CN117148045A - 配电网运行状态的故障研判管理系统 - Google Patents
配电网运行状态的故障研判管理系统 Download PDFInfo
- Publication number
- CN117148045A CN117148045A CN202311270251.7A CN202311270251A CN117148045A CN 117148045 A CN117148045 A CN 117148045A CN 202311270251 A CN202311270251 A CN 202311270251A CN 117148045 A CN117148045 A CN 117148045A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- power distribution
- fault
- abnormal
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000007726 management method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 18
- 238000003745 diagnosis Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电网管理系统,具体地说,涉及配电网运行状态的故障研判管理系统。其包括数据采集单元,数据采集单元用于从配电网的各个关键节点和设备中收集源数据;数据预处理单元用于对采集到的源数据进行处理和分析;数据存储单元用于将处理后的源数据存储在数据库中;故障研判单元用于对数据库中的实时数据与历史数据进行对比,并检测配电网中的故障和异常情况。通过数据预处理单元和故障研判单元对实时数据进行双重判定和验证,提高了对配电网运行状态的故障判定准确率,实时数据通过数据预处理单元进行预处理后,对异常数据进行单独存储,提升了故障研判单元对实时数据的读取速度,进一步提高了对配电网运行状态故障的研判反应速度。
Description
技术领域
本发明涉及配电网管理系统,具体地说,涉及配电网运行状态的故障研判管理系统。
背景技术
配电网运行状态的故障研判管理系统是用于监测、分析和管理配电网(包括低压、中压、高压配电网)运行状态,其主要目的是及时发现和诊断配电网中的故障、异常情况和问题,以确保电力系统的可靠性和稳定性,可帮助维护电力系统的正常运行,提高电网的可靠性、安全性和效率。
而传统的故障研判管理系统可能需要较长时间来检测和诊断问题,且可能存在误报问题,即错误地将正常操作标记为故障或异常,导致电力系统的停机时间增加,影响生产和服务的连续性,因此,设计一种配电网运行状态的故障研判管理系统,来提升故障研判的效率和精度。
发明内容
本发明的目的在于提供配电网运行状态的故障研判管理系统,以解决上述背景技术中提出的传统故障研判管理系统可能需要较长时间来检测和诊断问题,且可能存在误报问题,即错误地将正常操作标记为故障或异常,导致电力系统的停机时间增加,影响生产和服务的连续性问题。
为实现上述目的,本发明目的在于提供了配电网运行状态的故障研判管理系统,包括:
数据采集单元,所述数据采集单元用于从配电网的各个关键节点和设备中收集源数据;
数据预处理单元,所述数据预处理单元用于对采集到的源数据进行处理和分析,以检测潜在的故障和异常情况;
数据存储单元,所述数据存储单元用于将处理后的源数据存储在数据库中,以供后续分析和查询;
故障研判单元,所述故障研判单元用于对数据库中的实时数据与历史数据进行对比,并检测配电网中的故障和异常情况;
报警模块,所述报警模块用于为配电网提供故障警示。
作为本技术方案的进一步改进,所述数据采集单元包括:
传感器和监测设备,所述传感器和监测设备用于收集配电网的运行数据;
数据采集器,所述数据采集器用于将传感器数据传输至数据预处理单元;
通信模块,所述通信模块用于与传感器和监测设备进行通信,以获取数据和发送指令。
作为本技术方案的进一步改进,所述数据预处理单元包括数据清洗模块和数据分析模块,所述数据清洗模块用于对采集到的源数据进行清洗、校正和处理,以确保源数据的准确性;
其中,所述数据分析模块基于异常检测模型对采集的源数据进行分析,并监测潜在的故障和异常情况,所述异常检测模型基于孤立森林数据分析算法,其具体算法步骤如下:
S1、随机选择特征和阈值:从数据集中随机选择一个特征和该特征的一个随机阈值;
S2、构建孤立树:S2.1、从根节点开始,递归地根据所选择的特征和阈值将数据集分成两个子集,一个包含大于阈值的数据点,另一个包含小于阈值的数据点;
S2.2、重复此过程,直到满足以下条件之一:
①树达到了最大深度;
②所有数据点都已被完全隔离;
S2.3、构建的树被添加到孤立森林中;
S3、重复S1和S2,构建多颗孤立树;
S4、计算异常分数;
S5、异常值检测。
作为本技术方案的进一步改进,所述孤立森林数据分析算法具体如下:
其中,h(x)表示路径长度,路径长度是指从树的根节点到达某个数据点所需要的分割次数,路径长度越短,表示数据点越容易被孤立,即更可能是异常值;
x表示是要检测的数据点;
T表示树的总节点数;
s(x,i)表示数据点x在第i棵树中的节点深度,也就是从树的根节点到达x的路径长度;
c(n)表示平均路径长度的常数,可以用来标准化路径长度,通常,c(n)是一个与数据点数n相关的函数;
再进一步的,S4中异常分数的计算公式如下:
其中,s(x)表示异常分数,且异常分数表示数据点的异常程度,它通常是路径长度的平均值的负对数。分数越低,表示数据点越可能是异常值;
E(h(x))表示路径长度h(x)的平均值,表示数据点x在多棵树中的平均路径长度;
c(n)表示用于标准化的常数。
作为本技术方案的进一步改进,所述数据存储单元包括历史数据库和实时数据库,所述历史数据库用于存储正常的历史数据;
其中,所述实时数据库还包括异常数据库和正常数据库,所述异常数据库用于对S5中标记的异常值进行存储;所述正常数据库用于储存正常数据并转存至历史数据中。
作为本技术方案的进一步改进,所述故障研判单元包括故障检测模块和故障分类模块,其中,所述故障检测模块基于数据对比算法,利用历史数据与异常数据库中的异常值进行对比,检测异常数据并判断异常情况。
作为本技术方案的进一步改进,所述数据对比算法包括如下步骤:
S7.1、设定异常阈值y;
S7.2、将实时数据值与历史数据值进行比较,计算残差ei;
S7.3、进行故障判定。
作为本技术方案的进一步改进,所述数据对比算法公式具体如下:
ei=实时数据值i-历史数据值i;
其中,所述ei表示残差,残差ei用于衡量实时数据值与历史数据值之间的差异;如果残差的绝对值大于异常阈值y,则可以将实时数据值标记为异常。
作为本技术方案的进一步改进,所述故障分类模块用于对标记为异常数据的实时数据值进行分类,并将异常信号送入报警模块,所述报警模块用于对配电网中的异常情况做出报警反馈。
与现有技术相比,本发明的有益效果:
该配电网运行状态的故障研判管理系统中,通过数据预处理单元和故障研判单元对实时数据进行双重判定和验证,提高了对配电网运行状态的故障判定准确率;
由异常检测模型对实时数据进筛选,并将筛选后的异常数据暂存至异常数据库内,最终通过数据对比算法,最终由配电网运行状态的故障进行判定,实时数据通过数据预处理单元进行预处理后,对异常数据进行单独存储,提升了故障研判单元对实时数据的读取速度,进一步提高了对配电网运行状态故障的研判反应速度。
附图说明
图1为本发明的整体流程框图。
图中各个标号意义为:
1、数据采集单元;2、数据预处理单元;3、数据存储单元;4、故障研判单元;5、报警模块。
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。
实施例
请参阅图1所示,提供了配电网运行状态的故障研判管理系统,包括数据采集单元1,数据采集单元1用于从配电网的各个关键节点和设备中收集源数据;其中,数据采集单元1包括传感器和监测设备,传感器和监测设备用于收集配电网的运行数据,运行数据至少包括电流、电压、频率、功率因数等;数据采集单元1还包括数据采集器,数据采集器用于将传感器数据传输至数据预处理单元2;数据采集单元1还包括通信模块,通信模块用于与传感器和监测设备进行通信,以获取数据和发送指令。
配电网运行状态的故障研判管理系统还包括数据预处理单元2,数据预处理单元2用于对采集到的源数据进行处理和分析,以检测潜在的故障和异常情况;数据预处理单元2包括数据清洗模块和数据分析模块,数据清洗模块用于对采集到的源数据进行清洗、校正和处理,以确保源数据的准确性;
其中,数据分析模块基于异常检测模型对采集的源数据进行分析,并监测潜在的故障和异常情况,所述异常检测模型基于孤立森林数据分析算法,其具体算法步骤如下:
S1、随机选择特征和阈值:从数据集中随机选择一个特征和该特征的一个随机阈值;
S2、构建孤立树:
S2.1、从根节点开始,递归地根据所选择的特征和阈值将数据集分成两个子集,一个包含大于阈值的数据点,另一个包含小于阈值的数据点;
S2.2、重复此过程,直到满足以下条件之一:
①树达到了最大深度,其中,需事先指定树的深度;
②所有数据点都已被完全隔离;
S2.3、构建的树被添加到孤立森林中;
S3、重复S1和S2,构建多颗孤立树;
S4、计算异常分数;
其中,对于每个数据点,计算其在每棵树上的路径长度(即从根节点到达该数据点所需的分割次数)的平均值;
同时,对于每个数据点,计算其在每棵树上的路径长度(即从根节点到达该数据点所需的分割次数)的平均值;
S5、异常值检测:根据计算的异常分数,可以设置一个阈值来判断哪些数据点被视为异常值;数据点的异常分数低于阈值的被标记为异常值,而高于阈值的被视为正常值,其中,异常值数据被送入故障研判单元4进行计算,而正常值存入历史数据库中,来丰富历史数据库的数据量,可提高决策质量,在使用历史数据库与实时数据进行对比时,数据精度更高,有助于减轻过拟合问题,提高模型的泛化能力。
孤立森林数据分析算法具体如下:
其中,h(x)表示路径长度,路径长度是指从树的根节点到达某个数据点所需要的分割次数,路径长度越短,表示数据点越容易被孤立,即更可能是异常值;
x表示是要检测的数据点;
T表示树的总节点数(即树的大小);
s(x,i)表示数据点x在第i棵树中的节点深度,也就是从树的根节点到达x的路径长度;
c(n)表示平均路径长度的常数,可以用来标准化路径长度,通常,c(n)是一个与数据点数n相关的函数;
再进一步的,S4中异常分数的计算公式如下:
其中,s(x)表示异常分数,且异常分数表示数据点的异常程度,它通常是路径长度的平均值的负对数。分数越低,表示数据点越可能是异常值;
E(h(x))表示路径长度h(x)的平均值,表示数据点x在多棵树中的平均路径长度;
c(n)表示用于标准化的常数;
其中,孤立森林的计算公式中的常数c(n)和E(h(x))根据具体的实现和参数设置而有所不同。其中,正常数据点通常需要更多的分割才能被孤立,所以其路径长度的平均值会较大,异常数据点则相反;异常分数的负对数形式使得分数越低表示异常值的可能性越高,这是孤立森林用于异常检测的核心原理。
由孤立森林筛选出实时数据库中的异常数据,并将异常数据送入故障研判单元4,对异常数据进行判定,确认其异常情况及配电网中的故障来源。
进一步的,配电网运行状态的故障研判管理系统还包括数据存储单元3,数据存储单元3用于将处理后的源数据存储在数据库中,以供后续分析和查询;数据存储单元3包括历史数据库和实时数据库,历史数据库用于存储正常的历史数据;其中,实时数据库还包括异常数据库和正常数据库,异常数据库用于对S5中标记的异常值进行存储;正常数据库用于储存正常数据并转存至历史数据中。
其中,配电网运行状态的故障研判管理系统还包括故障研判单元4,故障研判单元4用于对数据库中的实时数据与历史数据进行对比,并检测配电网中的故障和异常情况;故障研判单元4包括故障检测模块和故障分类模块,其中,所述故障检测模块基于数据对比算法,利用历史数据与异常数据库中的异常值进行对比,检测异常数据并判断异常情况;
数据对比算法包括如下步骤:
S7.1、设定异常阈值y;
S7.2、将实时数据值与历史数据值进行比较,计算残差ei;
S7.3、进行故障判定;如果误差超出预定的异常阈值y,则认为可能存在故障或异常情况。
数据对比算法公式具体如下:
ei=实时数据值i-历史数据值i;
其中,所述ei表示残差,残差ei用于衡量实时数据值与历史数据值之间的差异;如果残差的绝对值大于异常阈值y,则可以将实时数据值标记为异常。
首先,通过建立异常检测模型对实时数据进筛选,并将筛选后的异常数据暂存至异常数据库内,最终通过数据对比算法,对配电网运行状态的故障进行判定,通过对实时数据进行双重判定和验证,提高了对配电网运行状态的故障判定准确率。
再进一步的,配电网运行状态的故障研判管理系统还包括报警模块5,报警模块5用于为配电网提供故障警示;故障分类模块用于对标记为异常数据的实时数据值进行分类,并将异常信号送入报警模块5,报警模块5用于对配电网中的异常情况做出报警反馈。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.配电网运行状态的故障研判管理系统,其特征在于:包括:
数据采集单元(1),所述数据采集单元(1)用于从配电网的各个关键节点和设备中收集源数据;
数据预处理单元(2),所述数据预处理单元(2)用于对采集到的源数据进行处理和分析,以检测潜在的故障和异常情况;
数据存储单元(3),所述数据存储单元(3)用于将处理后的源数据存储在数据库中,以供后续分析和查询;
故障研判单元(4),所述故障研判单元(4)用于对数据库中的实时数据与历史数据进行对比,并检测配电网中的故障和异常情况;
报警模块(5),所述报警模块(5)用于为配电网提供故障警示。
2.根据权利要求1所述的配电网运行状态的故障研判管理系统,其特征在于:所述数据采集单元(1)包括:
传感器和监测设备,所述传感器和监测设备用于收集配电网的运行数据;
数据采集器,所述数据采集器用于将传感器数据传输至数据预处理单元(2);
通信模块,所述通信模块用于与传感器和监测设备进行通信,以获取数据和发送指令。
3.根据权利要求1所述的配电网运行状态的故障研判管理系统,其特征在于:所述数据预处理单元(2)包括数据清洗模块和数据分析模块,所述数据清洗模块用于对采集到的源数据进行清洗、校正和处理,以确保源数据的准确性;
其中,所述数据分析模块基于异常检测模型对采集的源数据进行分析,并监测潜在的故障和异常情况,所述异常检测模型基于孤立森林数据分析算法,其具体算法步骤如下:
S1、随机选择特征和阈值:从数据集中随机选择一个特征和该特征的一个随机阈值;
S2、构建孤立树:S2.1、从根节点开始,递归地根据所选择的特征和阈值将数据集分成两个子集,一个包含大于阈值的数据点,另一个包含小于阈值的数据点;
S2.2、重复此过程,直到满足以下条件之一:
①树达到了最大深度;
②所有数据点都已被完全隔离;
S2.3、构建的树被添加到孤立森林中;
S3、重复S1和S2,构建多颗孤立树;
S4、计算异常分数;
S5、异常值检测。
4.根据权利要求3所述的配电网运行状态的故障研判管理系统,其特征在于:所述孤立森林数据分析算法具体如下:
其中,h(x)表示路径长度,路径长度是指从树的根节点到达某个数据点所需要的分割次数,路径长度越短,表示数据点越容易被孤立,即更可能是异常值;
x表示是要检测的数据点;
T表示树的总节点数;
s(x,i)表示数据点x在第i棵树中的节点深度,也就是从树的根节点到达x的路径长度;
c(n)表示平均路径长度的常数,可以用来标准化路径长度,通常,c(n)是一个与数据点数n相关的函数;
再进一步的,S4中异常分数的计算公式如下:
其中,s(x)表示异常分数,且异常分数表示数据点的异常程度,它通常是路径长度的平均值的负对数。分数越低,表示数据点越可能是异常值;
E(h(x))表示路径长度h(x)的平均值,表示数据点x在多棵树中的平均路径长度;
c(n)表示用于标准化的常数。
5.根据权利要求1所述的配电网运行状态的故障研判管理系统,其特征在于:所述数据存储单元(3)包括历史数据库和实时数据库,所述历史数据库用于存储正常的历史数据;
其中,所述实时数据库还包括异常数据库和正常数据库,所述异常数据库用于对S5中标记的异常值进行存储;所述正常数据库用于储存正常数据并转存至历史数据中。
6.根据权利要求1所述的配电网运行状态的故障研判管理系统,其特征在于:所述故障研判单元(4)包括故障检测模块和故障分类模块,其中,所述故障检测模块基于数据对比算法,利用历史数据与异常数据库中的异常值进行对比,检测异常数据并判断异常情况。
7.根据权利要求6所述的配电网运行状态的故障研判管理系统,其特征在于:所述数据对比算法包括如下步骤:
S7.1、设定异常阈值y;
S7.2、将实时数据值与历史数据值进行比较,计算残差ei;
S7.3、进行故障判定。
8.根据权利要求7所述的配电网运行状态的故障研判管理系统,其特征在于:所述数据对比算法公式具体如下:
ei=实际数据值i-历史数据值i;
其中,所述ei表示残差,残差ei用于衡量实时数据值与历史数据值之间的差异;如果残差的绝对值大于异常阈值y,则可以将实时数据值标记为异常。
9.根据权利要求6所述的配电网运行状态的故障研判管理系统,其特征在于:所述故障分类模块用于对标记为异常数据的实时数据值进行分类,并将异常信号送入报警模块(5),所述报警模块(5)用于对配电网中的异常情况做出报警反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311270251.7A CN117148045A (zh) | 2023-09-28 | 2023-09-28 | 配电网运行状态的故障研判管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311270251.7A CN117148045A (zh) | 2023-09-28 | 2023-09-28 | 配电网运行状态的故障研判管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117148045A true CN117148045A (zh) | 2023-12-01 |
Family
ID=88906165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311270251.7A Pending CN117148045A (zh) | 2023-09-28 | 2023-09-28 | 配电网运行状态的故障研判管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148045A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411811A (zh) * | 2023-12-15 | 2024-01-16 | 山西思极科技有限公司 | 一种电力通信设备的故障智能监测方法 |
CN117493498A (zh) * | 2024-01-02 | 2024-02-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
-
2023
- 2023-09-28 CN CN202311270251.7A patent/CN117148045A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411811A (zh) * | 2023-12-15 | 2024-01-16 | 山西思极科技有限公司 | 一种电力通信设备的故障智能监测方法 |
CN117411811B (zh) * | 2023-12-15 | 2024-02-23 | 山西思极科技有限公司 | 一种电力通信设备的故障智能监测方法 |
CN117493498A (zh) * | 2024-01-02 | 2024-02-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
CN117493498B (zh) * | 2024-01-02 | 2024-04-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117148045A (zh) | 配电网运行状态的故障研判管理系统 | |
CN108123849B (zh) | 检测网络流量的阈值的确定方法、装置、设备及存储介质 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN111047082A (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN110703214B (zh) | 一种气象雷达状态评估和故障监测方法 | |
CN112015153B (zh) | 一种无菌灌装生产线异常检测系统和方法 | |
KR102444442B1 (ko) | 설비 고장 진단 장치 및 방법 | |
CN104660464B (zh) | 一种基于非广延熵的网络异常检测方法 | |
CN115858630A (zh) | 一种储能电站储能数据的异常检测方法 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN109753499A (zh) | 一种运维监控数据治理方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN111157850A (zh) | 一种基于均值聚类的电网线路故障识别方法 | |
CN116866012A (zh) | 电力设施管理平台的网络风险监测方法及系统 | |
CN116108402A (zh) | 基于电力多源异构数据融合分析的方法、设备及存储介质 | |
CN111416790A (zh) | 基于用户行为的网络异常访问智能识别方法、装置、存储介质及计算机设备 | |
CN108446202B (zh) | 一种机房设备的安全状况的判断方法 | |
CN110650124A (zh) | 一种基于多层回声状态网络的网络流量异常检测方法 | |
CN113780432A (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
CN117171157A (zh) | 基于数据分析的清算数据采集清洗方法 | |
CN116910128A (zh) | 风电机组硬软故障数据分析系统及其分析方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
Pan et al. | Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks |
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 |