CN117150244B - 基于电参数分析的智能配电柜状态监测方法及系统 - Google Patents
基于电参数分析的智能配电柜状态监测方法及系统 Download PDFInfo
- Publication number
- CN117150244B CN117150244B CN202311412237.6A CN202311412237A CN117150244B CN 117150244 B CN117150244 B CN 117150244B CN 202311412237 A CN202311412237 A CN 202311412237A CN 117150244 B CN117150244 B CN 117150244B
- Authority
- CN
- China
- Prior art keywords
- electrical
- type
- sample
- parameter
- electrical parameter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims description 75
- 230000002159 abnormal effect Effects 0.000 claims description 73
- 230000008859 change Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 144
- 230000005856 abnormality Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及神经网络技术领域，具体涉及一种基于电参数分析的智能配电柜状态监测方法及系统，通过获取配电柜中线路的训练样本集中每个训练样本的电气数据中每种类型的电参数，确定每个训练样本的每种类型的每个电参数的插值必要性，从而确定每个训练样本对应的每种类型的异常电参数和正常电参数，从而得到训练好的电气数据预测模型。将配电柜中线路的各个过去设定时刻的电气数据输入到训练好的电气数据预测模型中，由电气数据预测模型预测得到当前设定时刻的电气数据，并将当前设定时刻的电气数据与预测得到的电气数据进行比较，确定配电柜的工作状态。本发明通过获取准确的电气数据预测模型，有效提高了配电柜的工作状态监测准确性。
Description
技术领域
本发明涉及神经网络技术领域，具体涉及一种基于电参数分析的智能配电柜状态监测方法及系统。
背景技术
在智能配电柜状态监测场景中，通过在配电柜处设置电气传感器，进行电力系统及用户用能的电参数测量，将测量到的电参数与预测到的电参数进行比较，从而可以实现智能配电柜的状态监测。现有在对电参数进行预测时，通常是利用神经网络构建对应的预测网络，并利用历史电参数数据对该预测网络进行训练。但是考虑到历史电参数数据中不仅包括正常数据，同时还包括异常数据，这些异常数据可能是由于受到噪声影响而产生的异常数据，也可能是真实的异常电参数，需要对历史电参数数据中的异常数据进行检测，以获取到准确的预测网络，从而可以最终实现智能配电柜状态的准确监测。
利用孤立森林异常检测算法可以实现历史电参数数据中的异常数据的检测，但是由于电参数通常为时序数据，其存在局部区间内的局部异常状况，但在全局上却容易被忽略，导致孤立树构建过程中，当选取的样本规模下的异常数据占比过多时，不利于对异常数据进行有效的检测与识别处理，从而影响到智能配电柜状态监测的准确性。
发明内容
本发明的目的在于提供一种基于电参数分析的智能配电柜状态监测方法及系统，用于解决现有智能配电柜状态监测的准确性较低的问题。
为解决上述技术问题，本发明提供了一种基于电参数分析的智能配电柜状态监测方法，包括以下步骤：
获取配电柜中线路的当前设定时刻以及各个过去设定时刻的电气数据，所述电气数据包括至少两种不同类型的电参数；
将各个过去设定时刻的电气数据输入到训练好的电气数据预测模型中，由电气数据预测模型预测得到当前设定时刻的电气数据，并将当前设定时刻的电气数据与预测得到的电气数据进行比较，确定配电柜的工作状态；
所述训练好的电气数据预测模型的获取步骤包括：
获取配电柜中线路的训练样本集，所述训练样本集中的每个训练样本包括各个历史设定时刻的电气数据；
将每个训练样本的电气数据中每种类型的电参数作为目标类型的电参数，确定目标类型的每个电参数在每种样本规模下的异常分数，并根据每个电参数在不同样本规模下对应的异常分数的分布差异，确定目标类型的每个电参数在每种样本规模下的异常分数差异值；
根据所述在每种样本规模下的异常分数差异值，构造目标类型的每个电参数对应的各个样本点，对目标类型对应的所有样本点进行聚类，得到至少两个聚类簇，并根据每个聚类簇中每个样本点对应的异常分数差异值、样本规模和电参数，确定每个聚类簇对应的变化显著程度；
根据每个聚类簇对应的变化显著程度以及每个聚类簇中各个样本点对应的电参数，确定目标类型的电参数的最佳样本规模；
根据每个训练样本的每种类型的电参数对应的每个聚类簇的变化显著程度、每个聚类簇中的每个样本点对应的电参数以及每种类型的每个电参数对应的历史设定时刻，确定每种类型的每个电参数的插值必要性；
对每种类型的电参数在其最佳样本规模下进行异常检测，并在检测过程中根据所述插值必要性对每个电参数进行插值处理，得到每种类型的异常电参数和正常电参数，根据每个训练样本对应的每种类型的异常电参数和正常电参数，对构建的电气数据预测模型进行训练，得到训练好的电气数据预测模型。
进一步的，确定每个聚类簇对应的变化显著程度，对应的计算公式为：
；其中，/>表示每个聚类簇对应的一个变化显著程度；/>表示每个聚类簇中第i个样本点对应的异常分数差异值；/>表示每个聚类簇中第i个样本点对应的样本规模；/>表示每个聚类簇中样本点的总数目；/>表示每个聚类簇中对应其中一个电参数的第j个样本点对应的异常分数差异值；/>表示每个聚类簇中对应其中一个电参数的样本点的总数目。
进一步的，确定目标类型的电参数的最佳样本规模，包括：
确定目标类型的电参数对应的每个聚类簇中各个样本点对应的电参数的总个数，并计算每个聚类簇对应的变化显著程度与对应的电参数的总个数的乘积值，将最大的乘积值所对应的聚类簇确定为目标聚类簇；
根据目标聚类簇中各个样本点对应的样本规模的平均值，确定目标类型的电参数的最佳样本规模。
进一步的，确定每种类型的每个电参数的插值必要性，包括：
根据每种类型的电参数对应的每个聚类簇的变化显著程度和每个聚类簇中每个样本点对应的电参数，确定每种类型的每个电参数所对应的聚类簇的变化显著程度的平均值，从而得到每种类型的每个电参数对应的平均变化显著程度；
将每种类型的每个电参数对应的平均变化显著程度与其他任意一种类型的每个电参数对应的平均变化显著程度进行匹配，获取每种类型的每个电参数对应的平均变化显著程度相对其他任意一种类型的电参数的相匹配的平均变化显著程度；
根据每种类型的每个电参数对应的平均变化显著程度与其相对其他各种类型的电参数的相匹配的平均变化显著程度之间的差异，以及每种类型的每个电参数对应的平均变化显著程度与其相对其他各种类型的电参数的相匹配的平均变化显著程度之间的历史设定时刻的差异，确定每种类型的每个电参数的插值必要性。
进一步的，确定每种类型的每个电参数的插值必要性，对应的计算公式为：
；其中，/>表示每种类型的每个电参数的插值必要性；/>表示每种类型的每个电参数对应的平均变化显著程度分别与其相对其他第k种类型的电参数的各个相匹配的平均变化显著程度之间的差值绝对值的平均值；/>表示每种类型的每个电参数对应的平均变化显著程度分别与其相对其他第k种类型的电参数的各个相匹配的平均变化显著程度之间的历史设定时刻的差值绝对值的平均值；/>表示每种类型的每个电参数对应的平均变化显著程度分别与其相对其他各种类型的电参数的各个相匹配的平均变化显著程度之间的历史设定时刻的差值绝对值的平均值的均值；r表示电参数的种类数；/>表示以自然常数e为底数的指数函数；| |表示取绝对值符号。
进一步的，确定目标类型的每个电参数在每种样本规模下的异常分数差异值，包括：
根据目标类型的每个电参数在不同样本规模下对应的异常分数，将每个电参数的异常分数按照样本规模的大小变化顺序进行排列，从而得到目标类型的每个电参数对应的异常分数序列；
确定异常分数序列中每个异常分数与其相邻异常分数的平均差异值，并将所述平均差异值确定为对应异常分数所对应的样本规模的异常分数差异值，从而得到目标类型的每个电参数在每种样本规模下的异常分数差异值。
进一步的，构造目标类型的每个电参数对应的各个样本点，包括：
将每种样本规模作为的第一坐标轴值，并将目标类型的每个电参数在每种样本规模下的异常分数差异值作为第二坐标轴值，每种样本规模对应的第一坐标轴值和第二坐标轴值所构成的坐标点即为样本点，从而得到目标类型的每个电参数对应的各个样本点。
进一步的，对每种类型的电参数进行插值处理，包括：
根据每种类型的每个电参数的插值必要性，确定每种类型的每个电参数的插值点数目，所述插值点数目与所述插值必要性成正相关关系；
根据每种类型的每个电参数的插值点数目，在检测过程中对每种类型的每个电参数进行插值，插值点的数值为对应的电参数。
进一步的，对构建的电气数据预测模型进行训练时，包括：
根据每个训练样本对应的各种类型的异常电参数和正常电参数，确定每个训练样本对应的每个历史设定时刻的电气数据的训练权重值，当历史设定时刻的电气数据中包含的异常电参数的数目越大，则该历史设定时刻的电气数据的训练权重值就越大；
根据每个训练样本对应的每个历史设定时刻的电气数据的训练权重值，对构建的电气数据预测模型进行训练。
为了解决上述技术问题，本发明还提供了一种基于电参数分析的智能配电柜状态监测系统，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的计算机指令，以实现如上述任一项所述的一种基于电参数分析的智能配电柜状态监测方法的步骤。
本发明具有如下有益效果：对于配电柜中线路的训练样本集中的每个训练样本，对该训练样本进行数据分析，确定该训练样本的每种类型的每个电参数在每种样本规模下的异常分数差异值，进而确定每种类型的电参数的最佳样本规模以及每种类型的每个电参数的插值必要性，基于该最佳样本规模和插值必要性，最终准确确定每个训练样本对应的每种类型的异常电参数和正常电参数，从而实现电气数据预测模型的准确训练，保证了电气数据预测模型的识别能力，进而最终提高了智能配电柜状态监测的准确性。
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为本发明实施例的利用电气数据预测模型对配电柜的工作状态进行实时监测的流程图；
图2为本发明实施例的获取电气数据预测模型的流程图。
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技术方案的具体实施方式、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。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
基于电参数分析的智能配电柜状态监测方法实施例：
为了解决现有智能配电柜状态监测的准确性较低的问题，本实施例提供了一种基于电参数分析的智能配电柜状态监测方法，该方法主要包括两大部分，即：1、利用电气数据预测模型对配电柜的工作状态进行实时监测；2、获取电气数据预测模型。下面结合附图，对这两大部分内容进行详细介绍。
第一部分：利用电气数据预测模型对配电柜的工作状态进行实时监测，对应的流程图如图1所示，包括以下步骤：
步骤S11：获取配电柜中线路的当前设定时刻以及各个过去设定时刻的电气数据，所述电气数据包括至少两种不同类型的电参数。
为了实现智能配电柜状态监测，在智能配电柜中设置电气传感器，以对智能配电柜中容易发生故障的电缆肘头处的电气数据进行测量。这里的电气数据包括不同类型的电参数，如电压值、电流值等相关参数。在对电气数据进行测量时，按照设定采样频率，对不同类型的电参数进行同步采集，将每个采集时刻作为一个设定时刻，并记录对应的设定时刻，从而得到每个设定时刻对应的不同类型的电参数。设定采样频率的具体取值可以根据需要进行合理设置，本实施例设置采样频率为次/15s。将每种类型的电参数按照设定时刻从前到后的顺序进行排列，从而可以得到每种类型的电参数序列。
在对智能配电柜的状态进行监测的过程中，实时获取当前设定时刻的电气数据，同时获取当前设定时刻之前的最近一段时间内的各个过去设定时刻的电气数据。对各个过去设定时刻的电气数据中每种类型的电参数按照过去设定时刻从前到后的顺序进行排列，从而得到每种类型的电参数序列。
步骤S12：将各个过去设定时刻的电气数据输入到训练好的电气数据预测模型中，由电气数据预测模型预测得到当前设定时刻的电气数据，并将当前设定时刻的电气数据与预测得到的电气数据进行比较，确定配电柜的工作状态。
将每种类型的电参数序列分别输入到电气数据预测模型中每种类型的电参数对应的子预测网络中，从而由各个子预测网络预测到当前设定时刻的每种类型的电参数。由于后续会对该电气数据预测模型进行详细介绍，此处对该电气数据预测模型不再进行赘述。
将测量得到的当前时刻的各种类型的电参数即电气数据，与预测得到的当前时刻的各种类型的电参数电气数据进行比较，确定配电柜的工作状态。当测量得到的每种类型的电参数与预测得到的对应类型的电参数之间的差值绝对值均小于设定参数差异阈值时，则说明配电柜中的线路没有发生故障，此时判定配电柜处于正常工作状态；而当测量得到的任意一种类型的电参数与预测得到的对应类型的电参数之间的差值绝对值超过设定参数差异阈值时，则说明配电柜中的线路极有可能发生了故障，此时判定配电柜处于异常工作状态，并进行预警，以提醒技术人员进行检修。
第二部分：获取电气数据预测模型，对应的流程图如图2所示，包括以下步骤：
步骤S21：获取配电柜中线路的训练样本集，所述训练样本集中的每个训练样本包括各个历史设定时刻的电气数据。
为了便于后续获取到准确的电气数据预测模型，获取上述第一部分中相同配电柜中线路的训练样本集，该训练样本集包括大量的训练样本，每个训练样本均包括各个历史设定时刻的电气数据。对于任意一个训练样本，对各个历史设定时刻的电气数据中每种类型的电参数按照历史设定时刻从前到后的顺序进行排列，从而得到每种类型的电参数序列。由于训练样本集中每个训练样本的获取过程与上述第一部分中获取各个过去设定时刻的电气数据的获取过程完全相同，其区别仅仅是获取数据的设定时刻和数据数量不同。
步骤S22：将每个训练样本的电气数据中每种类型的电参数确定为目标类型的电参数，确定目标类型的每个电参数在每种样本规模下的异常分数，并根据每个电参数在不同样本规模下对应的异常分数的分布差异，确定目标类型的每个电参数在每种样本规模下的异常分数差异值。
对于每个训练样本的电气数据中每种类型的电参数序列，在采用孤立森林异常检测算法进行异常数据检测时，电参数序列的局部异常显著性与构建孤立树的样本规模即样本尺度大小相关，在较小样本规模下由于正常数据与异常数据的比例关系变化，导致异常数据数量过多，影响孤立树对于异常数据的区分度，从而难以确保异常数据识别的准确度。因此为了提高异常数据识别的准确度，本方案通过分析单一维度下的同一种类型的电参数序列在不同样本规模下的波动特征，获取每种类型的电参数序列中每个电参数的变化显著程度，进而确定每种类型的电参数序列的最佳样本规模。
为了确定每个训练样本的电气数据中每种类型的电参数序列的最佳样本规模，将每个训练样本的电气数据中每种类型的电参数作为目标类型的电参数，根据目标类型的各个电参数构成的电参数序列，按照样本规模从大到小的顺序，采用孤立森林异常检测算法遍历构建孤立树，从而得到在每种样本规模下目标类型的各个电参数构成的电参数序列中每个电参数即数据点的异常分数。由于在样本规模从大到小的变化过程中，数据点的异常分数会发生变化，其变化幅度与样本规模大小有关，其中正常的数据点的异常分数变化趋于稳定，而异常的数据点的异常分数会在某些样本规模下产生较大的变化。因此对于目标类型的电参数中的每个数据点，将不同样本规模下的异常分数按照样本规模降序排列，从而得到一个异常分数序列。将该异常分数序列中每个异常分数与其相邻的异常分数作差，从而得到每个异常分数对应的异常分数差异值。在确定异常分数差异值时，可以分别计算每个异常分数与其左右相邻的异常分数的差值绝对值，并将两个差值绝对值的平均值作为每个异常分数与其相邻异常分数的平均差异值，并将该平均差异值确定为每个异常分数对应的异常分数差异值。而对于位于异常分数序列两个端点处的异常分数，由于其只存在相邻的一个异常分数，此时直接计算该异常分数与其相邻的一个异常分数的差值绝对值，并将该差值绝对值确定为对应异常分数的异常分数差异值。由于异常分数序列中的每个异常分数均有其对应的样本规模，因此可以得到目标类型的电参数序列中的每个数据点在每种样本规模下的异常分数差异值。异常分数差异值表征了电参数序列中的每个数据点在不同样本规模下的变化敏感程度。
步骤S23：根据所述在每种样本规模下的异常分数差异值，构造目标类型的每个电参数对应的各个样本点，对目标类型对应的所有样本点进行聚类，得到至少两个聚类簇，并根据每个聚类簇中每个样本点对应的异常分数差异值、样本规模和电参数，确定每个聚类簇对应的变化显著程度。
由于每个训练样本的每种类型的电参数序列的数据变化显著程度在不同的异常分析尺度下的表现程度不同，其表现在利用孤立森林异常检测算法对电参数时序数据的处理过程中，是构建孤立树的样本规模不同，从而使得数据点的检测结果不同，具体可以表现为在样本规模从大到小的减少过程中，一定邻域大小内的异常点的异常分数发生较大的变化，即表明在其邻域内的异常点在当前的样本规模中表现得较为显著，而在更大的样本规模下则表现的不明显，由此可根据每个训练样本的每种类型的电参数序列中的数据点在不同尺度的聚类结果下的波动特征，获得各数据点的变化显著程度。
基于上述分析，对于每个训练样本的每种类型的电参数序列，即目标类型的电参数序列，在得到该电参数序列中每个数据点在不同样本规模下的异常分数差异值之后，构造每个数据点对应的各个样本点，每个样本点的第一坐标轴值即x轴坐标值为样本规模，第二坐标轴值即y轴坐标值为对应样本规模下的异常分数差异值。然后利用DBSCAN算法(Density-Based Spatial Clustering of Applications with Noise)对该电参数序列中所有数据点对应的样本点进行密度聚类，获得多个聚类簇，每一个聚类簇中包含多个数据点的多个样本规模下的异常分数差异值。
基于每个聚类簇中每个样本点对应的异常分数差异值和样本规模，确定每个聚类簇对应的各个变化显著程度，对应的计算公式为：
；其中，/>表示每个聚类簇对应的一个变化显著程度；/>表示每个聚类簇中第i个样本点对应的异常分数差异值；/>表示每个聚类簇中第i个样本点对应的样本规模；/>表示每个聚类簇中样本点的总数目；/>表示每个聚类簇中对应其中一个电参数的第j个样本点对应的异常分数差异值；/>表示每个聚类簇中对应其中一个电参数的样本点的总数目。
对于上述的每个聚类簇对应的每个变化显著程度的计算公式，当每个聚类簇中样本点的平均异常分数差异值越大，且样本点的平均样本规模越小，说明聚类簇的整体显著程度越高。当所有样本点对应其中一个电参数的样本点的平均异常分数差异值越大、且所有样本点对应其中一个电参数的样本点的数量越小时，则说明该其中一个电参数本身的样本点在其所处的聚类簇中的显著程度越高。当两种显著程度越高时，则聚类簇对应其中一个电参数的变化显著程度的取值越大。
步骤S24：根据每个聚类簇对应的变化显著程度以及每个聚类簇中各个样本点对应的电参数，确定目标类型的电参数的最佳样本规模。
对于每个训练样本的每种类型的电参数序列，即目标类型的电参数序列，在通过上述步骤确定每个聚类簇对应的各个变化显著程度之后，变化显著程度表征的是在每个聚类簇中对应每个电参数在对应样本规模下的变化显著程度，选择目标类型的电参数序列中所有数据点在对应的聚类簇内的变化显著程度累积和最大的聚类簇对应的平均样本规模作为最佳样本规模，即：确定目标类型的电参数对应的每个聚类簇中各个样本点对应的电参数的总个数，并计算每个聚类簇对应的变化显著程度与对应的电参数的总个数的乘积值，将最大的乘积值所对应的聚类簇确定为目标聚类簇；根据目标聚类簇中各个样本点对应的样本规模的平均值，确定目标类型的电参数的最佳样本规模。由于目标类型的电参数序列对应的每个聚类簇中包括多个样本点，而每个样本点都有其对应的电参数序列中的数据点，因此可以根据每个聚类簇中的各个样本点，确定该聚类簇所对应的数据点的总个数，然后计算该聚类簇的变化显著程度与所对应的数据点的总个数的乘积值，此时每个聚类簇对应得到一个乘积值，将最大的乘积值所对应的聚类簇作为目标聚类。计算该目标聚类簇中各个样本点对应的样本规模的平均值，该平均值代表了该目标聚类簇中各个样本点的平均样本规模，将所有样本规模中与该平均值最接近的样本规模作为目标类型的最佳样本规模。
步骤S25：根据每个训练样本的每种类型的电参数对应的每个聚类簇的变化显著程度、每个聚类簇中的每个样本点对应的电参数以及每种类型的每个电参数对应的历史设定时刻，确定每种类型的每个电参数的插值必要性。
对于每个训练样本的每种类型的电参数序列，通过上述步骤可以确定其对应的最佳样本规模，同时可以确定该电参数序列中的各个数据点对应的每个聚类簇的变化显著程度。在此基础上，结合不同类型的电参数的关联性与滞后性，关联性是指不同类型的电参数的异常状况会在同一时间范围内发生，滞后性是指在不同类型的电参数对于异常状况的应程度不同，导致异常状况出现的时间出现滞后性特征，可以确定每个训练样本的每种类型的电参数序列中每个数据点的插值必要性。
在确定每个训练样本的每种类型的电参数序列中每个数据点的插值必要性时，由于不同类型的电参数存在一定的关联性与滞后性，多维数据点对应的变化显著程度会由于维度的关联性与滞后性产生一定的分布特征，具体表现为数据点对应的变化显著程度分布结构在多个维度上表现出一定的偏移趋势，在各维度上对应数据点对应的变化显著程度的偏移一致性程度表征了其数据点的波动可信度，其波动越可信越大则其数据点对应的插值必要性就越大，由此获得各数据点的插值必要性的具体过程为：
对于每个训练样本对应的每种类型的电参数序列，根据该电参数序列中每个电参数即数据点对应的每个聚类簇的变化显著程度和每个聚类簇中样本点对应的电参数，确定每个电参数所对应的聚类簇的变化显著程度的平均值，从而得到每种类型的每个电参数对应的平均变化显著程度。在得到每种类型的电参数序列中每个电参数对应的平均变化显著程度之后，按照电参数排序顺序对这些平均变化显著程度进行排序，从而得到每种类型的电参数序列对应的平均变化显著程度序列。然后利用DTW（Dynamic Time Warping，动态时间归整）算法对任意两种不同类型的电参数序列对应的平均变化显著程度序列进行动态规整，任意两种不同类型的电参数序列对应的平均变化显著程度序列获取路径，在路径上的两个平均变化显著程度序列存在匹配点对，匹配点对在单一维度上的差异偏离程度表征了其对应数据点即电参数的偏移一致性程度，数据点的偏移一致性程度在多维度上的累积表征了其数据点的波动可信程度，其表征了其数据点对应的插值必要性。
基于上述分析，根据任意两种不同类型的电参数序列对应的平均变化显著程度序列之间的匹配点对，确定每种类型的每个电参数对应的平均变化显著程度相对其他任意一种类型的电参数的相匹配的平均变化显著程度。即对于每种类型的每个电参数对应的平均变化显著程度，相对其他任意一种类型的电参数的平均变化显著程度，其可能对应多个匹配点对，则将该多个匹配点对中属于其他任意一种类型的电参数的平均变化显著程度作为相匹配的平均变化显著程度，从而得到该平均变化显著程度相对其他任意一种类型的电参数的相匹配的平均变化显著程度。
在此基础上，根据每种类型的每个电参数对应的平均变化显著程度与其相对其他各种类型的电参数的相匹配的平均变化显著程度之间的差异，以及每种类型的每个电参数对应的平均变化显著程度与其相对其他各种类型的电参数的相匹配的平均变化显著程度之间的历史设定时刻的差异，确定每种类型的每个电参数的插值必要性，对应的计算公式为：
；其中，/>表示每种类型的每个电参数的插值必要性；/>表示每种类型的每个电参数对应的平均变化显著程度分别与其相对其他第k种类型的电参数的各个相匹配的平均变化显著程度之间的差值绝对值的平均值；/>表示每种类型的每个电参数对应的平均变化显著程度分别与其相对其他第k种类型的电参数的各个相匹配的平均变化显著程度之间的历史设定时刻的差值绝对值的平均值；/>表示每种类型的每个电参数对应的平均变化显著程度分别与其相对其他各种类型的电参数的各个相匹配的平均变化显著程度之间的历史设定时刻的差值绝对值的平均值的均值；r表示电参数的种类数；/>表示以自然常数e为底数的指数函数；| |表示取绝对值符号。
在上述的每种类型的每个电参数的插值必要性的计算公式中，表示单维度上每种类型的每个电参数与其他维度上另外一种类型的电参数之间的/>路径上平均变化显著程度的差异，当平均变化显著程度的差异越大时，表明单维度上每种类型的每个电参数与其他维度上另外一种类型的电参数之间的变化显著情况不一致，两个电参数之间的关联性越小，当前电参数对应于异常数据的可能性越大，则插值必要性越小。/>表示的是单维度上每种类型的每个电参数与其他维度上另外一种类型的电参数之间的路径上的滞后偏移量，即在时间轴上的时间间隔，/>表示的是单维度上每种类型的每个电参数与其他维度上另外一种类型的电参数之间的/>路径上的滞后偏移量的均值。/>表示的是单维度上每种类型的每个电参数与其他维度上另外一种类型的电参数之间的滞后偏移量相对滞后偏移量均值的波动程度量化，其值越大表明当前电参数的波动越显著，当前电参数对应于异常数据的可能性越大，则插值必要性越小。
步骤S26：对每种类型的电参数在其最佳样本规模下进行异常检测，并在检测过程中根据所述插值必要性对每个电参数进行插值处理，得到每种类型的异常电参数和正常电参数，根据每个训练样本对应的每种类型的异常电参数和正常电参数，对构建的电气数据预测模型进行训练，得到训练好的电气数据预测模型。
在通过上述步骤确定每个训练样本对应的每种类型的每个电参数的插值必要性之后，在每种类型的电参数在最佳样本规模下构建孤立树的过程中，根据每次提取到的子样本集合中各个电参数的插值必要性，对该子样本集合中的各个电参数进行插值，以扩充所提取到的子样本集合。该子样本集合中的各个电参数的插值的数量也就是插值点数目与各个电参数的插值必要性正相关，对应的计算公式为：
；其中，/>表示在每种类型的电参数在最佳样本规模下构建孤立树的过程中，提取到的子样本集合中的每个电参数对应的插值点数目，/>表示在每种类型的电参数在最佳样本规模下构建孤立树的过程中，提取到的子样本集合中的每个电参数在该子样本集合中的数量；/>表示提取到的子样本集合中的每个电参数的插值必要性；/>表示经验样本占比，是一个常量，可以根据实际需要提前进行设定；/>表示取整函数，用于对/>进行取整。
根据上述所确定的提取到的子样本集合中各个电参数的插值点数目，对提取到的子样本集合中各个电参数进行插值，即根据每个电参数的插值点数目，对该电参数进行复制，从而使得该电参数经过复制之后其最终数量等于对应的插值点数目。在对提取到的子样本集合中各个电参数进行复制完成后，从而得插值扩充后的子样本集合，并基于该插值扩充后的子样本集合，进行每个训练样本对应的每种类型的各个电参数中的异常检测，最终确定每种类型的异常电参数和正常电参数，从而实现每个训练样本中异常数据的精准提取。
利用神经网络搭建每种类型的电参数对应的子电气数据预测模型，该子电气数据预测模型实质上是一种时序序列预测网络，由于利用神经网络搭建时序序列预测网络的具体过程属于现有技术，此处不再赘述。将各种类型的电参数所对应的子电气数据预测模型所构成的总网络称为电气数据预测模型，从而得到初始的电气数据预测模型。
利用训练样本集对初始的电气数据预测模型进行训练，从而得到最终训练好的电气数据预测模型。在进行训练过程中，根据每个训练样本中各种类型的电参数中的异常电参数和正常电参数，对各种类型的每个电参数设定不同的权重系数，即当同一历史设定时刻对应的各种电参数均为异常电参数时，则对该历史设定时刻对应的各种电参数设定更大的权重系数，与之相反的，当同一历史设定时刻对应的各种电参数中为异常电参数的数量越小时，则对该历史设定时刻对应的各种电参数设定更小的权重系数。根据每个训练样本对应的每个历史设定时刻的电气数据的训练权重值，对构建的电气数据预测模型进行训练，即通过将每个训练样本中每种类型的各个电参数输入到电气数据预测模型中其对应的子电气数据预测模型，并根据各个电参数对应的权重系数，对该子电气数据预测模型的损失函数的改进。在本实施例中，每个子电气数据预测模型的损失函数为交叉熵损失函数，此时改进后的损失函数中每个电参数对应的损失值为其现有技术中的损失值与其对应的权重系数的乘积值。通过在对电气数据预测模型中的每个子电气数据预测模型进行训练的过程中，利用每个训练样本中每种类型的各个电参数的权重系数对该子电气数据预测模型的损失函数的改进，有效提高了经过训练后该子电气数据预测模型的识别精度，最终得到准确的电气数据预测模型，进而保证了智能配电柜状态监测的准确性。
基于电参数分析的智能配电柜状态监测系统实施例：
为了解决现有智能配电柜状态监测的准确性较低的问题，本实施例还提供了一种基于电参数分析的智能配电柜状态监测系统，该系统包括处理器和存储器，所述处理器用于处理存储在所述存储器中的计算机指令，以实现一种基于电参数分析的智能配电柜状态监测方法的步骤。由于该系统实质上是一种软系统，其核心功能在于实现一种基于电参数分析的智能配电柜状态监测方法。由于该方法已经在上述的一种基于电参数分析的智能配电柜状态监测方法实施例中进行了详细介绍，此处对该系统不再进行赘述。
本发明通过对每个训练样本对应的每种类型的异常电参数和正常电参数进行准确识别，保证了电气数据预测模型的识别能力，从而最终提高了智能配电柜状态监测的准确性。
需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (4)
1.一种基于电参数分析的智能配电柜状态监测方法，其特征在于，包括以下步骤：
获取配电柜中线路的当前设定时刻以及各个过去设定时刻的电气数据，所述电气数据包括至少两种不同类型的电参数；
将各个过去设定时刻的电气数据输入到训练好的电气数据预测模型中，由电气数据预测模型预测得到当前设定时刻的电气数据，并将当前设定时刻的电气数据与预测得到的电气数据进行比较，确定配电柜的工作状态；
所述训练好的电气数据预测模型的获取步骤包括：
获取配电柜中线路的训练样本集，所述训练样本集中的每个训练样本包括各个历史设定时刻的电气数据；
将每个训练样本的电气数据中每种类型的电参数作为目标类型的电参数，确定目标类型的每个电参数在每种样本规模下的异常分数，并根据每个电参数在不同样本规模下对应的异常分数的分布差异，确定目标类型的每个电参数在每种样本规模下的异常分数差异值；
根据所述在每种样本规模下的异常分数差异值，构造目标类型的每个电参数对应的各个样本点，对目标类型对应的所有样本点进行聚类，得到至少两个聚类簇，并根据每个聚类簇中每个样本点对应的异常分数差异值、样本规模和电参数，确定每个聚类簇对应的变化显著程度；
根据每个聚类簇对应的变化显著程度以及每个聚类簇中各个样本点对应的电参数，确定目标类型的电参数的最佳样本规模；
根据每个训练样本的每种类型的电参数对应的每个聚类簇的变化显著程度、每个聚类簇中的每个样本点对应的电参数以及每种类型的每个电参数对应的历史设定时刻，确定每种类型的每个电参数的插值必要性；
对每种类型的电参数在其最佳样本规模下进行异常检测，并在检测过程中根据所述插值必要性对每个电参数进行插值处理，得到每种类型的异常电参数和正常电参数，根据每个训练样本对应的每种类型的异常电参数和正常电参数，对构建的电气数据预测模型进行训练，得到训练好的电气数据预测模型；
根据目标类型的各个电参数构成的电参数序列，按照样本规模从大到小的顺序，采用孤立森林异常检测算法遍历构建孤立树，从而得到在每种样本规模下目标类型的各个电参数构成的电参数序列中每个电参数的异常分数；
确定每个聚类簇对应的变化显著程度，对应的计算公式为：
；其中，/>表示每个聚类簇对应的一个变化显著程度；/>表示每个聚类簇中第i个样本点对应的异常分数差异值；/>表示每个聚类簇中第i个样本点对应的样本规模；/>表示每个聚类簇中样本点的总数目；/>表示每个聚类簇中对应其中一个电参数的第j个样本点对应的异常分数差异值；/>表示每个聚类簇中对应其中一个电参数的样本点的总数目；
确定目标类型的电参数的最佳样本规模，包括：
确定目标类型的电参数对应的每个聚类簇中各个样本点对应的电参数的总个数，并计算每个聚类簇对应的变化显著程度与对应的电参数的总个数的乘积值，将最大的乘积值所对应的聚类簇确定为目标聚类簇；
根据目标聚类簇中各个样本点对应的样本规模的平均值，确定目标类型的电参数的最佳样本规模；
确定每种类型的每个电参数的插值必要性，包括：
根据每种类型的电参数对应的每个聚类簇的变化显著程度和每个聚类簇中每个样本点对应的电参数，确定每种类型的每个电参数所对应的聚类簇的变化显著程度的平均值，从而得到每种类型的每个电参数对应的平均变化显著程度；
将每种类型的每个电参数对应的平均变化显著程度与其他任意一种类型的每个电参数对应的平均变化显著程度进行匹配，获取每种类型的每个电参数对应的平均变化显著程度相对其他任意一种类型的电参数的相匹配的平均变化显著程度；
根据每种类型的每个电参数对应的平均变化显著程度与其相对其他各种类型的电参数的相匹配的平均变化显著程度之间的差异，以及每种类型的每个电参数对应的平均变化显著程度与其相对其他各种类型的电参数的相匹配的平均变化显著程度之间的历史设定时刻的差异，确定每种类型的每个电参数的插值必要性；
确定每种类型的每个电参数的插值必要性，对应的计算公式为：
；其中，/>表示每种类型的每个电参数的插值必要性；/>表示每种类型的每个电参数对应的平均变化显著程度分别与其相对其他第k种类型的电参数的各个相匹配的平均变化显著程度之间的差值绝对值的平均值；/>表示每种类型的每个电参数对应的平均变化显著程度分别与其相对其他第k种类型的电参数的各个相匹配的平均变化显著程度之间的历史设定时刻的差值绝对值的平均值；/>表示每种类型的每个电参数对应的平均变化显著程度分别与其相对其他各种类型的电参数的各个相匹配的平均变化显著程度之间的历史设定时刻的差值绝对值的平均值的均值；r表示电参数的种类数；/>表示以自然常数e为底数的指数函数；| |表示取绝对值符号；
确定目标类型的每个电参数在每种样本规模下的异常分数差异值，包括：
根据目标类型的每个电参数在不同样本规模下对应的异常分数，将每个电参数的异常分数按照样本规模的大小变化顺序进行排列，从而得到目标类型的每个电参数对应的异常分数序列；
确定异常分数序列中每个异常分数与其相邻异常分数的平均差异值，并将所述平均差异值确定为对应异常分数所对应的样本规模的异常分数差异值，从而得到目标类型的每个电参数在每种样本规模下的异常分数差异值；
构造目标类型的每个电参数对应的各个样本点，包括：
将每种样本规模作为的第一坐标轴值，并将目标类型的每个电参数在每种样本规模下的异常分数差异值作为第二坐标轴值，每种样本规模对应的第一坐标轴值和第二坐标轴值所构成的坐标点即为样本点，从而得到目标类型的每个电参数对应的各个样本点。
2.根据权利要求1所述的一种基于电参数分析的智能配电柜状态监测方法，其特征在于，对每种类型的电参数进行插值处理，包括：
根据每种类型的每个电参数的插值必要性，确定每种类型的每个电参数的插值点数目，所述插值点数目与所述插值必要性成正相关关系；
根据每种类型的每个电参数的插值点数目，在检测过程中对每种类型的每个电参数进行插值，插值点的数值为对应的电参数。
3.根据权利要求1所述的一种基于电参数分析的智能配电柜状态监测方法，其特征在于，对构建的电气数据预测模型进行训练时，包括：
根据每个训练样本对应的各种类型的异常电参数和正常电参数，确定每个训练样本对应的每个历史设定时刻的电气数据的训练权重值，当历史设定时刻的电气数据中包含的异常电参数的数目越大，则该历史设定时刻的电气数据的训练权重值就越大；
根据每个训练样本对应的每个历史设定时刻的电气数据的训练权重值，对构建的电气数据预测模型进行训练。
4.一种基于电参数分析的智能配电柜状态监测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的计算机指令，以实现如上述权利要求1-3中任一项所述的一种基于电参数分析的智能配电柜状态监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311412237.6A CN117150244B (zh) | 2023-10-30 | 2023-10-30 | 基于电参数分析的智能配电柜状态监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311412237.6A CN117150244B (zh) | 2023-10-30 | 2023-10-30 | 基于电参数分析的智能配电柜状态监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117150244A CN117150244A (zh) | 2023-12-01 |
| CN117150244B true CN117150244B (zh) | 2024-01-26 |
Family
ID=88899069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311412237.6A Active CN117150244B (zh) | 2023-10-30 | 2023-10-30 | 基于电参数分析的智能配电柜状态监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150244B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117907845B (zh) * | 2024-03-20 | 2024-05-17 | 山东泰开电力电子有限公司 | 基于电参数分析的电化学储能系统绝缘检测方法 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451600A (zh) * | 2017-07-03 | 2017-12-08 | 重庆大学 | 一种基于隔离机制的在线光伏热斑故障检测方法 |
| CN110807466A (zh) * | 2018-08-01 | 2020-02-18 | 北京京东金融科技控股有限公司 | 一种处理订单数据的方法和装置 |
| CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
| CN112102891A (zh) * | 2020-08-04 | 2020-12-18 | 广东工业大学 | 基于根因分析层次聚类的马蹄焰玻璃熔窑能耗异常定位方法 |
| US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
| CN112686775A (zh) * | 2021-01-04 | 2021-04-20 | 中国电力科学研究院有限公司 | 基于孤立森林算法的电力网络攻击检测方法及系统 |
| CN112987675A (zh) * | 2021-05-06 | 2021-06-18 | 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 |
| CN113076975A (zh) * | 2021-03-17 | 2021-07-06 | 长江水利委员会长江科学院 | 一种基于无监督学习的大坝安全监测数据异常检测方法 |
| CN114358152A (zh) * | 2021-12-21 | 2022-04-15 | 国网江苏省电力有限公司苏州供电分公司 | 一种智能电力数据异常检测方法及系统 |
| CN114862612A (zh) * | 2022-05-07 | 2022-08-05 | 杭州电子科技大学 | 一种基于Bagging改进的矿井内数据预处理方法 |
| CN115017981A (zh) * | 2022-05-25 | 2022-09-06 | 国网安徽省电力有限公司电力科学研究院 | 一种电力数据预测训练样本优化方法及系统 |
| CN115392405A (zh) * | 2022-10-27 | 2022-11-25 | 北京瑞莱智慧科技有限公司 | 模型训练方法、相关装置及存储介质 |
| WO2023050620A1 (zh) * | 2021-09-29 | 2023-04-06 | 西安交通大学 | 一种分布式区块链系统用户异常行为监测方法及系统 |
| CN116186624A (zh) * | 2023-02-10 | 2023-05-30 | 国能信控互联技术有限公司 | 一种基于人工智能的锅炉评估方法及系统 |
| CN116522263A (zh) * | 2023-04-12 | 2023-08-01 | 章鱼博士智能技术(上海)有限公司 | 一种异常电芯的检测方法和装置 |
| CN116701973A (zh) * | 2023-08-09 | 2023-09-05 | 无锡市明通动力工业有限公司 | 基于大数据的电机异常振动检测预警方法 |
| CN116881749A (zh) * | 2023-09-01 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种污染场地施工监测方法及系统 |
| CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
| CN116936978A (zh) * | 2023-09-19 | 2023-10-24 | 广州杉和信息科技有限公司 | 一种蓄电池鼓包智能化监测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595495B (zh) * | 2018-03-15 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 预测异常样本的方法和装置 |
| CN111539550B (zh) * | 2020-03-13 | 2023-08-01 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
-
2023
- 2023-10-30 CN CN202311412237.6A patent/CN117150244B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451600A (zh) * | 2017-07-03 | 2017-12-08 | 重庆大学 | 一种基于隔离机制的在线光伏热斑故障检测方法 |
| US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
| CN110807466A (zh) * | 2018-08-01 | 2020-02-18 | 北京京东金融科技控股有限公司 | 一种处理订单数据的方法和装置 |
| CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
| CN112102891A (zh) * | 2020-08-04 | 2020-12-18 | 广东工业大学 | 基于根因分析层次聚类的马蹄焰玻璃熔窑能耗异常定位方法 |
| CN112686775A (zh) * | 2021-01-04 | 2021-04-20 | 中国电力科学研究院有限公司 | 基于孤立森林算法的电力网络攻击检测方法及系统 |
| CN113076975A (zh) * | 2021-03-17 | 2021-07-06 | 长江水利委员会长江科学院 | 一种基于无监督学习的大坝安全监测数据异常检测方法 |
| CN112987675A (zh) * | 2021-05-06 | 2021-06-18 | 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 |
| WO2023050620A1 (zh) * | 2021-09-29 | 2023-04-06 | 西安交通大学 | 一种分布式区块链系统用户异常行为监测方法及系统 |
| CN114358152A (zh) * | 2021-12-21 | 2022-04-15 | 国网江苏省电力有限公司苏州供电分公司 | 一种智能电力数据异常检测方法及系统 |
| CN114862612A (zh) * | 2022-05-07 | 2022-08-05 | 杭州电子科技大学 | 一种基于Bagging改进的矿井内数据预处理方法 |
| CN115017981A (zh) * | 2022-05-25 | 2022-09-06 | 国网安徽省电力有限公司电力科学研究院 | 一种电力数据预测训练样本优化方法及系统 |
| CN115392405A (zh) * | 2022-10-27 | 2022-11-25 | 北京瑞莱智慧科技有限公司 | 模型训练方法、相关装置及存储介质 |
| CN116186624A (zh) * | 2023-02-10 | 2023-05-30 | 国能信控互联技术有限公司 | 一种基于人工智能的锅炉评估方法及系统 |
| CN116522263A (zh) * | 2023-04-12 | 2023-08-01 | 章鱼博士智能技术(上海)有限公司 | 一种异常电芯的检测方法和装置 |
| CN116701973A (zh) * | 2023-08-09 | 2023-09-05 | 无锡市明通动力工业有限公司 | 基于大数据的电机异常振动检测预警方法 |
| CN116881749A (zh) * | 2023-09-01 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种污染场地施工监测方法及系统 |
| CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
| CN116936978A (zh) * | 2023-09-19 | 2023-10-24 | 广州杉和信息科技有限公司 | 一种蓄电池鼓包智能化监测方法及系统 |
Non-Patent Citations (11)
| Title |
|---|
| A novel unsupervised anomaly detection for gas turbine using Isolation Forest;Shisheng Zhong 等;2019 IEEE International Conference on Prognostics and Health Management (ICPHM);1-6 * |
| An In-Depth Study and Improvement of Isolation Forest;Yousra Chabchoub 等;IEEE Access;10219 - 10237 * |
| Impact of Training Set Size on Resource Usage of Machine Learning Models for IoT Network Intrusion Detection;Barikisu A. Asulba 等;2023 19th International Conference on Distributed Computing in Smart Systems and the Internet of Things (DCOSS-IoT);330-337 * |
| Recommending Training Set Sizes for Classification;Phillip Koshute 等;Arxiv;1-20 * |
| 基于专家反馈的广义孤立森林异常检测算法;祝诚勇 等;计算机应用研究;1-7 * |
| 基于孤立森林算法的取用水量异常数据检测方法;赵臣啸 等;中国水利水电科学研究院学报;第18卷(第01期);31-39 * |
| 基于孤立森林算法的电涌保护器异常参数监测研究;马俊彦 等;电子测量与仪器学报;第34卷(第07期);58-63 * |
| 基于聚类融合欠采样的不平衡分类方法;叶枫 等;计算机应用与软件;第37卷(第1期);292-297 * |
| 智能电网调度控制系统业务异常检测与故障溯源技术研究;任昺;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;第2022年卷(第1期);C042-2272 * |
| 融合煤矿多维时序数据的瓦斯异常检测算法;丁汀 等;计算机集成制造系统;第26卷(第06期);1651-1659 * |
| 鲁棒性异常检测研究与可解释性学习;叶宇;中国优秀硕士学位论文全文数据库 信息科技辑;第2023年卷(第1期);I138-843 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117150244A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
| CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
| CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
| CN112098915B (zh) | 双母线分段接线下多台电压互感器继发性误差的评估方法 | |
| CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
| CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
| CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
| CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
| CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
| CN116955895B (zh) | 一种变压器运行异常监测方法及系统 | |
| CN112651849B (zh) | 基于不平衡数据集的电压监测异常数据识别方法及系统 | |
| CN116258281B (zh) | 基于云平台管理的物联网消防监测及调控系统 | |
| CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
| CN115664038B (zh) | 一种用于电气安全管理的智能配电运维监控系统 | |
| CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
| CN111191671A (zh) | 一种用电器波形检测方法、系统、电子设备及存储介质 | |
| CN113536066A (zh) | 一种数据异常检测算法确定方法、装置及计算机设备 | |
| CN111273126B (zh) | 一种配电网拓扑快速感知方法 | |
| CN116738261A (zh) | 基于聚类分箱的数值型特征离散化归因分析方法及装置 | |
| CN115683319A (zh) | 一种电力变压器绕组状态评估方法 | |
| CN112129989B (zh) | 一种基于自适应聚类的电压暂降分段刻画方法 | |
| CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
| CN114597886A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
| CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
| KR20190131329A (ko) | 학습 데이터 생성 시스템 |
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 |