理，得到均值
Figure DEST_PATH_IMAGE011
和标准差
Figure DEST_PATH_IMAGE012
：
Figure DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE014
其中，计算均值时，
Figure DEST_PATH_IMAGE015
表示编码器权重，
Figure DEST_PATH_IMAGE016
表示编码器偏置，
Figure DEST_PATH_IMAGE017
表示正弦编码；计算标准差时，
Figure DEST_PATH_IMAGE018
表示编码器权重，
Figure DEST_PATH_IMAGE019
表示编码器偏置，
Figure DEST_PATH_IMAGE020
表示余弦编码；
Figure DEST_PATH_IMAGE021
表示编码器的变分模型;
其中，SoftPlus[*]=log[exp(*)+1]；SoftPlus[*]表示激活函数；
根据均值
Figure 254742DEST_PATH_IMAGE011
和标准差
Figure 968620DEST_PATH_IMAGE012
计算得到编码特征t。
所述再使用解码器将编码特征t解码为新的显著性特征S(x)`的步骤，包括：
将编码特征t输入编码器进行升维处理，得到均值
Figure DEST_PATH_IMAGE022
和标准差
Figure DEST_PATH_IMAGE023
：
Figure DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE025
计算均值时，
Figure DEST_PATH_IMAGE026
表示解码器权重，
Figure DEST_PATH_IMAGE027
表示解码器偏置，
Figure DEST_PATH_IMAGE028
表示正弦解码；计算标准差时，
Figure DEST_PATH_IMAGE029
表示解码器权重，
Figure DEST_PATH_IMAGE030
表示解码器偏置，
Figure DEST_PATH_IMAGE031
表示余弦解码；
Figure DEST_PATH_IMAGE032
表示解码器的变分模型；
其中，SoftPlus[*]=log[exp(*)+1]；SoftPlus[*]表示激活函数；
根据均值
Figure 596959DEST_PATH_IMAGE022
和标准差
Figure 788906DEST_PATH_IMAGE023
计算得到新的显著性特征S(x)`。
所述将显著性特征S(x)与新的显著性特征S(x)`进行差异性对比，若差异大于异常阈值，则触发报警的步骤，包括：
设定所述异常阈值为Ab，计算显著性特征S(x)与新的显著性特征S(x)`的差异AbScore=|S(x)-S(x)`|，若AbScore>Ab，则触发报警。
与现有技术相比，本发明的有益效果：
本发明无监督、统一、准确、高效的对智能家居的时序数据进行异常检测，从而保证家庭中智能家居的正常使用。
本发明使用变分自编码器（Variational Auto-Encoder，VAE）作为异常检测架构的编码器，如此在训练时只需要提供正常分布的时序数据即可进行训练，无需依靠经验对异常时序数据的注入提供超参数，实用性得到了提升。
本发明介入权重、偏置，以及涉及正、余弦编码，进一步优化编码器的变分模型，使得最终重构的特征离实际更加接近，并且异常检测速度得到了大幅提升，实现分钟级检测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明时序数据异常检测方法流程图；
图2为背景技术中常见的几种时序数据示意图，其中，图2中的a为周期性时序数据，图2中的b为稳定型时序数据，图2中的c为紊乱型时序数据。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
实施例：
本发明通过下述技术方案实现，智能家居的时序数据异常检测方法，如图1所示，包括以下步骤：
步骤S1，按照设定的时间周期获取智能家居的时序数据x，通过消息队列进入数据库，提取输入数据库的时序数据x的显著性特征S(x)。
本实施例设定的时间周期为一分钟，传统其他领域对时序数据的异常检测通常都是十几分钟一次，甚至半小时一次。而通过本方案的技术手段可以实现分钟级的时序数据异常检测。
获取了智能家居的时序数据x后，通过傅里叶变换获取时序数据x的幅度谱A(f)：
Figure 134437DEST_PATH_IMAGE001
基于幅度谱A(f)计算时序数据x的残差谱R(f)：
Figure 504370DEST_PATH_IMAGE002
Figure 302561DEST_PATH_IMAGE003
Figure 563778DEST_PATH_IMAGE004
Figure 780127DEST_PATH_IMAGE005
其中，
Figure 570229DEST_PATH_IMAGE006
表示时序数据x的频率域，A(f)表示幅度谱，P(f)表示相位谱，L(f)表示幅度谱A(f)做对数处理得到的对数幅度谱，AL(f)表示L(f)进行均值滤波之后的结果，hq(f)表示空间滤波函数，R(f)表示残差谱。
Figure 855717DEST_PATH_IMAGE007
q表示滤波系数，
Figure 137269DEST_PATH_IMAGE008
为n×n对角矩阵；
再通过傅里叶逆变换将时序数据x转换回空间域，获得显著性特征S(x)：
Figure 191812DEST_PATH_IMAGE009
Figure 152815DEST_PATH_IMAGE010
表示空间域，i表示相位系数。
步骤S2，使用编码器将显著性特征S(x)编码为编码特征t，再使用解码器将编码特征t解码为新的显著性特征S(x)`。
使用变分自编码器作为异常检测架构的编码器，如此在训练时只需要提供正常分布的数据即可进行训练，无需依靠经验对异常数据的注入提供超参数，实用性得到了提升。
将显著性特征S(x)输入编码器进行降维处理，得到均值
Figure 941911DEST_PATH_IMAGE011
和标准差
Figure 13772DEST_PATH_IMAGE012
：
Figure 188401DEST_PATH_IMAGE013
Figure 71038DEST_PATH_IMAGE014
计算均值时，
Figure 331118DEST_PATH_IMAGE015
表示编码器权重，
Figure 206670DEST_PATH_IMAGE016
表示编码器偏置，
Figure 252118DEST_PATH_IMAGE017
表示正弦编码；计算标准差时，
Figure 820502DEST_PATH_IMAGE018
表示编码器权重，
Figure 302299DEST_PATH_IMAGE019
表示编码器偏置，
Figure 723485DEST_PATH_IMAGE020
表示余弦编码；
Figure 607128DEST_PATH_IMAGE021
表示编码器的变分模型。
根据均值
Figure 346414DEST_PATH_IMAGE011
和标准差
Figure 597398DEST_PATH_IMAGE012
计算得到编码特征t。
将编码特征t输入编码器进行升维处理，得到均值
Figure 549173DEST_PATH_IMAGE022
和标准差
Figure 818480DEST_PATH_IMAGE023
：
Figure 479400DEST_PATH_IMAGE024
Figure 201368DEST_PATH_IMAGE025
计算均值时，
Figure 973146DEST_PATH_IMAGE026
表示解码器权重，
Figure 831381DEST_PATH_IMAGE027
表示解码器偏置，
Figure 646890DEST_PATH_IMAGE028
表示正弦解码；计算标准差时，
Figure 590576DEST_PATH_IMAGE029
表示解码器权重，
Figure 163115DEST_PATH_IMAGE030
表示解码器偏置，
Figure 141435DEST_PATH_IMAGE031
表示余弦解码；
Figure 862266DEST_PATH_IMAGE032
表示解码器的变分模型。
上述，SoftPlus[*]=log[exp(*)+1]；SoftPlus[*]表示激活函数。
根据均值
Figure 43980DEST_PATH_IMAGE022
和标准差
Figure 406828DEST_PATH_IMAGE023
计算得到新的显著性特征S(x)`。
相对于传统计算均值和标准差时，本方案介入权重、偏置，以及涉及正、余弦编码，进一步优化编码器的变分模型，使得最终重构的特征离实际更加接近，并且异常检测速度得到了大幅提升，实现分钟级检测。
步骤S3，将显著性特征S(x)与新的显著性特征S(x)`进行差异性对比，若差异大于异常阈值，则触发报警。
设定所述异常阈值为Ab，计算显著性特征S(x)与新的显著性特征S(x)`的差异AbScore=|S(x)-S(x)`|，若AbScore>Ab，则触发报警。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.智能家居的时序数据异常检测方法，其特征在于：包括以下步骤：
步骤S1，按照设定的时间周期获取智能家居的时序数据x，通过消息队列进入数据库，提取输入数据库的时序数据x的显著性特征S(x)；
步骤S2，使用编码器将显著性特征S(x)编码为编码特征t，再使用解码器将编码特征t解码为新的显著性特征S(x)`；
所述使用编码器将显著性特征S(x)编码为编码特征t的步骤，包括：
将显著性特征S(x)输入编码器进行降维处理，得到均值
Figure QLYQS_1
和标准差
Figure QLYQS_2
：
Figure QLYQS_3
Figure QLYQS_4
其中，计算均值时，
Figure QLYQS_5
表示编码器权重，
Figure QLYQS_6
表示编码器偏置，
Figure QLYQS_7
表示正弦编码；计算标准差时，
Figure QLYQS_8
表示编码器权重，
Figure QLYQS_9
表示编码器偏置，
Figure QLYQS_10
表示余弦编码；
Figure QLYQS_11
表示编码器的变分模型；
其中，SoftPlus[*]=log[exp(*)+1]；SoftPlus[*]表示激活函数；
根据均值
Figure QLYQS_12
和标准差
Figure QLYQS_13
计算得到编码特征t；
步骤S3，将显著性特征S(x)与新的显著性特征S(x)`进行差异性对比，若差异大于异常阈值，则触发报警。
2.根据权利要求 1 所述的智能家居的时序数据异常检测方法，其特征在于：所述提取输入数据库的时序数据x的显著性特征S(x)的步骤，包括：
通过傅里叶变换获取时序数据x的幅度谱A(f)：
Figure QLYQS_14
基于幅度谱A(f)计算时序数据x的残差谱R(f)：
Figure QLYQS_15
Figure QLYQS_16
Figure QLYQS_17
Figure QLYQS_18
其中，
Figure QLYQS_19
表示时序数据x的频率域，A(f)表示幅度谱，P(f)表示相位谱，L(f)表示幅度谱A(f)做对数处理得到的对数幅度谱，AL(f)表示L(f)进行均值滤波之后的结果，hq(f)表示空间滤波函数，R(f)表示残差谱；
Figure QLYQS_20
其中，q表示滤波系数，
Figure QLYQS_21
为n×n对角矩阵；
再通过傅里叶逆变换将时序数据x转换回空间域，获得显著性特征S(x)：
Figure QLYQS_22
其中，
Figure QLYQS_23
表示空间域，i表示相位系数。
3.根据权利要求 1 所述的智能家居的时序数据异常检测方法，其特征在于：所述再使用解码器将编码特征t解码为新的显著性特征S(x)`的步骤，包括：
将编码特征t输入编码器进行升维处理，得到均值
Figure QLYQS_24
和标准差
Figure QLYQS_25
：
Figure QLYQS_26
Figure QLYQS_27
计算均值时，
Figure QLYQS_28
表示解码器权重，
Figure QLYQS_29
表示解码器偏置，
Figure QLYQS_30
表示正弦解码；计算标准差时，
Figure QLYQS_31
表示解码器权重，
Figure QLYQS_32
表示解码器偏置，
Figure QLYQS_33
表示余弦解码；
Figure QLYQS_34
表示解码器的变分模型；
其中，SoftPlus[*]=log[exp(*)+1]；SoftPlus[*]表示激活函数；
根据均值
Figure QLYQS_35
和标准差
Figure QLYQS_36
计算得到新的显著性特征S(x)`。
4.根据权利要求 1 所述的智能家居的时序数据异常检测方法，其特征在于：所述将显著性特征S(x)与新的显著性特征S(x)`进行差异性对比，若差异大于异常阈值，则触发报警的步骤，包括：
设定所述异常阈值为Ab，计算显著性特征S(x)与新的显著性特征S(x)`的差异AbScore=|S(x)-S(x)`|，若AbScore>Ab，则触发报警。
CN202210921092.1A 2022-08-02 2022-08-02 智能家居的时序数据异常检测方法 Active CN115292659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210921092.1A CN115292659B (zh) 2022-08-02 2022-08-02 智能家居的时序数据异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210921092.1A CN115292659B (zh) 2022-08-02 2022-08-02 智能家居的时序数据异常检测方法

Publications (2)

Publication Number Publication Date
CN115292659A CN115292659A (zh) 2022-11-04
CN115292659B true CN115292659B (zh) 2023-03-21

Family

ID=83825673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210921092.1A Active CN115292659B (zh) 2022-08-02 2022-08-02 智能家居的时序数据异常检测方法

Country Status (1)

Country Link
CN (1) CN115292659B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021164267A1 (zh) * 2020-02-21 2021-08-26 平安科技（深圳）有限公司 异常检测方法、装置、终端设备及存储介质
WO2021204010A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 一种时序异常检测方法、装置、计算机设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967508A (zh) * 2020-07-31 2020-11-20 复旦大学 基于显著图的时间序列异常点检测方法
CN112987675B (zh) * 2021-05-06 2021-07-23 北京瑞莱智慧科技有限公司 一种异常检测的方法、装置、计算机设备和介质
CN114844796A (zh) * 2022-04-29 2022-08-02 济南浪潮数据技术有限公司 一种对时序kpi的异常检测的方法、装置及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021164267A1 (zh) * 2020-02-21 2021-08-26 平安科技（深圳）有限公司 异常检测方法、装置、终端设备及存储介质
WO2021204010A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 一种时序异常检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN115292659A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
Schoukens et al. Modeling the noise influence on the Fourier coefficients after a discrete Fourier transform
Li et al. The DCT-based oscillation detection method for a single time series
US5629872A (en) System for monitoring an industrial process and determining sensor status
Silva et al. Gapless power-quality disturbance recorder
CN111444168A (zh) 一种配电室变压器日最大负荷异常数据检测处理方法
CN107733737A (zh) 一种监控网络流量异常的方法
CN113255738A (zh) 一种基于自注意力生成对抗网络的异常图像检测方法
CN115292659B (zh) 智能家居的时序数据异常检测方法
CN111935099A (zh) 一种基于深度降噪自编码网络的恶意域名检测方法
CN114595134A (zh) 异常数据的检测方法、装置、电子设备及计算机存储介质
Yan et al. efhmm: Event-based factorial hidden markov model for real-time load disaggregation
Dinesh et al. Residential appliance monitoring based on low frequency smart meter measurements
Sheng et al. Polynomial filtering for nonlinear stochastic systems with state‐and disturbance‐dependent noises
CN117172601A (zh) 一种基于残差全卷积神经网络的非侵入式负荷监测方法
CN115758273A (zh) 一种时序数据异常检测方法、装置、设备及介质
CN113533904B (zh) 一种配电网高阻接地故障检测方法、装置、设备和介质
Zhang et al. Detection of high‐impedance fault in distribution network based on time–frequency entropy of wavelet transform
CN114764599B (zh) 一种配电网单相接地故障灵敏度分析方法和系统
CN112730984B (zh) 一种基于智能电表的低压配电网相位识别方法
Yang et al. Denoising of partial discharge signal by common factor method and wavelet thresholding
CN113702861B (zh) 一种基于大数据分析的电源故障位置预测方法及装置
Li et al. Load data compression based on integrated neural network model
WO2021198356A1 (en) Method of hierarchical machine learning for an industrial plant machine learning system
CN112465259B (zh) 一种基于深度神经网络的开关故障预测方法
CN112834959A (zh) 基于高频特征提取的直流配电系统故障检测方法

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
TR01 Transfer of patent right

Effective date of registration: 20231009

Address after: No. 500-432 Hangshu Avenue, Dongsheng Street, Shuangliu District, Chengdu City, Sichuan Province, 610207

Patentee after: Sichuan Yichuang Kanghua Health Technology Co.,Ltd.

Address before: No. 347, Floor 3, Building 1, No. 1388, Middle Section of Tianfu Avenue, Chengdu Hi tech Zone, Chengdu Free Trade Pilot Zone, 610000, Sichuan

Patentee before: CHENGDU YICHUANG SPACE TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right