CN117828327A - 电力系统安全预警模型构建方法、装置和计算机设备 - Google Patents
电力系统安全预警模型构建方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117828327A CN117828327A CN202311805288.5A CN202311805288A CN117828327A CN 117828327 A CN117828327 A CN 117828327A CN 202311805288 A CN202311805288 A CN 202311805288A CN 117828327 A CN117828327 A CN 117828327A
- Authority
- CN
- China
- Prior art keywords
- feature
- data
- basic
- accident
- operation data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004590 computer program Methods 0.000 claims abstract description 43
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 51
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电力系统安全预警模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。方法包括:获取电力系统的基础信息,其中,基础信息包括多个基本特征和基本特征对应的特征值;根据不同的基本特征之间的关联度,将基础信息分为若干个特征数据组;分别找到每个特征数据组中的基准特征,其中,基准特征是当前的特征数据组中作为自变量的基本特征;获取现场作业数据,并将现场作业数据与基础信息相关联,其中,现场作业数据包括安全作业数据和事故作业数据;根据现场作业数据,分析每个基准特征与作业事故的关联度,并根据关联度设置预警规则,以得到安全预警模型。采用本方法能够提高安全预警灵活性。
Description
技术领域
本申请涉及大数据分析技术领域,特别是涉及一种电力系统安全预警模型构建方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
目前,在电力系统作业过程中,由于配电网设备多,工作复杂、危险点多等原因,造成了人员作业安全风险较大,给现场施工作业安全管理带来很大的难题。
相关技术中,通常通过固定的信息,如工作票、人员资质等固定特征配置相应的分析规则,再根据这种规则分析安全风险,从而发现安全风险并进行预警。目前配置的规则大多是取决于个人经验,为避免主观因素的影响,配置规则的字段需要相对固定,而采用这样的方式进行的安全预警难以适应不断变化的现场人员、环境、作业类型、设备、场景等因素,缺乏灵活性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高安全预警灵活性的电力系统安全预警模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电力系统安全预警模型构建方法,包括:
获取电力系统的基础信息,其中,所述基础信息包括多个基本特征和所述基本特征对应的特征值;
根据不同的所述基本特征之间的关联度,将所述基础信息分为若干个特征数据组;
分别找到每个所述特征数据组中的基准特征,其中,所述基准特征是当前的所述特征数据组中作为自变量的所述基本特征;
获取现场作业数据,并将所述现场作业数据与所述基础信息相关联,其中,所述现场作业数据包括安全作业数据和事故作业数据;
根据所述现场作业数据,分析每个所述基准特征与作业事故的关联度,并根据所述关联度设置预警规则,以得到安全预警模型。
在其中一个实施例中,所述根据不同的所述基本特征之间的关联度,将所述基础信息分为若干个特征数据组,包括:
获取多个所述基本特征对应的特征值在预设时间段内的变化轨迹;
计算不同所述基本特征之间所述变化轨迹的相似度;
将所述相似度高于预设相似度阈值的若干个所述基本特征作为同一个特征数据组。
在其中一个实施例中,所述分别找到每个所述特征数据组中的基准特征,包括:
分别针对每个所述特征数据组,将多个所述变化轨迹中的变化幅值最先超出预设幅度阈值的所述基本特征作为当前所述特征数据组的基准特征。
在其中一个实施例中,所述根据所述关联度设置预警规则,包括:
对多个所述基准特征对应的所述关联度进行排序,得到所述基准特征的关联度等级;
根据所述关联度等级对所述基准特征分配特征权重;
根据所述事故作业数据和所述特征权重设置预警规则。
在其中一个实施例中,所述根据所述事故作业数据和所述特征权重设置预警规则,包括:
从所述事故作业数据中提取作业事故发生时刻;
获取所述基准特征在所述作业事故发生时刻前预设时间段内的特征值,得到事故特征值;
根据所述事故特征值和对应的所述特征权重计算事故发生概率;
根据所述事故发生概率设置预警规则。
在其中一个实施例中,所述根据所述关联度设置预警规则,还包括:
根据所述关联度设置多个备选规则;
提取部分所述基础信息作为测试信息,并且提取部分所述现场作业数据作为对照数据;
根据所述测试信息和所述对照数据计算不同的所述备选规则的命中率;
根据所述命中率选取一个所述备选规则作为预警规则。
第二方面,本申请还提供了一种电力系统安全预警模型构建装置,包括:
信息获取模块,用于获取电力系统的基础信息,其中,所述基础信息包括多个基本特征和所述基本特征对应的特征值;
数据分组模块,用于根据不同的所述基本特征之间的关联度,将所述基础信息分为若干个特征数据组;
特征筛选模块,用于分别找到每个所述特征数据组中的基准特征,其中,所述基准特征是当前的所述特征数据组中作为自变量的所述基本特征;
数据关联模块,用于获取现场作业数据,并将所述现场作业数据与所述基础信息相关联,其中,所述现场作业数据包括安全作业数据和事故作业数据;
规则确定模块,用于根据所述现场作业数据,分析每个所述基准特征与作业事故的关联度,并根据所述关联度设置预警规则,以得到安全预警模型。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取电力系统的基础信息,其中,所述基础信息包括多个基本特征和所述基本特征对应的特征值;
根据不同的所述基本特征之间的关联度,将所述基础信息分为若干个特征数据组;
分别找到每个所述特征数据组中的基准特征,其中,所述基准特征是当前的所述特征数据组中作为自变量的所述基本特征;
获取现场作业数据,并将所述现场作业数据与所述基础信息相关联,其中,所述现场作业数据包括安全作业数据和事故作业数据;
根据所述现场作业数据,分析每个所述基准特征与作业事故的关联度,并根据所述关联度设置预警规则,以得到安全预警模型。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取电力系统的基础信息,其中,所述基础信息包括多个基本特征和所述基本特征对应的特征值;
根据不同的所述基本特征之间的关联度,将所述基础信息分为若干个特征数据组;
分别找到每个所述特征数据组中的基准特征,其中,所述基准特征是当前的所述特征数据组中作为自变量的所述基本特征;
获取现场作业数据,并将所述现场作业数据与所述基础信息相关联,其中,所述现场作业数据包括安全作业数据和事故作业数据;
根据所述现场作业数据,分析每个所述基准特征与作业事故的关联度,并根据所述关联度设置预警规则,以得到安全预警模型。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电力系统的基础信息,其中,所述基础信息包括多个基本特征和所述基本特征对应的特征值;
根据不同的所述基本特征之间的关联度,将所述基础信息分为若干个特征数据组;
分别找到每个所述特征数据组中的基准特征,其中,所述基准特征是当前的所述特征数据组中作为自变量的所述基本特征;
获取现场作业数据,并将所述现场作业数据与所述基础信息相关联,其中,所述现场作业数据包括安全作业数据和事故作业数据;
根据所述现场作业数据,分析每个所述基准特征与作业事故的关联度,并根据所述关联度设置预警规则,以得到安全预警模型。
上述电力系统安全预警模型构建方法、装置、计算机设备、存储介质和计算机程序产品,通过获取电力系统的基础信息,获得相对应的多个基本特征和基本特征对应的特征值,其中的多个基本特征之间存在关联性,根据不同的基本特征之间的关联度,可以将基础信息分为若干个特征数据组,从而使得每个特征数据组中的基本特征度具有一定的关联性,也即同一个数据组中的基本特征存在自变量和因变量的关系,一个基本特征对应特征数据的变化可能引起同组内其他的基本特征发生相对应的变化。接下来,再找到当前的特征数据组中作为自变量的基本特征,将其作为当前特征数据组中的基准特征,能够获得每个数据组中较为具代表性且变化趋势较为稳定的基本特征。随后,获取包括安全作业数据和事故作业数据的现场作业数据,并将现场作业数据与基础信息相关联,再根据现场作业数据,分析每个基准特征与作业事故的关联度,并根据关联度设置预警规则,以得到安全预警模型,以这样的方式得到的预警规则能够全面地考虑到基础信息,客观地对基本特征进行分析,从而在环境、作业类型、设备、场景等因素不断变化的情况下根据具体情况数据灵活调整与机构规则,提升了电力系统安全预警的灵活性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1为一个实施例中一种电力系统安全预警模型构建方法的应用环境图;
图2为一个实施例中一种电力系统安全预警模型构建方法的流程示意图;
图3为一个实施例中步骤S204和步骤S206的流程示意图;
图4为一个实施例一种电力系统安全预警模型构建方法中步骤S210的流程示意图;
图5为一个实施例中一种电力系统安全预警模型构建装置的结构框图;
图6为一个实施例中计算机设备的内部结构图;
图7为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的电力系统安全预警模型构建方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信,工程人员可以通过终端102手动输入基础信息,也可以通过终端102查看服务器104从各渠道获取到基础信息等数据,并且在安全预警发生时,服务器104可以将预警信息发送至终端102进行输出和展示。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。数据存储系统可以用于存储电力系统的基础信息、现场作业数据,还可以用来缓存数据计算过程中产生的基本特征之间的关联度数据以及基本特征对应特征值和现场作业数据的变化规律数据。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中,如图2所示,提供了一种电力系统安全预警模型构建方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤S202至步骤S210。其中:
步骤S202,获取电力系统的基础信息。
其中,基础信息包括多个基本特征和基本特征对应的特征值。基础信息可以在预设时间点到来时根据当前的历史数据进行不断更新,例如在每一次现场作业完成后到达预设时间点,相关的基础信息可以形成新的样本,进行数据分析回溯,提升准确率。
示例性地,基本特征可以包括作业相关的人员、场地、环境、现场作业、作业设备等,特征值即为上述信息相关的数据。如人员数据(也即人员作为基本特征对应的特征值,以下同理)可以包含人员的年龄、岗位、学历、专业、工作年限、历史违章情况等。场地数据可以包含场地类型、场地电压等级、场地历史违章情况等。环境数据可以包含温度、湿度、气象数据等。作业数据可以包含作业类型、是否登高、是否动火、是否带电作业、作业是否发生安全事故、作业时间。作业设备相关数据可以包含设备工况信息、故障信息等。
示例性地,工程人员可以在人员录入、工程建立、历史工程监测等过程中将上述基础信息通过终端102存储在数据存储系统。服务器104可以通过向数据存储系统请求的方式获取上述基础信息。服务器104也可以直接从终端102获取上述基础信息。
步骤S204,根据不同的基本特征之间的关联度,将基础信息分为若干个特征数据组。
其中,不同的基本特征之间存在一定的关联度,上述关联度是指不同基本特征对应的特征值之间存在相同或相近变化趋势的概率值。
示例性地,设备的运行温度、运行电流、设备运行负载的变化趋势会比较类似,因此,上述几种基本特征之间的关联度较高。而设备的功率损耗、设备使用年限、设备历史故障数的关联比较紧密,因此,上述几种基本特征之间的关联度也较高。
示例性地,服务器104可以在获取到的基础信息中选取一部分数据进行计算,例如,服务器104可以选取全部基础信息中60%的数据进行计算,通过聚类分析方法对特征值进行聚类分析,计算多个不同的基本特征之间的关联度,从而选取关联度高于预设关联度阈值的若干个基本特征作为一个特征数据组。
进一步地,进行聚类分析方法可以采用模糊聚类算法(Fuzzy C-Means,FCM)算法:假设样本集合为X={x1,x2,…,xn},将其分成c个模糊组,并求每组的聚类中心cj(j=1,2,…,C),使目标函数达到最小。其中“x1,x2,…,xn”表示n个基本特征对应的特征值,cj表示第j个特征数据组,且j是大于等于1小于等于C的正整数。
步骤S206,分别找到每个特征数据组中的基准特征。
其中,基准特征是当前的特征数据组中作为自变量的基本特征。每个数据组中可以存在一个基准特征,也可以存在多个基准特征,并且同一个特征数据组中的不同基准特征之间可以存在关联关系,同时作为自变量,共同作为影响其他基本特征的因素。
示例性地,服务器104可以使用相关性分析来了解不同基本特征之间的线性关系,使用相关系数(如Pearson相关系数)来度量不同基本特征对应的特征值变量之间的线性关系的强度和方向,从而判断哪一个基本特征是其他基本特征特征值的变化原因。服务器104还可以绘制散点图来可视化两个特征之间的关系。观察图形模式,例如是否呈现出一种趋势,有助于理解哪个特征可能是自变量。
步骤S208,获取现场作业数据,并将现场作业数据与基础信息相关联。
其中,现场作业数据包括安全作业数据和事故作业数据。安全作业数据是指当前数据对应的时间段不属于作业事故发生的有效时间段的现场作业数据;事故作业数据是指当前数据对应的时间段属于作业事故发生的有效时间段的现场作业数据。进一步地,作业事故发生的有效时间段可以包括事故发生之前的时间段,也可以包括事故发生之前和事故发生之后的时间段,并且作业事故发生的有效时间段可以由工程人员通过终端102输入并设置。例如,作业事故发生的有效时间段可以为作业事故发生前的15分钟。若作业事故发生的有效时间段包括事故发生之前和事故发生之后的时间段(例如事故发生之前的10分钟和事故发生之后的10分钟),则可以兼顾当前发生的作业事故和接下来发生的作业事故之间的关联性。
示例性地,服务器104可以通过解析现场作业数据分别获得安全作业数据和事故作业数据。再根据安全作业数据和事故作业数据中记载的基本特征字段将其与基础信息中的基本特征字段相关联。
步骤S210,根据现场作业数据,分析每个基准特征与作业事故的关联度,并根据关联度设置预警规则,以得到安全预警模型。
示例性地,服务器104可以直接根据关联度设置预警规则,对符合关联度条件的基准特征设置预警阈值,在对应的特征值超过预警阈值的情况下输出预警信息。其中,关联度条件可以是基准特征与作业事故的关联度高于预设关联度阈值。
上述电力系统安全预警模型构建方法中,通过获取电力系统的基础信息,获得相对应的多个基本特征和基本特征对应的特征值,其中的多个基本特征之间存在关联性,根据不同的基本特征之间的关联度,可以将基础信息分为若干个特征数据组,从而使得每个特征数据组中的基本特征度具有一定的关联性,也即同一个数据组中的基本特征存在自变量和因变量的关系,一个基本特征对应特征数据的变化可能引起同组内其他的基本特征发生相对应的变化。接下来,再找到当前的特征数据组中作为自变量的基本特征,将其作为当前特征数据组中的基准特征,能够获得每个数据组中较为具代表性且变化趋势较为稳定的基本特征。随后,获取包括安全作业数据和事故作业数据的现场作业数据,并将现场作业数据与基础信息相关联,再根据现场作业数据,分析每个基准特征与作业事故的关联度,并根据关联度设置预警规则,以得到安全预警模型,以这样的方式得到的预警规则能够全面地考虑到基础信息,客观地对基本特征进行分析,从而在环境、作业类型、设备、场景等因素不断变化的情况下根据具体情况数据灵活调整与机构规则,提升了电力系统安全预警的灵活性。
进一步地,本方法是由服务器104采用大数据分析技术进行数据分析,利用了计算机进行大规模计算的优势,挖掘出各类风险相关的因素,因而能够减少分析盲点和遗漏,更剔除了人为因素造成的风险分析差异。
在一个示例性的实施例中,如图3所示,步骤S204包括步骤S302至步骤S306。其中:
步骤S302,获取多个基本特征对应的特征值在预设时间段内的变化轨迹。
示例性地,服务器104首先可以访问包含基本特征和对应时间戳的数据存储。这可以是数据库、日志文件或其他数据存储系统,通过查询或读取相应的数据集来检索所需的基本特征值。在获取数据后,根据预设的时间段过滤数据,通过在查询中添加时间范围的条件或在读取数据后进行过滤来实现。接下来,服务器104可以对特征值进行聚合、平滑或其他变换的处理,以便更好地展示特征在时间上的变化趋势。最后,服务器104可以生成可视化图表,如折线图、趋势图等,从而分析每组特征值预设时间段内的变化轨迹。
步骤S304,计算不同基本特征之间变化轨迹的相似度。
示例性地,服务器104可以先对特征值数据进行标准化,对于每个基本特征的变化轨迹,首先进行数据标准化或归一化,确保它们在相同的尺度上。这有助于避免由于数值范围的不同而引起的误差。接下来,服务器104可以将不同特征的时间序列进行时间对齐,以确保它们在相同的时间点上有对应的值。这可以通过插值等方法来实现,使得每个时间步的值对齐。随后,服务器104可以选择合适的相似度度量方法来计算不同基本特征之间变化轨迹的相似度。其中,相似度度量的过程中可以使用皮尔逊相关系数、余弦相似度、动态时间规整、相似度矩阵等方法,皮尔逊相关系数用于度量两个变量之间的线性关系;余弦相似度用于度量两个向量的夹角,适用于非线性关系;动态时间规整是一种用于衡量两个时间序列之间相似度的方法,允许对时间轴上的延迟和变形进行比较;相似度矩阵是对于多个基本特征,计算它们两两之间的相似度。形成一个相似度矩阵,其中的每个元素表示对应特征之间的相似度。
步骤S306,将相似度高于预设相似度阈值的若干个基本特征作为同一个特征数据组。
在一个示例性的实施例中,如图3所示,S206包括:
步骤S308,分别针对每个特征数据组,将多个变化轨迹中的变化幅值最先超出预设幅度阈值的基本特征作为当前特征数据组的基准特征。
示例性地,获取到c个特征数据组后,这c个特征数据组之间相对独立,但特征数据组内部的特征值数据可能有关联,服务器104可以找到组内特征值中基准特征,也即引起其他基本特征变化的自变量,从而剔除其他因变量,减少因为变量过多影响权重分析。服务器104可以结合配电业务特征和基础算法来进行分析,分别针对每个特征数据组,将多个变化轨迹中的变化幅值最先超出预设幅度阈值的基本特征作为当前特征数据组的基准特征。其分析原理为,基准特征对应的特征值会引起其它基本特征对应的特征值变化,在变化趋势上会有提前量。其它基本特征对应的特征值的变化不会引起基准特征对应特征值的变化,因此基准特征对对应的特征值相对稳定。
在一个示例性的实施例中,如图4所示,步骤S210中根据关联度设置预警规则,以得到安全预警模型的步骤包括步骤S402至步骤S406。其中:
步骤S402,对多个基准特征对应的关联度进行排序,得到基准特征的关联度等级。
示例性地,服务器104可以在找出所有特征数据组的基准特征后,从现场作业数据中解析出上述的安全作业数据和事故作业数据,再通过频繁项集分析获取各基准特征和事故作业之间的关联度,并对关联度进行排序,从而根据排序结果得到每个基准特征对应的关联度等级。
进一步地,频繁项集是数据挖掘中关于频繁模式发现的概念,通常应用于关联规则挖掘。频繁项集指的是在数据集中经常同时出现的一组项(items)。在频繁项集的基础上,可以进一步发现关联规则,了解项之间的相关性。其中,项集(Itemset)是指数据集中的一个或多个项(items)的集合,项通常是数据集中的离散元素,如购物篮中的商品、文章中的关键词等。对于一个项集,其支持度是指包含该项集的事务(transactions)的比例。频繁项集是指在数据集中具有足够支持度的项集。服务器104可以设定一个支持度阈值,只有支持度不低于该阈值的项集才被认为是频繁项集。通过频繁项集,可以生成关联规则,描述项之间的关系。关联规则通常具有置信度(confidence)和支持度两个度量。置信度用于衡量规则的可信度。支持度用于衡量规则在整个数据集中的出现频率。
步骤S404,根据关联度等级对基准特征分配特征权重。
示例性地,服务器104可以对关联度较高、排序结果较为靠前的基准特征分配较高的关联度权重;对关联度较低、排序结果较为靠后的基准特征分配较低的关联度权重。进一步地,服务器104可以对关联度排序结果中的前25%分配最高等级权重,对25%至50%分配较高等级权重,对50%至75%分配较低等级权重,对后25%分配最低等级权重。
步骤S406,根据事故作业数据和特征权重设置预警规则。
示例性地,服务器104可以从事故作业数据中提取作业事故发生时刻,获取基准特征在作业事故发生时刻前预设时间段内的特征值,得到事故特征值,再根据事故特征值和对应的特征权重计算事故发生概率,最后根据事故发生概率设置预警规则。
在一个示例性的实施例中,步骤S210中根据关联度设置预警规则之后,还可以包括:根据关联度设置多个备选规则;提取部分基础信息作为测试信息,并且提取部分现场作业数据作为对照数据;根据测试信息和对照数据计算不同的备选规则的命中率;根据命中率选取一个备选规则作为预警规则。
示例性地,服务器104可以根据关联度设置多个备选规则,将基础信息中的一部分用于上述的预警规则设置过程中,再将另一部分基础信息作为对照数据用于预警规则的测试和验证过程中,再根据测试信息和对照数据计算不同的备选规则的命中率,从而根据命中率选取一个备选规则作为预警规则。
在另一个示例性的实施例中,工程人员在人员录入、工程建立、历史工程监测等过程中将上述基础信息通过终端102存储在数据存储系统。服务器104通过向数据存储系统请求的方式获取基础信息,或直接从终端102获取基础信息。
接下来,服务器104选取全部基础信息中60%的数据进行计算,通过聚类分析方法对特征值进行聚类分析,计算多个不同的基本特征之间的关联度,从而选取关联度高于预设关联度阈值的若干个基本特征作为一个特征数据组。服务器104首先访问包含基本特征和对应时间戳的数据存储,通过查询或读取相应的数据集来检索所需的基本特征值。在获取数据后,根据预设的时间段过滤数据,通过在查询中添加时间范围的条件或在读取数据后进行过滤来实现。接下来,服务器104对特征值进行聚合、平滑或其他变换的处理,以便更好地展示特征在时间上的变化趋势。最后,服务器104生成可视化图表,如折线图、趋势图等,从而分析每组特征值预设时间段内的变化轨迹。
随后,服务器104先对特征值数据进行标准化,对于每个基本特征的变化轨迹,首先进行数据标准化或归一化,再通过插值等方法将不同特征的时间序列进行时间对齐,以确保它们在相同的时间点上有对应的值。随后,服务器104计算不同基本特征之间变化轨迹的相似度。最后将相似度高于预设相似度阈值的若干个基本特征作为同一个特征数据组,分别针对每个特征数据组,将多个变化轨迹中的变化幅值最先超出预设幅度阈值的基本特征作为当前特征数据组的基准特征。
最后,服务器104在找出所有特征数据组的基准特征后,从现场作业数据中解析出上述的安全作业数据和事故作业数据,再通过频繁项集分析获取各基准特征和事故作业之间的关联度,并对关联度进行排序,从而根据排序结果得到每个基准特征对应的关联度等级。随后,服务器104对关联度排序结果中的前25%分配最高等级权重,对25%至50%分配较高等级权重,对50%至75%分配较低等级权重,对后25%分配最低等级权重,接下来,服务器104从事故作业数据中提取作业事故发生时刻,获取基准特征在作业事故发生时刻前预设时间段内的特征值,得到事故特征值,再根据事故特征值和对应的特征权重计算事故发生概率,最后根据事故发生概率设置预警规则,服务器104设置多个备选规则,提取部分基础信息作为测试信息,并且提取部分现场作业数据作为对照数据,根据测试信息和对照数据计算不同的备选规则的命中率,根据命中率选取一个备选规则作为预警规则。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电力系统安全预警模型构建方法的电力系统安全预警模型构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电力系统安全预警模型构建装置实施例中的具体限定可以参见上文中对于电力系统安全预警模型构建方法的限定,在此不再赘述。
在一个示例性的实施例中,如图5所示,提供了一种电力系统安全预警模型构建装置,包括:信息获取模块502、数据分组模块504、特征筛选模块506、数据关联模块508和规则确定模块510,其中:
信息获取模块502,用于获取电力系统的基础信息,其中,基础信息包括多个基本特征和基本特征对应的特征值;
数据分组模块504,用于根据不同的基本特征之间的关联度,将基础信息分为若干个特征数据组;
特征筛选模块506,用于分别找到每个特征数据组中的基准特征,其中,基准特征是当前的特征数据组中作为自变量的基本特征;
数据关联模块508,用于获取现场作业数据,并将现场作业数据与基础信息相关联,其中,现场作业数据包括安全作业数据和事故作业数据;
规则确定模块510,用于根据现场作业数据,分析每个基准特征与作业事故的关联度,并根据关联度设置预警规则,以得到安全预警模型。
在其中一个实施例中,数据分组模块504包括:
轨迹获取子模块,用于获取多个基本特征对应的特征值在预设时间段内的变化轨迹;
相似度计算子模块,用于计算不同基本特征之间变化轨迹的相似度;
特征分组子模块,用于将相似度高于预设相似度阈值的若干个基本特征作为同一个特征数据组。
在其中一个实施例中,特征筛选模块506包括:
特征筛选子模块,用于分别针对每个特征数据组,将多个变化轨迹中的变化幅值最先超出预设幅度阈值的基本特征作为当前特征数据组的基准特征。
在其中一个实施例中,规则确定模块510包括:
关联度分析子模块,用于对多个基准特征对应的关联度进行排序,得到基准特征的关联度等级;
权重分配子模块,用于根据关联度等级对基准特征分配特征权重;
规则设定子模块,用于根据事故作业数据和特征权重设置预警规则。
在其中一个实施例中,规则设定子模块包括:
事故分析单元,用于从事故作业数据中提取作业事故发生时刻;
特征获取单元,用于获取基准特征在作业事故发生时刻前预设时间段内的特征值,得到事故特征值;
概率计算单元,用于根据事故特征值和对应的特征权重计算事故发生概率;
规则生成单元,用于根据事故发生概率设置预警规则。
在其中一个实施例中,规则确定模块510还包括:
规则设定单元,用于根据关联度设置多个备选规则;
信息提取单元,用于提取部分基础信息作为测试信息,并且提取部分现场作业数据作为对照数据;
命中率计算单元,用于根据测试信息和对照数据计算不同的备选规则的命中率;
规则选取单元,用于根据命中率选取一个备选规则作为预警规则。
上述电力系统安全预警模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力系统的基础信息、现场作业数据,还可以用来缓存数据计算过程中产生的基本特征之间的关联度数据以及基本特征对应特征值和现场作业数据的变化规律数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力系统安全预警模型构建方法。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力系统安全预警模型构建方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取电力系统的基础信息,其中,基础信息包括多个基本特征和基本特征对应的特征值;根据不同的基本特征之间的关联度,将基础信息分为若干个特征数据组;分别找到每个特征数据组中的基准特征,其中,基准特征是当前的特征数据组中作为自变量的基本特征;获取现场作业数据,并将现场作业数据与基础信息相关联,其中,现场作业数据包括安全作业数据和事故作业数据;根据现场作业数据,分析每个基准特征与作业事故的关联度,并根据关联度设置预警规则,以得到安全预警模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个基本特征对应的特征值在预设时间段内的变化轨迹;计算不同基本特征之间变化轨迹的相似度;将相似度高于预设相似度阈值的若干个基本特征作为同一个特征数据组。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别针对每个特征数据组,将多个变化轨迹中的变化幅值最先超出预设幅度阈值的基本特征作为当前特征数据组的基准特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对多个基准特征对应的关联度进行排序,得到基准特征的关联度等级;根据关联度等级对基准特征分配特征权重;根据事故作业数据和特征权重设置预警规则。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从事故作业数据中提取作业事故发生时刻;获取基准特征在作业事故发生时刻前预设时间段内的特征值,得到事故特征值;根据事故特征值和对应的特征权重计算事故发生概率;根据事故发生概率设置预警规则。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据关联度设置多个备选规则;提取部分基础信息作为测试信息,并且提取部分现场作业数据作为对照数据;根据测试信息和对照数据计算不同的备选规则的命中率;根据命中率选取一个备选规则作为预警规则。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取电力系统的基础信息,其中,基础信息包括多个基本特征和基本特征对应的特征值;根据不同的基本特征之间的关联度,将基础信息分为若干个特征数据组;分别找到每个特征数据组中的基准特征,其中,基准特征是当前的特征数据组中作为自变量的基本特征;获取现场作业数据,并将现场作业数据与基础信息相关联,其中,现场作业数据包括安全作业数据和事故作业数据;根据现场作业数据,分析每个基准特征与作业事故的关联度,并根据关联度设置预警规则,以得到安全预警模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个基本特征对应的特征值在预设时间段内的变化轨迹;计算不同基本特征之间变化轨迹的相似度;将相似度高于预设相似度阈值的若干个基本特征作为同一个特征数据组。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别针对每个特征数据组,将多个变化轨迹中的变化幅值最先超出预设幅度阈值的基本特征作为当前特征数据组的基准特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对多个基准特征对应的关联度进行排序,得到基准特征的关联度等级;根据关联度等级对基准特征分配特征权重;根据事故作业数据和特征权重设置预警规则。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从事故作业数据中提取作业事故发生时刻;获取基准特征在作业事故发生时刻前预设时间段内的特征值,得到事故特征值;根据事故特征值和对应的特征权重计算事故发生概率;根据事故发生概率设置预警规则。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据关联度设置多个备选规则;提取部分基础信息作为测试信息,并且提取部分现场作业数据作为对照数据;根据测试信息和对照数据计算不同的备选规则的命中率;根据命中率选取一个备选规则作为预警规则。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取电力系统的基础信息,其中,基础信息包括多个基本特征和基本特征对应的特征值;根据不同的基本特征之间的关联度,将基础信息分为若干个特征数据组;分别找到每个特征数据组中的基准特征,其中,基准特征是当前的特征数据组中作为自变量的基本特征;获取现场作业数据,并将现场作业数据与基础信息相关联,其中,现场作业数据包括安全作业数据和事故作业数据;根据现场作业数据,分析每个基准特征与作业事故的关联度,并根据关联度设置预警规则,以得到安全预警模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个基本特征对应的特征值在预设时间段内的变化轨迹;计算不同基本特征之间变化轨迹的相似度;将相似度高于预设相似度阈值的若干个基本特征作为同一个特征数据组。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别针对每个特征数据组,将多个变化轨迹中的变化幅值最先超出预设幅度阈值的基本特征作为当前特征数据组的基准特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对多个基准特征对应的关联度进行排序,得到基准特征的关联度等级;根据关联度等级对基准特征分配特征权重;根据事故作业数据和特征权重设置预警规则。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从事故作业数据中提取作业事故发生时刻;获取基准特征在作业事故发生时刻前预设时间段内的特征值,得到事故特征值;根据事故特征值和对应的特征权重计算事故发生概率;根据事故发生概率设置预警规则。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据关联度设置多个备选规则;提取部分基础信息作为测试信息,并且提取部分现场作业数据作为对照数据;根据测试信息和对照数据计算不同的备选规则的命中率;根据命中率选取一个备选规则作为预警规则。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力系统安全预警模型构建方法,其特征在于,所述方法包括:
获取电力系统的基础信息,其中,所述基础信息包括多个基本特征和所述基本特征对应的特征值;
根据不同的所述基本特征之间的关联度,将所述基础信息分为若干个特征数据组;
分别找到每个所述特征数据组中的基准特征,其中,所述基准特征是当前的所述特征数据组中作为自变量的所述基本特征;
获取现场作业数据,并将所述现场作业数据与所述基础信息相关联,其中,所述现场作业数据包括安全作业数据和事故作业数据;
根据所述现场作业数据,分析每个所述基准特征与作业事故的关联度,并根据所述关联度设置预警规则,以得到安全预警模型。
2.根据权利要求1所述的方法,其特征在于,所述根据不同的所述基本特征之间的关联度,将所述基础信息分为若干个特征数据组,包括:
获取多个所述基本特征对应的特征值在预设时间段内的变化轨迹;
计算不同所述基本特征之间所述变化轨迹的相似度;
将所述相似度高于预设相似度阈值的若干个所述基本特征作为同一个特征数据组。
3.根据权利要求2所述的方法,其特征在于,所述分别找到每个所述特征数据组中的基准特征,包括:
分别针对每个所述特征数据组,将多个所述变化轨迹中的变化幅值最先超出预设幅度阈值的所述基本特征作为当前所述特征数据组的基准特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述关联度设置预警规则,包括:
对多个所述基准特征对应的所述关联度进行排序,得到所述基准特征的关联度等级;
根据所述关联度等级对所述基准特征分配特征权重;
根据所述事故作业数据和所述特征权重设置预警规则。
5.根据权利要求4所述的方法,其特征在于,所述根据所述事故作业数据和所述特征权重设置预警规则,包括:
从所述事故作业数据中提取作业事故发生时刻;
获取所述基准特征在所述作业事故发生时刻前预设时间段内的特征值,得到事故特征值;
根据所述事故特征值和对应的所述特征权重计算事故发生概率;
根据所述事故发生概率设置预警规则。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,所述根据所述关联度设置预警规则,还包括:
根据所述关联度设置多个备选规则;
提取部分所述基础信息作为测试信息,并且提取部分所述现场作业数据作为对照数据;
根据所述测试信息和所述对照数据计算不同的所述备选规则的命中率;
根据所述命中率选取一个所述备选规则作为预警规则。
7.一种电力系统安全预警模型构建装置,其特征在于,所述装置包括:
信息获取模块,用于获取电力系统的基础信息,其中,所述基础信息包括多个基本特征和所述基本特征对应的特征值;
数据分组模块,用于根据不同的所述基本特征之间的关联度,将所述基础信息分为若干个特征数据组;
特征筛选模块,用于分别找到每个所述特征数据组中的基准特征,其中,所述基准特征是当前的所述特征数据组中作为自变量的所述基本特征;
数据关联模块,用于获取现场作业数据,并将所述现场作业数据与所述基础信息相关联,其中,所述现场作业数据包括安全作业数据和事故作业数据;
规则确定模块,用于根据所述现场作业数据,分析每个所述基准特征与作业事故的关联度,并根据所述关联度设置预警规则,以得到安全预警模型。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311805288.5A CN117828327A (zh) | 2023-12-26 | 2023-12-26 | 电力系统安全预警模型构建方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311805288.5A CN117828327A (zh) | 2023-12-26 | 2023-12-26 | 电力系统安全预警模型构建方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117828327A true CN117828327A (zh) | 2024-04-05 |
Family
ID=90516526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311805288.5A Pending CN117828327A (zh) | 2023-12-26 | 2023-12-26 | 电力系统安全预警模型构建方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828327A (zh) |
-
2023
- 2023-12-26 CN CN202311805288.5A patent/CN117828327A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241669A (zh) | 一种自动建模方法、装置及其存储介质 | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
CN115641019A (zh) | 指标异常分析方法、装置、计算机设备和存储介质 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN114925153B (zh) | 基于业务的地理信息数据质量检测方法、装置和设备 | |
CN116894721A (zh) | 一种指标预测方法、装置、计算机设备 | |
CN116109215A (zh) | 可信数控系统的可信性量化评估方法、装置和计算机设备 | |
CN117828327A (zh) | 电力系统安全预警模型构建方法、装置和计算机设备 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
CN115049429A (zh) | 增益预测方法、装置和计算机设备 | |
CN114510405A (zh) | 指标数据评估方法、装置、设备、存储介质及程序产品 | |
CN113688120A (zh) | 数据仓库的质量检测方法、装置和电子设备 | |
JP5785229B2 (ja) | 環境負荷削減量算出装置および方法 | |
CN115860273B (zh) | 用电负荷预测方法、装置、计算机设备和存储介质 | |
CN117495131A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
CN117495128A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
CN116319405A (zh) | 流量数据异常检测方法、装置及计算机设备 | |
CN117312892A (zh) | 用户聚类方法、装置、计算机设备和存储介质 | |
CN115936789A (zh) | 考虑非线性时间常数的资源数值变动数据生成方法和装置 | |
CN117077028A (zh) | 风险预测模型的构建方法、装置、计算机设备和存储介质 | |
CN116128289A (zh) | 客群的风险预测方法、装置、计算机设备和存储介质 | |
CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
CN115270937A (zh) | 电气设备的敏感性分类方法、装置和计算机设备 | |
CN117575772A (zh) | 一种异常用户的检测方法、装置、计算机设备、存储介质 |
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 |