CN115688961A - 基于深度学习的电力设备故障预测方法及系统 - Google Patents
基于深度学习的电力设备故障预测方法及系统 Download PDFInfo
- Publication number
- CN115688961A CN115688961A CN202210456973.0A CN202210456973A CN115688961A CN 115688961 A CN115688961 A CN 115688961A CN 202210456973 A CN202210456973 A CN 202210456973A CN 115688961 A CN115688961 A CN 115688961A
- Authority
- CN
- China
- Prior art keywords
- event
- power equipment
- fault prediction
- log data
- data
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于深度学习算法的电力设备故障预测方法及系统;其中,所述方法包括:获取电力系统的历史日志数据,对所述历史日志数据进行第一处理以获得关联规则;根据所述历史日志数据和所述关联规则对故障预测模型进行训练;将实时日志数据输入所述故障预测模型,根据所述故障预测模型的输出结果进行故障分析。本发明利用深度学习算法实现了对电力设备故障发生的准确预测,极大地提高了对电力设备故障的感知及应对能力;而且,本发明还通过对历史日志数据进行挖掘分析来得出电力设备运行数据和电力设备发生故障之间的关联规则,无需人工进行数据标注,极大的降低了故障预测模型的训练数据的组建成本。
Description
技术领域
本发明涉及电力系统技术领域,具体而言,涉及基于深度学习的电力设备故障预测方法、系统、电子设备及计算机存储介质。
背景技术
电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能,再经输电、变电和配电将电能供应到各用户。为实现这一功能,电力系统在各个环节和不同层次还具有相应的信息与控制系统,对电能的生产过程进行测量、调节、控制、保护、通信和调度,以保证用户获得安全、优质的电能。
电力系统的稳定可靠运行事关国家、地区的经济生产运行,如果发生故障会造成较大甚至难以承受的损失。所以,对电力系统进行故障分析、预测,这是十分有必要的。然而,现有技术中对电力系统的故障预测目前还不能满足实际需要,主要还是依赖人力经验、十分明显的异常数据,导致不能及时应对故障,难以满足实际需要。
发明内容
为了至少解决上述背景技术中存在的技术问题,本发明提供了基于深度学习的电力设备故障预测方法、系统、电子设备及计算机存储介质。
本发明的第一方面提供了基于深度学习的电力设备故障预测方法,包括如下步骤:
获取电力系统的历史日志数据,对所述历史日志数据进行第一处理以获得关联规则;
根据所述历史日志数据和所述关联规则对故障预测模型进行训练;
将实时日志数据输入所述故障预测模型,根据所述故障预测模型的输出结果进行故障分析。
进一步地,所述对所述历史日志数据进行第一处理以获得关联规则,包括:
根据设定时间窗格对所述历史日志数据进行滑动处理,在滑动处理中记录下各时间窗格内发生的事件代码,组成一条包含多个事件的项集;
将与各所述时间窗格对应的项集组建为事件集,所述事件集作为规则挖掘的数据集;
利用频繁项集生成算法挖掘所述事件集中频繁出现的故障衍生序列,即大于最小支持度的频繁项集;
利用频繁项集计算事件之间的置信度,将大于最小置信度的规则作为所述关联规则。
进一步地,所述方法还包括:
根据所述事件代码调整所述时间窗格的大小,具体为:
根据所述事件代码查表得出事件等级,根据所述时间等级确定所述时间窗格的大小;其中,所述时间窗格的大小与所述事件等级负相关。
进一步地,在所述对所述历史日志数据进行第一处理以获得关联规则之前,还包括:
根据所述事件代码查表得出事件等级,识别所述事件等级低于等级阈值的所述事件,将所述事件和对应的电力设备运行数据删除。
进一步地,所述根据所述历史日志数据和所述关联规则对故障预测模型进行训练,包括:
将所述关联规则输入所述故障预测模型,将与所述事件代码对应的所有所述电力设备运行数据逐一输入所述故障预测模型,以使所述故障预测模型根据所述电力设备运行数据和所述关联规则进行训练;
在训练过程中,当损失函数连续N次符合设定目标,则停止对所述事件代码的训练;其中,N值与已经输入的所述电力设备运行数据的数量负相关。
进一步地,所述损失函数为:
式中,L(X, θ)为与所述事件代码对应的损失函数;θ为学习率;b为与所述事件代码对应的所有所述电力设备运行数据的数量;Φ(,)为卷积值;xi与所述事件代码对应的第i个所述电力设备运行数据;yi为故障预测模型对应于输入数据xi的输出数据;为输出数据yi与输入数据xi所对应的卷积值的差值;α为修正系数。
进一步地,α根据与所述事件代码对应的所述事件等级确定,而且,修正系数 α与所述事件等级正相关。
本发明的第二方面提供了基于深度学习的电力设备故障预测系统,包括获取模块、处理模块、存储模块;所述处理模块与所述获取模块、所述存储模块连接;
所述存储模块,用于存储可执行的计算机程序代码;
所述获取模块,用于获取历史日志数据、实时日志数据并传输给所述处理模块;
所述处理模块,用于通过调用所述存储模块中的所述可执行的计算机程序代码,执行如前任一项所述的方法。
本发明的第三方面提供了一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,执行如前任一项所述的方法。
本发明的第四方面提供了一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上任一项所述的方法。
本发明的方案,获取电力系统的历史日志数据,对所述历史日志数据进行第一处理以获得关联规则;根据所述历史日志数据和所述关联规则对故障预测模型进行训练;将实时日志数据输入所述故障预测模型,根据所述故障预测模型的输出结果进行故障分析。本发明利用深度学习算法实现了对电力设备故障发生的准确预测,极大地提高了对电力设备故障的感知及应对能力;而且,本发明还通过对历史日志数据进行挖掘分析来得出电力设备运行数据和电力设备发生故障之间的关联规则,无需人工进行数据标注,极大的降低了故障预测模型的训练数据的组建成本。
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是本发明实施例公开的基于深度学习的电力设备故障预测方法的流程示意图;
图2是本发明实施例公开的基于深度学习的电力设备故障预测系统的结构示意图;
图3是本发明实施例公开一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本申请实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本申请实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
下面结合附图详细说明本发明的优选实施例。
实施例一
请参阅图1,图1是本发明实施例公开的基于深度学习的电力设备故障预测方法的流程示意图。如图1所示,本发明实施例的基于深度学习的电力设备故障预测方法,包括如下步骤:
获取电力系统的历史日志数据,对所述历史日志数据进行第一处理以获得关联规则;
根据所述历史日志数据和所述关联规则对故障预测模型进行训练;
将实时日志数据输入所述故障预测模型,根据所述故障预测模型的输出结果进行故障分析。
在本发明实施例中,本发明通过对电力系统的历史日志数据进行挖掘分析,以获得设备故障与电力系统运行数据之间的关联关系,进而针对性组建训练数据以对深度学习模型进行训练,再使用实时检测到的实时日志数据即可获得电力设备故障预测结果。于是,本发明利用深度学习算法实现了对电力设备故障发生的准确预测,极大地提高了对电力设备故障的感知及应对能力;而且,本发明还通过对历史日志数据进行挖掘分析来得出电力设备运行数据和电力设备发生故障之间的关联规则,无需人工进行数据标注,极大的降低了故障预测模型的训练数据的组建成本。
其中,故障预测模型可以基于现有技术中的各种深度学习算法进行构建,例如,无监督预训练网络(Unsupervised Pre-trained Networks)、卷积神经网络(ConvolutionalNeural Networks)、循环神经网络(Recurrent Neural Networks)、递归神经网络(Recursive Neural Networks)等。
进一步地,所述对所述历史日志数据进行第一处理以获得关联规则,包括:
根据设定时间窗格对所述历史日志数据进行滑动处理,在滑动处理中记录下各时间窗格内发生的事件代码,组成一条包含多个事件的项集;
将与各所述时间窗格对应的项集组建为事件集,所述事件集作为规则挖掘的数据集;
利用频繁项集生成算法挖掘所述事件集中频繁出现的故障衍生序列,即大于最小支持度的频繁项集;
利用频繁项集计算事件之间的置信度,将大于最小置信度的规则作为所述关联规则。
在本发明实施例中,本发明中的电力设备故障预测主要基于的是电力设备日志事件之间的因果关联性,因果关联关系的挖掘完备性会直接影响故障预测的准确性。所以,本发明采用上述方法步骤从历史日志数据中挖掘得出各时间窗格中的与事件相关的项集,以及对应的电力设备运行数据序列,再通过利用频繁项集生成算法挖掘出频繁出现的故障衍生序列,在对其进行置信度分析之后,即可建立电力设备运行数据与故障事件之间的关联关系,进而得出关联规则。
举例说明如下:
若项集X的支持度不小于预设的最小支持度,则称X为频繁项集。
需要进行说明的是,历史日志数据中包括事件代码和电力设备运行数据。
进一步地,所述方法还包括:
根据所述事件代码调整所述时间窗格的大小,具体为:
根据所述事件代码查表得出事件等级,根据所述时间等级确定所述时间窗格的大小;其中,所述时间窗格的大小与所述事件等级负相关。
在本发明实施例中,电力设备运行过程中出现的事件是有等级的,例如轻度、中度(例如电压中度波动)、重度(通信断开、跳闸等)。针对该实际情况,本发明设置时间窗格的大小与事件等级负相关,即电力设备发生的事件越严重,则时间窗格越小,反之则越大,如此设置,可以使引起严重事件的运行数据更为准确的被划定,减少无关数据的干扰,进而使得故障衍生序列更为准确。
进一步地,在所述对所述历史日志数据进行第一处理以获得关联规则之前,还包括:
根据所述事件代码查表得出事件等级,识别所述事件等级低于等级阈值的所述事件,将所述事件和对应的电力设备运行数据删除。
在本发明实施例中,电力设备的历史日志数据中会包括大量无关紧要的记录,直接对原始日志数据进行分析会大大影响故障预测的效率和准确度。因此,本发明采用上述方法对原始日志进行了筛选和压缩,从中选出对电力系统运行具有重要影响的代表性事件记录。
进一步地,所述根据所述历史日志数据和所述关联规则对故障预测模型进行训练,包括:
将所述关联规则输入所述故障预测模型,将与所述事件代码对应的所有所述电力设备运行数据逐一输入所述故障预测模型,以使所述故障预测模型根据所述电力设备运行数据和所述关联规则进行训练;
在训练过程中,当损失函数连续N次符合设定目标,则停止对所述事件代码的训练;其中,N值与已经输入的所述电力设备运行数据的数量负相关。
在本发明实施例中,本发明对于各事件进行逐步训练,即将各故障事件对应的所有电力设备运行数据逐一输入故障预测模型,在训练过程中,监测损失函数是否连续N次满足设定目标,若是,则可以停止对对应故障事件的训练;而且,随着训练的持续而设置N的值逐渐降低,从而避免持续训练,从而可以有效降低训练的次数,提高训练效率,显然与所述事件代码对应的所有所述电力设备运行数据并不一定需要全部输入故障预测模型进行训练。
进一步地,所述损失函数为:
式中,L(X, θ)为与所述事件代码对应的损失函数;θ为学习率;b为与所述事件代码对应的所有所述电力设备运行数据的数量;Φ(,)为卷积值;xi与所述事件代码对应的第i个所述电力设备运行数据;yi为故障预测模型对应于输入数据xi的输出数据;为输出数据yi与输入数据xi所对应的卷积值的差值;α为修正系数。
在本发明实施例中,本发明给不同的事件设置了不同的损失函数,使得故障预测模型能够更为准确的建立各事件与对应的电力设备运行数据之间的函数关系。
进一步地,修正系数α根据与所述事件代码对应的所述事件等级确定,而且,修正系数 α与所述事件等级正相关。
在本发明实施例中,本发明中的上述损失函数中还设置了修正系数,而且设置修正系数与所述事件等级正相关,即事件等级越高,则修正系数越高,从而将损失函数调大,以实现对更严重的电力设备故障事件的更严格的训练要求,进而确保后续的故障预测更为准确。
实施例二
请参阅图2,图2是本发明实施例公开的基于深度学习的电力设备故障预测系统的结构示意图。如图2所示,本发明实施例的基于深度学习的电力设备故障预测系统,包括获取模块(101)、处理模块(102)、存储模块(103);所述处理模块(102)与所述获取模块(101)、所述存储模块(103)连接;
所述存储模块(103),用于存储可执行的计算机程序代码;
所述获取模块(101),用于历史日志数据、实时日志数据并传输给所述处理模块(102);
所述处理模块(102),用于通过调用所述存储模块(103)中的所述可执行的计算机程序代码,执行如前任一项所述的方法。
该实施例中的基于深度学习的电力设备故障预测系统的具体功能参照上述实施例一,由于本实施例中的系统采用了上述实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
实施例三
请参阅图3,图3是本发明实施例公开的一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,执行如实施例一所述的方法。
实施例四
本发明实施例还公开了一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如实施例一所述的方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括、但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用的技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明的构思的情况下,还可以包括更多其他等效实施例,均属于本发明的保护范畴。
Claims (10)
1.基于深度学习的电力设备故障预测方法,其特征在于,包括如下步骤:
获取电力系统的历史日志数据,对所述历史日志数据进行第一处理以获得关联规则;
根据所述历史日志数据和所述关联规则对故障预测模型进行训练;
将实时日志数据输入所述故障预测模型,根据所述故障预测模型的输出结果进行故障分析。
2.根据权利要求1所述的基于深度学习的电力设备故障预测方法,其特征在于:所述对所述历史日志数据进行第一处理以获得关联规则,包括:
根据设定时间窗格对所述历史日志数据进行滑动处理,在滑动处理中记录下各时间窗格内发生的事件代码,组成一条包含多个事件的项集;
将与各所述时间窗格对应的项集组建为事件集,所述事件集作为规则挖掘的数据集;
利用频繁项集生成算法挖掘所述事件集中频繁出现的故障衍生序列,即大于最小支持度的频繁项集;
利用频繁项集计算事件之间的置信度,将大于最小置信度的规则作为所述关联规则。
3.根据权利要求2所述的基于深度学习的电力设备故障预测方法,其特征在于:所述方法还包括:
根据所述事件代码调整所述时间窗格的大小,具体为:
根据所述事件代码查表得出事件等级,根据所述时间等级确定所述时间窗格的大小;其中,所述时间窗格的大小与所述事件等级负相关。
4.根据权利要求1-3任一项所述的基于深度学习的电力设备故障预测方法,其特征在于:在所述对所述历史日志数据进行第一处理以获得关联规则之前,还包括:
根据所述事件代码查表得出事件等级,识别所述事件等级低于等级阈值的所述事件,将所述事件和对应的电力设备运行数据删除。
5.根据权利要求4所述的基于深度学习的电力设备故障预测方法,其特征在于:所述根据所述历史日志数据和所述关联规则对故障预测模型进行训练,包括:
将所述关联规则输入所述故障预测模型,将与所述事件代码对应的所有所述电力设备运行数据逐一输入所述故障预测模型,以使所述故障预测模型根据所述电力设备运行数据和所述关联规则进行训练;
在训练过程中,当损失函数连续N次符合设定目标,则停止对所述事件代码的训练;其中,N值与已经输入的所述电力设备运行数据的数量负相关。
7.根据权利要求6所述的基于深度学习的电力设备故障预测方法,其特征在于:修正系数α根据与所述事件代码对应的所述事件等级确定,而且,修正系数α与所述事件等级正相关。
8.基于深度学习的电力设备故障预测系统,包括获取模块、处理模块、存储模块;所述处理模块与所述获取模块、所述存储模块连接;
所述存储模块,用于存储可执行的计算机程序代码;
所述获取模块,用于获取历史日志数据、实时日志数据并传输给所述处理模块;
其特征在于:所述处理模块,用于通过调用所述存储模块中的所述可执行的计算机程序代码,执行如权利要求1-7任一项所述的方法。
9.一种电子设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
其特征在于:所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质,该存储介质上存储有计算机程序,其特征在于:该计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210456973.0A CN115688961A (zh) | 2022-04-28 | 2022-04-28 | 基于深度学习的电力设备故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210456973.0A CN115688961A (zh) | 2022-04-28 | 2022-04-28 | 基于深度学习的电力设备故障预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688961A true CN115688961A (zh) | 2023-02-03 |
Family
ID=85060316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210456973.0A Pending CN115688961A (zh) | 2022-04-28 | 2022-04-28 | 基于深度学习的电力设备故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688961A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131110A (zh) * | 2023-10-27 | 2023-11-28 | 南京中鑫智电科技有限公司 | 一种基于关联分析的容性设备介质损耗监测方法及系统 |
-
2022
- 2022-04-28 CN CN202210456973.0A patent/CN115688961A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131110A (zh) * | 2023-10-27 | 2023-11-28 | 南京中鑫智电科技有限公司 | 一种基于关联分析的容性设备介质损耗监测方法及系统 |
CN117131110B (zh) * | 2023-10-27 | 2024-01-23 | 南京中鑫智电科技有限公司 | 一种基于关联分析的容性设备介质损耗监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112738014B (zh) | 一种基于卷积时序网络的工控流量异常检测方法及系统 | |
CN115760484A (zh) | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 | |
CN111782491A (zh) | 一种磁盘故障预测方法、装置、设备及存储介质 | |
CN111881961A (zh) | 基于数据挖掘的配电网故障风险等级预测方法 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN115688961A (zh) | 基于深度学习的电力设备故障预测方法及系统 | |
CN115081673A (zh) | 一种油气管道的异常预测方法、装置、电子设备及介质 | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN116756638B (zh) | 电动车用电负荷需求检测方法、装置、设备及存储介质 | |
CN115603955B (zh) | 异常访问对象识别方法、装置、设备和介质 | |
CN111885084A (zh) | 一种入侵检测方法、装置及电子设备 | |
CN115758273A (zh) | 一种时序数据异常检测方法、装置、设备及介质 | |
CN115632887A (zh) | 一种区块链网络异常数据检测方法、装置及设备 | |
CN114358581A (zh) | 性能指标的异常阈值确定方法和装置、设备、存储介质 | |
CN111160603B (zh) | 一种端到端电力通信业务可靠性保障方法及系统 | |
CN117591942B (zh) | 一种用电负荷数据异常检测方法、系统、介质及设备 | |
CN114024713B (zh) | 一种低压电力线载波通信系统防入侵方法 | |
CN112836654B (zh) | 一种基于融合的表情识别方法、装置和电子设备 | |
CN117725402B (zh) | 一种基于设备运行音频的设备异常状态确定方法及系统 | |
LU500121B1 (en) | A method, device and equipment for electric meter detecting | |
CN116743636B (zh) | 异常数据的检测方法、装置、电子设备及计算机可读介质 | |
CN115730196A (zh) | 一种评估预测模型的方法、装置、设备和可读存储介质 | |
US11151473B1 (en) | Systems and methods for machine-learning augmented application monitoring | |
CN115361307A (zh) | 一种数据中心异常检测的方法、装置及相关产品 | |
CN116720439A (zh) | 一种电力系统集成树应用的鲁棒性评估方法、装置及存储介质 |
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 |