CN107784015A - 一种基于电力***在线历史数据的数据约简方法 - Google Patents
一种基于电力***在线历史数据的数据约简方法 Download PDFInfo
- Publication number
- CN107784015A CN107784015A CN201610771830.3A CN201610771830A CN107784015A CN 107784015 A CN107784015 A CN 107784015A CN 201610771830 A CN201610771830 A CN 201610771830A CN 107784015 A CN107784015 A CN 107784015A
- Authority
- CN
- China
- Prior art keywords
- sample
- mrow
- msub
- data
- power system
- 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 35
- 230000009467 reduction Effects 0.000 title claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- G06F16/285—Clustering or classification
-
- 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
- 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
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于电力***在线历史数据的数据约简方法,该法包括:I、根据在线历史数据生成原始数据集;II、对原始数据集进行特征提取;III、对原始数据集进行样本筛选。本发明提供的技术方案可以从数据集的横向和纵向同时进行数据约简,特别在样本筛选方面,既能筛掉影响分类的噪声样本,又能筛掉对分类没有贡献的冗余样本,因此在保持分类准确性的同时,又大大降低了空间存储率。
Description
技术领域
本发明属于电力***大数据分析技术领域,具体讲涉及一种基于电力***在线历史数据的数据约简方法。
背景技术
随着交直流混联大电网格局的逐步形成,电网的复杂性越来越高,这给电力***安全稳定运行增加了难度。基于这一情况,需要不断扩展在线安全稳定分析功能,不断满足大电网快速发展对调度运行工作的技术需求。
对于大***在线计算,所积累的历史数据体量极其庞大,并且随着时间推移还会快速产生。各级调控中心目前积累了大量的调度运行数据,每隔15分钟进行一次在线安全稳定性分析,计算的数据和结果的数据量就可足达约1G,每天96个点的数据量约96G,全年可以达到TB量级的巨大数据量。在现有的软硬件条件下用这些数据做快速判稳定性分析显然不能简单地采取“全部采用”的方式,必须兼顾“大”和“快”两方面的特点。大数据的处理思想和技术为大量在线历史数据的分析提供了技术支撑。
因此需要针对目前电力***对在线历史数据处理方面研究的不足提供一种数据约简的数据预处理方法以减小数据规模、降低存储空间,减少数据训练的时间,提高数据挖掘的效率;移除数据中的噪声数据、提高数据分类准确率。
发明内容
针对大量在线历史数据,本发明提供了一种基于电力***在线历史数据的数据约简方法实现方法。
一种基于电力***在线历史数据的数据约简方法,其特征在于,所述方法包括:
I、根据在线历史数据生成原始数据集;
II、对原始数据集进行特征提取;
III、对原始数据集进行样本筛选。
进一步的,所述步骤I中所述历史数据包括:作为分析数据集的属性变量的电网状态变量和作为分析数据集的类别变量的临界切除时间。
进一步的,所述电网状态变量包括静态设备的状态量和电气量,按区域或厂站的统计量。
进一步的,所述步骤II中所述特征提取包括:提取与类别变量中等程度相关及以上的属性变量作为后续分析的特征,去掉弱相关和无关的属性变量,利用下式所示的Pearson相关系数γA,B进行特征提取:
其中:
n—元组的个数;
ai—元组i在A上的数值;
bi—元组i在B上的数值;
A—A的均值;
B—B的均值;
σA—A的标准差;
σB—B的标准差。
进一步的,所述步骤III中所述样本的筛选包括:
(1)重复性筛选;
(2)基于SVM算法的样本筛选;
(3)基于最近样本对的样本筛选。
进一步的,所述步骤(1)包括:删除相同的样本,仅保留其中一个样本。
进一步的,所述步骤(2)包括:
用SVM算法进行样本分类训练,得到如下式所示的分类函数:
其中,sgn为符号函数,K为核函数,a和b是由训练得到的参数,xi和yi分别为支持向量及其分类(yi=1或-1),x为待判别样本;
核函数K如下式所示:
其中,σ为参数。
进一步的,所述基于SVM算法的样本筛选包括:
(4-1)将训练样本通过SVM方法,得到超平面;
(4-2)将训练样本作为待分类样本输入,得到分类结果;
(4-3)删除训练样本中分类错误的样本;
(4-4)重复以上步骤,直到没有分类错误的样本。
进一步的,所述最近样本对定义如下所示:
利用欧氏距离公式计算得到距离样本α最近的样本为β,若样本β的最近样本为α,则样本α与样本β互为最近样本对。
进一步的,所述基于最近样本对的筛选包括:
(5-1)计算数据集S中每个样本x的最近样本x’,标记为最近样本;
(5-2)标记S中所有样本的最近样本;
(5-3)寻找S中所有互为最近样本对的样本;
(5-4)判断每个样本对中类别是否相同,若相同,则删除其中一个样本;若不相同,则将两个样本都删除;
(5-5)得到的S即为压缩后数据集。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
1、本发明的算法体现了使用海量在线历史数据进行分析工作的特点。为了改善计算的复杂性,需要对大量特征和样本进行有效的筛选,以达到更准确更快的数据分析目的。
2、本发明可以从数据集的横向和纵向同时进行数据约简,特别在样本筛选方面,既能筛掉影响分类的噪声样本,又能筛掉对分类没有贡献的冗余样本,在保持分类准确性的同时,大大降低了空间存储率。
附图说明
图1为本发明相关系数阈值选取对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面对本发明进行进一步详细说明。
本发明所述方法按照以下步骤生成:
步骤一,对海量在线历史数据进行选取,生成原始数据集。
主要选取电网状态变量作为分析数据集的属性变量,包括静态下各设备的状态量和电气量,以及按区域或厂站进行的统计量。之所以选择静态下的设备变量,主要原因是希望尽可能地缩短判稳时间,如果选择暂态过程中的变量,毕竟需要一段时间的暂稳仿真计算,这样会降低判稳的速度。由于静态变量与电网稳定程度之间的关系尚无明确的定论,因此,本课题在计算能力允许的前提下,尽量更加广泛地选取静态变量,主要包含的电网状态量和统计量如表1所示。
表1电网状态量与统计量列表
选取临界切除时间(CCT,critical clearing time)作为分析数据集的类别变量,临界切除时间代表了***稳定和不稳定的边界,可用于表征电力***发生指定故障的稳定程度,临界切除时间越大,表示该短路故障对***影响越小,***就越稳定。如果临界切除时间小于正常的保护动作时间,则说明该故障会造成***失稳,即***存在安全隐患。
选取2015年某月的所有样本作为原始数据集,最终生成2484个样本,每个样本包括9815个属性变量。
步骤二,利用相关系数进行特征提取。
相关系数被用来考察两个事物(在数据里我们称之为变量)之间的相关程度。最常用的方法是计算Pearson相关系数,计算公式如下。
式中:
n—元组的个数;
ai—元组i在A上的数值;
bi—元组i在B上的数值;
—A的均值;
—B的均值;
σA—A的标准差;
σB—B的标准差。
相关系数取值在-1到+1之间,大于0时代表两个序列正相关,即A值随B值的增加而增加,数值越接近于+1,则相关程度越强;反之小于0时代表两个序列负相关,越接近于-1,则相关程度越强;等于0时代表两个序列不相关。
选取某线路故障后的临界切除时间作为类别变量,计算所有属性变量与类别变量的相关系数。
提取与类别变量中等程度相关及以上的属性变量作为后续分析的变量,去掉弱相关和无关的属性变量。下面分别对比以相关系数为0.4、0.5和0.6作为阈值时,变量个数以及分类准确率的情况如图1所示。可以看出,随着相关系数阈值的增大,属性变量的个数急剧减少,但分类准确率变化情况比较复杂。最终得出,以属性变量个数相对较少且分类准确率最高为目标,提取相关系数为0.5及以上的属性变量,最终提取574个属性变量进行后续分析。
步骤三,根据步骤二得到的数据集,进行第一次样本重复性筛选。
电力***的运行存在周期性,这种周期性在短时间内较为稳定,而随着时间的拉长,***运行方式不可避免的会产生越来越大的差异。原始数据集在特征提取后,由于属性变量的大大减少,会出现样本差异消失的情况,导致时间相近的样本包含的特征完全相同。这时,需要进行对样本进行重复性筛选,在相同的样本中选择一个保留,而将剩余相同样本全部删除。
步骤四,根据步骤三得到的数据集,利用SVM算法进行第二次样本筛选。
采用SVM算法进行样本分类训练,最终的分类函数可以写作:
其中,sgn为符号函数用于最终确定样本的分类(如计算结果的正、负分别对应于两个分类结果),K为核函数,α和b是由训练得到的参数,xi和yi为支持向量及其分类(yi=1或-1),x为待判别样本。
核函数K采用高斯形式(径向基函数):
其中的σ为参数。
在训练过程中,除了需指定核函数的参数之外,通常还需指定一个松弛系数c,即允许分类出错的程度,用于增强SVM的泛化能力。
需明确的是,在实际训练模型时,如果基于成熟的数据分析工具,如R语言或Matlab,其所提供的分类模型训练函数通常都有默认参数。对于SVM,通常σ的取值为特征向量的倒数,c常取为1。
基于SVM算法的样本筛选方法为:
(1)使用训练样本S训练SVM,得到超平面;
(2)将训练样本S作为分类样本输入,得到分类结果R;
(3)将分类错误的样本从S中删除;
(4)重复步骤(1)-(3),直到没有分错样本为止。
该方法流程是不断去除样本的过程,该方法可用于去除噪声样本,使得分类边界更加清晰。
步骤五,根据步骤四得到的数据集,利用最近样本对进行第三次样本筛选。
本发明提出最近样本对的概念,定义为:对于数据集中的一个样本a,利用欧氏距离公式,计算距离a最近的样本(设为b),若b的最近样本也为a,则称a和b互为最近样本对。
基于最近样本对的样本筛选方法为:
(1)计算数据集S中每个样本x的最近样本x’,标记为最近样本;
(2)继续处理S中的下一条样本,转向步骤(1),直到S中的样本都被标记;
(3)遍历S,寻找S中所有互为最近样本;
(4)判断步骤(3)中寻找到的每个样本对中类别是否相同,若相同,则将任意一个样本删除;若不相同,则将两个样本都删除;
(5)得到的S即为压缩后数据集。
该方法可用于去除噪声样本,还可以将类内冗余的样本去除。
算例分析如下:
原始数据经特征提取后的数据集说明如下:
样本数 | 特征数(筛选后) | 类别数 |
2484 | 574 | 9 |
分别在每个分类中随机选取80%的样本作为训练集,剩下的样本作为测试集。并设置了10种随机数,求得结果后取平均值作为本方法的最终结果。下表给出了样本筛选方法的执行效果,对比了样本筛选前后分类准确率与空间存储率,如表所示。
由上表可以得出,经过该算法处理后的数据集在分类准确率和存储压缩率上较原始样本集有明显提升。在保持分类准确率的同时提高平均存储压缩率35%以上,并完整保留原始样本集的数据分布特征,在分类准确率和存储压缩率上取得折中。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于电力***在线历史数据的数据约简方法,其特征在于,所述方法包括:
I、根据在线历史数据生成原始数据集;
II、对原始数据集进行特征提取;
III、对原始数据集进行样本筛选。
2.如权利要求1所述的一种基于电力***在线历史数据的数据约简方法,其特征在于,所述步骤I中所述历史数据包括:作为分析数据集的属性变量的电网状态变量和作为分析数据集的类别变量的临界切除时间。
3.如权利要求2所述的一种基于电力***在线历史数据的数据约简方法,其特征在于,所述电网状态变量包括静态设备的状态量和电气量,按区域或厂站的统计量。
4.如权利要求1所述的一种基于电力***在线历史数据的数据约简方法,其特征在于,所述步骤II中所述特征提取包括:利用下式所示的Pearson相关系数γA,B进行特征提取:
<mrow>
<msub>
<mi>&gamma;</mi>
<mrow>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>A</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>B</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>n&sigma;</mi>
<mi>A</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>B</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中:
n—元组的个数;
ai—元组i在A上的数值;
bi—元组i在B上的数值;
—A的均值;
—B的均值;
σA—A的标准差;
σB—B的标准差。
5.如权利要求1所述的一种基于电力***在线历史数据的数据约简方法,其特征在于,所述步骤III中所述样本的筛选包括:
(1)重复性筛选;
(2)基于SVM算法的样本筛选;
(3)基于最近样本对的样本筛选。
6.如权利要求5所述的一种基于电力***在线历史数据的数据约简方法,其特征在于,所述步骤(1)包括:删除相同的样本,仅保留其中一个样本。
7.如权利要求5所述的一种基于电力***在线历史数据的数据约简方法,其特征在于,所述步骤(2)包括:
用SVM算法进行样本分类训练,得到如下式所示的分类函数:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>sgn</mi>
<mo>{</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>ay</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>}</mo>
</mrow>
其中,sgn为符号函数,K为核函数,a和b是由训练得到的参数,xi和yi分别为支持向量及其分类(yi=1或-1),x为待判别样本;
核函数K如下式所示:
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,σ为参数。
8.如权利要求7所述的一种基于电力***在线历史数据的数据约简方法,其特征在于,所述基于SVM算法的样本筛选包括:
(4-1)将训练样本通过SVM方法,得到超平面;
(4-2)将训练样本作为待分类样本输入,得到分类结果;
(4-3)删除训练样本中分类错误的样本;
(4-4)重复以上步骤,直到没有分类错误的样本。
9.如权利要求5所述的一种基于电力***在线历史数据的数据约简方法,其特征在于,所述最近样本对定义如下所示:
利用欧氏距离公式计算得到距离样本α最近的样本为β,若样本β的最近样本为α,则样本α与样本β互为最近样本对。
10.如权利要求9所述的一种基于电力***在线历史数据的数据约简方法,其特征在于,所述基于最近样本对的筛选包括:
(5-1)计算数据集S中每个样本x的最近样本x’,标记为最近样本;
(5-2)标记S中所有样本的最近样本;
(5-3)寻找S中所有互为最近样本对的样本;
(5-4)判断每个样本对中类别是否相同,若相同,则删除其中一个样本;若不相同,则将两个样本都删除;
(5-5)得到的S即为压缩后数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610771830.3A CN107784015B (zh) | 2016-08-30 | 2016-08-30 | 一种基于电力***在线历史数据的数据约简方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610771830.3A CN107784015B (zh) | 2016-08-30 | 2016-08-30 | 一种基于电力***在线历史数据的数据约简方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107784015A true CN107784015A (zh) | 2018-03-09 |
CN107784015B CN107784015B (zh) | 2022-04-05 |
Family
ID=61450678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610771830.3A Active CN107784015B (zh) | 2016-08-30 | 2016-08-30 | 一种基于电力***在线历史数据的数据约简方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784015B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533265A (zh) * | 2019-09-20 | 2019-12-03 | 云南电网有限责任公司电力科学研究院 | 一种配电网雷击预警方法以及配电网雷击预警装置 |
CN111027612A (zh) * | 2019-12-04 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 基于加权熵fcm的能源计量数据特征约简方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744935A (zh) * | 2013-12-31 | 2014-04-23 | 华北电力大学(保定) | 一种计算机快速海量数据聚类处理方法 |
US20150269233A1 (en) * | 2012-08-06 | 2015-09-24 | National Instruments Corporation | Data Reduction With Specified Constraints |
CN105406476A (zh) * | 2015-12-31 | 2016-03-16 | 国家电网公司 | 基于历史数据的电力***稳定性快速判断方法 |
CN105512799A (zh) * | 2015-11-26 | 2016-04-20 | 中国电力科学研究院 | 一种基于海量在线历史数据的电力***暂态稳定评估方法 |
CN105897517A (zh) * | 2016-06-20 | 2016-08-24 | 广东电网有限责任公司信息中心 | 一种基于svm的网络流量异常检测方法 |
-
2016
- 2016-08-30 CN CN201610771830.3A patent/CN107784015B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150269233A1 (en) * | 2012-08-06 | 2015-09-24 | National Instruments Corporation | Data Reduction With Specified Constraints |
CN103744935A (zh) * | 2013-12-31 | 2014-04-23 | 华北电力大学(保定) | 一种计算机快速海量数据聚类处理方法 |
CN105512799A (zh) * | 2015-11-26 | 2016-04-20 | 中国电力科学研究院 | 一种基于海量在线历史数据的电力***暂态稳定评估方法 |
CN105406476A (zh) * | 2015-12-31 | 2016-03-16 | 国家电网公司 | 基于历史数据的电力***稳定性快速判断方法 |
CN105897517A (zh) * | 2016-06-20 | 2016-08-24 | 广东电网有限责任公司信息中心 | 一种基于svm的网络流量异常检测方法 |
Non-Patent Citations (1)
Title |
---|
王快妮 等: "基于支持向量机的异常值问题的研究现状", 《计算机工程与设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533265A (zh) * | 2019-09-20 | 2019-12-03 | 云南电网有限责任公司电力科学研究院 | 一种配电网雷击预警方法以及配电网雷击预警装置 |
CN111027612A (zh) * | 2019-12-04 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 基于加权熵fcm的能源计量数据特征约简方法及装置 |
CN111027612B (zh) * | 2019-12-04 | 2024-01-30 | 国网天津市电力公司电力科学研究院 | 基于加权熵fcm的能源计量数据特征约简方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107784015B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897821B (zh) | 一种暂态评估特征选择方法及装置 | |
CN111523785A (zh) | 一种基于生成对抗网络的电力***动态安全评估方法 | |
CN108008244A (zh) | 一种小电流接地故障多层次递进式分类识别方法 | |
CN105354210A (zh) | 移动游戏支付账户行为数据处理方法和装置 | |
CN107679994A (zh) | 核保决策树的创建方法、装置、计算机设备及存储介质 | |
CN104881741B (zh) | 基于支持向量机的电力***暂态稳定判断方法 | |
CN105893388A (zh) | 一种基于类间区分度及类内高表征度的文本特征提取方法 | |
CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及*** | |
CN110532596A (zh) | 一种基于lstm算法生成电网仿真样本的方法和*** | |
CN107784015A (zh) | 一种基于电力***在线历史数据的数据约简方法 | |
CN105868900A (zh) | 基于支持向量机的企业预合作伙伴分类方法 | |
CN105306438A (zh) | 基于模糊粗糙集的网络安全态势评估方法 | |
CN107505495A (zh) | 一种电压信号扰动类别的检测方法及装置 | |
KR101666740B1 (ko) | 빅 데이터 환경에서 의미론적 분석에 기반한 데이터마이닝을 위한 연관 규칙 생성 방법 | |
CN112884363A (zh) | 一种核电项目经济评价概率风险分析方法 | |
CN104252685A (zh) | 电力***暂态稳定评估预想故障快速强壮分类方法 | |
CN116401890A (zh) | 一种负荷模型组成信息确定方法、装置、设备及存储介质 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及*** | |
CN115564324A (zh) | 一种基于事件检测的电力指纹识别方法、装置及设备 | |
CN107491417A (zh) | 一种基于特定划分的主题模型下的文档生成方法 | |
Jiang et al. | Forecasting Thailand inbound tourist flow association for tourism demand | |
Miao et al. | An innovative Bayesian sequential censored sampling inspection method and application to test design | |
Xie | Data-driven traction substations’ health condition monitoring via power quality analysis | |
Ren et al. | Research on Internet financial risk early warning based on a CNN-LSTM model |
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 |