WO2023020194A1 - 一种基于随机森林和支持向量机的能源数据异常原因分析方法 - Google Patents

一种基于随机森林和支持向量机的能源数据异常原因分析方法 Download PDF

Info

Publication number
WO2023020194A1
WO2023020194A1 PCT/CN2022/107010 CN2022107010W WO2023020194A1 WO 2023020194 A1 WO2023020194 A1 WO 2023020194A1 CN 2022107010 W CN2022107010 W CN 2022107010W WO 2023020194 A1 WO2023020194 A1 WO 2023020194A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
abnormal
cause analysis
support vector
household
Prior art date
Application number
PCT/CN2022/107010
Other languages
English (en)
French (fr)
Inventor
胡浩瀚
郭正雄
张立
李鹏程
张海涛
朱传晶
胡晓楠
徐骏
章名尚
Original Assignee
天津市普迅电力信息技术有限公司
国网信息通信产业集团有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 天津市普迅电力信息技术有限公司, 国网信息通信产业集团有限公司 filed Critical 天津市普迅电力信息技术有限公司
Publication of WO2023020194A1 publication Critical patent/WO2023020194A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • 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

Definitions

  • the invention relates to the technical field of power data analysis, in particular to a method for analyzing the causes of abnormal energy data based on random forests and support vector machines.
  • the existing power system has the following deficiencies in abnormal data collection and analysis:
  • the purpose of the present invention is to overcome the deficiencies of the prior art and provide a method for analyzing the causes of abnormal energy data based on random forests and support vector machines. Negative control data, analyze the causes of abnormal data belonging to different customers and different time periods.
  • a method for analyzing the cause of abnormal energy data based on random forest and support vector machine comprising the following steps:
  • Step 1 Use the model training module to perform data cleaning, data labeling and model parameter tuning
  • Step 2 Use the abnormal data receiving module to support reading relevant power negative control abnormal data from MySQL, Oracle, and Postgre;
  • Step 3 Perform data processing on the abnormal data obtained in step 2, and use big data technology to filter key information, delete redundant data, and calculate time windows for abnormal data; Python extracts power loads from Oracle and Postgres through JDBC Control abnormal data;
  • Step 4 Use the abnormal cause analysis module to analyze the abnormal data and feed back the abnormal cause analysis results; the abnormal cause analysis model mainly includes the working day cause analysis model and the non-working day cause analysis model.
  • step three also includes the following sub-steps:
  • Step 3.1 According to the abnormal occurrence time, calculate the scope of the time, and divide it into two categories: working days and non-working days;
  • Step 3.2 Carry out standard unit operation on the power load control data of multiple points, let P_household be the load data, P_household mark be the normalized data of P_household, C_run be the running capacity, then the Nth point
  • P_household be the load data
  • P_household mark be the normalized data of P_household
  • C_run be the running capacity
  • P_household n P_household n /C_run n
  • Step 3.3 Screen key information on the per unitized power negative control data, and retain account number, abnormal time, time window identifier and per unitized value information.
  • the automatic processing method can improve the accuracy of abnormal cause analysis.
  • Timing calculation which can regularly process abnormal data every day to ensure the timeliness of abnormal data analysis results.
  • Fig. 1 is a schematic diagram of the structure of the data flow of the present invention.
  • a method for analyzing the cause of abnormal energy data based on random forest and support vector machine comprising the following steps:
  • Step 1 Use the model training module to perform data cleaning, data labeling and model parameter tuning
  • Step 2 Use the abnormal data receiving module to support reading relevant power negative control abnormal data from MySQL, Oracle, and Postgre;
  • Step 3 Perform data processing on the abnormal data obtained in step 2, and use big data technology to filter key information, delete redundant data, and calculate time windows for abnormal data; Python uses JDBC to extract power loads from Oracle and Postgre Control abnormal data;
  • Step 4 Use the abnormal cause analysis module to analyze the abnormal data and feed back the abnormal cause analysis results; the abnormal cause analysis model mainly includes the working day cause analysis model and the non-working day cause analysis model.
  • Step 3.1 According to the abnormal occurrence time, calculate the scope of the time, and divide it into two categories: working days and non-working days;
  • Step 3.2 Carry out standard unit operation on the power load control data of multiple points, let P_household be the load data, P_household mark be the normalized data of P_household, C_run be the running capacity, then the Nth point
  • P_household be the load data
  • P_household mark be the normalized data of P_household
  • C_run be the running capacity
  • P_household n P_household n /C_run n
  • Step 3.3 Screen key information on the per unitized power negative control data, and retain account number, abnormal time, time window identifier and per unitized value information.
  • the present invention preferably also includes a timing task module for regularly collecting, screening, processing and analyzing the causes of abnormal power data, including a timing task module, a model training module, an abnormal data receiving module, and an abnormal data cause analysis module They are all implemented in software in the prior art.
  • Python first reads the database connection information stored in the configuration file under a fixed path, including ip, userName, password, database, and then receives incoming parameters, including data type, date type, and predicted days. Generate query statements based on the parameters list list.
  • the read data is cleaned and converted based on the dataframe, and standardized.
  • Sorting the cleaned data in time series through the dataframe the sorting results can serve as a reference for the abnormal analysis results.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于随机森林和支持向量机的能源数据异常原因分析方法，包括：步骤1：采用模型训练模块进行数据清洗处理、数据标签化及模型参数调优；步骤2：采用异常数据接收模块支持从MySQL、Oracle、Postgre中读取相关电力负控异常数据；步骤3：数据处理，采用大数据技术对异常数据进行关键信息筛选、冗余数据删除及时间窗口计算；其中Python通过JDBC方式从Oracle及Postgre中取出电力负控异常数据；步骤4：采用异常原因分析模块，对异常数据进行原因分析，并反馈异常原因分析结果。该方法基于随机森林和支持向量机模型，根据电力系统反馈的异常电力负控数据，对所属不同客户及不同时间段的异常数据进行原因分析。

Description

一种基于随机森林和支持向量机的能源数据异常原因分析方法 技术领域
本发明涉及电力数据分析技术领域，具体为一种基于随机森林和支持向量机的能源数据异常原因分析方法。
背景技术
随着电力行业的飞速发展，新型能源在电力应用环节的参与程度越大越大。而以往的传统发电模式因能源消耗比重大、环境污染程度严重等原因，电力生产和管理的难度也在增加。在企业用电的过程中，因企业用能变化、偷电漏电、企业突发情况等原因导致电力负控数据异常的情况时有发生。
在现有的电力系统中，针对于上述电力负控数据的异常情况，采用监察人员人工复查的方式进行异常原因分析，在人工复查的过程中，存在着复查效率低、复查出错率高、资源占用率高等问题。在很多要求数据及时性的场合，采用人工复查的方式往往不能满足业务需求。如果可以自动化的对企业异常用电数据进行异常原因分析，则可以在智能用电策略上为企业提供更好的方案支撑，也可以为企业提供更佳的用电服务。
现有的电力系统在异常数据收集分析方面存在以下不足：
(1)异常数据原因分析采用传统人工复查的方式，存在着复查效率低、出错率高等问题。不利于企业制定成熟的用电策略。
(2)以某地市电网运行数据为例，负控数据月增30万条。面对海量数据，人工复查方式并不适用于当下异常数据原因分析工作。
发明内容
本发明的目的在于克服现有技术的不足之处，提供一种基于随机森林和支持向量机的能源数据异常原因分析方法，该方法基于随机森林和支持向量机模型，根据电力系统反馈的异常电力负控数据，对所属不同客户及不同时间段的异常数据进行原因分析。
一种基于随机森林和支持向量机的能源数据异常原因分析方法，包括以下步骤：
步骤1：采用模型训练模块进行数据清洗处理、数据标签化及模型参数调优；
步骤2：采用异常数据接收模块支持从MySQL、Oracle、Postgre中读取相关电力负控异常数据；
步骤3：对步骤二中得到的异常数据进行数据处理，采用大数据技术对异常数据进行关键信息筛选、冗余数据删除及时间窗口计算工作；其中Python通过JDBC方式从Oracle及Postgre中取出电力负控异常数据；
步骤4：采用异常原因分析模块，对异常数据进行原因分析，并反馈异常原因分析结果；该异常原因分析模型主要包括工作日原因分析模型及非工作日原因分析模型。
而且，步骤三中还包括以下子步骤：
步骤3.1：根据异常发生时间，计算时间所属范围，分成工作日及非工作日两类；
步骤3.2：对多个点位的电力负控数据进行标幺化操作，设P_户为负荷数据，P_户标为P_户的归一化数据，C_run为运行容量，则第N点P_户标归一化数据通过以下公式求得：
P_户标 n＝P_户 n/C_run n
步骤3.3：对标幺化后的电力负控数据进行关键信息筛选，保留户号、异常时间、时间窗口标识及标幺化值信息。
本发明的优点和技术效果是：
本发明的一种基于随机森林和支持向量机的能源数据异常原因分析方法，可自动化的对异常数据产生的原因进行分析整合，之后推送给电力服务部门，可对企业智能输配电提供更高效的决策意见。依据异常数据分析原因，可更加便捷的解决企业用电过程中存在的用电问题，节约电力能源，节省人力物力，降低用电成本。
本发明的一种基于随机森林和支持向量机的能源数据异常原因分析方法，还具备以下优势：
(1)面对海量电力数据，自动化的异常原因分析效率要高于人工复查。
(2)针对不同时间范围的异常数据，自动化的处理方式可提高异常原因分析正确率。
(3)定时计算,每天可针对异常数据进行定时处理，可保证异常数据分析结果的时效性。
附图说明
图1为本发明数据流的结构示意图。
具体实施方式
为能进一步了解本发明的内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。需要说明的是，本实施例是描述性的，不是限定性的，不能由此限定本发明的保护范围。
一种基于随机森林和支持向量机的能源数据异常原因分析方法，包括以下步骤：
步骤1：采用模型训练模块进行数据清洗处理、数据标签化及模型参数调优；
步骤2：采用异常数据接收模块支持从MySQL、Oracle、Postgre中读取相关电力负控异常数据；
步骤3：对步骤二中得到的异常数据进行数据处理，采用大数据技术对异常数据进行关键信息筛选、冗余数据删除及时间窗口计算工作；其中Python通过JDBC方式从Oracle及Postgre中取出电力负控异常数据；
步骤4：采用异常原因分析模块，对异常数据进行原因分析，并反馈异常原因分析结果；该异常原因分析模型主要包括工作日原因分析模型及非工作日原因分析模型。
而且，步骤三中还包括以下子步骤：
步骤3.1：根据异常发生时间，计算时间所属范围，分成工作日及非工作日两类；
步骤3.2：对多个点位的电力负控数据进行标幺化操作，设P_户为负荷数据，P_户标为P_户的归一化数据，C_run为运行容量，则第N点P_户标归一化数据通过以下公式求得：
P_户标 n＝P_户 n/C_run n
步骤3.3：对标幺化后的电力负控数据进行关键信息筛选，保留户号、异常时间、时间窗口标识及标幺化值信息。
另外，本发明优选的，还包括有定时任务模块，用于定期收集筛选并处理分析电力异常数据的形成原因，该有定时任务模块、模型训练模块，异常数据接收模块,以及异常数据原因分析模块均搭载在现有技术中的软件内实施。
为了更清楚地说明本发明的具体实施方式，下面提供一种实施例：
本发明数据流图如图1所示，具体步骤如下：
(1)Python首先读取存放于固定路径下的配置文件中数据库连接信息，包括ip、userName、password、database，然后接收传入参数,包括数据类型,日期类型,预测天数.根据参数生成查询语句列表list。
(2)通过python第三方依赖库将查询语句列表list以sqlalchemy的方式建立JDBC连接,读取数据历史数据,企业用电信息、企业用电异常信息等。
(3)读取到的数据基于dataframe进行数据清洗转换，并进行标幺化。
(4)通过dataframe把清洗后的数据进行时间序列排序，排序结果可对异常分析结果起参考作用。
(5)把标幺化后的数据进行标签化，标签列用lable表示。
(6)基于标签化后的标幺化数据进行模型训练，分别训练RF模型及SVM模型，并对参数进行优化调整。
(7)使用训练好的模型对异常电力数据进行原因分析。
(8)通过dataframe方法对两个模型的输出结果进行比较，返回权重大的结果作为异常原因分析的最终结果。
(9)将行业企业信息与结果集进行关联。
(10)调用Python的Cx_oracle包把上述数据写入Oracle进行存储。
最后，本发明的未述之处均采用现有技术中的成熟产品及成熟技术手段。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (2)

  1. 一种基于随机森林和支持向量机的能源数据异常原因分析方法，其特征在于，包括以下步骤：
    步骤1：采用模型训练模块进行数据清洗处理、数据标签化及模型参数调优；
    步骤2：采用异常数据接收模块支持从MySQL、Oracle、Postgre中读取相关电力负控异常数据；
    步骤3：对步骤二中得到的异常数据进行数据处理，采用大数据技术对异常数据进行关键信息筛选、冗余数据删除及时间窗口计算工作；其中Python通过JDBC方式从Oracle及Postgre中取出电力负控异常数据；
    步骤4：采用异常原因分析模块，对异常数据进行原因分析，并反馈异常原因分析结果；该异常原因分析模型主要包括工作日原因分析模型及非工作日原因分析模型。
  2. 根据权利要求1所述的一种基于随机森林和支持向量机的能源数据异常原因分析方法，其特征在于：所述步骤三中还包括以下子步骤：
    步骤3.1：根据异常发生时间，计算时间所属范围，分成工作日及非工作日两类；
    步骤3.2：对多个点位的电力负控数据进行标幺化操作，设P_户为负荷数据，P_户标为P_户的归一化数据，C_run为运行容量，则第N点P_户标归一化数据通过以下公式求得：
    P_户标 n＝P_户 n/C_run n
    步骤3.3：对标幺化后的电力负控数据进行关键信息筛选，保留户号、异常时间、时间窗口标识及标幺化值信息。
PCT/CN2022/107010 2021-08-19 2022-07-21 一种基于随机森林和支持向量机的能源数据异常原因分析方法 WO2023020194A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110955288.8 2021-08-19
CN202110955288.8A CN113837540A (zh) 2021-08-19 2021-08-19 一种基于随机森林和支持向量机的能源数据异常原因分析方法

Publications (1)

Publication Number Publication Date
WO2023020194A1 true WO2023020194A1 (zh) 2023-02-23

Family

ID=78960810

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/107010 WO2023020194A1 (zh) 2021-08-19 2022-07-21 一种基于随机森林和支持向量机的能源数据异常原因分析方法

Country Status (2)

Country Link
CN (1) CN113837540A (zh)
WO (1) WO2023020194A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252484A (zh) * 2023-11-14 2023-12-19 国网信通亿力科技有限责任公司 一种基于大数据分析的用电异常监控方法及系统
CN117235460B (zh) * 2023-10-12 2024-05-31 广州拾贝云科技有限公司 一种基于电力时序数据的数据传输处理方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837540A (zh) * 2021-08-19 2021-12-24 天津市普迅电力信息技术有限公司 一种基于随机森林和支持向量机的能源数据异常原因分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110489254A (zh) * 2019-07-13 2019-11-22 西北工业大学 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法
CN110703183A (zh) * 2019-11-13 2020-01-17 江苏方天电力技术有限公司 一种智能电能表故障数据分析方法及系统
CN111090050A (zh) * 2020-01-21 2020-05-01 合肥工业大学 一种基于支持向量机和k均值的锂电池故障诊断方法
US20200256926A1 (en) * 2019-02-12 2020-08-13 Fuji Electric Co., Ltd. Abnormality cause identifying method, abnormality cause identifying device, power converter and power conversion system
CN112269779A (zh) * 2020-10-30 2021-01-26 国网上海市电力公司 一种用于电力设备缺陷的大数据分析系统和方法
CN113837540A (zh) * 2021-08-19 2021-12-24 天津市普迅电力信息技术有限公司 一种基于随机森林和支持向量机的能源数据异常原因分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200256926A1 (en) * 2019-02-12 2020-08-13 Fuji Electric Co., Ltd. Abnormality cause identifying method, abnormality cause identifying device, power converter and power conversion system
CN110489254A (zh) * 2019-07-13 2019-11-22 西北工业大学 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法
CN110703183A (zh) * 2019-11-13 2020-01-17 江苏方天电力技术有限公司 一种智能电能表故障数据分析方法及系统
CN111090050A (zh) * 2020-01-21 2020-05-01 合肥工业大学 一种基于支持向量机和k均值的锂电池故障诊断方法
CN112269779A (zh) * 2020-10-30 2021-01-26 国网上海市电力公司 一种用于电力设备缺陷的大数据分析系统和方法
CN113837540A (zh) * 2021-08-19 2021-12-24 天津市普迅电力信息技术有限公司 一种基于随机森林和支持向量机的能源数据异常原因分析方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235460B (zh) * 2023-10-12 2024-05-31 广州拾贝云科技有限公司 一种基于电力时序数据的数据传输处理方法及系统
CN117252484A (zh) * 2023-11-14 2023-12-19 国网信通亿力科技有限责任公司 一种基于大数据分析的用电异常监控方法及系统
CN117252484B (zh) * 2023-11-14 2024-01-23 国网信通亿力科技有限责任公司 一种基于大数据分析的用电异常监控方法及系统

Also Published As

Publication number Publication date
CN113837540A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
WO2023020194A1 (zh) 一种基于随机森林和支持向量机的能源数据异常原因分析方法
CN108964269A (zh) 配电网运维与综合管理系统
CN110852624A (zh) 一种面向企业执行层的智能制造管理系统及其运作方法
CN110826887A (zh) 一种基于大数据的智能运维管理系统及方法
CN114048892A (zh) 一种基于大数据的中小企业风险预警系统及方法
CN114091866A (zh) 一种基于能耗便捷化组合分析的智能优化节能系统
CN107122549A (zh) 一种汽车焊接车间能耗的分析方法
CN113435721A (zh) 一种智能变电站二次数据中台的构建方法
CN115016902B (zh) 工业流程数字化管理系统及方法
CN111915124A (zh) 一种应用于新能源接入园区的配电网管控方法
CN114676931B (zh) 一种基于数据中台技术的电量预测系统
CN112949961A (zh) 一种大数据技术质量信息分析评价及电商化采购质量管控策略应用的方法
CN107194529B (zh) 基于挖掘技术的配电网可靠性经济效益分析方法及装置
Xiong et al. Design and improvement of KPI system for materials management in Power Group Enterprise
CN114218216A (zh) 资源管理方法、装置、设备及存储介质
CN113537758A (zh) 基于大数据技术的制造业高质量发展综合评价方法和系统
Weiguo et al. Research on the application of smart logistics system based on big data: Taking jingdong logistics as an example
Ya’An Application of artificial intelligence in computer network technology in the era of big data
CN112183997A (zh) 一种用能单位异常状态的监测分析系统
Qi et al. Line Loss Outlier Detection and Correlation Analysis Between Low-voltage Distributed PV Loads: An Empirical Study
Wang Condition Based Maintenance of Grid Equipment and Its Prospect Based on" Internet+"
CN114185957B (zh) 一种适用于电力大数据业务需求的智能挖掘方法
Li et al. Research of Quality Management Method Based on Power Big Data
CN102915383A (zh) 一种区域工业能耗云平台及其采集方法
Tao et al. Power consumption behavior analysis for customer side flexible resources based on data mining

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22857507

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE