CN109508846A - 一种机组数据异常波动的检测方法及装置 - Google Patents
一种机组数据异常波动的检测方法及装置 Download PDFInfo
- Publication number
- CN109508846A CN109508846A CN201710840494.8A CN201710840494A CN109508846A CN 109508846 A CN109508846 A CN 109508846A CN 201710840494 A CN201710840494 A CN 201710840494A CN 109508846 A CN109508846 A CN 109508846A
- Authority
- CN
- China
- Prior art keywords
- unit
- data
- detected
- unit data
- point
- 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
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种机组数据异常波动的检测方法及装置,涉及机组数据处理技术领域,为解决现有的机组数据异常波动检测方法中对全部机组数据直接进行检测时,由于全部机组数据中存在部分数据是不稳定的但并非异常波动的数据,造成机组数据异常检测准确率较低的问题。本发明的方法包括:获取第一待检测机组数据;从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据;根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率;根据所述离群率,确定机组数据异常波动的时间点。本发明适合应用在对机组运行数据异常波动的检测中。
Description
技术领域
本发明涉及机组数据处理技术领域,尤其涉及一种机组数据异常波动的检测方法及装置。
背景技术
机组运行过程中,会产生大量的实时数据,在数组正常运转的情况下,数据会在限值范围内有规则的波动。在某些情况下,数据中会出现异常波动的数据点,这些数据点是无效的且会造成数据曲线失真,影响工程师对机组性能的判断。通过对机组数据进行检测并找出异常波动数据点,可以提前预防机组故障。
目前,在对机组数据进行检测时,往往是对从计算机中获取到的机组数据直接进行检测,然而计算机采集的数据量非常庞大,且机组在运行过程中,从启动到平稳运行以及从平稳运行到停止运行过程中,数据是不稳定的数据但并非数据异常波动点,从而使得当对全部数据进行检测时这部分数据会造成干扰,且使得检测数据量较大,导致的机组数据异常波动检测准确性较低和资源浪费的问题。
发明内容
鉴于上述问题,本发明提供一种机组数据异常波动的检测方法及装置,主要目的在于将机组数据进行筛选后,通过计算机组数据的离群率对异常波动进行检测。
为解决上述技术问题,第一方面,本发明提供了一种机组数据异常波动的检测方法,该方法包括:
获取第一待检测机组数据,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值;
从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据,所述预置时间段为所述机组平稳运行的时段;
根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率,所述离群率是指元素偏离所述元素所在元素集的程度;
根据所述离群率,确定机组数据异常波动的时间点。
可选的,所述从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据之后,所述方法还包括:
根据所述第二待检测机组数据,生成待检测数据矩阵,所述待检测数据矩阵为以所述第二待检测机组数据中包含的各个时间点及与各个时间点分别对应的机组运行数据为行,以所述第二待检测机组数据中包含的全部时间点为列的矩阵;
利用预置函数分别计算所述待检测数据矩阵中各行对应的点数据值,所述点数据值为用于在所述预置算法中标识所述各个时间点的机组运行数据的值;
将所述各行对应的点数据值按照预置规则进行排列,得到点数据值集合,所述点数据值集合中包含有所述第二待检测机组数据中包含的全部时间点对应的点数据值。
可选的,所述根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率包括:
分别计算所述点数据值集合中各个点数据值对应的预置范围内的数据值分布密度;
根据所述数据值分布密度,计算所述各个时间点的机组运行数据分别对应的离群率。
可选的,所述离群率中携带有与所述各个时间点对应的时间标识,所述根据所述离群率,确定机组数据异常波动的时间点包括:
检测所述离群率是否超过第一预设阈值;
若是,则根据所述离群率中携带的时间标识确定机组数据异常波动的时间点。
可选的,所述根据所述离群率,确定机组数据异常波动的时间点之后,所述方法还包括:
从所述第二待检测机组数据中提取与所述机组数据异常波动的时间点对应的一个或多个机组运行属性值;
依次计算所述提取的机组运行属性值与所述第二待检测机组数据中各个时间点的机组运行属性值之间的差值;
若所述差值超过第二预设阈值,则将所述差值对应的机组运行属性确定为异常波动属性。
第二方面,本发明还提供了一种机组数据异常波动的检测装置,该装置包括:
获取单元,用于获取第一待检测机组数据,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值;
提取单元,用于从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据,所述预置时间段为所述机组平稳运行的时段;
计算单元,用于根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率,所述离群率是指元素偏离所述元素所在元素集的程度;
确定单元,用于根据所述离群率,确定机组数据异常波动的时间点。
可选的,所述装置还包括:生成单元、排列单元,
所述生成单元,用于根据所述第二待检测机组数据,生成待检测数据矩阵,所述待检测数据矩阵为以所述第二待检测机组数据中包含的各个时间点及与各个时间点分别对应的机组运行数据为行,以所述第二待检测机组数据中包含的全部时间点为列的矩阵;
所述计算单元,还用于利用预置函数分别计算所述待检测数据矩阵中各行对应的点数据值,所述点数据值为用于在所述预置算法中标识所述各个时间点的机组运行数据的值;
所述排列单元,还用于将所述各行对应的点数据值按照预置规则进行排列,得到点数据值集合,所述点数据值集合中包含有所述第二待检测机组数据中包含的全部时间点对应的点数据值。
可选的,所述计算单元包括:
第一计算模块,用于分别计算所述点数据值集合中各个点数据值对应的预置范围内的数据值分布密度;
第二计算模块,用于根据所述数据值分布密度,计算所述各个时间点的机组运行数据分别对应的离群率。
可选的,所述离群率中携带有与所述各个时间点对应的时间标识,所述确定单元包括:
检测模块,用于检测所述离群率是否超过第一预设阈值;
确定模块,用于若是,则根据所述离群率中携带的时间标识确定机组数据异常波动的时间点。
可选的,
所述提取单元,还用于从所述第二待检测机组数据中提取与所述机组数据异常波动的时间点对应的一个或多个机组运行属性值;
所述计算单元,还用于依次计算所述提取的机组运行属性值与所述第二待检测机组数据中各个时间点的机组运行属性值之间的差值;
所述确定单元,还用于若所述差值超过第二预设阈值,则将所述差值对应的机组运行属性确定为异常波动属性。
为了实现上述目的,根据本发明的第三方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述所述的机组数据异常波动的检测方法。
为了实现上述目的,根据本发明的第四方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述所述的机组数据异常波动的检测方法。
借由上述技术方案,本发明提供的机组数据异常波动的检测方法及装置,对于现有技术在对机组数据中的异常波动进行检测时,直接对计算机采集到的全部机组数据进行检测,而并没有对机组数据进行筛选,本发明通过获取机组从启动时间到停止时间之间的全部时间点及分别对应的,包含有一个或多个机组运行属性值的机组运行数据,而后提取预置时间段内的机组运行数据对数据进行筛选,得到机组稳定运行时段内的数据,因此相比于现有技术,本发明在对机组数据异常波动进行检测时,根据筛选后的机组运行数据,利用预置算法计算机组运行各个时间点的机组运行数据分别对应的离群率,并根据得到的离群率确定机组数据异常波动的时间点,可以对机组数据先进行筛选再检测,避免机组不稳定但并非异常波动时产生的数据在检测时造成的干扰问题,且可以有效减少检测数据量,从而提高了机组异常波动检测的准确性;此外,根据本发明的方法确定机组数据异常波动的时间点后,提取在异常波动时间点下机组运行的一个或多个运行属性值,并通过检测在该时间点下的各个属性值与其他时间点的差值,判断异常波动的属性来源,从而可以高效便捷的为用户提供机组故障情况,提高了机组故障判断的效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种机组数据异常波动的检测方法流程图;
图2示出了本发明实施例提供的一种机组运行流程图;
图3示出了本发明实施例提供的另一种机组数据异常波动的检测方法流程图;
图4示出了本发明实施例提供的一种机组数据异常波动的检测装置的组成框图;
图5示出了本发明实施例提供的另一种机组数据异常波动的检测装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了提高机组数据异常检测的准确性和避免资源浪费,本发明实施例提供了一种机组数据异常波动的检测方法,如图1所示,该方法包括:
101、获取第一待检测机组数据。
其中,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值。而所述属性值可以为机组发电线电压幅值、机组发电总有功功率值、机组发电总无功功率值、机组功率因数和机组机油压力值等,本发明实施例不做具体限定。
需要说明的是,机组在从开始启动到停止运行通常需要至少经历暖机运行、并网运行、稳定运行、离网运行和冷却延时五个阶段,如图2所示,即在机组接收到开机信号后,机组盘车启动并进入怠速运行,随后在额定转速下暖机运行一定时间,当检测到发电电压和发电频率与所在城市的电网电压频率相同时,发出断路器合闸指令,而后机组进入并网运行阶段,此时机组有功功率由0逐渐上升到设定值,待有功功率经过一段PID(ProportionIntegration Differentiation,比例积分微分)调节后,机组进入平稳运行阶段;与机组启动运行过程相似,机组接收到外部停止信号后,机组有功功率自动从额定功率逐渐下降为0,此时发出断路器分闸指令,机组离网运行,并进入冷却延时阶段,在一定时间后机组怠速运行后停止运行。
而对于本发明实施例,本步骤中所述的待检测机组数据包含有机组从接收到开机信号时起至机组完全停止运行过程中的机组运行数据,而待检测机组数据中包含的机组运行属性值可以根据不同的用户需求进行选择,即获取用户需要进行检测的机组运行属性值,具体地可以如表一所示:
表一
其中,在07时54分13秒时,机组接收到开机信号,直至07时54分24秒机组经历了暖机运行、并网运行,随后在时间段07时54分25秒至07时54分28秒内稳定运行,从第07时54分29秒开始机组经历离网运行和冷却延时阶段,最终在07时54分31秒完全停止运行。
102、从所述第一待检测机组数据中提取预置时间段内的待检测机组数据。
进一步地,得到第二待检测机组数据。所述预置时间段为所述机组平稳运行的时段。而所述预置时间段,可以根据不同的情况进行设定,例如可以设定预置时间段为从机组启动时间一分钟后至机组停止运行前一分钟的时间段。
结合所述步骤101中表一,本步骤具体可以为设定预置时间段为从机组启动后的10秒至机组停止运行3秒前的时间段,也就是从表一中的全部待检测数据中提取07时54分25秒至07时54分28秒内的机组运行数据,为机组稳定运行数据。
103、根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率。
其中,所述离群率是指元素偏离所述元素所在元素集的程度。所述预置算法可以为统计算法,也可以为基于距离的计算方法等,本发明实施例不做具体限定。在本发明实施例,均以离群点检测算法为例进行阐述,但不限于此。
104、根据所述离群率,确定机组数据异常波动的时间点。
需要说明的是,离群率能够反映元素、数据等偏离其所在集合的程度,即当某个时间点的机组运行数据对应的离群率越大时,该时间点下的机组运行数据偏离机组运行数据整体水平的程度越大,也就是说该时间点是机组数据异常波动的时间点的可能性越大,从而通过计算各个时间点对应的机组运行数据对应的离群率,可以衡量某个时间点是否为机组运行数据异常波动的时间点。
具体地,所述步骤104可以为通过将离群率与预设阈值进行比较确定某个时间点是否为机组数据异常波动的时间点,也可以为通过比较某个时间点对应的机组运行数据与其他时间点的机组运行数据之间的差值是否超过预设阈值,确定该点是否为机组数据异常波动的时间点。
例如,通过计算得到时间点1、时间点2、和时间点3的机组运行数据对应的离群率1、离群率2和离群率3,分别为0.2457、0.2379和0.9135,依次计算每两个离群率之差的绝对值,分别得到:离群率2与离群率1之差的绝对值为0.0078,离群率3与离群率之差的绝对值为0.6678,离群率3与离群率2之差的绝对值为0.6756,由于0.6678和0.6756超过预设阈值0.100,则可以确定时间点3为机组数据异常波动的时间点。
本发明实施例提供的机组数据异常波动的检测方法,对于现有技术在对机组数据中的异常波动进行检测时,直接对计算机采集到的全部机组数据进行检测,而并没有对机组数据进行筛选,本发明通过获取机组从启动时间到停止时间之间的全部时间点及分别对应的,包含有一个或多个机组运行属性值的机组运行数据,而后提取预置时间段内的机组运行数据对数据进行筛选,得到机组稳定运行时段内的数据,因此相比于现有技术,本发明在对机组数据异常波动进行检测时,根据筛选后的机组运行数据,利用预置算法计算机组运行各个时间点的机组运行数据分别对应的离群率,并根据得到的离群率确定机组数据异常波动的时间点,可以对机组数据先进行筛选再检测,避免机组不稳定但并非异常波动时产生的数据在检测时造成的干扰问题,且可以有效减少检测数据量,从而提高了机组异常波动检测的准确性。
进一步的,作为对图1所示实施例的细化及扩展,本发明实施例还提供了另一种机组数据异常波动的检测方法,如图3所示。
201、获取第一待检测机组数据。
其中,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值。
具体地,所述待检测机组数据和机组运行属性值的概念解释可以参考所述步骤101中相应描述,在此不再赘述。
202、从所述第一待检测机组数据中提取预置时间段内的待检测机组数据。
进一步地,得到第二待检测机组数据。其中,所述预置时间段为所述机组平稳运行的时段。具体地,所述预置时间段可以根据经验值设定,也可以通过将多组第一待检测机组数据训练时间段判断模型,并根据得到的模型计算相应的时间段,最终完成对机组运行数据的筛选,得到机组平稳运行阶段的数据。
对于本发明实施例,在获取到计算机采集到的机组运行全部过程中的机组运行数据后,提取预置时间段内机组稳定运行数据,并针对得到的机组稳定运行数据进行检测异常波动,可以避免机组启动运行到稳定运行过程、机组从稳定运行到停止运行过程中产生的不稳定但并非异常波动数据,在检测过程中造成的数据干扰问题,从而可以提高机组数据异常波动检测的准确性。
203、根据所述第二待检测机组数据,生成待检测数据矩阵。
其中,所述待检测数据矩阵为以所述第二待检测机组数据中包含的各个时间点及与各个时间点分别对应的机组运行数据为行,以所述第二待检测机组数据中包含的全部时间点为列的矩阵。
例如,提取到第二待检测机组数据中包含有4个时间点,分别为时间a、时间b、时间c和时间d,且包含与这四个时间点分别对应的三个机组运行属性值,分别为属性1、属性2和属性3,则根据筛选后的第二待检测机组数据生成的待检测数据矩阵为:
对于本发明实施例,通过将筛选后的机组稳定运行数据生成相应的矩阵,可以确保在各个时间点对应的机组运行属性值的准确性,避免了将机组数据无序排列计算造成的机组运行属性值与时间点对应错误的问题,从而提高了机组数据处理的准确性,进而提高了机组数据异常检测的准确性。
204、利用预置函数分别计算所述待检测数据矩阵中各行对应的点数据值。
其中,所述点数据值为用于在所述预置算法中标识所述各个时间点的机组运行数据的值。而所述点数据值可以为矩阵各行的平均值、加权平均数值等,本发明实施例不做具体限定。而所述预置函数可以为现有技术中用于计算矩阵中各行数值的函数,在此不再赘述。
具体地,可以在获取到待检测数据矩阵后发出触发调用指令,进而调用预置函数实现对矩阵中的待检测数据进行计算,从而得到各个时间点分别对应的点数据值。结合所述步骤203中生成的待检测数据矩阵,例如时间a对应的属性1a、属性2a和属性3a分别为116.74、72.04和0.85,时间b对应的属性1b、属性2b和属性3b分别为118.2、6529.5和0.85,时间c对应的属性1c、属性2c和属性3c分别为119.14、72.16和0.85,在获取到待检测数据矩阵后触发调用指令,调用利用预置函数计算该矩阵各行的平均数作为点数据值,得到与各行的时间点分别对应的点数据值为:63.21、2216.18和64.05。
对于本发明实施例,通过计算矩阵中各个时间点分别对应的点数据值,并根据得到的点数据值标识各个时间点的机组数据,以便用于在离群点检测算法等预置算法中进行使用,简化了在算法中的数据处理过程,提高了对待检测机组数据计算的效率,进而提高了机组数据异常波动检测的效率。
205、将所述各行对应的点数据值按照预置规则进行排列,得到点数据值集合。
其中,所述点数据值集合中包含有所述第二待检测机组数据中包含的全部时间点对应的点数据值。所述预置规则可以为按照数值从小到大排列,也可以为按照数值从大到小排列,还可以为划分多个数值范围,将点数据值分别排列成不同范围等,具体本发明实施例不做具体限定。
对于本发明实施例,通过将各个时间点分别对应的点数据值按照一定的规则进行排列,以便于对各个时间点的点数据值进行比较,从而根据比较进一步对机组数据异常波动进行判断,提高了机组数据异常波动检测的效率。
206、根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率。
其中,所述离群率是指元素偏离所述元素所在元素集的程度。具体的所述离群率的概念解释可以参考所述步骤104中相应描述,在此不再赘述。
为了提高离群率计算的准确性,所述步骤206包括:分别计算所述点数据值集合中各个点数据值对应的预置范围内的数据值分布密度;根据所述数据值分布密度,计算所述各个时间点的机组运行数据分别对应的离群率。其中,所述预置范围内的数据值分布密度可以为局部可达密度,也可以为以点数据值为圆心,以预置长度为半径的范围内,其他点数据值在该圆形范围内的分布密度等,本发明实施例不做具体限定。
例如,通过LOF(Local Outliner Factor,离群点算法)计算出各个时间点的点数据值分别对应的lrdk(local reachability density,局部可达密度),根据得到局部可达密度计算离群率为:
207、检测所述离群率是否超过第一预设阈值。
其中,所述第一预设阈值可以为0.5、0.65等,具体的可以根据不同需求进行设定,本发明实施例不做具体设定。
208、若所述离群率超过第一预设阈值,则根据所述离群率中携带的时间标识确定机组数据异常波动的时间点。
需要说明的是,当某个时间点的离群率超过预设预置时,表示该时间点的机组运行数据与其他时间点的机组运行数据相比,偏离程度较大,也就是该时间点下机组异常波动的时间点。通过设定预设阈值并进行比较判断某个时间点是否为机组数据异常波动,避免了从中提取离群率最大值等造成的提取到的并非数据异常波动点造成的判断错误问题,从而提高了机组数据异常检测的准确性。
为了提高对机组异常检测的便捷性,对于本发明实施例,所述步骤208之后所述方法还包括:从所述第二待检测机组数据中提取与所述机组数据异常波动的时间点对应的一个或多个机组运行属性值;依次计算所述提取的机组运行属性值与所述第二待检测机组数据中各个时间点的机组运行属性值之间的差值;若所述差值超过第二预设阈值,则将所述差值对应的机组运行属性确定为异常波动属性。
结合所述步骤204-208所述三个时间点时间a、时间b、时间c,以及在各个时间点分别对应的点数据值为63.21、2216.18和64.05,将得到的三个点数据值按照从小到大的顺序进行排列,得到63.21-64.05-2216.18,利用离群点检测算法计算各个时间点的离群率得到分别为:0.3936、0.9135和0.3832,当第一预设阈值为0.5时,可以检测到时间b对应的离群率0.9135超过第一预设阈值,从而确定时间点b为机组数据异常波动的时间点。进一步地,获取到时间b下机组运行的三个属性值,依次为属性1b=118.2、属性2b=6529.5和属性3b=0.85,分别将时间点b的三个机组运行属性值与时间点a下的三个属性值进行比较,得到三个差值分别为1.46、6460.7和0,可以判断时间点b与时间a在机组运行属性2上的差值超过第二预设阈值10,从而可以确定时间b为机组数据异常波动的时间点,且异常波动的属性为属性2。
对于本发明实施例,在确定机组数据异常波动的时间点后,提取在异常波动时间点下机组运行的一个或多个运行属性值,并通过检测在该时间点下的各个属性值与其他时间点的差值,判断异常波动的属性来源,从而可以高效便捷的为用户提供机组故障情况,提高了机组故障判断的效率。
但需要说明的是,上述应用场景所述的具体实施方式仅仅是示例性的,并非本发明实施例的唯一具体实施方式,在此仅为符合本发明所述的方法的优化实施方式之一。
进一步的,作为对上述图1所示方法的实现,本发明实施例还提供了一种机组数据异常波动的检测装置,用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图4所示,该装置包括:获取单元31、提取单元32、计算单元33、确定单元34,其中
获取单元31,可以用于获取第一待检测机组数据,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值。
提取单元32,可以用于从所述获取单元31获取到的第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据,所述预置时间段为所述机组平稳运行的时段。
计算单元33,可以用于根据所述提取单元32提取到的第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率,所述离群率是指元素偏离所述元素所在元素集的程度。
确定单元34,可以用于根据所述计算单元33计算得到的离群率,确定机组数据异常波动的时间点。
进一步的,作为对上述图3所示方法的实现,本发明实施例还提供了另一种机组数据异常波动的检测装置,用于对上述图3所示的方法进行实现。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图5所示,该装置包括:获取单元41、提取单元42、计算单元43、确定单元44,其中
获取单元41,可以用于获取第一待检测机组数据,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值。
提取单元42,可以用于从所述获取单元41获取到的第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据,所述预置时间段为所述机组平稳运行的时段。
计算单元43,可以用于根据所述提取单元42提取到的第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率,所述离群率是指元素偏离所述元素所在元素集的程度。
确定单元44,可以用于根据所述计算单元43计算得到的离群率,确定机组数据异常波动的时间点。
进一步的,所述装置还包括:生成单元45、排列单元46,
所述生成单元45,可以用于根据所述第二待检测机组数据,生成待检测数据矩阵,所述待检测数据矩阵为以所述第二待检测机组数据中包含的各个时间点及与各个时间点分别对应的机组运行数据为行,以所述第二待检测机组数据中包含的全部时间点为列的矩阵。
所述计算单元43,还可以用于利用预置函数分别计算所述待检测数据矩阵中各行对应的点数据值,所述点数据值为用于在所述预置算法中标识所述各个时间点的机组运行数据的值。
所述排列单元46,可以用于将所述各行对应的点数据值按照预置规则进行排列,得到点数据值集合,所述点数据值集合中包含有所述第二待检测机组数据中包含的全部时间点对应的点数据值。
进一步的,所述计算单元43包括:
第一计算模块4301,可以用于分别计算所述点数据值集合中各个点数据值对应的预置范围内的数据值分布密度。
第二计算模块4302,可以用于根据所述数据值分布密度,计算所述各个时间点的机组运行数据分别对应的离群率。
进一步的,所述装置还包括:
检测单元47,可以用于检测所述离群率是否超过第一预设阈值。
所述确定单元44,具体可以用于若所述离群率超过第一预设阈值,则根据所述离群率中携带的时间标识确定机组数据异常波动的时间点。
进一步的,
所述提取单元42,还可以用于从所述第二待检测机组数据中提取与所述机组数据异常波动的时间点对应的一个或多个机组运行属性值。
所述计算单元43,还可以用于依次计算所述提取的机组运行属性值与所述第二待检测机组数据中各个时间点的机组运行属性值之间的差值。
所述确定单元,还可以用于若所述差值超过第二预设阈值,则将所述差值对应的机组运行属性确定为异常波动属性。
本发明实施例提供的另一种机组数据异常波动的检测装置。所述装置包括:获取单元、提取单元、计算单元及确定单元。对于现有技术在对机组数据中的异常波动进行检测时,直接对计算机采集到的全部机组数据进行检测,而并没有对机组数据进行筛选,本发明通过获取机组从启动时间到停止时间之间的全部时间点及分别对应的,包含有一个或多个机组运行属性值的机组运行数据,而后提取预置时间段内的机组运行数据对数据进行筛选,得到机组稳定运行时段内的数据,因此相比于现有技术,本发明在对机组数据异常波动进行检测时,根据筛选后的机组运行数据,利用预置算法计算机组运行各个时间点的机组运行数据分别对应的离群率,并根据得到的离群率确定机组数据异常波动的时间点,可以对机组数据先进行筛选再检测,避免机组不稳定但并非异常波动时产生的数据在检测时造成的干扰问题,且可以有效减少检测数据量,从而提高了机组异常波动检测的准确性;此外,根据本发明的方法确定机组数据异常波动的时间点后,提取在异常波动时间点下机组运行的一个或多个运行属性值,并通过检测在该时间点下的各个属性值与其他时间点的差值,判断异常波动的属性来源,从而可以高效便捷的为用户提供机组故障情况,提高了机组故障判断的效率。
所述文本处理装置包括处理器和存储器,上述获取单元31、提取单元32、计算单元33、确定单元34等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来提高机组数据异常检测的准确率和提高资源利用率。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述机组数据异常波动的检测方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述机组数据异常波动的检测方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取第一待检测机组数据,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值;从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据,所述预置时间段为所述机组平稳运行的时段;根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率,所述离群率是指元素偏离所述元素所在元素集的程度;根据所述离群率,确定机组数据异常波动的时间点。
进一步的,所述从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据之后,所述方法还包括:
根据所述第二待检测机组数据,生成待检测数据矩阵,所述待检测数据矩阵为以所述第二待检测机组数据中包含的各个时间点及与各个时间点分别对应的机组运行数据为行,以所述第二待检测机组数据中包含的全部时间点为列的矩阵;
利用预置函数分别计算所述待检测数据矩阵中各行对应的点数据值,所述点数据值为用于在所述预置算法中标识所述各个时间点的机组运行数据的值;
将所述各行对应的点数据值按照预置规则进行排列,得到点数据值集合,所述点数据值集合中包含有所述第二待检测机组数据中包含的全部时间点对应的点数据值。
进一步的,所述根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率包括:
分别计算所述点数据值集合中各个点数据值对应的预置范围内的数据值分布密度;
根据所述数据值分布密度,计算所述各个时间点的机组运行数据分别对应的离群率。
进一步的,所述离群率中携带有与所述各个时间点对应的时间标识,所述根据所述离群率,确定机组数据异常波动的时间点包括:
检测所述离群率是否超过第一预设阈值;
若是,则根据所述离群率中携带的时间标识确定机组数据异常波动的时间点。
进一步的,所述根据所述离群率,确定机组数据异常波动的时间点之后,所述方法还包括:
从所述第二待检测机组数据中提取与所述机组数据异常波动的时间点对应的一个或多个机组运行属性值;
依次计算所述提取的机组运行属性值与所述第二待检测机组数据中各个时间点的机组运行属性值之间的差值;
若所述差值超过第二预设阈值,则将所述差值对应的机组运行属性确定为异常波动属性。
本发明实施例中的设备可以是服务器、PC、PAD、手机等。
本发明实施例还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取第一待检测机组数据,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值;从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据,所述预置时间段为所述机组平稳运行的时段;根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率,所述离群率是指元素偏离所述元素所在元素集的程度;根据所述离群率,确定机组数据异常波动的时间点。
进一步的,所述从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据之后,所述方法还包括:
根据所述第二待检测机组数据,生成待检测数据矩阵,所述待检测数据矩阵为以所述第二待检测机组数据中包含的各个时间点及与各个时间点分别对应的机组运行数据为行,以所述第二待检测机组数据中包含的全部时间点为列的矩阵;
利用预置函数分别计算所述待检测数据矩阵中各行对应的点数据值,所述点数据值为用于在所述预置算法中标识所述各个时间点的机组运行数据的值;
将所述各行对应的点数据值按照预置规则进行排列,得到点数据值集合,所述点数据值集合中包含有所述第二待检测机组数据中包含的全部时间点对应的点数据值。
进一步的,所述根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率包括:
分别计算所述点数据值集合中各个点数据值对应的预置范围内的数据值分布密度;
根据所述数据值分布密度,计算所述各个时间点的机组运行数据分别对应的离群率。
进一步的,所述离群率中携带有与所述各个时间点对应的时间标识,所述根据所述离群率,确定机组数据异常波动的时间点包括:
检测所述离群率是否超过第一预设阈值;
若是,则根据所述离群率中携带的时间标识确定机组数据异常波动的时间点。
进一步的,所述根据所述离群率,确定机组数据异常波动的时间点之后,所述方法还包括:
从所述第二待检测机组数据中提取与所述机组数据异常波动的时间点对应的一个或多个机组运行属性值;
依次计算所述提取的机组运行属性值与所述第二待检测机组数据中各个时间点的机组运行属性值之间的差值;
若所述差值超过第二预设阈值,则将所述差值对应的机组运行属性确定为异常波动属性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种机组数据异常波动的检测方法,其特征在于,所述方法包括:
获取第一待检测机组数据,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值;
从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据,所述预置时间段为所述机组平稳运行的时段;
根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率,所述离群率是指元素偏离所述元素所在元素集的程度;
根据所述离群率,确定机组数据异常波动的时间点。
2.根据权利要求1所述的方法,其特征在于,所述从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据之后,所述方法还包括:
根据所述第二待检测机组数据,生成待检测数据矩阵,所述待检测数据矩阵为以所述第二待检测机组数据中包含的各个时间点及与各个时间点分别对应的机组运行数据为行,以所述第二待检测机组数据中包含的全部时间点为列的矩阵;
利用预置函数分别计算所述待检测数据矩阵中各行对应的点数据值,所述点数据值为用于在所述预置算法中标识所述各个时间点的机组运行数据的值;
将所述各行对应的点数据值按照预置规则进行排列,得到点数据值集合,所述点数据值集合中包含有所述第二待检测机组数据中包含的全部时间点对应的点数据值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率包括:
分别计算所述点数据值集合中各个点数据值对应的预置范围内的数据值分布密度;
根据所述数据值分布密度,计算所述各个时间点的机组运行数据分别对应的离群率。
4.根据权利要求1所述的方法,其特征在于,所述离群率中携带有与所述各个时间点对应的时间标识,所述根据所述离群率,确定机组数据异常波动的时间点包括:
检测所述离群率是否超过第一预设阈值;
若是,则根据所述离群率中携带的时间标识确定机组数据异常波动的时间点。
5.根据权利要求1或4所述的方法,其特征在于,所述根据所述离群率,确定机组数据异常波动的时间点之后,所述方法还包括:
从所述第二待检测机组数据中提取与所述机组数据异常波动的时间点对应的一个或多个机组运行属性值;
依次计算所述提取的机组运行属性值与所述第二待检测机组数据中各个时间点的机组运行属性值之间的差值;
若所述差值超过第二预设阈值,则将所述差值对应的机组运行属性确定为异常波动属性。
6.一种机组数据异常波动的检测装置,其特征在于,所述装置包括:
获取单元,用于获取第一待检测机组数据,所述第一待检测机组数据中包含有所述机组启动时间和停止时间之间的多个时间点以及与各个时间点分别对应的机组运行数据,而所述机组运行数据中包含有一个或多个机组运行属性值;
提取单元,用于从所述第一待检测机组数据中提取预置时间段内的待检测机组数据,得到第二待检测机组数据,所述预置时间段为所述机组平稳运行的时段;
计算单元,用于根据所述第二待检测机组数据,利用预置算法计算所述各个时间点的机组运行数据分别对应的离群率,所述离群率是指元素偏离所述元素所在元素集的程度;
确定单元,用于根据所述离群率,确定机组数据异常波动的时间点。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:生成单元、排列单元,
所述生成单元,用于根据所述第二待检测机组数据,生成待检测数据矩阵,所述待检测数据矩阵为以所述第二待检测机组数据中包含的各个时间点及与各个时间点分别对应的机组运行数据为行,以所述第二待检测机组数据中包含的全部时间点为列的矩阵;
所述计算单元,还用于利用预置函数分别计算所述待检测数据矩阵中各行对应的点数据值,所述点数据值为用于在所述预置算法中标识所述各个时间点的机组运行数据的值;
所述排列单元,还用于将所述各行对应的点数据值按照预置规则进行排列,得到点数据值集合,所述点数据值集合中包含有所述第二待检测机组数据中包含的全部时间点对应的点数据值。
8.根据权利要求7所述的装置,其特征在于,所述计算单元包括:
第一计算模块,用于分别计算所述点数据值集合中各个点数据值对应的预置范围内的数据值分布密度;
第二计算模块,用于根据所述数据值分布密度,计算所述各个时间点的机组运行数据分别对应的离群率。
9.根据权利要求6所述的装置,其特征在于,所述离群率中携带有与所述各个时间点对应的时间标识,所述确定单元包括:
检测模块,用于检测所述离群率是否超过第一预设阈值;
确定模块,用于若是,则根据所述离群率中携带的时间标识确定机组数据异常波动的时间点。
10.根据权利要求6或9所述的装置,其特征在于,
所述提取单元,还用于从所述第二待检测机组数据中提取与所述机组数据异常波动的时间点对应的一个或多个机组运行属性值;
所述计算单元,还用于依次计算所述提取的机组运行属性值与所述第二待检测机组数据中各个时间点的机组运行属性值之间的差值;
所述确定单元,还用于若所述差值超过第二预设阈值,则将所述差值对应的机组运行属性确定为异常波动属性。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求5中任意一项所述的机组数据异常波动的检测方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至权利要求5中任意一项所述的机组数据异常波动的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840494.8A CN109508846A (zh) | 2017-09-15 | 2017-09-15 | 一种机组数据异常波动的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840494.8A CN109508846A (zh) | 2017-09-15 | 2017-09-15 | 一种机组数据异常波动的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109508846A true CN109508846A (zh) | 2019-03-22 |
Family
ID=65745240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710840494.8A Pending CN109508846A (zh) | 2017-09-15 | 2017-09-15 | 一种机组数据异常波动的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508846A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738067A (zh) * | 2020-05-12 | 2020-10-02 | 国网陕西省电力公司电力科学研究院 | 一种电力在线监测***数据的时间序列异常检测方法 |
CN112184037A (zh) * | 2020-09-30 | 2021-01-05 | 华中科技大学 | 一种基于加权svdd的多模态过程故障检测方法 |
CN113421176A (zh) * | 2021-07-16 | 2021-09-21 | 昆明学院 | 一种异常数据智能筛选方法 |
CN117233645A (zh) * | 2023-11-15 | 2023-12-15 | 深圳鹏城新能科技有限公司 | 一种储能逆变器电池异常判定方法、***及介质 |
CN117725540A (zh) * | 2024-02-07 | 2024-03-19 | 宇恒数智(北京)科技有限公司 | 一种计算动态基带的方法、***、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462184A (zh) * | 2014-10-13 | 2015-03-25 | 北京***工程研究所 | 一种基于双向抽样组合的大规模数据异常识别方法 |
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
CN104636999A (zh) * | 2015-01-04 | 2015-05-20 | 江苏联宏自动化***工程有限公司 | 一种建筑异常用能数据检测方法 |
CN104794283A (zh) * | 2015-04-22 | 2015-07-22 | 哈尔滨工程大学 | 基于离群特征分析的柴油机故障灰预测方法 |
US20160127405A1 (en) * | 2014-10-29 | 2016-05-05 | Ricoh Company, Ltd. | Information processing system, information processing apparatus, and information processing method |
CN106093703A (zh) * | 2016-06-07 | 2016-11-09 | 湖南大学 | 一种智能配电网故障的辨识与定位方法 |
CN106124929A (zh) * | 2016-06-30 | 2016-11-16 | 湖南大学 | 一种配电网物理故障与信息故障辨识方法 |
CN106951353A (zh) * | 2017-03-20 | 2017-07-14 | 北京搜狐新媒体信息技术有限公司 | 作业数据异常检测方法及装置 |
-
2017
- 2017-09-15 CN CN201710840494.8A patent/CN109508846A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462184A (zh) * | 2014-10-13 | 2015-03-25 | 北京***工程研究所 | 一种基于双向抽样组合的大规模数据异常识别方法 |
US20160127405A1 (en) * | 2014-10-29 | 2016-05-05 | Ricoh Company, Ltd. | Information processing system, information processing apparatus, and information processing method |
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
CN104636999A (zh) * | 2015-01-04 | 2015-05-20 | 江苏联宏自动化***工程有限公司 | 一种建筑异常用能数据检测方法 |
CN104794283A (zh) * | 2015-04-22 | 2015-07-22 | 哈尔滨工程大学 | 基于离群特征分析的柴油机故障灰预测方法 |
CN106093703A (zh) * | 2016-06-07 | 2016-11-09 | 湖南大学 | 一种智能配电网故障的辨识与定位方法 |
CN106124929A (zh) * | 2016-06-30 | 2016-11-16 | 湖南大学 | 一种配电网物理故障与信息故障辨识方法 |
CN106951353A (zh) * | 2017-03-20 | 2017-07-14 | 北京搜狐新媒体信息技术有限公司 | 作业数据异常检测方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738067A (zh) * | 2020-05-12 | 2020-10-02 | 国网陕西省电力公司电力科学研究院 | 一种电力在线监测***数据的时间序列异常检测方法 |
CN111738067B (zh) * | 2020-05-12 | 2024-04-16 | 国网陕西省电力公司电力科学研究院 | 一种电力在线监测***数据的时间序列异常检测方法 |
CN112184037A (zh) * | 2020-09-30 | 2021-01-05 | 华中科技大学 | 一种基于加权svdd的多模态过程故障检测方法 |
CN112184037B (zh) * | 2020-09-30 | 2022-11-11 | 华中科技大学 | 一种基于加权svdd的多模态过程故障检测方法 |
CN113421176A (zh) * | 2021-07-16 | 2021-09-21 | 昆明学院 | 一种异常数据智能筛选方法 |
CN113421176B (zh) * | 2021-07-16 | 2022-11-01 | 昆明学院 | 一种学生成绩分数中异常数据智能筛选方法 |
CN117233645A (zh) * | 2023-11-15 | 2023-12-15 | 深圳鹏城新能科技有限公司 | 一种储能逆变器电池异常判定方法、***及介质 |
CN117233645B (zh) * | 2023-11-15 | 2024-01-26 | 深圳鹏城新能科技有限公司 | 一种储能逆变器电池异常判定方法、***及介质 |
CN117725540A (zh) * | 2024-02-07 | 2024-03-19 | 宇恒数智(北京)科技有限公司 | 一种计算动态基带的方法、***、设备及介质 |
CN117725540B (zh) * | 2024-02-07 | 2024-05-07 | 宇恒数智(北京)科技有限公司 | 一种计算动态基带的方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508846A (zh) | 一种机组数据异常波动的检测方法及装置 | |
CN110768912A (zh) | Api网关限流方法及装置 | |
CN109561052A (zh) | 网站异常流量的检测方法及装置 | |
CN110187679A (zh) | 一种scada***的报警方法及装置 | |
CN109117595B (zh) | 一种热负荷预测方法、装置、可读介质及电子设备 | |
CN108345832A (zh) | 一种人脸检测的方法、装置及设备 | |
CN111538869B (zh) | 一种交易异常群组的检测方法、装置及设备 | |
CN110245475A (zh) | 身份验证方法和装置 | |
CN109784599A (zh) | 一种模型训练、风险识别的方法、装置及设备 | |
CN109726068A (zh) | 一种数据检测方法及装置 | |
CN109636248A (zh) | 适用于电力***暂态稳定评估的特征选择方法及装置 | |
CN108829604A (zh) | 基于车辆控制器的测试用例生成方法及装置 | |
CN109145981A (zh) | 深度学习自动化模型训练方法及设备 | |
CN112084505A (zh) | 深度学习模型恶意样本检测方法、***、设备及存储介质 | |
CN111882426A (zh) | 业务风险分类器训练方法、装置、设备及存储介质 | |
CN109508791A (zh) | 车辆损伤管理方法 | |
CN107562703B (zh) | 字典树重构方法及*** | |
CN110941603A (zh) | 一种数据的扩充方法、装置、存储介质和电子设备 | |
CN110019385A (zh) | 计算指标的查询方法及装置 | |
CN109639672A (zh) | 基于jwt数据的防止重放攻击的方法及*** | |
CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
WO2021068247A8 (zh) | 神经网络调度方法、装置、计算机设备及可读存储介质 | |
CN110879537A (zh) | 智能家居能源***暂态稳定性的处理方法和装置 | |
CN109617887A (zh) | 一种信息处理方法、装置及存储介质 | |
CN109857628A (zh) | 动态ui业务端代码性能检测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190322 |
|
RJ01 | Rejection of invention patent application after publication |