CN116400126A - 一种具有数据处理系统的低压电力箱 - Google Patents
一种具有数据处理系统的低压电力箱 Download PDFInfo
- Publication number
- CN116400126A CN116400126A CN202310675159.2A CN202310675159A CN116400126A CN 116400126 A CN116400126 A CN 116400126A CN 202310675159 A CN202310675159 A CN 202310675159A CN 116400126 A CN116400126 A CN 116400126A
- Authority
- CN
- China
- Prior art keywords
- real
- voltage value
- difference
- time voltage
- time
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 claims abstract description 113
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 230000005856 abnormality Effects 0.000 claims description 48
- 238000001514 detection method Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 description 26
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 8
- 238000007667 floating Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16576—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing DC or AC voltage with one threshold
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/10—Measuring sum, difference or ratio
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/26—Casings; Parts thereof or accessories therefor
- H02B1/46—Boxes; Parts thereof or accessories therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及低压电力箱异常监测技术领域,具体涉及一种具有数据处理系统的低压电力箱。本发明包括低压电力箱本体和低压电力箱监测系统,低压电力箱监测系统中包括控制器、以及与控制器信号连接的电压传感器。电压传感器用于检测实时电压值数据。该控制器获取实时电压值序列和构建电压值矩阵;计算实时电压值的异常度,进而计算电压值矩阵对应的异常差异度;根据异常差异度得到待划分的区间数量,通过获取自适应的区间数量划分区间,基于区间对实时电压值进行异常监测得到异常监测值,进而实现对低压电力箱的异常监测。本发明得到自适应的区间数量,进而对低压电力箱进行监测,使异常电圧值的识别更为准确。
Description
技术领域
本发明涉及低压电力箱异常监测技术领域,具体涉及一种具有数据处理系统的低压电力箱。
背景技术
低压电力箱是以配电系统作为动力,起到照明及配电作用的电能转换控制系统,低压电力箱内部包含电流互感器、电能表和电压表等多种装置。伴随着科技的进步,电网的构成越来越复杂。为了保障用电安全,需要对电网数据及时进行分析,在出现异常数据时及时对相关工作人员进行提醒,这就对相关电力数据的分析提供了更高要求。电压数据能够准确反映电网异常,目前最常用的电网异常检测方式为通过检测并分析电压数据,根据电压数据的异常情况对电网异常进行判断。
目前对于电压数据的异常监测,主要是考虑数据之间的相似性,在使用异常点检测算法(Histogram-based Outlier Score, HBOS)对电压异常数据进行识别时,可以根据数据之间的分布密度对数据出现异常的可能性进行判断。但在判断的过程中,数据划分为的组数为预设参数,当该参数设置较大时,数据会被划分为较多个区域,在正常波动范围内的部分数据会因为区间过多造成的所处区域的数据密度较小而提升被判断为异常数据的可能性。当参数设置较小时,部分异常数据会因为数据所处区间过大导致异常数据所处区域的数据密度偏大,而提升将其判别为正常波动范围内的数据的可能性;即当参数设置不合适时,异常数据识别的结果会受到较大的影响,导致降低对电压数据进行异常监测的精确度,进而降低对电网异常判断的精确度,故需要为数据选取合适的划分宽度。
发明内容
为了解决对电压数据进行异常监测的精确度较低的技术问题,本发明的目的在于提供一种具有数据处理系统的低压电力箱,所采用的技术方案具体如下:
本发明实施例提供了一种具有数据处理系统的低压电力箱,包括低压电力箱本体,还包括低压电力箱监测系统,所述低压电力箱监测系统包括控制器、以及与控制器信号连接的电压传感器;
所述电压传感器用于检测实时电压值数据;
所述控制器用于获取实时电压值,由实时电压值构建实时电压值序列;由实时电压值序列和历史电压值构建电压值矩阵;根据实时电压值所属的实时电压值序列的复杂程度、实时电压值和其他实时电压值的差异,得到实时电压值的实时差异程度;根据历史电压值的波动程度、实时电压值和历史电压值的差异,得到实时电压值的往期差异程度;结合实时电压值的所述实时差异程度和往期差异程度得到实时电压值的异常度;根据所有实时电压值的异常度的差异情况,得到电压值矩阵对应的异常差异度;根据所述异常差异度得到待划分的区间数量;基于所述区间数量将实时电压值划分到至少两个区间,基于所述区间对实时电压值进行异常监测得到异常监测值;通过所述异常监测值进行异常监测。
优选的,所述根据实时电压值所属的实时电压值序列的复杂程度、实时电压值和其他实时电压值的差异,得到实时电压值的实时差异程度,包括:
获取实时电压值和电压值矩阵中其他所有实时电压值的差异,作为实时电压值的第一差异;获取所有实时电压值和其所属的实时电压值序列内其他实时电压值的差异,作为第二差异;
根据所述第一差异、所述第二差异和所述复杂程度,得到实时电压值的实时差异程度;所述第一差异与实时差异程度为正相关关系,所述复杂程度与实时差异程度为正相关关系,所述第二差异与所述实时差异程度为负相关关系。
优选的,所述获取实时电压值和电压值矩阵中其他所有实时电压值的差异,作为实时电压值的第一差异,包括:
计算实时电压值对应的电压值矩阵中其他所有实时电压值序列内实时电压值的均值,作为第一均值;将实时电压值和第一均值的差异绝对值,作为第一差异。
优选的,所述获取所有实时电压值和其所属的实时电压值序列内其他实时电压值的差异,作为第二差异,包括:
计算各实时电压值所属的实时电压值序列中所有实时电压值的均值,作为第二均值,将所有实时电压值和其所属实时电压值序列对应的第二均值的差异绝对值之和,作为初始差异;将一和初始差异的和值,作为第二差异。
优选的,所述根据历史电压值的波动程度、实时电压值和历史电压值的差异,得到实时电压值的往期差异程度,包括:
获取实时电压值和其所属电压值矩阵中各历史电压值的差异,作为实时电压值的第三差异;
获取电压值矩阵中所有历史电压值的均值,作为历史电压均值;将电压值矩阵中所有历史电压值和历史电压均值的差异,作为波动程度;
结合所述波动程度和所述第三差异,得到实时电压值的往期差异程度;所述波动程度和往期差异程度呈负相关关系,所述第三差异和往期差异程度呈正相关关系。
优选的,所述结合实时电压值的所述实时差异程度和往期差异程度得到实时电压值的异常度,包括:
所述实时差异程度和异常度为正相关关系,所述往期差异程度和异常度为正相关关系。
优选的,所述根据所有实时电压值的异常度的差异情况,得到电压值矩阵对应的异常差异度,包括:
根据预设阈值将异常度分为至少两个类别;将最大异常度所属类别的中值作为异常权值;
根据类别间异常度的差异,得到类别差异;以所述异常权值作为权重,对所述类别差异进行加权,得到异常差异度。
优选的,所述根据所述异常差异度得到待划分的区间数量,包括:
将预设第一阈值和归一化后的异常差异度的乘积作为初始数量;计算所述初始数量和预设第二阈值的和值,将取整后的和值作为区间数量。
优选的,所述基于所述区间对实时电压值进行异常监测得到异常监测值,包括:
基于所述区间,利用HBOS异常检测算法得到各实时电压值的HBOS值,将各实时电压值的HBOS值作为各实时电压值的异常监测值。
优选的,所述基于所述区间数量将实时电压值划分到至少两个区间,包括:
将最小实时电压值和最大实时电压值的差值作为最大极差;将最大极差和取整后的区间数量的比值作为区间宽度;由最小实时电压值和最大实时电压值构建实时电压值范围;基于所述区间宽度,将实时电压值范围划分为至少两个区间,每个区间内包含多个实时电压值。
本发明实施例至少具有如下有益效果:
本发明的低压电力箱监测系统中的控制器结合实时电压值的所述实时差异程度和往期差异程度得到实时电压值的异常度,该异常度反映了实时电压值的异常突出程度,将实时电压和之前采集到的正常的历史电压值进行比较,在比较过程中考虑了实时电压值之间存在黏性影响,故除了考虑实时电压值之间的比较,还考虑实时电压值与历史电压值的比较,以减少实时电压值之间存在黏性影响的情况,提高实时电压值异常检测时的精度。进而计算电压值矩阵对应的异常差异度;根据异常差异度得到待划分的区间数量,获取的区间数量符合采集到的实时电压值的波动特征,可使异常电压值与在合理浮动范围内变化的实时电压值划分开的同时,保持在合理浮动范围内变化的各电压值较为聚集,使得异常电压值的识别更为准确。通过获取自适应的区间数量,基于划分得到的区间计算异常监测值,进而实现对低压电力箱的异常监测。本发明得到自适应的区间数量,进而对低压电力箱进行监测,使异常电圧值的识别更为准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明提供的一种具有数据处理系统的低压电力箱的控制原理图;
图2为本发明实施例提供的一种具有数据处理系统的低压电力箱的监测系统所执行的监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种具有数据处理系统的低压电力箱,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种具有数据处理系统的低压电力箱,包括低压电力箱本体和低压电力箱监测系统。
低压电力箱本体可以为常规的低压电力箱设备,由于低压电力箱为常见的低压电力箱设备,对其结构组成、工作原理以及工作过程不再赘述。
如图1所述,低压电力箱监测系统包括控制器、以及与控制器信号连接的电压传感器。该电压传感器安装在低压电力箱中需要检测电压数据的各个位置处,利用电压传感器获取每个位置的电压时序数据,实现对每个位置电压的异常情况的检测分析,根据识别出的异常监测值及时发出提醒,进而实现对低压电力箱的异常监测。其中,每隔T时刻对电压传感器所在位置的电压监控参数进行一次数据采集。在本发明实施例中T的取值由实施者根据实际情况进行定义。
电压传感器用于检测实时电压值数据。控制器可以为常规的控制芯片,比如单片机。
控制器根据接收到的数据信息,执行如图2所示的一种具有数据处理系统的低压电力箱的监测系统所执行的监测方法的流程图,具体步骤如下:
步骤S100,获取实时电压值,由实时电压值构建实时电压值序列;由实时电压值序列和历史电压值构建电压值矩阵。
每隔T时刻对电压传感器所在位置的电压监控参数进行一次数据采集。每次检测设定的数据序列长度记为n。在本发明实施例中数据序列长度n的取值为600,T的取值为0.1s,在其他实施例中由实施者根据实际情况进行设定。连续采集m组由实时电压值构建的长度为n的实时电压值序列,其中,m<n,也即实时电压值序列中的电压值均为实时电压值。如对于当前天来说,当前天采集到的所有实时电压值构成的序列为实时电压值序列,将当前天之前,在电压平稳时按照同样的方法采集到的电压值数据作为历史电压值,由历史电压值构成长度为n的n-m组往期电压值序列,也即在电压平稳时,采集n-m组长度为n的往期电压值序列,往期电压值序列中的元素为历史电压值。该往期电压值序列用于后续提取电压平稳时不同时间电压的波动特征。在本发明实施例中m的取值为400,在其他实施例中实施者可根据实际情况调整该取值。
由实时电压值序列和历史电压值构建电压值矩阵,用于分析电压值的异常情况。具体的:将每组实时电压值序列中的实时电压值作为电压值矩阵每行的元素值;先对实时电压值序列进行置放,其按照每行置放一个实时电压值序列的顺序进行置放。在本发明实施例中置放的顺序为时间顺序,将最新获取的实时电压值对应的实时电压值序列放置在电压值矩阵的第一行,进而按照实时电压值获取的时间顺序进行摆放,在其他实施例中也可以根据实施者的需求对电压值矩阵中的实时电压值序列进行置放,置放的顺序可以任意调换,但实时电压值序列之间必须连续置放,之间不可以隔一个空行。在将实时电压值序列在电压值矩阵中摆放完毕后,然后将往期电压值序列的历史电压值作为电压值矩阵后续行的元素值。也即每组电压值序列中的元素作为电压值矩阵中的一行完整的元素,前m行数据为实时电压值序列,后n-m行数据为往期电压值序列。
其中,A为电压值矩阵;为第1组实时电压值序列中的第1个实时电压值;为
第1组实时电压值序列中的第n个实时电压值;为第m组实时电压值序列中的第1个实
时电压值;为第m组实时电压值序列中的第n个实时电压值;为第1组往期电压值序
列中的第1个历史电压值;为第1组往期电压值序列中的第n个历史电压值;为第
n-m组往期电压值序列中的第1个历史电压值;为第n-m组往期电压值序列中的第n
个历史电压值。
步骤S200,根据实时电压值所属的实时电压值序列的复杂程度、实时电压值和其他实时电压值的差异,得到实时电压值的实时差异程度;根据历史电压值的波动程度、实时电压值和历史电压值的差异,得到实时电压值的往期差异程度;结合实时电压值的所述实时差异程度和往期差异程度得到实时电压值的异常度。
在使用HBOS异常检测算法对获取的数据进行异常检测时,需要将数据按照数值大小排列后进行区间划分,划分的区间数量为一常数,根据每个数据所在区间内数值的密度判断该数据可能为异常值的概率,所以区间个数的划分对判断数据为异常值的概率影响较大。故本发明将根据电压值矩阵中每个电压值相对于实时电压值的波动性和历史电压值的差异程度进行分析,得到每个实时电压值相对于其他电压的波动程度,进而得到电压值矩阵中的实时电压值的波动程度,以该波动程度确定划分的区间个数。
当电压值出现异常时,表现为突然出现与其他电压值差异明显的数值,如电压值突然出现变化或者出现明显的规律性变化,规律性变化如逐渐增大、减小等变化情况。其中,逐渐增大时也即出现电涌、逐渐减小也即电压下降等情况。当出现异常的电压值与其他电压值差异较为明显时,对其进行比较易于评价;而当遇到第二种情况时,也即当电压值出现明显的规律性,在比较每个电压值相对于其他电压值的波动性时,其他呈现出该规律性的电压值会对比较结果造成影响,所以需要额外分析实时电压值的波动性,将出现规律性变化的因素考虑在评价电压值相对于其他电压值的差异的范围内。所以需要对电压值矩阵中各实时电压值的波动性进行检测,也即结合电压值矩阵中各实时电压值的复杂程度,反映电压值的实时差异程度。
故首先根据实时电压值所属的实时电压值序列的复杂程度、实时电压值和其他实时电压值的差异,得到实时电压值的实时差异程度。
其中,对电压值矩阵使用聚合方差法,计算每个实时电压值序列的熵,作为实时电压值序列的复杂程度。即每个实时电压值序列对应一个熵。当熵越大时,则实时电压值序列中的实时电压值的波动性越明显;当熵越小时,则实时电压值序列中的实时电压值越为平稳。
在得到复杂程度之后,对每个实时电压值相对于其他电压值的异常程度进行评
分。在进行评分时,分为两个部分,分别为实时电压值与其他实时电压值之间的差异、实时
电压值和历史电压值之间的差异。记实时电压值,对应的实时差异程度为,往期差异
程度为,其中。
获取实时电压值和电压值矩阵中所有实时电压值的差异,作为实时电压值的第一差异;获取所有实时电压值和其所属的实时电压值序列内实时电压值的差异,作为第二差异。根据所述第一差异、所述第二差异和所述复杂程度,得到实时电压值的实时差异程度。所述第一差异与实时差异程度为正相关关系,所述复杂程度与实时差异程度为正相关关系;所述第二差异与所述实时差异程度为负相关关系。
其中,第一差异的获取方法为:计算实时电压值对应的电压值矩阵中其他所有实时电压值序列内实时电压值的均值,作为第一均值;将实时电压值和第一均值的差异绝对值,作为第一差异。
其中,第二差异的获取方法为:计算各实时电压值所属的实时电压值序列中所有实时电压值的均值,作为第二均值,将所有实时电压值和其所属实时电压值序列对应的第二均值的差异绝对值之和,作为初始差异;将一和初始差异的和值,作为第二差异。需要说明的是这里对初始差异加上一的目的是为了避免实时差异程度出现分母为零的情况。
其中,为实时电压值的实时差异程度;为实时电压值对应的电压值矩阵中
所有实时电压值序列内实时电压值的均值,也即为第一均值;为第i个实时电压值序列
中第j个实时电压值;为实时电压值的第一差异;为第x个实时电压值序列中
所有实时电压值的均值,也即为第二均值;为第x个实时电压值序列中第y个实时电压
值;为初始差异;为第二差异;为以自然常
数e为底数的指数函数;为第i个实时电压值序列的复杂程度;为取绝对值函数。
实时差异程度衡量了各实时电压值是否存在明显的规律性变化异常和电压值突变异常,当该实时电压值与其他实时电压值差异越大时,即该实时电压值相对于其他各实时电压值的异常程度越大,故实时差异程度和第一差异呈正比,该实时电压值对应的实时差异程度越大,越可能对应出现异常的电压值。当复杂程度越大时,则实时电压值序列中的实时电压值的波动性越明显;当复杂程度越小时,则实时电压值序列中的实时电压值越为平稳。故复杂程度和实时差异程度呈正相关关系。第二差异反映了每个实时电压值与所属实时电压值序列中其他实时电压值的总体差异,这里将第二差异作为实时差异程度的分母,是为了反映了第i个实时电压值序列中第j个实时电压值的第一差异在总体差异中的占比。
在对实时电压值与其他实时电压值之间的差异进行分析,得到实时电压值的实时差异程度之后,对实时电压值和历史电压值之间的差异进行分析,以得到实时电压值的往期差异程度。
进一步的,根据历史电压值的波动程度、实时电压值和历史电压值的差异,得到实时电压值的往期差异程度。
获取实时电压值和其所属电压值矩阵中各历史电压值的差异,作为实时电压值的第三差异;获取电压值矩阵中所有历史电压值的均值,作为电压值矩阵对应的历史电压均值;将电压值矩阵中所有历史电压值和历史电压均值的差异,作为波动程度;结合所述波动程度和所述第三差异,得到实时电压值的往期差异程度。
其中,第三差异的获取方法为:计算实时电压值所属电压值矩阵中所有历史电压值的均值,作为历史电压均值;将实时电压值和历史电压均值的差值绝对值作为实时电压值的第三差异。
其中,波动程度的获取方法为:计算电压值矩阵中所有历史电压值和历史电压均值的差值绝对值的均值,作为初始波动程度;将预设第四阈值和初始波动程度的和值,作为波动程度。需要说明的是这里对波动程度加上预设第四阈值的目的是为了避免往期差异程度出现分母为零的情况。
其中,结合所述波动程度和所述第三差异,得到实时电压值的往期差异程度的方法为:将第三差异和波动程度的比值,作为实时电压值的往期差异程度。也即第三差异和往期差异程度呈正相关关系,而波动程度和往期差异程度呈负相关关系。
其中,为实时电压值的当往期差异程度;为第i个实时电压值序列中第j
个实时电压值;为实时电压值所属电压值矩阵中所有历史电压值的均值,也即为历史电压
均值;为第z个往期电压值序列中第f个历史电压值;为实时电压值的第三
差异;为初始波动程度;为波动程度;为取绝对值
函数。在本发明实施例中预设第四阈值α的取值为无穷小量。这里在初始波动程度后面加上
预设第四阈值的目的是为了避免出现分母为0的情况,且尽可能的减小预设第四阈值对往
期差异程度取值的影响。
往期差异程度为每个实时电压值相对于往期提取的正常的历史电压数据的异常程度,由于往期压力值序列中的历史电压值为提取的正常电压波动范围内的历史电压值,所以不必分析其是否存在数据黏性,当每个实时电压值相对于历史电压值的差异程度越大时,该实时电压值对应的往期差异程度越大,越可能对应出现异常的电压值。初始波动程度反映了往期电压值序列中历史电压值的总体差异情况,因为仅考虑实时电压值的差异,当实时电压值出现逐渐减小或者增大的情况的时候,难以识别出实时电压值的异常情况。故在这里考虑了比较实时电压值和历史电压值的均值的差异、以及正常情况下历史电压值的波动情况,当第三差异和初始波动程度差异越小,则对应的往期差异程度越小。因为分母上的初始波动程度为电压正常时历史电压值的波动情况,故该初始波动程度相对较小,其对往期差异程度的大小是依据分子上的第三差异程度确定的。故当实时电压值的第三差异越大,则对应的实时电压值的往期差异程度越大。
在获得电压值矩阵中各实时电压值对应的实时差异程度和往期差异程度之后。
然后,结合实时电压值的所述实时差异程度和往期差异程度得到实时电压值的异常度。其中,所述实时差异程度、所述往期差异程度和异常度为正相关关系。
该异常度的计算公式为:
在实时电压值对应的实时差异程度和往期差异程度越大时,该电压值越可能对应出现异常数据的部分,所以以上述分析为基础获得电压值矩阵中每个实时电压值对应的异常度。该实时差异程度、往期差异程度与异常度均呈正比。
步骤S300,根据所有实时电压值的异常度的差异情况,得到电压值矩阵对应的异常差异度;根据所述异常差异度得到待划分的区间数量。
当电压值矩阵中出现了异常的电压值时,则异常的电压值与在正常波动范围内的电压值有一定差异且两者对应的差异度有所区别,异常的电压值对应的异常度较大而在正常波动范围内变化的实时电压值对应的异常度较小。
根据所有实时电压值的异常度的差异情况,得到电压值矩阵对应的异常差异度,具体的:根据预设阈值将异常度分为至少两个类别;将最大异常度所属类别的中值作为异常权值;根据类别间异常度的差异,得到类别差异;以所述异常权值作为权重,对所述类别差异进行加权,得到异常差异度。
其中,根据预设阈值将异常度分为至少两个类别的方法为:将每个实时电压值对应的异常度作为该位置对应的像素值,建立异常度图。对异常度图使用最大类间方差法进行划分,获得划分的预设阈值。在本发明实施例中预设阈值由对异常度图使用最大类间方差法进行划分得到,在其他实施例中实施者可根据实际情况直接进行设定,或者通过其他方式进行获取。需要说明的是,该预设阈值小于最大异常度且大于最小异常度。将异常度图中大于预设阈值的各位置对应的异常度筛选出来,获取大于预设阈值的异常度的数量和大于预设阈值的异常度的数值。在本发明实施例中将异常度划分为了两个类别。将大于预设阈值的异常度划分至一个类别,将小于或等于预设阈值的异常度划分至另一个类别。
作为本发明的另一个实施例还可以设定两个不同的预设阈值,这两个预设阈值均小于最大声异常度且大于最小异常度,如将这两个预设阈值分别记为预设阈值z和预设阈值k,假设z>k,则基于这两个预设阈值将异常度分为三个类别,将异常度大于等于z的分为一类,将异常度小于等于k的分为一类,将大于k且小于z的分为一类。
其中,根据类别间异常度的差异,得到类别差异的方法为:获取大于预设阈值的异常度所构成的类别内所有异常度的均值,作为第三均值;获取小于或等于预设阈值的异常度所构成的类别内所有异常度的均值,作为第四均值。将第三均值和第四均值的差值作为类别差异。
在将异常度分为两个类别之后,将最大异常度所属类别的中值作为异常权值,在本发明实施例中也即以大于预设阈值的异常度所构成的类别的中值作为异常权值。
以所述异常权值作为权重,对所述类别差异进行加权,得到异常差异度。
该异常差异度的计算公式为:
其中,为异常差异度;为大于预设阈值的异常度所构成的类别的中值,也即
为异常权值;为大于预设阈值的异常度所构成的类别内所有异常度的均值,也即为第
三均值;为小于或等于预设阈值的异常度所构成的类别内所有异常度的均值,也即为
第四均值;为类别差异。
异常差异度反映了该电压值矩阵内各实时电压值的波动情况,当各实时电压值差异较大、波动程度越大时,则根据异常度图得到的预设阈值将各异常度划分为两部分后,这两部分的差异越大;同时,划分出的大于预设阈值的各异常度值较大。即当电压值矩阵中各实时电压值差异越大、波动程度越大时,则该电压值矩阵对应的异常差异度越大。故结合异常度较为明显的各异常度的中值和两个类别的差异得到异常差异度,也即结合异常权值和类别差异得到异常差异度。
本发明进一步的根据异常差异度得到待划分的区间数量。具体的:将预设第一阈值和归一化后的异常差异度的乘积作为初始数量;计算所述初始数量和预设第二阈值的和值,将取整后的和值作为区间数量。在本发明实施例中预设第一阈值的取值为5,预设第二阈值的取值为7,在其他实施例中实施者可根据实际情况调整该取值。
该区间数量的计算公式为:
其中,取整函数的作用为将数值进行四舍五入取整,使区间数量保证为整数。
当电压值矩阵对应的异常差异度越大时,则该各实时电压值在进行异常检测的过程中划分出的区间数量越多,使异常的电压值与在合理浮动范围内变化的电压值划分开的同时保持在合理浮动范围内变化的各电压值较为聚集。根据异常差异度得到待划分的区间数量,得到的区间数量符合采集到的实时电压值的波动特征,可使异常电压值与在合理浮动范围内变化的实时电压值划分开的同时,保持在合理浮动范围内变化的各电压值较为聚集,使得异常电压值的识别更为准确。
实现了获取后续对实时电压值划分为区间时的自适应的区间数量。
步骤S400,基于所述区间数量将实时电压值划分到至少两个区间,基于所述区间对实时电压值进行异常监测得到异常监测值;通过所述异常监测值进行异常监测。
在得到自适应的区间数量之后,根据区间数量将实时电压值序列划分为至少两个区间。需要说明的是,存在得到的区间数量不为整数的情况,故对区间数量进行取整,也可以对区间数量进行四舍五入。具体的:将最小实时电压值和最大实时电压值的差值作为最大极差;将最大极差和取整后的区间数量的比值作为区间宽度;由最小实时电压值和最大实时电压值构建实时电压值范围;基于所述区间宽度,将实时电压值范围等分为至少两个区间,每个区间内包含多个实时电压值。需要说明的是,区间宽度的取值可能不为整数,例如原始的区间数量为3.4,取整后的区间数量为3,实时电压值范围为[0,10],则最大极差为10,区间宽度为10/3。则[0,10/3)为区间1,[10/3,20/3)为一个区间2,[20/3,10]为一个区间3,则实时电压值5属于区间2,实时电压值7属于区间3。基于区间,使用HBOS异常检测算法得到各实时电压值的HBOS值。HBOS异常检测算法是一种单变量方法的组合,不能对特征之间的依赖关系进行建模,但是计算速度较快,对大数据集友好,其基本假设是数据集的每个维度相互独立,然后对每个维度进行区间划分,区间的密度越高,异常评分越低。其中,这里对每个维度进行区间划分,在本发明实施例中体现在基于得到的自适应的区间数量对实时电压值划分为多个区间。基于区间,利用HBOS异常检测算法,对实时电压值进行异常监测得到异常监测值。由于在本发明实施例中实时电压值是一维数据,故在本发明实施例中基于区间,利用HBOS异常检测算法对实时电压值进行异常监测得到异常监测值时,其实时电压值作为数据集其对应的维度为1,也仅考虑一维的计算。
该异常监测值的计算公式为:
HBOS异常检测算法,是基于区间内实时电压值的密度,计算实时电压值对应的
HBOS值。需要说明的是,使用HBOS异常检测算法得到数据样本的HBOS值的方法为本领域技
术人员的公知技术,在此不再进行赘述。将各实时电压值的HBOS值作为各实时电压值的异
常监测值。并对得到各实时电压值的异常监测值进行归一化。也即对获得的所有实时电压
值对应的HBOS值进行归一化,所有实时电压值包含有异常的电压值和在正常波动范围内的
电压值,将归一化后的异常监测值记为。
通过归一化后的异常监测值,对低压电力箱进行异常监测。具体的:
当实时电压值对应的时,则认为该实时电压值为异常电压值;否则认为该实
时电压值为在正常浮动范围内变化的正常电压值。其中,为预设第三阈值,在本发明实施
例中预设第三阈值的取值为0.8,在其他实施例中实施者可根据需要自行设置。
当低压电力箱获取的实时电压值中出现异常电压值时,则及时对相关工作人员进行提示,实现对低压电力箱的异常监测,及时排查安全隐患,保障电力箱的安全运行。
综上所述,本发明涉及低压电力箱异常监测技术领域。本发明包括低压电力箱本体和低压电力箱监测系统,该低压电力箱监测系统中包括控制器、以及与控制器信号连接的电压传感器。该电压传感器用于检测实时电压值数据。该控制器构建实时电压值序列和构建电压值矩阵;计算实时电压值的实时差异程度和往期差异程度;结合实时电压值的实时差异程度和往期差异程度得到实时电压值的异常度;根据所有实时电压值的异常度的差异情况,得到电压值矩阵对应的异常差异度;根据异常差异度得到待划分的区间数量;基于划分得到的区间对实时电压值进行异常监测得到异常监测值;通过异常监测值,对低压电力箱进行异常监测。通过获取自适应的区间数量,对实时电压值进行划分,进而实现对低压电力箱的异常监测。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种具有数据处理系统的低压电力箱,包括低压电力箱本体,其特征在于,还包括低压电力箱监测系统,所述低压电力箱监测系统包括控制器、以及与控制器信号连接的电压传感器;
所述电压传感器用于检测实时电压值数据;
所述控制器用于获取实时电压值,由实时电压值构建实时电压值序列;由实时电压值序列和历史电压值构建电压值矩阵;根据实时电压值所属的实时电压值序列的复杂程度、实时电压值和其他实时电压值的差异,得到实时电压值的实时差异程度;根据历史电压值的波动程度、实时电压值和历史电压值的差异,得到实时电压值的往期差异程度;结合实时电压值的所述实时差异程度和往期差异程度得到实时电压值的异常度;根据所有实时电压值的异常度的差异情况,得到电压值矩阵对应的异常差异度;根据所述异常差异度得到待划分的区间数量;基于所述区间数量将实时电压值划分到至少两个区间,基于所述区间对实时电压值进行异常监测得到异常监测值;通过所述异常监测值进行异常监测。
2.根据权利要求1所述的一种具有数据处理系统的低压电力箱,其特征在于,所述根据实时电压值所属的实时电压值序列的复杂程度、实时电压值和其他实时电压值的差异,得到实时电压值的实时差异程度,包括:
获取实时电压值和电压值矩阵中其他所有实时电压值的差异,作为实时电压值的第一差异;获取所有实时电压值和其所属的实时电压值序列内其他实时电压值的差异,作为第二差异;
根据所述第一差异、所述第二差异和所述复杂程度,得到实时电压值的实时差异程度;所述第一差异与实时差异程度为正相关关系,所述复杂程度与实时差异程度为正相关关系,所述第二差异与所述实时差异程度为负相关关系。
3.根据权利要求2所述的一种具有数据处理系统的低压电力箱,其特征在于,所述获取实时电压值和电压值矩阵中其他所有实时电压值的差异,作为实时电压值的第一差异,包括:
计算实时电压值对应的电压值矩阵中其他所有实时电压值序列内实时电压值的均值,作为第一均值;将实时电压值和第一均值的差异绝对值,作为第一差异。
4.根据权利要求2所述的一种具有数据处理系统的低压电力箱,其特征在于,所述获取所有实时电压值和其所属的实时电压值序列内其他实时电压值的差异,作为第二差异,包括:
计算各实时电压值所属的实时电压值序列中所有实时电压值的均值,作为第二均值,将所有实时电压值和其所属实时电压值序列对应的第二均值的差异绝对值之和,作为初始差异;将一和初始差异的和值,作为第二差异。
5.根据权利要求1所述的一种具有数据处理系统的低压电力箱,其特征在于,所述根据历史电压值的波动程度、实时电压值和历史电压值的差异,得到实时电压值的往期差异程度,包括:
获取实时电压值和其所属电压值矩阵中各历史电压值的差异,作为实时电压值的第三差异;
获取电压值矩阵中所有历史电压值的均值,作为历史电压均值;将电压值矩阵中所有历史电压值和历史电压均值的差异,作为波动程度;
结合所述波动程度和所述第三差异,得到实时电压值的往期差异程度;所述波动程度和往期差异程度呈负相关关系,所述第三差异和往期差异程度呈正相关关系。
6.根据权利要求1所述的一种具有数据处理系统的低压电力箱,其特征在于,所述结合实时电压值的所述实时差异程度和往期差异程度得到实时电压值的异常度,包括:
所述实时差异程度和异常度为正相关关系,所述往期差异程度和异常度为正相关关系。
7.根据权利要求1所述的一种具有数据处理系统的低压电力箱,其特征在于,所述根据所有实时电压值的异常度的差异情况,得到电压值矩阵对应的异常差异度,包括:
根据预设阈值将异常度分为至少两个类别;将最大异常度所属类别的中值作为异常权值;
根据类别间异常度的差异,得到类别差异;以所述异常权值作为权重,对所述类别差异进行加权,得到异常差异度。
8.根据权利要求1所述的一种具有数据处理系统的低压电力箱,其特征在于,所述根据所述异常差异度得到待划分的区间数量,包括:
将预设第一阈值和归一化后的异常差异度的乘积作为初始数量;计算所述初始数量和预设第二阈值的和值,将取整后的和值作为区间数量。
9.根据权利要求1所述的一种具有数据处理系统的低压电力箱,其特征在于,所述基于所述区间对实时电压值进行异常监测得到异常监测值,包括:
基于所述区间,利用HBOS异常检测算法得到各实时电压值的HBOS值,将各实时电压值的HBOS值作为各实时电压值的异常监测值。
10.根据权利要求1所述的一种具有数据处理系统的低压电力箱,其特征在于,所述基于所述区间数量将实时电压值划分到至少两个区间,包括:
将最小实时电压值和最大实时电压值的差值作为最大极差;将最大极差和取整后的区间数量的比值作为区间宽度;由最小实时电压值和最大实时电压值构建实时电压值范围;基于所述区间宽度,将实时电压值范围划分为至少两个区间,每个区间内包含多个实时电压值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675159.2A CN116400126B (zh) | 2023-06-08 | 2023-06-08 | 一种具有数据处理系统的低压电力箱 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675159.2A CN116400126B (zh) | 2023-06-08 | 2023-06-08 | 一种具有数据处理系统的低压电力箱 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116400126A true CN116400126A (zh) | 2023-07-07 |
CN116400126B CN116400126B (zh) | 2023-08-01 |
Family
ID=87018397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310675159.2A Active CN116400126B (zh) | 2023-06-08 | 2023-06-08 | 一种具有数据处理系统的低压电力箱 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116400126B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116608904A (zh) * | 2023-07-19 | 2023-08-18 | 尚宁智感(北京)科技有限公司 | 一种储氢罐安全状态实时监控方法及系统 |
CN116662729A (zh) * | 2023-08-02 | 2023-08-29 | 山东鲁玻玻璃科技有限公司 | 一种低硼硅玻璃上料控制数据智能监测方法 |
CN117239942A (zh) * | 2023-11-16 | 2023-12-15 | 天津瑞芯源智能科技有限责任公司 | 一种具有监控功能的电表 |
CN117782364A (zh) * | 2024-02-28 | 2024-03-29 | 西瑞思创(西安)实验仪器有限公司 | 一种高通量自动材料快筛反应器的实时监测方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070355A1 (en) * | 2007-09-11 | 2009-03-12 | International Business Machines Corporation | Transitioning between historical and real time data streams in the processing of data change messages |
US20160370339A1 (en) * | 2015-06-16 | 2016-12-22 | International Business Machines Corporation | Air-Pollution Anomaly Location Mechanism |
CN110377447A (zh) * | 2019-07-17 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法、装置及服务器 |
CN110703025A (zh) * | 2019-10-18 | 2020-01-17 | 重庆大学 | 一种风电变流器igbt功率模块健康状态异常识别方法 |
CN111090685A (zh) * | 2019-12-19 | 2020-05-01 | 第四范式(北京)技术有限公司 | 一种数据异常特征的检测方法及装置 |
CN112098876A (zh) * | 2020-08-27 | 2020-12-18 | 浙江省邮电工程建设有限公司 | 蓄电池内单体电池的异常检测方法 |
CN113901666A (zh) * | 2021-10-20 | 2022-01-07 | 赵茵茵 | 应用于智能电网的实时监控和异常检测方法 |
CN114384424A (zh) * | 2022-01-25 | 2022-04-22 | 山东大学 | 基于数据驱动的电池组早期故障实时诊断方法及系统 |
CN114912501A (zh) * | 2021-12-14 | 2022-08-16 | 上海华力集成电路制造有限公司 | 半导体加工过程传感器数据异常检测的方法 |
CN115169580A (zh) * | 2022-06-30 | 2022-10-11 | 章鱼博士智能技术(上海)有限公司 | 车辆电池组的电压差异常检测模型的训练方法及装置 |
CN115185761A (zh) * | 2021-04-02 | 2022-10-14 | 华为技术有限公司 | 异常检测方法及装置 |
US20230004551A1 (en) * | 2021-07-02 | 2023-01-05 | Viettel Group | Method of processing and storing data for real time anomaly detection problem |
CN115858881A (zh) * | 2022-12-02 | 2023-03-28 | 国网青海省电力公司海南供电公司 | 一种配电网运检异常数据检索定位方法 |
CN115859200A (zh) * | 2022-11-09 | 2023-03-28 | 微梦创科网络科技(中国)有限公司 | 一种数据检测方法及系统 |
CN115982602A (zh) * | 2023-03-20 | 2023-04-18 | 济宁众达利电气设备有限公司 | 一种光伏变压器电故障检测方法 |
-
2023
- 2023-06-08 CN CN202310675159.2A patent/CN116400126B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070355A1 (en) * | 2007-09-11 | 2009-03-12 | International Business Machines Corporation | Transitioning between historical and real time data streams in the processing of data change messages |
US20160370339A1 (en) * | 2015-06-16 | 2016-12-22 | International Business Machines Corporation | Air-Pollution Anomaly Location Mechanism |
CN110377447A (zh) * | 2019-07-17 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法、装置及服务器 |
CN110703025A (zh) * | 2019-10-18 | 2020-01-17 | 重庆大学 | 一种风电变流器igbt功率模块健康状态异常识别方法 |
CN111090685A (zh) * | 2019-12-19 | 2020-05-01 | 第四范式(北京)技术有限公司 | 一种数据异常特征的检测方法及装置 |
CN112098876A (zh) * | 2020-08-27 | 2020-12-18 | 浙江省邮电工程建设有限公司 | 蓄电池内单体电池的异常检测方法 |
CN115185761A (zh) * | 2021-04-02 | 2022-10-14 | 华为技术有限公司 | 异常检测方法及装置 |
US20230004551A1 (en) * | 2021-07-02 | 2023-01-05 | Viettel Group | Method of processing and storing data for real time anomaly detection problem |
CN113901666A (zh) * | 2021-10-20 | 2022-01-07 | 赵茵茵 | 应用于智能电网的实时监控和异常检测方法 |
CN114912501A (zh) * | 2021-12-14 | 2022-08-16 | 上海华力集成电路制造有限公司 | 半导体加工过程传感器数据异常检测的方法 |
CN114384424A (zh) * | 2022-01-25 | 2022-04-22 | 山东大学 | 基于数据驱动的电池组早期故障实时诊断方法及系统 |
CN115169580A (zh) * | 2022-06-30 | 2022-10-11 | 章鱼博士智能技术(上海)有限公司 | 车辆电池组的电压差异常检测模型的训练方法及装置 |
CN115859200A (zh) * | 2022-11-09 | 2023-03-28 | 微梦创科网络科技(中国)有限公司 | 一种数据检测方法及系统 |
CN115858881A (zh) * | 2022-12-02 | 2023-03-28 | 国网青海省电力公司海南供电公司 | 一种配电网运检异常数据检索定位方法 |
CN115982602A (zh) * | 2023-03-20 | 2023-04-18 | 济宁众达利电气设备有限公司 | 一种光伏变压器电故障检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116608904A (zh) * | 2023-07-19 | 2023-08-18 | 尚宁智感(北京)科技有限公司 | 一种储氢罐安全状态实时监控方法及系统 |
CN116608904B (zh) * | 2023-07-19 | 2023-09-26 | 尚宁智感(北京)科技有限公司 | 一种储氢罐安全状态实时监控方法及系统 |
CN116662729A (zh) * | 2023-08-02 | 2023-08-29 | 山东鲁玻玻璃科技有限公司 | 一种低硼硅玻璃上料控制数据智能监测方法 |
CN116662729B (zh) * | 2023-08-02 | 2023-10-31 | 山东鲁玻玻璃科技有限公司 | 一种低硼硅玻璃上料控制数据智能监测方法 |
CN117239942A (zh) * | 2023-11-16 | 2023-12-15 | 天津瑞芯源智能科技有限责任公司 | 一种具有监控功能的电表 |
CN117239942B (zh) * | 2023-11-16 | 2024-01-19 | 天津瑞芯源智能科技有限责任公司 | 一种具有监控功能的电表 |
CN117782364A (zh) * | 2024-02-28 | 2024-03-29 | 西瑞思创(西安)实验仪器有限公司 | 一种高通量自动材料快筛反应器的实时监测方法及系统 |
CN117782364B (zh) * | 2024-02-28 | 2024-05-03 | 西瑞思创(西安)实验仪器有限公司 | 一种高通量自动材料快筛反应器的实时监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116400126B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116400126B (zh) | 一种具有数据处理系统的低压电力箱 | |
CN116089846B (zh) | 一种基于数据聚类的新能源结算数据异常检测与预警方法 | |
US20210056647A1 (en) | Method for multi-dimensional identification of flexible load demand response effect | |
JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
CN116186634A (zh) | 一种建筑工程施工数据智能管理系统 | |
CN103824130A (zh) | 一种基于svm的粮情预测预警方法及系统 | |
CN107067100A (zh) | 风电功率异常数据辨识方法及辨识装置 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN116154972B (zh) | 一种分布式电网电能质量监测方法及系统 | |
CN116418293B (zh) | 一种基于物联网大数据的光伏电站智慧诊断系统 | |
CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及系统 | |
CN113420061A (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
CN117394337A (zh) | 一种电网负荷预警方法及其系统 | |
CN115544748A (zh) | 一种光伏组串健康状态监测、评价方法及系统 | |
CN106405280A (zh) | 一种智能变电站在线监测参数趋势预警方法 | |
CN115860579A (zh) | 一种用于面粉加工的生产质量监测系统 | |
CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
CN116562623A (zh) | 一种适用于鹿茸菇种植的实时种植风险评估系统 | |
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 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN111832955A (zh) | 一种基于可靠度与多元统计的接触网状态评价方法 | |
CN111273126A (zh) | 一种配电网拓扑快速感知方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
CN116661522B (zh) | 一种基于数据处理的温变试验箱温度智能调控方法 | |
CN117786584B (zh) | 基于大数据分析的畜牧业水源污染监测预警方法及系统 |
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 |