CN104766175A - 一种基于时间序列分析的电力***异常数据辨识与修正方法 - Google Patents
一种基于时间序列分析的电力***异常数据辨识与修正方法 Download PDFInfo
- Publication number
- CN104766175A CN104766175A CN201510182225.8A CN201510182225A CN104766175A CN 104766175 A CN104766175 A CN 104766175A CN 201510182225 A CN201510182225 A CN 201510182225A CN 104766175 A CN104766175 A CN 104766175A
- Authority
- CN
- China
- Prior art keywords
- data
- time series
- abnormal data
- identification
- model
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时间序列分析的电力***异常数据辨识与修正方法,包括数据预处理,时间序列建模,异常数据辨识和异常数据修正四个部分。数据预处理包括辨识和修正待检测数据中的缺失数据以及突变为零值的数据。时间序列建模包括对预处理后的待检测的数据进行时间序列分析,根据时间序列建立模型的步骤,采用差分自回归移动平均模型对待检测的数据进行建模。异常数据辨识通过对建立的差分自回归移动平均模型的拟合残差序列的分析,设定误差置信区间,辨识异常数据。异常数据修正采用神经网络法建立对异常数据修正的预测模型,通过对异常数据所在时刻的数据值进行预测,实现对异常数据的修正。本发明方法简单易行,准确度高。
Description
技术领域
本发明涉及电力***异常数据辨识与修正技术领域,尤其涉及一种基于时间序列分析的异常数据辨识与修正方法。
背景技术
随着社会经济的快速发展和科学技术水平的不断提高,现代电力***发展的越来越快,社会对电网智能化的要求也越来越提高。由于电网规模的不断扩大、电力***结构和运行模式的日益复杂,电力***中大量的实时数据对***的安全性、稳定性和可靠性的影响越来越大。
所谓异常数据,是指在实际的电力***运行中测量误差很大的量测量。电力***运行过程中由于通道错误、远程终端单元故障以及外在条件变化等原因,都可能造成数据的产生较大的误差,产生异常数据。异常数据的存在可能会影响电力***的正常运行,甚至威胁整个电力***的安全,因此电力***中异常数据的辨识对于促进电网安全优质运行具有重要价值。
目前对电力***中异常数据的辨识的研究越来越多,主要分为基于状态估计法、基于新息图法和基于数据挖掘法的异常数据辨识方法,其中基于数据挖掘的异常数据的辨识方法主要有模糊数学法、神经网络法、聚类分析法和间隙统计法。由于电力***中的数据可以看成是既包含规律性又具有随机性的时间序列,因此可以采用时间序列分析法实现对电力***中异常数据的辨识;又由于神经网络法能够以任意精度逼近任何非线性映射,因此适合描述具有复杂非线性特点的电力***数据的预测模型。所以采用一种基于时间序列分析和神经网络的方法,有效地实现了对电力***异常数据的辨识与修正。
发明内容
为了辨识与修正电力***的异常数据,提高网络的运行控制能力,保证电力***安全、稳定和经济运行,本发明提供一种基于时间序列分析的异常数据辨识与修正方法,可以有效辨识与修正异常数据。
为实现上述目的,本发明采用的技术方案为:
一种基于时间序列分析的异常数据辨识与修正方法,包括数据预处理,时间序列建模,异常数据辨识和异常数据修正四个部分。数据预处理包括辨识和修正待检测数据中的缺失数据以及突变为零值的数据。时间序列建模根据建立时间序列模型的步骤,对待检测数据建立时间序列模型。异常数据辨识通过对建立的时间序列模型的拟合残差序列进行分析,辨识异常数据。异常数据修正采用神经网络法实现对异常数据的修正。
具体的,基于时间序列分析的异常数据辨识与修正方法的详细步骤包括:对待检测数据中的缺失数据和突变为零值的数据进行辨识,采用拉格朗日插值算法对辨识出的数据进行填补和修正;对预处理后的待检测数据进行时间序列分析,根据Box-Jenkins建模的思想,采用数据的平稳化处理、模型识别、参数估计和模型检验的时间序列建立模型的步骤,对预处理后的数据建立差分自回归移动平均模型;对建立的差分自回归移动平均模型的数据,实现对异常数据的辨识;对于辨识出的异常数据,采用RBF神经网络实拟合残差序列进行分析,设定误差置信区间,在置信区间外的数据则为异常现对异常数据修正,即建立RBF神经网络预测模型,利用非异常数据形成的样本集对所述预测模型进行训练,根据训练好的预测模型实现对异常数据的逐点修正。
相对于现有技术,本发明具有如下有益效果:本发明提供的基于时间序列分析的异常数据辨识与修正方法,该方法采用时间序列分析法对待检测数据建立相应的时间序列模型,实现对数据统计规律性的描述;对建立好的模型中的残差序列进行分析,建立误差置信区间,实现待检测数据中异常数据的辨识;采用RBF神经网络法,实现对电力***中异常数据的逐点修正。本发明根据电力***数据的时序特性,有效地实现了对电力***异常数据的辨识,采用神经网络和纵向均值法分别对不连续的异常数据和连续的异常数据进行修正,提高了修正的精度,促进电网安全优质运行。
附图说明
图1为本发明基于时间序列分析的异常数据辨识与修正方法的流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,本发明的方法具体包括以下步骤:
1)对待检测据数据进行预处理,辨识待检测据数据中的缺失数据和突变为零值的数据,采用拉格朗日(Lagrange)插值方法对辨识出的缺失以及突变为零的数据进行填补和修正。
Lagrange插值的方法是对给定的n个插值节点x1,x2,…xn,以及对应的函数值y1,y2,…yn,利用n次Lagrange插值多项式,则对插值区间任意的x的函数值y可以通过Ln(x)来求解,Ln(x)的表达式为:
其中li(x)(i=0,1,2,…,n)是插值基函数,其表达式为:
2)对预处理后的待检测数据进行时间序列分析,根据时间序列建立模型的步骤,对数据建立采用差分自回归移动平均ARIMA模型。ARIMA模型是由Box和Jenkins于70年代初提出的著名时间序列方法,指将非平稳时间序列转化为平稳时间序列,然后将因变量对它的滞后值及随机误差项的现值和滞后值进行回归所建立的模型。
ARIMA模型表达式为:
其中Δdyt表示yt经过d次差分转换后形成的时间序列,且Δdyt=Δd-1yt-Δd-1yt-1;Φi(i=1,2,…,p)和θj(j=1,2,…,q)为模型的待估计参数,p和q为模型的阶;εt是t时刻的时间序列的随机误差,它们是相互独立的白噪声序列。
根据Box-Jenkins建模的思想,建立时间序列ARIMA(p,d,q)模型的步骤为:
(1)数据的平稳化处理。对数据进行平稳化检验,一般采用单位根检验法。如果数据序列是非平稳的,如存在一定的增长或下降趋势等,可以差分变换对数据进行平稳化处理,然后再判断经过处理后序列的平稳性。。
(2)模型识别。根据平稳时间序列的样本自相关函数(ACF)和偏自相关函数(PACF)初步确定p和q的值,然后通过赤池信息量(AIC)准则对多组p、q值进行对比与筛选,选出最优的时间序列模型,其中AIC准则的定义为:
其中δ是拟合残差的方差,p、q为模型的阶数,N是参与估计的样本个数。
(3)参数估计和模型检验。采用最小二乘法(OLS)对模型参数进行估计,然后对估计的参数进行显著性检验和对残差序列进行白噪声检验,判断所建模型是否可取,如果模型中的某些参数不能通过显著性检验,则需要对模型进行重新识别。其中最小二乘法是一种数学优化技术,它通过最小化误差的平方和寻找数据的最佳函数匹配。
(4)利用具有合适参数的模型进行预测。
3)根据建立的差分自回归移动平均模型,获得模型的拟合残差序列并对其进行分析,由于异常数据一般是指与其他数据产生的条件有明显不同的数据,所以异常数据的残差一般会较大,因此采用设定置信区间方法辨识异常数据。假设预处理后的待检测数据为yt,建立的差分自回归移动平均ARIMA模型的拟合值为则残差序列为误差百分比为如果αt在[-c,+c]置信区间内,则认为是正常数据,如果αt在[-c,+c]置信区间外,则认为异常数据,其中c是预先确定的阈值。
4)采用RBF神经网络法实现对异常数据的逐点修正。
步骤4-1:对于辨识出的异常数据,采用RBF神经网络建立异常数据所在时刻的预测模型,其中RBF是径向基神经网络算法。基于RBF神经网络修正异常数据的步骤如下:
(1)建立一个RBF神经网络,输入层、隐含层和输出层节点的个数以及输入向量和输出向量的具体形式可以根据所描述的问题而具体设定;
(2)利用归一化后的非异常数据训练RBF神经网络;
(3)将输入向量输入到已经完成训练的RBF网络中,得到一组相应的输出值,用这组输出值来替代检测出的异常数据。
步骤4-2:采用相对误差对异常数据修正结果的准确度进行评价,评估RBF神经网络法和纵向均值法对异常据修正的能力。
上式中,i为时间,Pi为i时刻时间的值,Pfi为i时刻修正后的值。
5)实例分析
利用本发明方法对本文对某地区SCADA***中采集的96点日负荷数据作为样本进行实例分析。
(1)采用Lagrange插值方法对样本数据集中有缺失点和突变为零的点进行填补和修正。
(2)为了验证辨识和修正异常数据方法的可行性和有效性,在待检测日负荷数据样本中人为制异常数据,异常数据的编号分别是47、71。对预处理后的日负荷数据进行时间序列分析,根据时间序列建立模型的步骤,对日负荷数据建立的差分自回归移动平均模型为ARIMA(1,1,2)。
(3)根据建立的差分自回归移动平均ARIMA(1,1,2)模型,获得模型的拟合残差序列et,求出误差百分比αt,设定阈值c=10.5%,由于编号为47和71的数据的误差百分比均在置信区间之外,如表1所示,所以编号为47和71的日负荷值为异常数据,与人为设定的异常数据的编号一致。
表1
编号 | 残差值 | 误差百分比αt | 是否为异常数据 |
47 | -12.476 | -14.93% | 是 |
71 | 10.592 | 11.81% | 是 |
(4)采用RBF神经网络法修正异常数据。由于负荷时间序列自身是高度自相关的,所以建立一个输入量为预测时刻的前若干个时刻的数据值,输出量为预测时刻的数据值的RBF神经网络。
(5)采用相对误差对异常数据修正结果的准确度进行评价,修正负荷值与实际负荷值的相对误差如表2所示。
表2
编号 | 实际负荷值 | 修正后的负荷值 | 相对误差 |
47 | 81.696 | 82.293 | 0.73% |
71 | 88.749 | 89.769 | 1.15% |
从实例分析中可以看出本发明方法可以有效地辨识和修正异常数据,且修正的精度较高,满足电网运行使用的要求。
综上所述,本发明提供的基于时间序列分析的异常数据辨识与修正方法,根据电力***数据的时序特性,采用建立自回归移动平均模型的方法对数据进行拟合,对拟合残差序列设定误差置信区间,实现对异常数据的有效辨识,采用神经网络和纵向均值法分别对不连续的异常数据和连续的异常数据进行修正,提高了修正的精度,促进电网安全优质运行。
以上所述仅是用来说明本发明的技术方案,不用于限制本发明,本发明的保护范围由权利要求限定。应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于时间序列分析的电力***异常数据辨识与修正方法,其特征在于:包括数据预处理,时间序列建模,异常数据辨识和异常数据修正四个部分;
数据预处理,包括辨识和修正待检测数据中的缺失数据以及突变为零值的数据;
时间序列建模,根据建立时间序列模型的步骤,对待检测数据建立时间序列模型;
异常数据辨识,通过对建立的时间序列模型的拟合残差序列进行分析,辨识异常数据;
异常数据修正,采用神经网络法实现对异常数据的修正。
2.根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法,其特征在于:对待检测数据中的缺失数据和突变为零值的数据进行辨识,采用拉格朗日插值算法对辨识出的数据进行填补和修正。
3.根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法,其特征在于:对预处理后的待检测数据进行时间序列分析,根据Box-Jenkins建模的思想,采用数据的平稳化处理、模型识别、参数估计和模型检验的时间序列建立模型的步骤,对预处理后的数据建立差分自回归移动平均模型。
4.根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法,其特征在于:对建立的差分自回归移动平均模型的拟合残差序列进行分析,设定误差置信区间,在置信区间外的数据则为异常数据,实现对异常数据的辨识。
5.根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法,其特征在于:对于辨识出的异常数据,采用RBF神经网络实现对异常数据修正,即建立RBF神经网络预测模型,利用非异常数据形成的样本集对所述预测模型进行训练,根据训练好的预测模型实现对异常数据的逐点修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510182225.8A CN104766175A (zh) | 2015-04-16 | 2015-04-16 | 一种基于时间序列分析的电力***异常数据辨识与修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510182225.8A CN104766175A (zh) | 2015-04-16 | 2015-04-16 | 一种基于时间序列分析的电力***异常数据辨识与修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104766175A true CN104766175A (zh) | 2015-07-08 |
Family
ID=53647989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510182225.8A Pending CN104766175A (zh) | 2015-04-16 | 2015-04-16 | 一种基于时间序列分析的电力***异常数据辨识与修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766175A (zh) |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005939A (zh) * | 2015-07-09 | 2015-10-28 | 国网天津市电力公司 | 基于点对点倍比法的电网跳跃运行数据甄别与修正方法 |
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力***负荷数据辨识及修复方法 |
CN106095895A (zh) * | 2016-06-07 | 2016-11-09 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN106354995A (zh) * | 2016-08-24 | 2017-01-25 | 华北电力大学(保定) | 一种基于拉格朗日插值与时间序列的预测方法 |
CN106528565A (zh) * | 2015-09-11 | 2017-03-22 | 北京邮电大学 | 监测***的数据处理方法和装置 |
CN106570790A (zh) * | 2016-11-10 | 2017-04-19 | 甘肃省电力公司风电技术中心 | 一种计及风速数据分段特性的风电场出力数据修复方法 |
CN106649832A (zh) * | 2016-12-29 | 2017-05-10 | 北京奇艺世纪科技有限公司 | 一种基于缺失数据的预估方法及装置 |
CN106709816A (zh) * | 2016-11-29 | 2017-05-24 | 国网陕西省电力公司电力科学研究院 | 基于非参数回归分析的电力负荷异常数据识别与修正方法 |
CN106933691A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市彬讯科技有限公司 | 一种针对季节性时序数据序列中异常点的识别方法及*** |
CN107067100A (zh) * | 2017-01-25 | 2017-08-18 | 国网冀北电力有限公司 | 风电功率异常数据辨识方法及辨识装置 |
CN107689015A (zh) * | 2017-08-11 | 2018-02-13 | 国家电网公司 | 一种改进的电力***不良数据辨识方法 |
CN108038040A (zh) * | 2017-12-08 | 2018-05-15 | 上海市信息网络有限公司 | 计算机集群性能指标检测方法、电子设备及存储介质 |
CN108664741A (zh) * | 2018-05-14 | 2018-10-16 | 平顶山学院 | 基于时间序列模型特征的变电站故障检测方法 |
CN109255478A (zh) * | 2018-08-27 | 2019-01-22 | 南京河海南自水电自动化有限公司 | 异常数据兼容模式下水情测报和水调自动化***及方法 |
CN109634944A (zh) * | 2018-12-05 | 2019-04-16 | 贵州电网有限责任公司凯里供电局 | 一种基于多维度时空分析的网损数据清洗方法 |
CN109633369A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
CN109726503A (zh) * | 2019-01-12 | 2019-05-07 | 国电联合动力技术有限公司 | 缺失数据填补方法及装置 |
CN109753049A (zh) * | 2018-12-21 | 2019-05-14 | 国网江苏省电力有限公司南京供电分公司 | 一种源网荷互动工控***的异常指令检测方法 |
CN109784042A (zh) * | 2018-12-29 | 2019-05-21 | 北京奇安信科技有限公司 | 时间序列中异常点的检测方法、装置、电子设备及存储介质 |
CN110134913A (zh) * | 2018-02-08 | 2019-08-16 | 松下知识产权经营株式会社 | 数据分析方法、数据分析装置以及记录介质 |
CN110648173A (zh) * | 2019-09-19 | 2020-01-03 | 西安电子科技大学 | 基于商品好评和差评率的无监督异常商品数据检测方法 |
CN111190045A (zh) * | 2019-12-27 | 2020-05-22 | 国网北京市电力公司 | 电压异常预测方法及装置、电子设备 |
CN111461409A (zh) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | 一种中长期负荷数据的异常值处理方法 |
CN112816216A (zh) * | 2021-01-05 | 2021-05-18 | 三峡大学 | 一种滚动轴承性能测试台和异常测试样本的识别与修正方法 |
CN113065219A (zh) * | 2020-01-02 | 2021-07-02 | 株洲中车时代电气股份有限公司 | 一种列车牵引变压器冷却***异常检测方法及装置 |
CN113377744A (zh) * | 2021-06-16 | 2021-09-10 | 北京建筑大学 | 具有环境温度相关性的结构异常监测数据重建方法及装置 |
CN113393325A (zh) * | 2021-05-21 | 2021-09-14 | 乐刷科技有限公司 | 交易检测方法、智能设备及计算机存储介质 |
CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
CN114039886A (zh) * | 2021-10-19 | 2022-02-11 | 国网山东省电力公司日照供电公司 | 基于四分差和自相关性分析的数据正确性辨识方法及装置 |
CN115834424A (zh) * | 2022-10-09 | 2023-03-21 | 国网甘肃省电力公司临夏供电公司 | 配电网线损异常数据的辨识与修正方法 |
CN115876964A (zh) * | 2023-01-31 | 2023-03-31 | 北方工业大学 | 一种城市街区气候环境与碳排放移动监测预警方法及*** |
CN111695620B (zh) * | 2020-06-08 | 2023-10-24 | 中国电力科学研究院有限公司 | 一种电力***时间序列异常数据检测与修正方法及*** |
CN117352094A (zh) * | 2023-12-04 | 2024-01-05 | 山东恒信科技发展有限公司 | 一种用于原料油的物性预测分析方法及*** |
CN117391481A (zh) * | 2023-12-11 | 2024-01-12 | 阿尔卑斯***集成(大连)有限公司 | 一种基于大数据的电力数据监视方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968669A (zh) * | 2011-08-31 | 2013-03-13 | 富士通株式会社 | 对负荷进行预测的方法和装置 |
CN103020166A (zh) * | 2012-11-26 | 2013-04-03 | 宁波电业局 | 一种电力实时数据异常检测方法 |
CN103412941A (zh) * | 2013-08-22 | 2013-11-27 | 国家电网公司 | 一种数据校正方法及装置 |
CN104166718A (zh) * | 2014-08-18 | 2014-11-26 | 国家电网公司 | 一种适用于大电网的不良数据检测与辨识方法 |
-
2015
- 2015-04-16 CN CN201510182225.8A patent/CN104766175A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968669A (zh) * | 2011-08-31 | 2013-03-13 | 富士通株式会社 | 对负荷进行预测的方法和装置 |
CN103020166A (zh) * | 2012-11-26 | 2013-04-03 | 宁波电业局 | 一种电力实时数据异常检测方法 |
CN103412941A (zh) * | 2013-08-22 | 2013-11-27 | 国家电网公司 | 一种数据校正方法及装置 |
CN104166718A (zh) * | 2014-08-18 | 2014-11-26 | 国家电网公司 | 一种适用于大电网的不良数据检测与辨识方法 |
Non-Patent Citations (6)
Title |
---|
李传涛: "基于频段振动烈度和ARIMA的煤矿减速机状态预测", 《煤矿机械》 * |
李祥飞: "混沌优化理论在控制***设计中的研究", 《中国博士学位论文全文数据库(信息科技辑)》 * |
潘轶彪 等: "基于多层感知器的异常数据实时检测方法", 《上海交通大学学报》 * |
甘旭升 等: "基于ARIMA模型的航空装备事故时序预测", 《中国安全科学学报》 * |
白璇: "地基GPS电离层异常探测研究", 《中国优秀硕士学位论文全文数据库》 * |
蒋雯倩 等: "改进FCM算法及其在电力负荷坏数据处理的应用", 《电力***及其自动化学报》 * |
Cited By (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005939A (zh) * | 2015-07-09 | 2015-10-28 | 国网天津市电力公司 | 基于点对点倍比法的电网跳跃运行数据甄别与修正方法 |
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
US10825112B2 (en) | 2015-08-19 | 2020-11-03 | China Electric Power Research Institute Company Limited | Method of predicting distribution network operation reliability |
WO2017028632A1 (zh) * | 2015-08-19 | 2017-02-23 | 中国电力科学研究院 | 一种配电网运行可靠性的预测方法 |
CN105069535B (zh) * | 2015-08-19 | 2020-07-24 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN106528565A (zh) * | 2015-09-11 | 2017-03-22 | 北京邮电大学 | 监测***的数据处理方法和装置 |
CN106528565B (zh) * | 2015-09-11 | 2019-08-06 | 北京邮电大学 | 监测***的数据处理方法和装置 |
CN106095895A (zh) * | 2016-06-07 | 2016-11-09 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN106095895B (zh) * | 2016-06-07 | 2019-12-10 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN106055918B (zh) * | 2016-07-26 | 2020-02-21 | 天津大学 | 一种电力***负荷数据的辨识及修正方法 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力***负荷数据辨识及修复方法 |
CN106354995A (zh) * | 2016-08-24 | 2017-01-25 | 华北电力大学(保定) | 一种基于拉格朗日插值与时间序列的预测方法 |
CN106570790A (zh) * | 2016-11-10 | 2017-04-19 | 甘肃省电力公司风电技术中心 | 一种计及风速数据分段特性的风电场出力数据修复方法 |
CN106570790B (zh) * | 2016-11-10 | 2021-05-07 | 甘肃省电力公司风电技术中心 | 一种计及风速数据分段特性的风电场出力数据修复方法 |
CN106709816A (zh) * | 2016-11-29 | 2017-05-24 | 国网陕西省电力公司电力科学研究院 | 基于非参数回归分析的电力负荷异常数据识别与修正方法 |
CN106709816B (zh) * | 2016-11-29 | 2020-04-21 | 国网陕西省电力公司电力科学研究院 | 基于非参数回归分析的电力负荷异常数据识别与修正方法 |
CN106649832B (zh) * | 2016-12-29 | 2020-04-17 | 北京奇艺世纪科技有限公司 | 一种基于缺失数据的预估方法及装置 |
CN106649832A (zh) * | 2016-12-29 | 2017-05-10 | 北京奇艺世纪科技有限公司 | 一种基于缺失数据的预估方法及装置 |
CN107067100B (zh) * | 2017-01-25 | 2020-12-04 | 国网冀北电力有限公司 | 风电功率异常数据辨识方法及辨识装置 |
CN107067100A (zh) * | 2017-01-25 | 2017-08-18 | 国网冀北电力有限公司 | 风电功率异常数据辨识方法及辨识装置 |
CN106933691B (zh) * | 2017-03-09 | 2020-11-10 | 深圳市彬讯科技有限公司 | 一种针对季节性时序数据序列中异常点的识别方法及*** |
CN106933691A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市彬讯科技有限公司 | 一种针对季节性时序数据序列中异常点的识别方法及*** |
CN107689015A (zh) * | 2017-08-11 | 2018-02-13 | 国家电网公司 | 一种改进的电力***不良数据辨识方法 |
CN108038040B (zh) * | 2017-12-08 | 2021-05-11 | 上海市信息网络有限公司 | 计算机集群性能指标检测方法、电子设备及存储介质 |
CN108038040A (zh) * | 2017-12-08 | 2018-05-15 | 上海市信息网络有限公司 | 计算机集群性能指标检测方法、电子设备及存储介质 |
CN110134913B (zh) * | 2018-02-08 | 2023-08-18 | 松下知识产权经营株式会社 | 数据分析方法、数据分析装置以及记录介质 |
CN110134913A (zh) * | 2018-02-08 | 2019-08-16 | 松下知识产权经营株式会社 | 数据分析方法、数据分析装置以及记录介质 |
CN108664741A (zh) * | 2018-05-14 | 2018-10-16 | 平顶山学院 | 基于时间序列模型特征的变电站故障检测方法 |
CN108664741B (zh) * | 2018-05-14 | 2022-02-08 | 平顶山学院 | 基于时间序列模型特征的变电站故障检测方法 |
CN109255478A (zh) * | 2018-08-27 | 2019-01-22 | 南京河海南自水电自动化有限公司 | 异常数据兼容模式下水情测报和水调自动化***及方法 |
CN109634944B (zh) * | 2018-12-05 | 2022-11-04 | 贵州电网有限责任公司 | 一种基于多维度时空分析的网损数据清洗方法 |
CN109634944A (zh) * | 2018-12-05 | 2019-04-16 | 贵州电网有限责任公司凯里供电局 | 一种基于多维度时空分析的网损数据清洗方法 |
CN109633369B (zh) * | 2018-12-08 | 2020-12-04 | 国网山东省电力公司德州供电公司 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
CN109633369A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
CN109753049B (zh) * | 2018-12-21 | 2021-12-17 | 国网江苏省电力有限公司南京供电分公司 | 一种源网荷互动工控***的异常指令检测方法 |
CN109753049A (zh) * | 2018-12-21 | 2019-05-14 | 国网江苏省电力有限公司南京供电分公司 | 一种源网荷互动工控***的异常指令检测方法 |
CN109784042A (zh) * | 2018-12-29 | 2019-05-21 | 北京奇安信科技有限公司 | 时间序列中异常点的检测方法、装置、电子设备及存储介质 |
CN109726503A (zh) * | 2019-01-12 | 2019-05-07 | 国电联合动力技术有限公司 | 缺失数据填补方法及装置 |
CN110648173B (zh) * | 2019-09-19 | 2023-04-07 | 西安电子科技大学 | 基于商品好评和差评率的无监督异常商品数据检测方法 |
CN110648173A (zh) * | 2019-09-19 | 2020-01-03 | 西安电子科技大学 | 基于商品好评和差评率的无监督异常商品数据检测方法 |
CN111190045A (zh) * | 2019-12-27 | 2020-05-22 | 国网北京市电力公司 | 电压异常预测方法及装置、电子设备 |
CN113065219A (zh) * | 2020-01-02 | 2021-07-02 | 株洲中车时代电气股份有限公司 | 一种列车牵引变压器冷却***异常检测方法及装置 |
CN113065219B (zh) * | 2020-01-02 | 2023-03-14 | 株洲中车时代电气股份有限公司 | 一种列车牵引变压器冷却***异常检测方法及装置 |
CN111461409A (zh) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | 一种中长期负荷数据的异常值处理方法 |
CN111695620B (zh) * | 2020-06-08 | 2023-10-24 | 中国电力科学研究院有限公司 | 一种电力***时间序列异常数据检测与修正方法及*** |
CN112816216A (zh) * | 2021-01-05 | 2021-05-18 | 三峡大学 | 一种滚动轴承性能测试台和异常测试样本的识别与修正方法 |
CN113393325A (zh) * | 2021-05-21 | 2021-09-14 | 乐刷科技有限公司 | 交易检测方法、智能设备及计算机存储介质 |
CN113377744A (zh) * | 2021-06-16 | 2021-09-10 | 北京建筑大学 | 具有环境温度相关性的结构异常监测数据重建方法及装置 |
CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
CN113515512B (zh) * | 2021-06-22 | 2024-06-14 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
CN114039886A (zh) * | 2021-10-19 | 2022-02-11 | 国网山东省电力公司日照供电公司 | 基于四分差和自相关性分析的数据正确性辨识方法及装置 |
CN115834424A (zh) * | 2022-10-09 | 2023-03-21 | 国网甘肃省电力公司临夏供电公司 | 配电网线损异常数据的辨识与修正方法 |
CN115834424B (zh) * | 2022-10-09 | 2023-11-21 | 国网甘肃省电力公司临夏供电公司 | 配电网线损异常数据的辨识与修正方法 |
CN115876964B (zh) * | 2023-01-31 | 2024-01-23 | 北方工业大学 | 一种城市街区气候环境与碳排放移动监测预警方法及*** |
CN115876964A (zh) * | 2023-01-31 | 2023-03-31 | 北方工业大学 | 一种城市街区气候环境与碳排放移动监测预警方法及*** |
CN117352094A (zh) * | 2023-12-04 | 2024-01-05 | 山东恒信科技发展有限公司 | 一种用于原料油的物性预测分析方法及*** |
CN117352094B (zh) * | 2023-12-04 | 2024-03-08 | 山东恒信科技发展有限公司 | 一种用于原料油的物性预测分析方法及*** |
CN117391481A (zh) * | 2023-12-11 | 2024-01-12 | 阿尔卑斯***集成(大连)有限公司 | 一种基于大数据的电力数据监视方法及*** |
CN117391481B (zh) * | 2023-12-11 | 2024-03-01 | 阿尔卑斯***集成(大连)有限公司 | 一种基于大数据的电力数据监视方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766175A (zh) | 一种基于时间序列分析的电力***异常数据辨识与修正方法 | |
CN107463633B (zh) | 一种基于eemd-神经网络的实时数据异常值检测方法 | |
Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
CN104537034A (zh) | 基于时间序列分析的输变电设备的状态监测数据清洗方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN105719023A (zh) | 一种基于混合高斯分布的风电功率实时预测误差分析方法 | |
CN103020423A (zh) | 基于copula函数获取风电场出力相关特性的方法 | |
CN104156615A (zh) | 基于ls-svm的传感器检测数据点异常检测方法 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
Wang et al. | Wind speed frequency distribution modeling and wind energy resource assessment based on polynomial regression model | |
CN103268279B (zh) | 基于复合泊松过程的软件可靠性预测方法 | |
CN104112062A (zh) | 基于插值方法的风资源分布的获取方法 | |
CN104318110B (zh) | 一种提高大型复杂***风险设计及维修效率的方法 | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
Omitaomu et al. | Online support vector regression with varying parameters for time-dependent data | |
CN103530229A (zh) | 一种考虑测试效用的软件可靠性检测方法 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
CN105139287A (zh) | 一种融合安全域的综合性电能计量装置评估方法 | |
Chen et al. | Data-driven distribution network topology identification considering correlated generation power of distributed energy resource | |
CN103020346B (zh) | 一种电路物理设计相似度的测试方法 | |
CN104091047A (zh) | 基于交通时空信息的交通流缺失数据估算***及方法 | |
CN103970129A (zh) | 控制阀粘滞检测方法 | |
CN105277852A (zh) | 配电网线路工况分类识别方法 | |
CN106127614A (zh) | 一种基于三参数威尔分布的电力异常数据辨识方法 | |
CN116307886A (zh) | 一种企业生产状态的实时监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150708 |
|
WD01 | Invention patent application deemed withdrawn after publication |