CN117057517A - 基于数字孪生的电力数据高效处理方法及系统 - Google Patents
基于数字孪生的电力数据高效处理方法及系统 Download PDFInfo
- Publication number
- CN117057517A CN117057517A CN202311315675.0A CN202311315675A CN117057517A CN 117057517 A CN117057517 A CN 117057517A CN 202311315675 A CN202311315675 A CN 202311315675A CN 117057517 A CN117057517 A CN 117057517A
- Authority
- CN
- China
- Prior art keywords
- outlier
- data
- point
- degree
- curve
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 103
- 230000035945 sensitivity Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000001932 seasonal effect Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000009191 jumping Effects 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 16
- 230000005611 electricity Effects 0.000 description 23
- 230000000694 effects Effects 0.000 description 15
- 238000005265 energy consumption Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Complex Calculations (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于数字孪生的电力数据高效处理方法及系统。该方法通过分解剔除电力数据时序序列的季节项,提取待拟合趋势性序列;获取待拟合趋势性序列的拟合窗口并筛选出离群点;通过分析离群点的局部跳跃性及邻域跳跃性获取跳跃度,进而获取异常敏感程度并筛选异常敏感点;根据异常敏感点的异常敏感程度及位置情况动态调整拟合窗口,获取趋势性曲线;利用趋势性曲线修正季节性曲线和残差曲线,进而输入至训练好的数字孪生模型中进行分析监测。本发明通过自适应调整拟合窗口的尺寸,获取准确的趋势曲线,进而修正季节性曲线和残差曲线,使得数字孪生模型对电力数据的分析监测更为高效准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于数字孪生的电力数据高效处理方法及系统。
背景技术
在电力系统各项数据的实时监控中,通常情况下会通过时序分解的方法将电力数据各项指标参数变化的时序曲线进行分解,获取具有趋势性、周期性和随机性等具有独立特征的曲线成分。通过分析各数据曲线成分的特征,实时准确地监测电力数据的变化情况。
传统的时序分解方法在拟合数据曲线时,对于离群数据的敏感程度较高,可能会导致分解时产生不准确的拟合结果;而人们在获取数据曲线的趋势时,通常根据经验调整拟合窗口的尺寸,希望有效地平衡在拟合时对于离群数据的敏感度;但是调整窗口同样会改变拟合曲线的平滑程度,可能会造成部分由于人类生产生活规律特殊变化如调休等因素所造成的离群数据将会因窗口的调整被平滑掉,而部分因电力设备出现故障或在采集传输过程出现异常时所获取的离群数据将误作为重要电力数据指标被重点拟合其波动趋势,从而使得电力指标离群数据的波动特征的拟合结果不佳,导致所分析监测的电力数据变化情况不准确。
发明内容
为了解决拟合窗口尺寸调整不当可能造成拟合效果不佳的技术问题,本发明的目的在于提供一种基于数字孪生的电力数据高效处理方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于数字孪生的电力数据高效处理方法,所述方法包括:
实时获取电力数据的时序序列;对所述时序序列进行分解,获得季节性序列并剔除,得到待拟合趋势性序列;
获取所述待拟合趋势性序列的拟合窗口;在所述拟合窗口内,获取每个数据点的离群程度;根据所述离群程度在数据点中筛选出离群点;在所述待拟合趋势性序列中,根据数据点的幅值变化,获取所述离群点在前后相邻时序节点间的局部跳跃性及在预设邻域范围内的邻域跳跃性,根据所述局部跳跃性和所述邻域跳跃性获取对应离群点的跳跃度;
根据所述跳跃度,获取所述离群点的异常敏感程度;在所述拟合窗口内,根据所述异常敏感程度筛选特殊敏感点,并根据所述特殊敏感点的所述异常敏感程度和位置对所述拟合窗口的尺寸进行调整;以调整后的窗口末端后一点为起点,将所述拟合窗口沿所述待拟合趋势性序列的时序方向滑动,对每次滑动过程中的所述拟合窗口的尺寸进行动态调整并进行曲线拟合,获取趋势性曲线;
根据所述趋势性曲线,获取修正季节性曲线及修正残差曲线;利用训练好的数字孪生模型对所述趋势性曲线、所述修正季节性曲线及所述修正残差曲线进行分析监测。
进一步地,所述获取每个数据点的离群程度包括:
在所述拟合窗口内,计算每个数据点幅值与平均幅值的幅值差异并进行归一化,得到对应数据点的幅值波动度,获取数据点相对所有数据点的分散度;
将所述幅值波动度和所述分散度根据对应预设权重进行加权后求和,获取对应数据点的所述离群程度。
进一步地,所述获取数据点相对所有数据点的分散度包括:
在所述拟合窗口内,计算数据点到所有数据点的欧式距离的均值,将所述均值作为第一数值;改变数据点,计算每个数据点对应的所述第一数值并求平均得到第二数值;计算所述第一数值与所述第二数值的差值,将所述差值进行归一化,得到所述分散度。
进一步地,所述获取所述离群点在前后相邻时序节点间的局部跳跃性包括:
计算所述离群点与前一相邻数据点的前一幅值差异,计算所述离群点与后一相邻数据点的后一幅值差异,获取所述前一幅值差异与所述后一幅值差异间的最小值;
计算所述前一相邻数据点与所述后一相邻数据点的前后幅值差异;将所述最小值除以所述前后幅值差异,并进行归一化获取局部跳跃性。
进一步地,所述获取所述离群点在预设邻域范围内的邻域跳跃性包括:
在所述离群点的预设邻域范围内,计算所有数据点的幅值均值与所述离群点的幅值的差异;将所述差异进行归一化,获取所述邻域跳跃性。
进一步地,所述根据所述局部跳跃性和所述邻域跳跃性获取对应离群点的跳跃度包括:
将所述局部跳跃强度及所述邻域跳跃强度根据对应预设权重进行加权后求和获得所述跳跃度。
进一步地,所述获取所述离群点的异常敏感程度包括:
对所述跳跃度进行负相关映射并归一化处理,获得所述异常敏感程度。
进一步地,所述在所述拟合窗口内,根据所述异常敏感程度筛选特殊敏感点,并根据所述特殊敏感点的位置及所述异常敏感程度对所述拟合窗口的尺寸进行调整包括:
将所述拟合窗口内的所述异常敏感程度最大的数据点作为特殊敏感点;
根据所述特殊敏感点的位置获取所述拟合窗口的调整方式;
结合所述调整方式,当所述特殊敏感点的所述异常敏感程度大于预设阈值时,减小所述拟合窗口的尺寸;当所述特殊敏感点的所述异常敏感程度小于等于预设阈值时,增大所述拟合窗口的尺寸。
进一步地,所述根据所述特殊敏感点的位置获取所述拟合窗口的调整方式包括:
所述特殊敏感点的位置包括所述拟合窗口的端点处和中间位置;
当所述特殊敏感点的位置为端点处时,则以所述特殊敏感点为调整后窗口的端点,在端点反方向按预设条件进行调整;
当所述特殊敏感点的位置为中间位置时,则以所述特殊敏感点为调整后窗口的端点,在端点两边按预设条件进行调整。
本发明提出一种基于数字孪生的电力数据高效处理系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述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任一所述一种基于数字孪生的电力数据高效处理方法的步骤。
本发明具有如下有益效果:
本发明考虑到拟合窗口尺寸调整不当可能造成拟合效果不佳,进而影响对电力数据变化情况的分析与监测。为对拟合窗口尺寸进行动态调整,达到高效且准确的拟合效果。本发明首先实时获取电力数据的时序序列,将其进行时序分解并剔除季节项,获得待拟合趋势性序列;获取待拟合趋势性序列的拟合窗口;考虑到在拟合数据的趋势性时,曲线变化趋势主要受到离群点的影响,因此本发明通过在拟合窗口内计算每个数据点的离群程度,以筛选离群点;又进一步考虑到离群点一般为特殊用电或设备异常的情况下所产生的,所以为了判断离群点是特殊用电波动点还是异常噪声点,通过获取跳跃度进行进一步判断;离群点的跳跃度表征了该点在相对局部和邻域区域内的点的波动程度,波动程度越大,则为异常噪声点的可能性越大,反之则为特殊用电波动点的可能性更大;再根据跳跃性判断该离群点的异常敏感程度,异常敏感程度越大,说明该点为特殊用电波动点的可能性越大,在进行趋势曲线的拟合时应当尽可能的细化拟合特殊用电点的波动情况,反之,当异常敏感程度越小,说明该点为异常噪声点的可能性越大,在进行趋势拟合时,应当尽可能的平滑掉该点的波动趋势;在拟合窗口内筛选出特殊敏感点,根据特殊敏感点的异常敏感程度及位置情况对拟合窗口进行动态调整,以获取较好的拟合效果;利用拟合好的趋势性曲线修正季节性曲线和残差曲线,将三类曲线输入到训练好的数字孪生模型中进行分析监测。本发明通过自适应调整拟合窗口的尺寸大小,进而平衡曲线在拟合时对离群点的敏感程度,使得在突出特殊用电波动点波动情况的同时,平滑了异常噪声点的波动情况,从而得到准确的趋势曲线,进而修正季节性曲线和残差曲线,使得数字孪生模型对电力数据的分析监测更为高效准确。
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为本发明一个实施例所提供的一种基于数字孪生的电力数据高效处理方法流程图。
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基于数字孪生的电力数据高效处理方法及系统,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。
下面结合附图具体的说明本发明所提供的一种基于数字孪生的电力数据高效处理方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于数字孪生的电力数据高效处理方法流程图,该方法包括以下步骤:
步骤S1,实时获取电力数据的时序序列;对时序序列进行分解,获得季节性序列并剔除,得到待拟合趋势性序列。
为对电力数据进行高效分析处理,通过在电力设备上布置各类传感器实时采集电力数据,然后对所采集的电力数据进行相应的拟合分析,输入至已训练好的数字孪生系统中,进而对电力数据的进行分析监测。电力数据可以包括电能消耗、电压、电流等关键指标。其中电能消耗数据在电力设备产生的数据中至关重要,提供了有关能源使用情况、负荷特征和系统运行状态的关键信息。
需要说明的是,电力设备的每种电力数据的分析方法相同,在此仅以一种电能消耗数据的分析方法进行表述说明。
在本发明实施例中,根据采集数据的时间节点顺序构建电能消耗数据的时序序列,将采集到的电能消耗数据根据对应的时间戳映射到构建的时序序列中,序列中每个数据点为对应时间节点的电能消耗值。
考虑到电能消耗数据的波动变化受众多因素的影响,不仅受人类生产生活规律的影响,也受电力设备运行状态及数据采集过程中诸多因素的影响,因此电能消耗数据的波动变化情况也是较为复杂的。通常情况下,受人们的用电习惯、四季变化或工作日与非工作日间的用电差异等因素的影响,电能消耗数据的波动变化通常具有一定的季节周期性;但存在一些特殊用电的情况,例如工厂的生产用电计划调整、节假日临时调整等无规律特殊用电,使得电能消耗数据的波动是不具有季节周期性特征的。在这种特殊用电的情况下,部分数据点存在一定的离群情况,以至于在进行数据波动分析时会将这种特殊用电情况作为电力设备故障或采集噪声干扰的异常波动情况,可能在后续的拟合变化趋势时被作为异常噪声平滑掉,从而影响对电能消耗数据的变化情况的分析结果。
为进一步分析电能消耗数据的波动情况,本发明实施例通过对所获取的电能消耗数据的时序序列进行分解,获取电能数据中的季节性序列并剔除,获取待拟合趋势性序列,使得后续的电能消耗数据分析是针对数据变化趋势和随机残差、并不包含季节周期因素的影响的,从而更准确地分析非季节性因素对电能消耗数据的波动变化的影响。
步骤S2,获取待拟合趋势性序列的拟合窗口;在拟合窗口内,获取每个数据点的离群程度;根据离群程度在数据点中筛选出离群点;在待拟合趋势性序列中,根据数据点的幅值变化,获取离群点在前后相邻时序节点间的局部跳跃性及在预设邻域范围内的邻域跳跃性,根据局部跳跃性和邻域跳跃性获取对应离群点的跳跃度。
在拟合数据趋势时,不同的拟合窗口大小对于数据的拟合效果也是不一样的。较大的拟合窗口可以平滑掉部分噪声,更好的反映数据的长期趋势,但同时部分短期波动内的波动特征将被平滑掉;并且拟合窗口越大,数据处理将占用更多计算资源,从而影响拟合效率,因此拟合窗口大小的确定在数据分析处理中具有重要的意义。故本发明的一个实施例通过交叉验证的自动化方法获取拟合窗口,交叉验证方法是一种灵活且可靠的模型评估和选择方法,通过交叉验证算法可以使得拟合窗口具有一定的稳定性和泛化能力,从而确定合适的拟合窗口大小,进而获取良好的拟合效果。交叉验证算法为现有技术,此处不再过多赘述。需要说明的是,拟合窗口大小也可通过本领域技术人员熟知的其他算法确定,在此不做赘述及限定。
然而在进行趋势拟合时,固定大小的拟合窗口仍无法准确的区分特殊和异常波动情况,从而可能导致拟合出的趋势曲线突出了异常噪声的波动情况而平滑掉特殊用电等重要电力数据的波动情况,因此需要进一步根据拟合窗口内电能消耗数据点的波动情况进一步分析,进而对拟合窗口大小进行调整。本发明实施例通过在拟合窗口内获取每个数据点的离群程度,筛选出离群点;离群点是拟合窗口内的某个或某些数据点相对于整体数据出现显著偏离的点,这些数据点的离群可能是由于特殊用电造成,也有可能是电力设备或采集过程异常所造成;但在整体数据的趋势拟合过程中,离群程度较大的数据点都是需要重点关注并根据其波动情况进一步分析的,进而调整拟合窗口的大小,获得良好的拟合效果。
优选地,本发明一个实施例中考虑到当数据点的幅值与拟合窗口内所有数据点的平均幅值的差异越大,说明该数据点的幅值波动度越大,其离群程度越大;同时当数据点相对拟合窗口内所有数据点的位置分布较为离散孤立时,则说明该数据点在拟合窗口内的分散度越大,其离群程度也越大。基于此,获取每个数据点的离群程度包括,在拟合窗口内,计算每个数据点幅值与平均幅值的幅值差异并进行归一化,得到对应数据点的幅值波动度,获取数据点相对所有数据点的分散度;将幅值波动度和分散度根据对应预设权重进行加权后求和,获取对应数据点的离群程度。本发明实施例中,离群程度的公式具体表示为:
其中,表示拟合窗口中第/>个数据点的离群程度,/>表示拟合窗口内第/>个时间节点对应的电能消耗数据,/>表示当前拟合窗口内数据点的总数量,/>表示当前拟合窗口内数据点对应时刻的标签,/>表示拟合窗口内第/>个时间节点对应的电能消耗数据点,/>表示拟合窗口中第/>个数据点的分散度,/>表示当前拟合窗口内所有数据点的平均幅值,为归一化函数,在本发明其他实施例中可采用其他归一化方法在此不做限定;为权重值,表示从幅值波动度和数据点分散度两个不同的维度综合评估数据点的离群性。在本发明的一个实施例中,预设权重/>,在具体应用中,实施者根据具体情况进行设置。
在本发明的一个实施例中,预设离群程度阈值,在具体应用中,实施者根据具体情况进行设置;将离群程度大于等于预设离群程度阈值的数据点作为离群点。
优选地,在本发明一个实施例中,获取数据点相对所有数据点的分散度包括,在拟合窗口内,计算数据点到所有数据点的欧式距离的均值,将均值作为第一数值;改变数据点,计算每个数据点对应的第一数值并求平均得到第二数值;计算第一数值与第二数值的差值,将差值进行归一化,得到分散度。分散度的计算公式具体表示为:
其中,表示拟合窗口中第/>个数据点的分散度,/>表示拟合窗口内第/>个时间节点对应的电能消耗数据,/>表示当前拟合窗口内数据点的总数量,/>表示拟合窗口内第个时间节点到第/>个时间节点对应的电能消耗数据,即拟合窗口内的每个电能消耗数据,为标准归一化函数,/>为求平均函数,/>为求欧式距离函数,/>则为当前拟合窗口内第/>个时间节点对应的电能消耗数据点与窗口内每个电能消耗数据点的欧式距离的平均值,/>表示当前拟合窗口内数据点对应时刻的标签,其取值范围是1到/>,则表示对当前拟合窗口内每一个时间节点对应的电能消耗数据点与窗口内每个电能消耗数据点的欧式距离平均值进行求平均。
在分散度计算公式中,第一均值即可以表示当前数据点相对于拟合窗口内所有数据点的位置情况,当第一均值越大,说明当前数据点与拟合窗口内所有数据点的位置差异较大,其所在位置相对更为远离拟合窗口内的其他数据点;反之则说明当前数据点与拟合窗口内所有数据点的位置差异较小,其所在位置相对更为贴近拟合窗口内的其他数据点;而第二数值即/>可以表示每个数据点相对拟合窗口内所有数据点的位置差异的平均水平,也反映了每个数据点相对其他数据点的位置分布情况;第一数值与第二数值的差值则表示当前数据点的相对位置与窗口内所有数据点的相对位置的平均水平间的差异,差值越大,则说明当前数据点的位置分布相对其他点越为分散离群。
考虑到离群点可能是特殊用电或异常噪声造成的,特殊用电数据点在局部或邻域范围内的持续波动程度相对较大,幅值变化相对也较平缓;而异常噪声数据点在局部或邻域范围内的持续波动的可能性较小,幅值的突变性更大;故本发明实施例进一步根据离群点在待拟合趋势性序列中的局部跳跃度和邻域跳跃度判断出现较大波动的离群点是特殊用电点还是异常噪声点;局部跳跃度反映了离群点相对于前后相邻时序节点的数据点的波动程度,更体现出离群点的瞬时波动情况;如果离群点的局部跳跃度越大,说明该离群点相对于前后相邻两个数据点的幅值变化越大,在局部范围内是孤立的异常噪声点的可能性越大;而邻域跳跃度则反映了离群点在其邻域范围内的相对波动程度,更体现出在邻域范围内出现较大波动的持续性;如果离群点的邻域跳跃度越大,说明该点在相应的邻域范围内相对于整体数据点的幅值变化越大,则该点越有可能是孤立的异常噪声点;通过离群点的局部跳跃度和邻域跳跃度确定离群点的在待拟合趋势性序列中的跳跃度,进而结合跳跃度进一步分析,对拟合窗口的大小进行调整,获取更好的拟合效果。
优选地,在本发明的一个实施例中,获取离群点在前后相邻时序节点间的局部跳跃性包括,计算离群点与前一相邻数据点的前一幅值差异,计算离群点与后一相邻数据点的后一幅值差异,获取前一幅值差异与后一幅值差异间的最小值;计算前一相邻数据点与后一相邻数据点的前后幅值差异;将最小值除以前后幅值差异,并进行归一化获取局部跳跃性。局部跳跃性的计算公式具体表示为:
其中,表示局部跳跃性,/>为离群点的标志,/>则表示拟合窗口内第/>个时间节点对应的数据点为离群点,/>表示拟合窗口内第/>个时间节点对应的数据点的后一相邻数据点,/>表示拟合窗口内第/>个时间节点对应的数据点的后一相邻数据点,/>表示拟合窗口内第/>个时间节点对应的数据点的前一相邻数据点和后一相邻数据点,/>则表示第/>个时间节点对应的数据点的前一幅值差异与后一幅值差异间的最小值,/>为标准归一化函数,归一化方法在此不做限定,在具体应用中,实施者根据具体情况进行设置。需要说明的是,/>表示的拟合窗口内第/>个时间节点对应的数据点的前一相邻数据点和后一相邻数据点可能是离群点或非离群点,为便于区分及理解公式含义,本发明实施例将不对/>、/>及/>做进一步的离群点标志限定,仅表示其为前后相邻数据点。
在局部跳跃性计算公式中,分子即表示当前第/>个时间节点对应的离群点的前后相邻数据点的最小幅值差异,分母即/>表示当前第/>个时间节点对应的离群点的前后相邻数据点的幅值差异之和,其比值则表示当前离群点相对于前后相邻两数据点间的最小的幅值变化情况;当比值越大,说明当前离群点的在局部范围内的最小的幅值变化也越大,更体现出离群点在局部范围内的幅值突变性,其局部波动度越大,是异常噪声点的可能性也越大;将比值进行归一化,便于后续的运算。
优选地,在本发明的一个实施例中,考虑到获取离群点在预设邻域范围内幅值相对邻域内的平均幅值的差异越大,说明离群点在邻域范围内的幅值变化越大,其在邻域内的跳跃性也越大。基于此,获取离群点在预设邻域范围内的邻域跳跃性包括,在离群点的预设邻域范围内,计算所有数据点的幅值均值与离群点的幅值的差异;将差异进行归一化,获取邻域跳跃性。邻域跳跃性的计算公式具体表示为:
其中,表示邻域跳跃性,/>为离群点的标志,/>则表示拟合窗口内第/>个时间节点对应的数据点为离群点;/>表示以第/>个时间节点对应的离群点为中心,构建一个预设邻域范围为/>的邻域,则邻域的长度为/>,则/>表示第/>个时间节点对应的离群点的邻域范围内的所有数据点,/>为标准归一化函数,归一化方法在此不做限定,实施者可根据具体情况自行设定。在本发明的一个实施例中,/>取3,即邻域长度为7,在本发明的其他实施例中,用户根据具体情况自行设定。
局部跳跃性反映了离群点在局部的突变性,而邻域跳跃性反映了离群点在一定的预设范围内的突变性的持续状态,二者在不同维度反映了离群点的跳跃性,故本发明实施例通过预设权重在局部跳跃和邻域跳跃两个不同维度评估离群点的整体跳跃情况。
优选地,在本发明的一个实施例中,根据局部跳跃性和邻域跳跃性获取对应离群点的跳跃度包括,将局部跳跃强度及邻域跳跃强度根据对应预设权重进行加权后求和获得跳跃度。离群点的跳跃度计算公式表示为:
其中,表示局部跳跃性,/>表示邻域跳跃性,/>为预设权重,在本发明一个实施例中,/>,在具体应用中,实施者根据具体情况进行设置。
在本发明的一个实施例中,预设跳跃度阈值,在具体应用中,实施者根据具体情况进行设置;跳跃度越大,则说明该类离群点为异常噪声点的可能性大,反之为特殊用电点的可能性越大;当离群点的跳跃度大于等于/>时,说明当前数据点的跳跃性较高,则认为该类离群点为异常噪声点。
步骤S3,根据跳跃度,获取离群点的异常敏感程度;在拟合窗口内,根据异常敏感程度筛选特殊敏感点,并根据特殊敏感点的异常敏感程度和位置对拟合窗口的尺寸进行调整;以调整后的窗口末端后一点为起点,将拟合窗口沿待拟合趋势性序列的时序方向滑动,对每次滑动过程中的拟合窗口的尺寸进行动态调整并进行曲线拟合,获取趋势性曲线。
当离群点的跳跃度越大,则说明该类离群点被认为是异常噪声点的可能性大,在拟合数据趋势时,越应当忽略该类离群点的异常波动情况,尽量减少对这类离群点的异常波动的敏感性;反之,当离群点的跳跃度越小,则说明该类离群点被认为是特殊波动点的可能性大,在拟合数据趋势时,越应当关注该类离群点特殊的异常波动情况,需增大对这类离群点的异常波动的敏感性。异常敏感程度是对离群点异常波动的敏感性,进而根据对离群点异常波动的敏感性对窗口的尺寸进行调整,使得对特殊用电和异常噪声的异常波动情况的趋势拟合更有针对性,从而获得更好的拟合效果。基于此,获取离群点的异常敏感程度包括,对跳跃度进行负相关映射并归一化处理,获得异常敏感程度。异常敏感程度计算公式具体表示为:
其中,表示离群点的异常敏感程度,/>表示离群点的跳跃度,在本发明一个实施例中,预设异常敏感程度阈值/>,在具体应用中,实施者根据具体情况进行设置。当离群点的异常敏感程度大于/>时,则应当越关注该离群点的波动特征,反之应尽量平滑其波动变化。
在拟合窗口中,根据异常敏感程度计算公式获取每个离群点的异常敏感程度,并根据异常敏感程度筛选特殊敏感点。特殊敏感点是进一步判定该窗口内的离群点是特殊用电造成的波动,还是异常噪声造成的波动,从而判断趋势拟合时具体细化还是平滑掉窗口内数据点的波动情况,进而结合特殊敏感点的异常敏感程度及在拟合窗口内的位置对拟合窗口的尺寸进行调整。
优选地,在本发明的一个实施例中,在拟合窗口内,根据异常敏感程度筛选特殊敏感点,并根据特殊敏感点的位置及异常敏感程度对拟合窗口的尺寸进行调整包括,将拟合窗口内的异常敏感程度最大的数据点作为特殊敏感点;根据特殊敏感点的位置获取拟合窗口的调整方式;结合调整方式,当特殊敏感点的异常敏感程度大于预设阈值时,减小拟合窗口的尺寸;当特殊敏感点的异常敏感程度小于等于预设阈值时,增大拟合窗口的尺寸。
本发明实施例中,筛选拟合窗口内异常敏感程度最大的点为异常敏感点。考虑到当拟合窗口尺寸根据离群点的异常敏感程度自适应调整时,存在将表征拟合窗口内数据变化趋势的特征敏感点缩减掉的可能性,故还需结合特殊敏感点在拟合窗口内的位置情况确定拟合窗口的调整方式。结合拟合窗口的调整方式,对特殊敏感点的异常敏感程度进行调整拟合窗口的大小。当特殊敏感点的异常敏感程度大于预设异常敏感程度阈值时,该特殊敏感点为特殊用电数据点的可能性越大,应尽量描述该特殊敏感点附近的波动情况,故减小拟合窗口的尺寸,将拟合窗口的尺寸调整为原拟合窗口的尺寸的二分之一;当特殊敏感点的异常敏感程度小于等于预设异常敏感程度阈值时,该特殊敏感点为异常噪声数据点的可能性越大,应尽量平滑掉该特殊敏感点在窗口内的波动情况,故增大拟合窗口的尺寸,将拟合窗口的尺寸调整为原拟合窗口的尺寸的二倍。
优选地,在本发明的一个实施例中,根据特殊敏感点的位置获取拟合窗口的调整方式包括,特殊敏感点的位置包括拟合窗口的端点处和中间位置;当特殊敏感点的位置为端点处时,则以特殊敏感点为调整后窗口的端点,在端点反方向按预设条件进行调整;当特殊敏感点的位置为中间位置时,则以特殊敏感点为调整后窗口的端点,在端点两边按预设条件进行调整。不论特殊敏感点在窗口内的位置是中部还是端点处,保证特殊敏感点为调整后的拟合窗口内的首点,可避免在拟合窗口调整时将特殊敏感点缩减去除而无法准确拟合窗口内数据的趋势的情况。
在实际的趋势拟合过程中,拟合窗口将沿着待拟合趋势性序列的时序方向向后滑动,进行动态拟合数据的变化趋势。本发明实施例中,通过滑动拟合窗口,并在每次滑动过程中不断调整拟合窗口的尺寸,同时将每次调整后的拟合窗口末端后一数据点作为下一个拟合窗口滑动的起点进行后续的滑动及调整。通过不断的滑动调整拟合窗口的尺寸,使得拟合窗口在每次滑动过程中动态调整的同时,也在对待拟合趋势性序列进行动态拟合并获得趋势性曲线。
需要说明的是,在实际的计算过程中,存在拟合窗口内没有离群点的可能性,进而无法判断其跳跃性并进一步确定异常敏感点,故本发明实施例中,当拟合窗口内没有筛选出异常敏感点时,拟合窗口的尺寸大小将不变,按照原有的滑动方式继续滑动拟合,直到判断出存在异常敏感点,并进行相应的调整拟合即可。
步骤S4,根据趋势性曲线,获取修正季节性曲线及修正残差曲线;利用训练好的数字孪生模型对趋势性曲线、修正季节性曲线及修正残差曲线进行分析监测。
分析趋势性曲线对步骤S1分解出的季节性序列所拟合曲线的影响,并剔除趋势性数据对季节性数据的影响,以获取修正后的季节性曲线。根据趋势性曲线和修正后的季节性曲线对残差数据进行调整,获取修正残差曲线。需要说明的是,通过趋势性数据对季节性数据和残差数据进行调整,需要根据趋势性数据与季节性数据及残差数据间的影响关系确定合适的调整方式,在具体应用中,实施者应根据具体情况进行设置。通过趋势性数据对季节性数据进行修正、根据趋势性曲线和修正后的季节性曲线获取残差曲线都是本领域技术人员公知的技术手段,在此不进行赘述。
数字孪生是指通过将实际物理对象或系统与其数字模型相连接,从而实现实时监测、仿真和分析的过程;数字孪生技术允许在虚拟环境中对实体进行建模、监控和优化,以提高效率,减少成本和风险。由于数字孪生模型是现有技术,在此不做过多赘述,仅简述本发明一个实施例下数字孪生模型进行对电力系统数据进行分析监测的简要方法步骤:
1、构建数字孪生模型:收集并整理电力系统的设计参数、运行环境等信息,构建数字孪生模型,该模型能够仿真电力系统的运行状态。
2、获取电力数据曲线:获取电力数据中的趋势性曲线、修正季节性曲线和修正残差曲线的各类独立特征曲线成分。
3、数字孪生模型验证:将各类独立特征曲线成分输入到数字孪生模型中,并与实际电力数据变化情况进行比较,评估模型的准确性和可靠性。
4、分析监测电力数据:利用建立好的数字孪生模型对电力数据的各类独立特征曲线成分进行分析预测,当数字孪生模型监测到异常情况时进行相关预警。
将获取电力数据中的趋势性曲线、修正季节性曲线和修正残差曲线的各类独立特征曲线成分输入到训练好的数字孪生模型中,通过对趋势性曲线、修正季节性曲线和修正残差曲线进行分析监测,达到及时且准确的识别电力数据异常的情况的目的,并及时采取相应措施进行修复和处理。
综上所述,本发明实施例通过实时获取电力数据的时序序列,将其进行时序分解并剔除季节项,获得待拟合趋势性序列;获取待拟合趋势性序列的拟合窗口;通过在拟合窗口内计算每个数据点的离群程度以筛选离群点;然后通过获取离群点在前后相邻时序节点间的局部跳跃性及在预设邻域范围内的邻域跳跃性,进而根据局部跳跃性和邻域跳跃性获取对应离群点的跳跃度;再根据跳跃性判断该离群点的异常敏感程度,当异常敏感程度越大,在进行趋势曲线的拟合时应当缩小拟合窗口,尽可能的细化拟合特殊用电点的波动情况,反之,当异常敏感程度越小,在进行趋势拟合时应当尽可能的平滑掉该点的波动趋势;在拟合窗口内筛选出离群点中的异常敏感程度最大的点作为特殊敏感点,根据特殊敏感点的异常敏感程度及位置情况对拟合窗口进行动态调整,以获取较好的拟合效果;利用拟合好的趋势性曲线修正季节性曲线和残差曲线,将三类曲线输入到训练好的数字孪生模型中进行分析监测。本发明通过自适应调整拟合窗口的尺寸大小,进而平衡窗口在拟合曲线时对离群点的敏感程度,使得在突出特殊用电波动点波动情况的同时,平滑了异常噪声点的波动情况,从而得到较为准确的趋势曲线,进而修正季节性曲线和残差曲线,使得数字孪生模型对电力数据的分析监测更为高效准确。
本发明还提出了一种基于数字孪生的电力数据高效处理系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种基于数字孪生的电力数据高效处理方法的步骤。
一种电力数据趋势拟合方法及系统实施例:
人们在拟合电力系统数据曲线的趋势时,通常根据经验调整拟合窗口的尺寸,希望有效地平衡在拟合时对于离群数据的敏感度;但是调整窗口同样会改变拟合曲线的平滑程度,可能会造成部分由于人类生产生活规律特殊变化如调休等因素所造成的离群数据的波动特征被平滑掉,而部分因电力设备出现故障或在采集传输过程出现异常时时所获取的离群数据将误作为重要电力数据指标被重点关注并拟合,从而使得电力指标离群数据的波动趋势拟合结果不佳,使得所分析监测的电力数据变化情况不准确。本发明提供一种电力数据趋势拟合方法,包括:
步骤S1,实时获取电力数据的时序序列;对时序序列进行分解,获得季节性序列并剔除,得到待拟合趋势性序列。
步骤S2,获取待拟合趋势性序列的拟合窗口;在拟合窗口内,获取每个数据点的离群程度;根据离群程度在数据点中筛选出离群点;在待拟合趋势性序列中,根据数据点的幅值变化,获取离群点在前后相邻时序节点间的局部跳跃性及在预设邻域范围内的邻域跳跃性,根据局部跳跃性和邻域跳跃性获取对应离群点的跳跃度。
步骤S3,根据跳跃度,获取离群点的异常敏感程度;在拟合窗口内,根据异常敏感程度筛选特殊敏感点,并根据特殊敏感点的异常敏感程度和位置对拟合窗口的尺寸进行调整;以调整后的窗口末端后一点为起点,将拟合窗口沿待拟合趋势性序列的时序方向滑动,对每次滑动过程中的拟合窗口的尺寸进行动态调整并进行曲线拟合,获取趋势性曲线。
其中,步骤S1至步骤S3在上述一种电力数据高效处理方法实施例中已给出了详细说明,不再赘述。
本发明还提出了一种电力数据趋势拟合系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种电力数据趋势拟合方法中的步骤。
本发明考虑到拟合窗口尺寸调整不当可能造成拟合效果不佳,进而影响对电力数据变化趋势的拟合。为对拟合窗口尺寸进行动态调整,达到高效且准确的拟合效果,本发明首先实时获取电力数据的时序序列,将其进行时序分解并剔除季节项,获得待拟合趋势性序列;获取待拟合趋势性序列的拟合窗口;考虑到在拟合数据的趋势性时,曲线的形状主要受到离群点的影响,因此本发明通过在拟合窗口内计算每个数据点的离群程度,以筛选离群点;又进一步考虑到离群点一般为特殊用电或设备异常的情况下所产生的,所以为了判断离群点是特殊用电波动点还是异常噪声点,通过获取对应离群点的跳跃度进一步分析;离群点的跳跃度表征了该点在相对局部和邻域区域内的点的波动程度,波动程度越大,则为异常噪声点的可能性越大,反之则为特殊用电波动点的可能性更大;再根据跳跃性判断该离群点的异常敏感程度,当异常敏感程度越大,说明该点为特殊用电波动点,在进行趋势曲线的拟合时应当缩小拟合窗口,尽可能的细化拟合特殊用电点的波动情况,反之,当异常敏感程度越小,说明该点为异常噪声点,在进行趋势拟合时,应当尽可能的平滑掉该点的波动趋势;在拟合窗口内筛选出离群点中的异常敏感程度最大的点作为特殊敏感点,根据特殊敏感点的异常敏感程度及位置情况对拟合窗口进行动态调整,以获取较好的拟合效果。本发明通过自适应调整拟合窗口的尺寸大小,进而平衡曲线在拟合时对离群点的敏感程度,使得在突出特殊用电波动点波动情况的同时,平滑了异常噪声点的波动情况,从而得到较为准确的趋势曲线。
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)
1.一种基于数字孪生的电力数据高效处理方法,其特征在于,所述方法包括:
实时获取电力数据的时序序列;对所述时序序列进行分解,获得季节性序列并剔除,得到待拟合趋势性序列;
获取所述待拟合趋势性序列的拟合窗口;在所述拟合窗口内,获取每个数据点的离群程度;根据所述离群程度在数据点中筛选出离群点;在所述待拟合趋势性序列中,根据数据点的幅值变化,获取所述离群点在前后相邻时序节点间的局部跳跃性及在预设邻域范围内的邻域跳跃性,根据所述局部跳跃性和所述邻域跳跃性获取对应离群点的跳跃度;
根据所述跳跃度,获取所述离群点的异常敏感程度;在所述拟合窗口内,根据所述异常敏感程度筛选特殊敏感点,并根据所述特殊敏感点的所述异常敏感程度和位置对所述拟合窗口的尺寸进行调整;以调整后的窗口末端后一点为起点,将所述拟合窗口沿所述待拟合趋势性序列的时序方向滑动,对每次滑动过程中的所述拟合窗口的尺寸进行动态调整并进行曲线拟合,获取趋势性曲线;
根据所述趋势性曲线,获取修正季节性曲线及修正残差曲线;利用训练好的数字孪生模型对所述趋势性曲线、所述修正季节性曲线及所述修正残差曲线进行分析监测。
2.根据权利要求1所述的一种基于数字孪生的电力数据高效处理方法,其特征在于,所述获取每个数据点的离群程度包括:
在所述拟合窗口内,计算每个数据点幅值与平均幅值的幅值差异并进行归一化,得到对应数据点的幅值波动度,获取数据点相对所有数据点的分散度;
将所述幅值波动度和所述分散度根据对应预设权重进行加权后求和,获取对应数据点的所述离群程度。
3.根据权利要求2所述的一种基于数字孪生的电力数据高效处理方法,其特征在于,所述获取数据点相对所有数据点的分散度包括:
在所述拟合窗口内,计算数据点到所有数据点的欧式距离的均值,将所述均值作为第一数值;改变数据点,计算每个数据点对应的所述第一数值并求平均得到第二数值;计算所述第一数值与所述第二数值的差值,将所述差值进行归一化,得到所述分散度。
4.根据权利要求1所述的一种基于数字孪生的电力数据高效处理方法,其特征在于,所述获取所述离群点在前后相邻时序节点间的局部跳跃性包括:
计算所述离群点与前一相邻数据点的前一幅值差异,计算所述离群点与后一相邻数据点的后一幅值差异,获取所述前一幅值差异与所述后一幅值差异间的最小值;
计算所述前一相邻数据点与所述后一相邻数据点的前后幅值差异;将所述最小值除以所述前后幅值差异,并进行归一化获取局部跳跃性。
5.根据权利要求1所述的一种基于数字孪生的电力数据高效处理方法,其特征在于,所述获取所述离群点在预设邻域范围内的邻域跳跃性包括:
在所述离群点的预设邻域范围内,计算所有数据点的幅值均值与所述离群点的幅值的差异;将所述差异进行归一化,获取所述邻域跳跃性。
6.根据权利要求1所述的一种基于数字孪生的电力数据高效处理方法,其特征在于,所述根据所述局部跳跃性和所述邻域跳跃性获取对应离群点的跳跃度包括:
将所述局部跳跃强度及所述邻域跳跃强度根据对应预设权重进行加权后求和获得所述跳跃度。
7.根据权利要求1所述的一种基于数字孪生的电力数据高效处理方法,其特征在于,所述获取所述离群点的异常敏感程度包括:
对所述跳跃度进行负相关映射并归一化处理,获得所述异常敏感程度。
8.根据权利要求1所述的一种基于数字孪生的电力数据高效处理方法,其特征在于,所述在所述拟合窗口内,根据所述异常敏感程度筛选特殊敏感点,并根据所述特殊敏感点的位置及所述异常敏感程度对所述拟合窗口的尺寸进行调整包括:
将所述拟合窗口内的所述异常敏感程度最大的数据点作为特殊敏感点;
根据所述特殊敏感点的位置获取所述拟合窗口的调整方式;
结合所述调整方式,当所述特殊敏感点的所述异常敏感程度大于预设阈值时,减小所述拟合窗口的尺寸;当所述特殊敏感点的所述异常敏感程度小于等于预设阈值时,增大所述拟合窗口的尺寸。
9.根据权利要求8所述的一种基于数字孪生的电力数据高效处理方法,其特征在于,所述根据所述特殊敏感点的位置获取所述拟合窗口的调整方式包括:
所述特殊敏感点的位置包括所述拟合窗口的端点处和中间位置;
当所述特殊敏感点的位置为端点处时,则以所述特殊敏感点为调整后窗口的端点,在端点反方向按预设条件进行调整;
当所述特殊敏感点的位置为中间位置时,则以所述特殊敏感点为调整后窗口的端点,在端点两边按预设条件进行调整。
10.一种基于数字孪生的电力数据高效处理系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述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1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315675.0A CN117057517B (zh) | 2023-10-12 | 2023-10-12 | 基于数字孪生的电力数据高效处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315675.0A CN117057517B (zh) | 2023-10-12 | 2023-10-12 | 基于数字孪生的电力数据高效处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057517A true CN117057517A (zh) | 2023-11-14 |
CN117057517B CN117057517B (zh) | 2024-01-12 |
Family
ID=88664862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311315675.0A Active CN117057517B (zh) | 2023-10-12 | 2023-10-12 | 基于数字孪生的电力数据高效处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057517B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312617A (zh) * | 2023-11-29 | 2023-12-29 | 山东优控智能技术有限公司 | 基于污水数据监测的实时污水处理方法及系统 |
CN117349778A (zh) * | 2023-12-04 | 2024-01-05 | 湖南蓝绿光电科技有限公司 | 一种基于物联网的用电设备在线实时监测系统 |
CN117391481A (zh) * | 2023-12-11 | 2024-01-12 | 阿尔卑斯系统集成(大连)有限公司 | 一种基于大数据的电力数据监视方法及系统 |
CN117407728A (zh) * | 2023-12-15 | 2024-01-16 | 湖南南华生物技术有限公司 | 一种用于干细胞的存储环境实时监测方法及系统 |
CN117411189A (zh) * | 2023-12-14 | 2024-01-16 | 山东德源电力科技股份有限公司 | 一种微电网协调控制器的监测数据增强方法 |
CN117648590A (zh) * | 2024-01-30 | 2024-03-05 | 山东万洋石油科技有限公司 | 一种全方位伽马测井数据优化处理方法 |
CN117792615A (zh) * | 2024-02-28 | 2024-03-29 | 青岛克莱玛物联技术有限公司 | 基于密集型通信模组的数据智能处理方法 |
CN117871466A (zh) * | 2024-03-12 | 2024-04-12 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
CN117931094A (zh) * | 2024-03-21 | 2024-04-26 | 山东奥斯瑞特检验检测有限公司 | 基于区块链的环境空气监测数据可靠存储方法 |
CN117951456A (zh) * | 2024-03-26 | 2024-04-30 | 佛山市星际云数字科技有限公司 | 一种基于数字孪生的设备状态智能监控系统 |
CN117992738A (zh) * | 2024-04-03 | 2024-05-07 | 山东兰蝶节能环保科技有限公司 | 一种节电柜电能自动化节电监测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210168019A1 (en) * | 2019-12-02 | 2021-06-03 | Alibaba Group Holding Limited | Time Series Decomposition |
EP3885786A1 (en) * | 2020-03-27 | 2021-09-29 | Origin Wireless, Inc. | Method, apparatus, and system for wireless vital monitoring using high frequency signals |
CN113673884A (zh) * | 2021-08-25 | 2021-11-19 | 国网吉林省电力有限公司长春供电公司 | 基于数字孪生映射模型进行台区数据监测的方法 |
CN114385717A (zh) * | 2022-01-21 | 2022-04-22 | 江苏前景瑞信科技发展有限公司 | 一种基于趋势分析的变压器异常预警分析方法及系统 |
CN116231603A (zh) * | 2023-05-08 | 2023-06-06 | 成都交大运达电气有限公司 | 一种牵引供电广域保护测控系统馈线自适应控制方法 |
CN116611031A (zh) * | 2023-05-23 | 2023-08-18 | 内蒙古大学 | 面向多元锂离子电池数据的全生命周期演化趋势预测方法 |
CN116611244A (zh) * | 2023-05-19 | 2023-08-18 | 华能陈巴尔虎旗风力发电有限公司 | 基于自适应滑动窗口划分的风速仪故障预警方法及设备 |
CN116662847A (zh) * | 2023-03-21 | 2023-08-29 | 北京交通大学 | 一种基于关联密度聚类的数据失真识别方法及其应用 |
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN116756529A (zh) * | 2023-08-21 | 2023-09-15 | 莒南凯佳化工有限公司 | 一种吊白块生产设备运行状态检测系统 |
-
2023
- 2023-10-12 CN CN202311315675.0A patent/CN117057517B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210168019A1 (en) * | 2019-12-02 | 2021-06-03 | Alibaba Group Holding Limited | Time Series Decomposition |
EP3885786A1 (en) * | 2020-03-27 | 2021-09-29 | Origin Wireless, Inc. | Method, apparatus, and system for wireless vital monitoring using high frequency signals |
CN113673884A (zh) * | 2021-08-25 | 2021-11-19 | 国网吉林省电力有限公司长春供电公司 | 基于数字孪生映射模型进行台区数据监测的方法 |
CN114385717A (zh) * | 2022-01-21 | 2022-04-22 | 江苏前景瑞信科技发展有限公司 | 一种基于趋势分析的变压器异常预警分析方法及系统 |
CN116662847A (zh) * | 2023-03-21 | 2023-08-29 | 北京交通大学 | 一种基于关联密度聚类的数据失真识别方法及其应用 |
CN116231603A (zh) * | 2023-05-08 | 2023-06-06 | 成都交大运达电气有限公司 | 一种牵引供电广域保护测控系统馈线自适应控制方法 |
CN116611244A (zh) * | 2023-05-19 | 2023-08-18 | 华能陈巴尔虎旗风力发电有限公司 | 基于自适应滑动窗口划分的风速仪故障预警方法及设备 |
CN116611031A (zh) * | 2023-05-23 | 2023-08-18 | 内蒙古大学 | 面向多元锂离子电池数据的全生命周期演化趋势预测方法 |
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN116756529A (zh) * | 2023-08-21 | 2023-09-15 | 莒南凯佳化工有限公司 | 一种吊白块生产设备运行状态检测系统 |
Non-Patent Citations (3)
Title |
---|
江新乐: ""结合局部加权回归的时序异常检测方法研究"", 《软件工程》, pages 27 - 30 * |
王珏昕: ""非结构化数据压缩算法在数字孪生系统中的应用"", 《单片机与嵌入式系统应用》, pages 36 - 40 * |
薛金龙: ""浅谈低压电力用户用电信息采集系统的设计"", 《中华民居》, pages 208 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312617B (zh) * | 2023-11-29 | 2024-04-12 | 山东优控智能技术有限公司 | 基于污水数据监测的实时污水处理方法及系统 |
CN117312617A (zh) * | 2023-11-29 | 2023-12-29 | 山东优控智能技术有限公司 | 基于污水数据监测的实时污水处理方法及系统 |
CN117349778A (zh) * | 2023-12-04 | 2024-01-05 | 湖南蓝绿光电科技有限公司 | 一种基于物联网的用电设备在线实时监测系统 |
CN117349778B (zh) * | 2023-12-04 | 2024-02-20 | 湖南蓝绿光电科技有限公司 | 一种基于物联网的用电设备在线实时监测系统 |
CN117391481A (zh) * | 2023-12-11 | 2024-01-12 | 阿尔卑斯系统集成(大连)有限公司 | 一种基于大数据的电力数据监视方法及系统 |
CN117391481B (zh) * | 2023-12-11 | 2024-03-01 | 阿尔卑斯系统集成(大连)有限公司 | 一种基于大数据的电力数据监视方法及系统 |
CN117411189A (zh) * | 2023-12-14 | 2024-01-16 | 山东德源电力科技股份有限公司 | 一种微电网协调控制器的监测数据增强方法 |
CN117411189B (zh) * | 2023-12-14 | 2024-03-15 | 山东德源电力科技股份有限公司 | 一种微电网协调控制器的监测数据增强方法 |
CN117407728A (zh) * | 2023-12-15 | 2024-01-16 | 湖南南华生物技术有限公司 | 一种用于干细胞的存储环境实时监测方法及系统 |
CN117407728B (zh) * | 2023-12-15 | 2024-03-15 | 湖南南华生物技术有限公司 | 一种用于干细胞的存储环境实时监测方法及系统 |
CN117648590A (zh) * | 2024-01-30 | 2024-03-05 | 山东万洋石油科技有限公司 | 一种全方位伽马测井数据优化处理方法 |
CN117648590B (zh) * | 2024-01-30 | 2024-04-19 | 山东万洋石油科技有限公司 | 一种全方位伽马测井数据优化处理方法 |
CN117792615A (zh) * | 2024-02-28 | 2024-03-29 | 青岛克莱玛物联技术有限公司 | 基于密集型通信模组的数据智能处理方法 |
CN117792615B (zh) * | 2024-02-28 | 2024-05-14 | 青岛克莱玛物联技术有限公司 | 基于密集型通信模组的数据智能处理方法 |
CN117871466A (zh) * | 2024-03-12 | 2024-04-12 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
CN117871466B (zh) * | 2024-03-12 | 2024-05-24 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
CN117931094A (zh) * | 2024-03-21 | 2024-04-26 | 山东奥斯瑞特检验检测有限公司 | 基于区块链的环境空气监测数据可靠存储方法 |
CN117951456A (zh) * | 2024-03-26 | 2024-04-30 | 佛山市星际云数字科技有限公司 | 一种基于数字孪生的设备状态智能监控系统 |
CN117951456B (zh) * | 2024-03-26 | 2024-05-28 | 佛山市星际云数字科技有限公司 | 一种基于数字孪生的设备状态智能监控系统 |
CN117992738A (zh) * | 2024-04-03 | 2024-05-07 | 山东兰蝶节能环保科技有限公司 | 一种节电柜电能自动化节电监测方法及系统 |
CN117992738B (zh) * | 2024-04-03 | 2024-06-11 | 山东兰蝶节能环保科技有限公司 | 一种节电柜电能自动化节电监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117057517B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117057517B (zh) | 基于数字孪生的电力数据高效处理方法及系统 | |
CN109387712B (zh) | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 | |
CN112148955B (zh) | 一种物联网时序数据异常检测方法及系统 | |
CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN117349781B (zh) | 一种变压器故障智能诊断方法及系统 | |
CN110416995B (zh) | 一种非侵入式负荷分解方法和装置 | |
CN107220907B (zh) | 一种采用秩和比综合评价的谐波污染用户分级方法 | |
CN112215406A (zh) | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN117493921B (zh) | 基于大数据的人工智能节能管理方法及系统 | |
CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN116307944A (zh) | 基于人工智能与物联网的配电箱远程监测系统 | |
CN104376078A (zh) | 一种基于知识熵的异常数据检测方法 | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
Yao et al. | A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification | |
CN112016800A (zh) | 一种基于有效性指标的特征选择方法与系统 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
CN114358160A (zh) | 一种电力系统中的数据异常检测方法 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN111008584A (zh) | 一种模糊自组织神经网络的电能质量量测缺失修复方法 | |
CN111199014A (zh) | 一种基于时间序列的seq2point的NILM方法及装置 |
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 |