CN117312997A - 一种电力管理系统智能诊断方法及系统 - Google Patents
一种电力管理系统智能诊断方法及系统 Download PDFInfo
- Publication number
- CN117312997A CN117312997A CN202311551493.3A CN202311551493A CN117312997A CN 117312997 A CN117312997 A CN 117312997A CN 202311551493 A CN202311551493 A CN 202311551493A CN 117312997 A CN117312997 A CN 117312997A
- Authority
- CN
- China
- Prior art keywords
- data
- fluctuation
- data segment
- value
- segment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 5
- 230000005856 abnormality Effects 0.000 abstract description 12
- 230000008859 change Effects 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012163 sequencing technique Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电故障探测技术领域，具体涉及一种电力管理系统智能诊断方法及系统，包括：获取待诊断电力设备的电力数据序列，对电力数据序列进行局部区域的划分，获得各个第一数据段；为了提高局部划分的准确性，利用不同维度的电力数据进行局部区域划分修正，获得各个第三数据段；基于各个第三数据段确定波动曲线中每个数据点的波动显著性，确定各个第三数据段中每个电力数据的异常得分，基于异常得分判断待诊断电力设备是否进行异常警报。本发明通过电力数据序列变化情况确定的局部区间划分结果，分析用电设备的异常情况，提高了孤立森林算法结果的精准性，进一步提升电力管理系统的异常诊断准确性。
Description
技术领域
本发明涉及电故障探测技术领域，具体涉及一种电力管理系统智能诊断方法及系统。
背景技术
电力资源作为清洁能源在我国使用广泛，而电力设备在使用过程中可能会因为使用不当导致产生的电力数据出现异常。当电力设备所产生的电力数据出现异常时，为了避免造成更严重的事故，需要根据异常情况进行报警处理，以便于及时地提醒监控人员。其中，电力数据包括电压数据和电流数据。
现有通过孤立森林算法对采集的电力数据进行异常分析，电力数据的属性为交流电，交流电的数据将呈现正弦分布。孤立森林算法对存在波动的正弦分布的电力数据进行处理时，孤立树划分是在最大值和最小值中选取一个阈值实现的，但是实际上不同用电时段的用电情况不同，其局部的极值点也不同，若直接通过整体数据情况划分孤立树，则位于极值点的电力数据的异常得分均较高，容易将正常电力数据误判为异常，导致电力管理系统的异常数据诊断结果准确性低下。
发明内容
为了解决上述现有电力管理系统的异常数据诊断结果准确性低下的技术问题，本发明的目的在于提供一种电力管理系统智能诊断方法及系统，所采用的技术方案具体如下：
本发明一个实施例提供了一种电力管理系统智能诊断方法，该方法包括以下步骤：
实时获取预设时段内的待诊断电力设备在运行时的电力数据序列，所述电力数据序列为电流数据序列或电压数据序列；
根据电力数据序列中的各个波峰和各个波谷，得到各个分割数据段；根据各个分割数据段的波动幅值、上波动值和下波动值，确定各个分割数据段的区分程度；根据各个分割数据段的区分程度对电力数据序列进行数据段划分，得到各个第一数据段；
根据电流数据序列对应的各个第一数据段对电压数据序列再次进行数据段划分，得到电压数据序列对应的各个第二数据段；根据电压数据序列对应的各个第一数据段和各个第二数据段，确定电压数据序列对应的各个第三数据段；确定电流数据序列对应的各个第三数据段；
对于任意一个第三数据段，根据第三数据段中的各个波动幅值拟合波动曲线；根据波动曲线中的各个数据点的纵坐标值，确定波动曲线中的各个数据点的波动显著性；根据波动曲线中的各个数据点的波动显著性设置阈值，构建孤立树，确定第三数据段对应的波动曲线中各个数据点的异常得分；其中，所述波动曲线的纵坐标为波动幅值，横坐标为时序号；
根据电压数据序列和电流数据序列对应的各个第三数据段的波动曲线中各个数据点的异常得分，判断待诊断电力设备是否进行异常警报。
进一步地，根据电力数据序列中的各个波峰和各个波谷，得到各个分割数据段，包括：
确定电力数据序列中各个波峰的峰值和各个波谷的谷值，将相邻的峰值到谷值或者谷值到峰值对应的数据段作为分割数据段。
进一步地，根据各个分割数据段的波动幅值、上波动值和下波动值，确定各个分割数据段的区分程度，包括：
将任意一个分割数据段确定为选定分割数据段，将选定分割数据段对应的峰值的绝对值作为上波动值，将选定分割数据段对应的谷值的绝对值作为下波动值；将上波动值和下波动值的和值作为选定分割数据段的波动幅值，将上波动值和下波动值的差值绝对值作为选定分割数据段的第一区分程度因子；
确定与选定分割数据段左右相邻的两个分割数据段的波动幅值，分别计算选定分割数据段与其左右相邻的两个分割数据段之间的波动幅值的差值绝对值，将最大差值绝对值作为第二区分程度因子；计算第一区分程度因子和第二区分程度因子的乘积，对乘积进行归一化处理，将归一化处理后的数值作为选定分割数据段的区分程度。
进一步地，根据各个分割数据段的区分程度对电力数据序列进行数据段划分，得到各个第一数据段，包括：
设置区分程度阈值，筛选出区分程度大于区分程度阈值的分割数据段，将筛选出的分割数据段中的任意一个电力数据作为第一分割点，获得各个第一分割点；利用各个第一分割点对电力数据序列进行数据段划分，将第一分割点划分得到的数据段作为第一数据段。
进一步地，根据电流数据序列对应的各个第一数据段对电压数据序列再次进行数据段划分，得到电压数据序列对应的各个第二数据段，包括：
根据电流数据序列对应的各个第一数据段，确定电流数据序列在划分成各个第一数据段时对应的各个电流分割点的时序号；将各个电流分割点的时序号映射到电压数据序列中，获得各个电压分割点，利用各个电压分割点对电压数据序列再次进行数据段划分，将电压分割点划分得到的数据段作为电压数据序列对应的第二数据段。
进一步地，根据电压数据序列对应的各个第一数据段和各个第二数据段，确定电压数据序列对应的各个第三数据段，包括：
若第一个第一数据段中存在满足预设重叠规则的目标电压数据，则将目标电压数据组成待定第三数据段，并将第一个第一数据段中除目标电压数据以外的剩余电压数据按照时间顺序单独组成待定第三数据段；若第一个第一数据段中不存在满足预设重叠规则的目标电压数据，则将第一个第一数据段中各个电压数据按照时间顺序单独组成待定第三数据段；其中，所述预设重叠规则为第一数据段中存在与第二数据段中相同、且相邻的n个电压数据，n个电压数据为所述目标电压数据，n为第一数据段中目标电压数据的个数，n大于1；
参考第一个第一数据段对应的各个待定第三数据段的确定过程，依次迭代分析各个第一数据段和各个第二数据段，获取所有的待定第三数据段，所有的待定第三数据段按照时间顺序分布；确定各个待定第三数据段的长度，将长度小于预设长度的待定第三数据段与其前一个待定第三数据段合并，获得电压数据序列对应的各个第三数据段。
进一步地，根据波动曲线中的各个数据点的纵坐标值，确定波动曲线中的各个数据点的波动显著性，包括：
将波动曲线上的任意一个数据点作为选定数据点，确定与选定数据点最邻近的预设数目个数据点，计算选定数据点与其最邻近的预设数目个数据点对应的纵坐标值方差，将纵坐标值方差确定为选定数据点的第一波动显著性因子；计算选定数据点与波动曲线上其他各个数据点之间的纵坐标值的差值绝对值，将纵坐标值的差值绝对值确定为选定数据点的第二波动显著性因子；
根据选定数据点的纵坐标值、第一波动显著性因子和第二波动显著性因子，确定选定数据点的波动显著性。
进一步地，所述选定数据点的波动显著性的计算公式为：
；式中，/>为波动曲线上第k个数据点的波动显著性，第k个数据点为选定数据点，norm为归一化函数，/>为波动曲线上第k个数据点的纵坐标值，N为波动曲线上数据点的个数，exp为以自然常数为底的指数函数，/>为波动曲线上第k个数据点的第z个第二波动显著性因子，/>为波动曲线上第k个数据点的第一波动显著性因子，/>为波动曲线上除第k个数据点以外的第z个数据点的第一波动显著性因子，/>为求绝对值函数。
进一步地，根据波动曲线中的各个数据点的波动显著性设置阈值，包括：
根据波动曲线中的各个数据点的波动显著性，确定最大波动显著性和最小波动显著性；将最大波动显著性对应的数据点的纵坐标值作为极大值，将最小波动显著性对应的数据点的纵坐标值作为极小值，在极大值和极小值构成的波动范围内设置阈值。
本发明一个实施例还提供了一种电力管理系统智能诊断系统，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指令，以实现如上所述的一种电力管理系统智能诊断方法。
本发明具有如下有益效果：
本发明提供了一种电力管理系统智能诊断方法及系统，先通过电力数据的波动情况对电力数据序列进行初步划分，后续根据电压数据和电流数据之间的关联性，对初步划分结果进行修正，接着根据修正划分后数据的波动显著性构建孤立树，确定每个第三数据段的波动曲线中每个数据点的异常得分，基于异常得分实现电力管理系统的准确诊断。本发明避免了基于整体实现孤立森林算法导致极值点的异常得分较大，将正常数据误判为异常数据的情况，提升电力管理系统异常诊断的准确性；基于采集的电力数据进行局部诊断分析，提高了电力管理系统异常诊断的鲁棒性，可以适用于不同类型的用电设备；在进行局部数据区间划分时，不仅结合数据自身的波动情况，还考虑到电压电流不同维度电力数据之间的强关联性，有效增强了后续获得第三数据段的波动划分的精准性。
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为本发明一种电力管理系统智能诊断方法的流程图。
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”指的不一定是同一个实施例。此外，一个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。
本发明所针对的具体场景为：对工厂中电力设备的用电情况进行监控，分析异常用电情况并报警提示相关人员及时处理异常用电的电力设备。
本实施例提供了一种电力管理系统智能诊断方法，如图1所示，包括以下步骤：
S1，实时获取预设时段内的待诊断电力设备在运行时的电力数据序列。
在本实施例中，预设时段可以设置为1个小时，相邻时刻之间的时间间隔可以设置为2秒。通过电压传感器和电流表，实时采集当前1个小时内的待诊断电力设备在运行时每个时刻的电力数据，每个时刻的电力数据可以组成电力数据序列，电力数据即为电力时序数据。电力数据分为电压数据和电流数据，也就是电力数据序列可以表征电压数据序列和电流数据序列；预设时段的大小和相邻时刻之间的时间间隔可以由实施者根据具体实际情况设置，这里不做具体限定。
至此，本实施例获得了待诊断电力设备在运行时的电力数据序列。
S2，根据电力数据序列中的各个波峰和各个波谷，得到各个分割数据段；根据各个分割数据段的波动幅值、上波动值和下波动值，确定各个分割数据段的区分程度；根据各个分割数据段的区分程度对电力数据序列进行数据段划分，得到各个第一数据段。
需要说明的是，通过电力数据序列可以分析电力设备在预设时段内所产生的电力数据的波动情况，当电力设备的负载产生变化时，将会引起电力数据发生波动。此时，通过孤立森林算法对采集的电力数据进行异常分析时，由于采集的电力数据本身是存在波动情况，直接选取采集的电力数据的最大值和最小值直接进行孤立树划分，可能会将存在波动异常的数据划分到正常波动范围内，导致获得异常分析结果准确性低下。因此，可以根据采集的电力数据的自身负载变化情况，将电力数据序列划分为不同的区间，以便于后续通过局部区域的数据特征进行极值点的准确选取，进而实现电力数据的异常分析。
第一步，根据电力数据序列中的各个波峰和各个波谷，得到各个分割数据段。
由于电力数据序列呈现整体波动情况，孤立森林算法在对电力数据序列进行划分时，电力数据序列的整体数据分布将呈现中心聚集，但是当电力数据序列的数据波动过小但异常时，孤立森林算法将无法区分正常数据和异常数据。为了克服上述描述的缺陷，将电力数据序列中单个波动振幅对应的数据区间划分为一个数据段，即确定分割数据段。
在本实施例中，确定电力数据序列中的各个波峰的峰值和各个波谷的谷值，将相邻的峰值到谷值或者谷值到峰值对应的数据段作为分割数据段。具体为：首先，将电力数据作为纵轴，将电力数据的时序号作为横轴，构建电力数据序列对应的用电波动曲线。其次，在用电波动曲线中，确定各个波峰和各个波谷，并确定各个波峰的峰值和各个波谷的谷值；波峰的峰值是指波峰对应数据区间中的最大值，而波谷的谷值是指波谷对应数据区间中的最小值。然后，将相邻的峰值到谷值或者谷值到峰值对应的数据段作为分割数据段，可以获得各个分割数据段。
第二步，根据各个分割数据段的波动幅值、上波动值和下波动值，确定各个分割数据段的区分程度。
电力系统在接入一个新的负载时会产生较大波动，由于电力系统自身恢复使产生的波动变得平缓，故在分析各个分割数据段时可以根据波动状态进行电力数据序列的划分。先根据电力数据序列对应的各个波动区间的波动幅值及其前后相邻波动区间的变化情况，量化分割数据段的区分程度，某个分割数据段的区分程度越大，说明对应的分割数据段中的数据点后续作为分割点的可能性越大。
第一子步骤，确定各个分割数据段的波动幅值和第一区分程度因子。
将任意一个分割数据段确定为选定分割数据段，将选定分割数据段对应的峰值的绝对值作为上波动值，将选定分割数据段对应的谷值的绝对值作为下波动值；将上波动值和下波动值的和值作为选定分割数据段的波动幅值，将上波动值和下波动值的差值绝对值作为选定分割数据段的第一区分程度因子。
假设选定分割数据段对应的峰值为5，而谷值为-3，将5作为选定分割数据段对应的上波动值，将谷值-3的绝对值3作为选定分割数据段对应的下波动值；将上波动值和下波动值的和值8作为选定分割数据段的波动幅值，将上波动值和下波动值的差值绝对值2作为选定分割数据段的第一区分程度因子。
需要说明的是，选定分割数据段的波动幅值越大，说明选定分割数据段产生的波动变化是由于外界加入新负载的概率越高，选定分割数据段的分割情况越好。第一区分程度因子可以表征上波动值和下波动值距离横坐标远近的差异程度，差异越大，说明波动情况越复杂，选定分割数据段被选取用于分割的可能性也就会越大。
第二子步骤，根据波动幅值和第一区分程度因子，确定各个分割数据段的区分程度。
确定与选定分割数据段左右相邻的两个分割数据段的波动幅值，分别计算选定分割数据段与其左右相邻的两个分割数据段之间的波动幅值的差值绝对值，将最大差值绝对值作为第二区分程度因子；计算第一区分程度因子和第二区分程度因子的乘积，对乘积进行归一化处理，将归一化处理后的数值作为选定分割数据段的区分程度。其中，所述归一化处理可以为线性归一化。
作为示例，选定分割数据段的区分程度的计算公式可以为：
；式中，/>为第i个分割数据段的区分程度，norm为线性归一化函数，/>为第i个分割数据段的第一区分程度因子，max为求最大值函数，/>为第i个分割数据段与第i-1个分割数据段之间的波动幅值的差值绝对值、与第i+1个分割数据段之间的波动幅值的差值绝对值组成的数据对，/>为第i个分割数据段的第二区分程度因子。
在区分程度的计算公式中，第i个分割数据段可以为选定分割数据段，参考选定分割数据段的区分程度的计算过程，可以获得各个分割数据段的区分程度；第一区分程度因子可以表征选定分割数据段的上波动和下波动之间的波动差异，第一区分程度因子与区分程度为正相关关系；第二区分程度因子可以表征选定分割数据段与其最近邻的两个分割数据段之间的波动幅值差异，选取一个最大波动幅值差异是为了表征选定分割数据段与其周围选定分割数据段相比，波动程度大，分割效果更高，更适用于确定第一数据段。
需要说明的是，对于不存在左相邻或右相邻的分割数据段，可以通过周围最近邻的两个分割数据段计算第二区分程度因子。
第三步，根据各个分割数据段的区分程度对电力数据序列进行数据段划分，得到各个第一数据段。
设置区分程度阈值，筛选出区分程度大于区分程度阈值的分割数据段，将筛选出的分割数据段中的任意一个电力数据作为第一分割点，获得各个第一分割点；利用各个第一分割点对电力数据序列进行数据段划分，将第一分割点划分得到的数据段作为第一数据段。
在本实施例中，区分程度阈值可以设置为0.7，实施者可以根据具体实际情况设置区分程度阈值的大小。各个分割数据段的区分程度的取值范围为0到1，从所有分割数据段中，筛选出区分程度大于区分程度阈值的分割数据段，并将筛选出的分割数据段中的任意一个电力数据作为第一分割点，第一分割点可以为筛选出的分割数据段中的第一个电力数据或最后一个电力数据。
需要说明的是，对于筛选出的分割数据段，若将第一个电力数据作为第一分割点，则分割数据段中除第一个电力数据以外的其他电力数据将被划分到后一个第一数据段中，而第一个电力数据被划分到前一个第一数据段中。若将最后一个电力数据作为第一分割点，则分割数据段中除最后一个电力数据以外的其他电力数据将被划分到前一个第一数据段中，而最后一个电力数据被划分到后一个第一数据段中。
至此，本实施例获得了电力数据序列对应的各个第一数据段，即获得了电压数据序列对应的各个第一数据段和电流数据序列对应的各个第一数据段。
S3，根据电流数据序列对应的各个第一数据段对电压数据序列再次进行数据段划分，得到电压数据序列对应的各个第二数据段；根据电压数据序列对应的各个第一数据段和各个第二数据段，确定电压数据序列对应的各个第三数据段；确定电流数据序列对应的各个第三数据段。
第一步，根据电流数据序列对应的各个第一数据段对电压数据序列再次进行数据段划分，得到电压数据序列对应的各个第二数据段。
需要说明的是，电力数据对应的电压数据和电流数据之间存在强关联性，其可以表现为：当电力系统中引入新的负载时，电力系统的电压瞬间下降后在一定的时间内恢复平稳波动，而电流变化和电压变化相反，电流瞬间增大后在一定时间内恢复平稳波动。因此，可以基于强关联性的前提条件，分析电流数据序列和电压数据序列对应的各个第一数据段之间的划分一致性。
在本实施例中，电流数据和电压数据按照其波动情况划分应是一致的，可以根据不同数据类型对应的划分结果判断划分的有效性。具体为，根据电流数据序列对应的划分关系，划分电压数据序列，可以获得按照电流波动情况划分的电压数据序列对应的各个数据段，即根据电流数据划分结果的时序对应关系，可以对电压数据序列进行重新划分，获得电压数据序列对应的第二数据段。
根据电流数据序列对应的各个第一数据段，确定电流数据序列在划分成各个第一数据段时对应的各个电流分割点的时序号；将各个电流分割点的时序号映射到电压数据序列中，获得各个电压分割点，利用各个电压分割点对电压数据序列再次进行数据段划分，将电压分割点划分得到的数据段作为电压数据序列对应的第二数据段。
例如，电流数据序列对应的各个第一数据段为，该电流数据序列的各个电流分割点的时序号为3和5；电压数据序列为/>，将各个电流分割点的时序号3和5映射到电压数据序列中，获得的各个电压分割点为/>和/>；利用/>和/>对电压数据序列/>再次进行数据段划分，可以获得，即获得电压数据序列对应的各个第二数据段，第二数据段可以为/>、/>和/>。
值得说明的是，电力设备运行时的电压和电流均会随着用电设备的负载运行产生变化，电压数据和电流数据在本质上是相同的，可以仅对其中一种数据进行处理，另一种数据按照类似操作即可。本实施例以电压数据为例，电压数据序列为存在波动的数据序列。
第二步，根据电压数据序列对应的各个第一数据段和各个第二数据段，确定电压数据序列对应的各个第三数据段。
需要说明的是，电压数据序列对应的第一数据段是根据电压数据的波动情况划分获得的数据段，而电压数据序列对应的第二数据段是根据电流数据的波动情况划分获得的数据段，结合两种不同类型数据的波动情况，即电流数据和电压数据之间的波动强关联性，再次对电压数据序列的数据段划分情况进行更新，即确定电压数据序列对应的各个第三数据段，以提高电压数据序列划分结果的准确性。
若第一个第一数据段中存在满足预设重叠规则的目标电压数据，则将目标电压数据组成待定第三数据段，并将第一个第一数据段中除目标电压数据以外的剩余电压数据按照时间顺序单独组成待定第三数据段；若第一个第一数据段中不存在满足预设重叠规则的目标电压数据，则将第一个第一数据段中各个电压数据按照时间顺序单独组成待定第三数据段；其中，所述预设重叠规则为第一数据段中存在与第二数据段中相同、且相邻的n个电压数据，n个电压数据为所述目标电压数据，n为第一数据段中目标电压数据的个数，n大于1。
参考第一个第一数据段对应的各个待定第三数据段的确定过程，依次迭代分析各个第一数据段和各个第二数据段，获取所有的待定第三数据段，所有的待定第三数据段按照时间顺序分布；确定各个待定第三数据段的长度，将长度小于预设长度的待定第三数据段与其前一个待定第三数据段合并，获得电压数据序列对应的各个第三数据段。
关于获取所有的待定第三数据段。例如，电压数据序列对应的各个第一数据段为，各个第二数据段为/>，判断第一个第一数据段/>是否满足预设重叠规则，先在各个第二数据段中确定是否存在与第一个第一数据段相同且相邻的n个电压数据，通过观察可知第二数据段/>中存在2个重叠数据/>和/>，/>和/>记为目标电压数据，将目标电压数据/>和/>组成第一个待定第三数据段/>；判断第二个第一数据段/>是否满足预设重叠规则，通过观察可知存在目标电压数据/>和/>，由于第二个数据段/>中还存在除目标电压数据/>和/>以外的电压数据/>和/>，故按照时间顺序，需要将/>作为第二个待定第三数据段/>，将目标电压数据/>和/>组成第三个待定第三数据段/>，将/>作为第四个待定第三数据段/>；判断第三个第一数据段/>是否满足预设重叠规则，通过观察可知存在目标电压数据/>、/>以及/>，将目标电压数据/>、/>以及/>组成第五个待定第三数据段/>，此时可以获得各个待定第三数据段/>。
关于电压数据序列对应的各个第三数据段。例如，电压数据序列对应的各个待定第三数据段为，各个待定第三数据段的长度分别为/>，预设长度设置为2，选出长度小于预设长度2的待定第三数据段分别为/>和/>，则将/>与/>合并获得/>，/>与/>合并获得/>，合并后长度均大于预设长度的待定第三数据段确定为第三数据段，第三数据段可以为/>。其中，长度指代数据段中电压数据的个数。当然，实施者可以根据具体实际情况设置预设长度大小，这边不对预设长度大小进行具体限定。
需要说明的是，参考本步骤的第一步至第二步对应的电压数据序列对应的各个第三数据段的实现过程，可以根据电压数据序列对应的各个第一数据段对电流数据序列再次进行数据段划分，得到电流数据序列对应的各个第二数据段；根据电流数据序列对应的各个第一数据段和各个第二数据段，确定电流数据序列对应的各个第三数据段。
至此，本实施例通过分析电力数据的不同维度信息组合波动情况的互相影响程度，获得电压数据序列和电流数据序列对应的各个第三数据段。
S4，对于任意一个第三数据段，根据第三数据段中的各个波动幅值拟合波动曲线；根据波动曲线中的各个数据点的纵坐标值，确定波动曲线中的各个数据点的波动显著性；根据波动曲线中的各个数据点的波动显著性设置阈值，构建孤立树，确定第三数据段对应的波动曲线中各个数据点的异常得分。
第一步，对于任意一个第三数据段，根据第三数据段中的各个波动幅值拟合波动曲线；根据波动曲线中的各个数据点的纵坐标值，确定波动曲线中的各个数据点的波动显著性。
需要说明的是，第三数据段是按照数据本身的波动情况划分获得的，不同的第三数据段需要选取的极值点情况不一致，也就是每个第三数据段均会有其对应的极值点。用电设备运行过程中的发热将导致功耗增加，其间接影响电压和电流的波动，故在分析第三数据段时可以分析其在时序上的影响，即运行时间越久所选取的波动置信度越低。
在本实施例中，任意选取一个第三数据段，根据第三数据段中的所有波动幅值，按照时序上时序号的变化和幅值大小，绘制波动曲线，波动曲线的横坐标为可以表征时序变化的时序号，纵坐标为每个波动幅值的数值大小。通过分析获得的波动曲线，可以确定波动曲线中各个数据点的波动显著性。
第一子步骤，将波动曲线上的任意一个数据点作为选定数据点，确定与选定数据点最邻近的预设数目个数据点，计算选定数据点与其最邻近的预设数目个数据点对应的纵坐标值方差，将纵坐标值方差确定为选定数据点的第一波动显著性因子；计算选定数据点与波动曲线上其他各个数据点之间的纵坐标值的差值绝对值，将纵坐标值的差值绝对值确定为选定数据点的第二波动显著性因子。
第二子步骤，根据选定数据点的纵坐标值、第一波动显著性因子和第二波动显著性因子，确定选定数据点的波动显著性。所述选定数据点的波动显著性的计算公式为：
；式中，/>为波动曲线上第k个数据点的波动显著性，第k个数据点为选定数据点，norm为归一化函数，/>为波动曲线上第k个数据点的纵坐标值，N为波动曲线上数据点的个数，exp为以自然常数为底的指数函数，/>为波动曲线上第k个数据点的第z个第二波动显著性因子，/>为波动曲线上第k个数据点的第一波动显著性因子，/>为波动曲线上除第k个数据点以外的第z个数据点的第一波动显著性因子，/>为求绝对值函数。
在波动显著性的计算公式中，波动显著性的取值范围为0到1之间，可以用于分析单个数据波动在整体波动区间中的变化趋势；/>可以表征波动曲线上的单个数据点在整体波动曲线上的波动变化程度；第一波动显著性因子/>可以表征波动曲线上的单个数据点与其周围相邻数据点的变化波动情况；/>可以表征波动曲线上的单个数据点与其他数据点之间的波动相似程度，即第k个数据点与第z个数据点的相似情况；/>可以表示数据点在整体数据中的波动相似情况；/>和/>与波动显著性/>为负相关关系，两者越大，波动显著性越小；而/>与波动显著性/>为正相关关系，/>越大，波动显著性越大。
第二步，根据波动曲线中的各个数据点的波动显著性设置阈值，构建孤立树，确定第三数据段对应的波动曲线中各个数据点的异常得分。
在本实施例中，根据波动曲线中的各个数据点的波动显著性，通过排序法，确定最大波动显著性和最小波动显著性；将最大波动显著性对应的数据点的纵坐标值作为极大值，这里的纵坐标为波动幅值，将最小波动显著性对应的数据点的纵坐标值作为极小值，在极大值和极小值构成的波动范围内设置阈值，阈值为波动幅值，该阈值的设置是为了便于后续构建孤立树，而孤立树阈值的设置过程为现有技术。根据设置的阈值构建第三数据段对应的孤立树，确定第三数据段对应的波动曲线中各个数据点的异常得分。异常得分的计算过程和孤立树的构建过程均为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
至此，本实施例获得了电流数据序列和电压数据序列对应的各个第三数据段的波动曲线中各个数据点的异常得分。
S5，根据电压数据序列和电流数据序列对应的各个第三数据段的波动曲线中各个数据点的异常得分，判断待诊断电力设备是否进行异常警报。
在本实施例中，对于电压数据序列和电流数据序列对应的位置相同的第三数据段的波动曲线中相同时序号的数据点，计算相同时序号的两个数据点的异常得分之和，将获得两个异常得分之和进行归一化处理，获得归一化处理后的数值。归一化处理的方法可以是线性归一化处理，归一化处理是为了便于后续进行异常判断。例如，电压数据序列对应的第1个第三数据段对应的波动曲线中第1个数据点的异常得分，以及电流数据序列对应的第1个第三数据段对应的波动曲线中第1个数据点的异常得分，计算此时的两个数据点的异常得分相加后的数值。
若该归一化处理后的数值大于预设异常得分阈值，则判定出现异常波动，否则，判定没有出现异常波动；当预设时段1个小时内出现过两次及两次以上的异常波动时，可以认为待诊断电力设备在运行时可能出现故障，需要对用电设备的使用人员进行警报处理。预设异常得分阈值可以设置为0.7，实施者可以根据具体实际情况设置异常得分阈值，不做具体限定。
本发明还提供了一种电力管理系统智能诊断系统，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指令，以实现如上所述的一种电力管理系统智能诊断方法。
至此，本实施例结束。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力管理系统智能诊断方法，其特征在于，包括以下步骤：
实时获取预设时段内的待诊断电力设备在运行时的电力数据序列，所述电力数据序列为电流数据序列或电压数据序列；
根据电力数据序列中的各个波峰和各个波谷，得到各个分割数据段；根据各个分割数据段的波动幅值、上波动值和下波动值，确定各个分割数据段的区分程度；根据各个分割数据段的区分程度对电力数据序列进行数据段划分，得到各个第一数据段；
根据电流数据序列对应的各个第一数据段对电压数据序列再次进行数据段划分，得到电压数据序列对应的各个第二数据段；根据电压数据序列对应的各个第一数据段和各个第二数据段，确定电压数据序列对应的各个第三数据段；确定电流数据序列对应的各个第三数据段；
对于任意一个第三数据段，根据第三数据段中的各个波动幅值拟合波动曲线；根据波动曲线中的各个数据点的纵坐标值，确定波动曲线中的各个数据点的波动显著性；根据波动曲线中的各个数据点的波动显著性设置阈值，构建孤立树，确定第三数据段对应的波动曲线中各个数据点的异常得分；其中，所述波动曲线的纵坐标为波动幅值，横坐标为时序号；
根据电压数据序列和电流数据序列对应的各个第三数据段的波动曲线中各个数据点的异常得分，判断待诊断电力设备是否进行异常警报。
2.根据权利要求1所述的一种电力管理系统智能诊断方法，其特征在于，根据电力数据序列中的各个波峰和各个波谷，得到各个分割数据段，包括：
确定电力数据序列中各个波峰的峰值和各个波谷的谷值，将相邻的峰值到谷值或者谷值到峰值对应的数据段作为分割数据段。
3.根据权利要求2所述的一种电力管理系统智能诊断方法，其特征在于，根据各个分割数据段的波动幅值、上波动值和下波动值，确定各个分割数据段的区分程度，包括：
将任意一个分割数据段确定为选定分割数据段，将选定分割数据段对应的峰值的绝对值作为上波动值，将选定分割数据段对应的谷值的绝对值作为下波动值；将上波动值和下波动值的和值作为选定分割数据段的波动幅值，将上波动值和下波动值的差值绝对值作为选定分割数据段的第一区分程度因子；
确定与选定分割数据段左右相邻的两个分割数据段的波动幅值，分别计算选定分割数据段与其左右相邻的两个分割数据段之间的波动幅值的差值绝对值，将最大差值绝对值作为第二区分程度因子；计算第一区分程度因子和第二区分程度因子的乘积，对乘积进行归一化处理，将归一化处理后的数值作为选定分割数据段的区分程度。
4.根据权利要求1所述的一种电力管理系统智能诊断方法，其特征在于，根据各个分割数据段的区分程度对电力数据序列进行数据段划分，得到各个第一数据段，包括：
设置区分程度阈值，筛选出区分程度大于区分程度阈值的分割数据段，将筛选出的分割数据段中的任意一个电力数据作为第一分割点，获得各个第一分割点；利用各个第一分割点对电力数据序列进行数据段划分，将第一分割点划分得到的数据段作为第一数据段。
5.根据权利要求1所述的一种电力管理系统智能诊断方法，其特征在于，根据电流数据序列对应的各个第一数据段对电压数据序列再次进行数据段划分，得到电压数据序列对应的各个第二数据段，包括：
根据电流数据序列对应的各个第一数据段，确定电流数据序列在划分成各个第一数据段时对应的各个电流分割点的时序号；将各个电流分割点的时序号映射到电压数据序列中，获得各个电压分割点，利用各个电压分割点对电压数据序列再次进行数据段划分，将电压分割点划分得到的数据段作为电压数据序列对应的第二数据段。
6.根据权利要求1所述的一种电力管理系统智能诊断方法，其特征在于，根据电压数据序列对应的各个第一数据段和各个第二数据段，确定电压数据序列对应的各个第三数据段，包括：
若第一个第一数据段中存在满足预设重叠规则的目标电压数据，则将目标电压数据组成待定第三数据段，并将第一个第一数据段中除目标电压数据以外的剩余电压数据按照时间顺序单独组成待定第三数据段；若第一个第一数据段中不存在满足预设重叠规则的目标电压数据，则将第一个第一数据段中各个电压数据按照时间顺序单独组成待定第三数据段；其中，所述预设重叠规则为第一数据段中存在与第二数据段中相同、且相邻的n个电压数据，n个电压数据为所述目标电压数据，n为第一数据段中目标电压数据的个数，n大于1；
参考第一个第一数据段对应的各个待定第三数据段的确定过程，依次迭代分析各个第一数据段和各个第二数据段，获取所有的待定第三数据段，所有的待定第三数据段按照时间顺序分布；确定各个待定第三数据段的长度，将长度小于预设长度的待定第三数据段与其前一个待定第三数据段合并，获得电压数据序列对应的各个第三数据段。
7.根据权利要求1所述的一种电力管理系统智能诊断方法，其特征在于，根据波动曲线中的各个数据点的纵坐标值，确定波动曲线中的各个数据点的波动显著性，包括：
将波动曲线上的任意一个数据点作为选定数据点，确定与选定数据点最邻近的预设数目个数据点，计算选定数据点与其最邻近的预设数目个数据点对应的纵坐标值方差，将纵坐标值方差确定为选定数据点的第一波动显著性因子；计算选定数据点与波动曲线上其他各个数据点之间的纵坐标值的差值绝对值，将纵坐标值的差值绝对值确定为选定数据点的第二波动显著性因子；
根据选定数据点的纵坐标值、第一波动显著性因子和第二波动显著性因子，确定选定数据点的波动显著性。
8.根据权利要求7所述的一种电力管理系统智能诊断方法，其特征在于，所述选定数据点的波动显著性的计算公式为：
；式中，/>为波动曲线上第k个数据点的波动显著性，第k个数据点为选定数据点，norm为归一化函数，/>为波动曲线上第k个数据点的纵坐标值，N为波动曲线上数据点的个数，exp为以自然常数为底的指数函数，为波动曲线上第k个数据点的第z个第二波动显著性因子，/>为波动曲线上第k个数据点的第一波动显著性因子，/>为波动曲线上除第k个数据点以外的第z个数据点的第一波动显著性因子，/>为求绝对值函数。
9.根据权利要求1所述的一种电力管理系统智能诊断方法，其特征在于，根据波动曲线中的各个数据点的波动显著性设置阈值，包括：
根据波动曲线中的各个数据点的波动显著性，确定最大波动显著性和最小波动显著性；将最大波动显著性对应的数据点的纵坐标值作为极大值，将最小波动显著性对应的数据点的纵坐标值作为极小值，在极大值和极小值构成的波动范围内设置阈值。
10.一种电力管理系统智能诊断系统，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指令，以实现如权利要求1-9中任一项所述的一种电力管理系统智能诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551493.3A CN117312997B (zh) | 2023-11-21 | 2023-11-21 | 一种电力管理系统智能诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551493.3A CN117312997B (zh) | 2023-11-21 | 2023-11-21 | 一种电力管理系统智能诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117312997A true CN117312997A (zh) | 2023-12-29 |
| CN117312997B CN117312997B (zh) | 2024-03-08 |
Family
ID=89260648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311551493.3A Active CN117312997B (zh) | 2023-11-21 | 2023-11-21 | 一种电力管理系统智能诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117312997B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117747094A (zh) * | 2024-02-21 | 2024-03-22 | 天津市第五中心医院 | 一种妇科疾病临床体征数据的异常检测方法 |
| CN117807547A (zh) * | 2024-02-29 | 2024-04-02 | 国网山东省电力公司经济技术研究院 | 一种区域级综合能源大规模数据清洗方法 |
| CN117829097A (zh) * | 2024-02-29 | 2024-04-05 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
| CN117872168A (zh) * | 2024-03-12 | 2024-04-12 | 苏州市洛肯电子科技有限公司 | 一种内嵌rfid新能源电池智能检测方法及系统 |
| CN117829097B (zh) * | 2024-02-29 | 2024-05-28 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109308306A (zh) * | 2018-09-29 | 2019-02-05 | 重庆大学 | 一种基于孤立森林的用户用电异常行为检测方法 |
| WO2020019403A1 (zh) * | 2018-07-26 | 2020-01-30 | 平安科技（深圳）有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
| CN112926021A (zh) * | 2021-03-26 | 2021-06-08 | 中国建设银行股份有限公司 | 波动率曲线的构造方法、装置、服务器及存储介质 |
| WO2022026022A1 (en) * | 2020-07-31 | 2022-02-03 | Microsoft Technology Licensing, Llc | Model selection and parameter estimation for anomaly detection |
| CN115760484A (zh) * | 2022-12-07 | 2023-03-07 | 湖北华中电力科技开发有限责任公司 | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 |
| CN115840924A (zh) * | 2023-02-15 | 2023-03-24 | 深圳市特安电子有限公司 | 一种压力变送器测量数据智慧处理系统 |
| CN116505040A (zh) * | 2023-06-27 | 2023-07-28 | 中能万家能源有限公司 | 一种铁铬液流电池储能管理诊断系统及方法 |
| CN116943130A (zh) * | 2022-04-14 | 2023-10-27 | 广东高驰运动科技股份有限公司 | 一种计数方法、装置、设备及存储介质 |
-
2023
- 2023-11-21 CN CN202311551493.3A patent/CN117312997B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020019403A1 (zh) * | 2018-07-26 | 2020-01-30 | 平安科技（深圳）有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
| CN109308306A (zh) * | 2018-09-29 | 2019-02-05 | 重庆大学 | 一种基于孤立森林的用户用电异常行为检测方法 |
| WO2022026022A1 (en) * | 2020-07-31 | 2022-02-03 | Microsoft Technology Licensing, Llc | Model selection and parameter estimation for anomaly detection |
| CN112926021A (zh) * | 2021-03-26 | 2021-06-08 | 中国建设银行股份有限公司 | 波动率曲线的构造方法、装置、服务器及存储介质 |
| CN116943130A (zh) * | 2022-04-14 | 2023-10-27 | 广东高驰运动科技股份有限公司 | 一种计数方法、装置、设备及存储介质 |
| CN115760484A (zh) * | 2022-12-07 | 2023-03-07 | 湖北华中电力科技开发有限责任公司 | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 |
| CN115840924A (zh) * | 2023-02-15 | 2023-03-24 | 深圳市特安电子有限公司 | 一种压力变送器测量数据智慧处理系统 |
| CN116505040A (zh) * | 2023-06-27 | 2023-07-28 | 中能万家能源有限公司 | 一种铁铬液流电池储能管理诊断系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| DENG, FJ ET.AL.: ""Isolation Forest Based Submodule Open-Circuit Fault Localization Method for Modular Multilevel Converters"", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》, vol. 70, no. 3, pages 3090 - 3102, XP011927761, DOI: 10.1109/TIE.2022.3167138 * |
| 滕予非;吴杰;张真源;姜振超;黄琦;: "基于离群点检测的高压并联电抗器本体电流互感器测量异常故障在线诊断", 电工技术学报, no. 11, pages 163 - 172 * |
| 程贤福等: ""基于孤立森林算法的动力电池不一致单体识别与预警方法"", 《华东交通大学学报》, vol. 40, no. 2, pages 95 - 102 * |
| 郑文佳: ""基于STM32与LabVIEW的链条电阻对焊监测器的开发"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, vol. 2021, no. 01, pages 022 - 1060 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117747094A (zh) * | 2024-02-21 | 2024-03-22 | 天津市第五中心医院 | 一种妇科疾病临床体征数据的异常检测方法 |
| CN117807547A (zh) * | 2024-02-29 | 2024-04-02 | 国网山东省电力公司经济技术研究院 | 一种区域级综合能源大规模数据清洗方法 |
| CN117829097A (zh) * | 2024-02-29 | 2024-04-05 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
| CN117807547B (zh) * | 2024-02-29 | 2024-05-10 | 国网山东省电力公司经济技术研究院 | 一种区域级综合能源大规模数据清洗方法 |
| CN117829097B (zh) * | 2024-02-29 | 2024-05-28 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
| CN117872168A (zh) * | 2024-03-12 | 2024-04-12 | 苏州市洛肯电子科技有限公司 | 一种内嵌rfid新能源电池智能检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117312997B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
| Di Maio et al. | Fault detection in nuclear power plants components by a combination of statistical methods | |
| CN112766342A (zh) | 一种电气设备的异常检测方法 | |
| CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
| CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
| CN108776694A (zh) | 一种时间序列异常点检测方法及装置 | |
| CN117034043A (zh) | 基于多能源物联网的智慧建筑综合能耗监测方法及系统 | |
| CN112906738B (zh) | 一种水质检测及处理方法 | |
| CN117391481B (zh) | 一种基于大数据的电力数据监视方法及系统 | |
| CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
| CN117195139B (zh) | 基于机器学习的慢性病健康数据动态监测方法 | |
| KR20210017651A (ko) | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN110672326B (zh) | 轴承故障检测方法与计算机可读存储介质 | |
| Ou et al. | A deep sequence multi-distribution adversarial model for bearing abnormal condition detection | |
| CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
| US20210321956A1 (en) | Determination of health status of systems equipped with sensors | |
| CN116595426B (zh) | 一种工业物联网数据智能采集管理系统 | |
| US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
| KR102486463B1 (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
| CN112731208B (zh) | 一种低压线路故障与异常在线监测方法、设备及介质 | |
| CN114003466A (zh) | 一种用于微服务应用程序的故障根因定位方法 | |
| CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 | |
| CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
| CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 |
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 |