CN111008662B - 一种输电线路在线监测数据异常分析方法 - Google Patents
一种输电线路在线监测数据异常分析方法 Download PDFInfo
- Publication number
- CN111008662B CN111008662B CN201911227186.3A CN201911227186A CN111008662B CN 111008662 B CN111008662 B CN 111008662B CN 201911227186 A CN201911227186 A CN 201911227186A CN 111008662 B CN111008662 B CN 111008662B
- Authority
- CN
- China
- Prior art keywords
- data
- optimal solution
- iforest
- power transmission
- transmission line
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种输电线路在线监测数据异常分析方法,它包括:步骤1、建立输电线路在线监测平台的异常检测设备衡量标准;步骤2、构建包含t棵iTree的初始孤立森林;步骤3、待搜索空间的二进制编码;步骤4、初始化设置;步骤5、个体极值与全局最优解;步骤6、更新各个粒子的速度和位置;步骤7、当迭代次数达到终止条件结束寻优过程输出最优解,否则回到步骤4;步骤8、对待检测数据进行预测;解决了现有技术存在的iForest算法对于异常数据的监测在一定程度上依赖于树的数量,但是大规模的iForest会占用大量的计算资源,不能有效的提升iForest算法的准确性,甚至会拉低整体的性能等技术问题。
Description
技术领域
本发明属于输电线路在线监测数据分析领域,尤其涉及一种输电线路在线监测数据异常分析方法。
背景技术
近些年以来随着我国逐渐加快的城市化进程,较多城市供电***的负荷也呈现较快增长的应用形式,只有加强城市输电线路的建设才能够完善电力输电***,以完善并提高电网供电的水平与能力,满足当今社会持续增长的供电***负荷需求。输电线路的在线监测数据也伴随着输电线路建设得到越来越多的关注。输电线路在线监测数据异常分析主要是通过监测数据来判断设备的运行情况。
iForest适用于连续数据(Continuous numerical data)的异常检测,将异常定义为“容易被孤立的离群点(more likely to be separated)”——可以理解为分布稀疏且离密度高的群体较远的点。用统计学来解释,在数据空间里面,分布稀疏的区域表示数据发生在此区域的概率很低,因此可以认为落在这些区域里的数据是异常的。
iForest目前是异常点检测最常用的算法之一,它的优点非常突出,他具有线性时间复杂度。因为是随机森林的方法,所以可以用在含有海量数据的数据集上,通常树的数量越多,算法越稳定。由于每棵树都是互相独立生成的,因此可以部署在大规模分布式***上来加速运算。
iForest算法对于异常数据的监测在一定程度上依赖于树的数量,但是大规模的iForest会占用大量的计算资源,并且其中部分树的存在并不能有效的提升iForest算法的准确性,甚至会拉低整体的性能。由于iForest算法对于构建树的要求使得其无法参与大规模数据的处理。
发明内容
本发明要解决的技术问题是:提供一种输电线路在线监测数据异常分析方法,以解决现有技术存在的iForest算法对于异常数据的监测在一定程度上依赖于树的数量,但是大规模的iForest会占用大量的计算资源,并且其中部分树的存在并不能有效的提升iForest算法的准确性,甚至会拉低整体的性能。由于iForest算法对于构建树的要求使得其无法参与大规模数据的处理等技术问题。
本发明的技术方案是:
一种输电线路在线监测数据异常分析方法,它包括:
步骤1、建立输电线路在线监测平台的异常检测设备衡量标准;
步骤2、构建包含t棵iTree的初始孤立森林;
步骤3、待搜索空间的二进制编码;
步骤4、初始化设置;
步骤5、个体极值与全局最优解;
步骤6、更新各个粒子的速度和位置;
步骤7、当迭代次数达到终止条件结束寻优过程输出最优解,否则回到步骤4;
步骤8、对待检测数据进行预测。
步骤1所述建立输电线路在线监测平台的异常检测设备衡量标准的方法包括:针对设备监测异常区域,采用数据库技术实现在线监测设备数据的整合与处理;分析总结脏数据的类型;对数据进行清洗和转换。
步骤2所述构建包含t棵iTree的初始孤立森林的方法包括:
步骤2.1、建立输电线路在线监测数据训练集PowerTraindata={d1,d2,…dn},取ψ个训练数据为子样本集,作为树的根节点;
步骤2.2、随机取阈值以当前点为基准,以阈值范围内的随机步长进行切割;
步骤2.3、从切割点形成超平面,将数据分成了两个子空间,将维度小于p和大于p的分别放在节点的左边和右边;
步骤2.4、循环执行步骤2.2、2.3形成新的节点,当数据不能继续分割或者分割次数到达log2ψ时,停止分割。
步骤2.5、重复步骤2.1~2.4,再构建t-1棵iTree组成孤立森林iForest={T1,T2,…Tt},其中iForest表示t棵iTree的集合。
步骤3所述待搜索空间的二进制编码的方法包括:
由步骤2中的生成的iForest的非空子集构成搜索空间{F1,F2,…},并用二进制编码表示;当iForest中的T1树在子集F1中时对应的编码为1,iForest中的T1树不在子集F2中对应的编码为0;编码的表示方式如下二进制编码表
T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | …… | T<sub>t</sub> | |
F<sub>1</sub> | 1 | 1 | 0 | …… | 0 |
F<sub>2</sub> | 0 | 1 | 1 | …… | 1 |
F<sub>3</sub> | 1 | 0 | 1 | …… | 1 |
…… | …… | …… | …… | …… | …… |
。
步骤4所述初始化设置的方法包括:设置最大迭代次数iteration,设置最大的速度区间Vmax,防止超出最大的区间;在速度区间和搜索空间上随机初始化速度和位置,设置群体规模m。
步骤5所述个体极值与全局最优解的方法为:群体中各个粒子编码分别转换为孤立森林{F1,F2,…Fm},计算各自的适应度值;将PowerTraindata分成N个相等但不相交的子集,孤立森林在每一子集上对度量值的平均值为适应度值;个体极值为每个粒子找到的历史上最优的位置信息,并从这些个体历史最优解中找到一个全局最优解,并与历史最优解比较,选出最佳的作为当前的历史最优解。
步骤6所述更新各个粒子的速度和位置的方法包括:建立公式:
Vk=ω·Vk+C1·random(0,1)(Pk-Xk)+C2·random(0,1)(Pgk-Xk)
Xk=f(Xk,Vk)
式中:Vk为粒子编码中第k位置的速度,ω为惯性因子,C1、C2为加速常数,random(0,1)表示0、1上的随机数,Pk表示粒子第k位置的历史最优信息,Xk表示粒子的位置信息编码,Pgk表示全局的历史最优解,f表示粒子k位置更新函数;
其中abs()表示取绝对值;sigmoid()表示转换函数表达形式如下:
步骤8所述对待检测数据进行预测的方法为:
计算待检测数据d在每一棵iTree的路径长度h(d);由于iTree与二叉查找树的结构等价,因此包含d的叶子节点的路径长度等于二叉查找树中失败查询的路径长度;给出了二叉查找树中失败查询的路径长度:
C(n)=2H(n-1)-(2(n-1)/n)
式中:H(i)=Ln(i)+γ,γ为欧拉常数;n为叶子节点数;C(n)为给定n时h(n)的平均值,用以标准化h(n);
数据的异常分数S(d,n)如下所示:
E(h(d))为iTree集合中h(d)的平均值;当E(h(d))→C(n)时,S→0.5,即当所有数据均返回的S≈0.5时,全部样本中没有明显的异常值;当E(h(d))→0时,S→1,即当数据返回的S非常接近于1时,它们是异常值;当E(h(d))→-1时,S→0,即当数据返回的S小于0.5时,它们为正常值。
本发明有益效果:
本发明克服了传统iForest算法监测精度低,内部冗余量大,推广能力受限的问题。利用二进制粒子群算法的思想选择优秀的iForest来提升算法的精度,减少其内部的冗余量,加快计算速度;解决了现有技术存在的iForest算法对于异常数据的监测在一定程度上依赖于树的数量,但是大规模的iForest会占用大量的计算资源,并且其中部分树的存在并不能有效的提升iForest算法的准确性,甚至会拉低整体的性能。由于iForest算法对于构建树的要求使得其无法参与大规模数据的处理等技术问题。
附图说明
图1为本发明的一种BPSO-iForest算法流程图。
具体实施方式
一种输电线路在线监测数据异常分析方法,克服传统iForest算法监测精度低,内部冗余量大,推广能力受限的问题。
如图1所示,本发明一种基于BPSO-iForest的输电线路在线监测数据异常分析方法包括如下步骤:
步骤一:建立输电线路在线监测平台的异常检测设备衡量标准;
针对设备监测异常区域,采用数据库技术实现多个在线监测设备数据的整合与处理;分析总结脏数据的类型;对数据进行清洗和转换,使得转换后的数据有利于后续数据挖掘工作的展开;
步骤二:构建包含t棵iTree的初始孤立森林;
1.输电线路在线监测数据训练集PowerTraindata={d1,d2,…dn},取ψ个训练数据为子样本集,作为树的根节点;
2.随机取阈值以当前点为基准,以阈值范围内的随机步长进行切割;
3.从切割点形成了超平面,将数据分成了两个子空间,将维度小于p和大于p的分别放在节点的左边和右边;
4.循环执行2、3形成新的节点,当数据不能继续分割或者分割次数到达log2ψ时,停止分割。
5.重复步骤1~4,再构建t-1棵iTree组成孤立森林iForest={T1,T2,…Tt},其中iForest表示t棵iTree的集合。
步骤三:待搜索空间的二进制编码;
由步骤二中的生成的iForest的非空子集构成搜索空间{F1,F2,…},并用二进制编码表示。例如,当iForest中的T1树在子集F1中时对应的编码为1,iForest中的T1树不在子集F2中对应的编码为0。编码的表示方式如下二进制编码表
T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | …… | T<sub>t</sub> | |
F<sub>1</sub> | 1 | 1 | 0 | …… | 0 |
F<sub>2</sub> | 0 | 1 | 1 | …… | 1 |
F<sub>3</sub> | 1 | 0 | 1 | …… | 1 |
…… | …… | …… | …… | …… | …… |
步骤四:初始化设置;
根据需要设置最大迭代次数iteration。设置最大的速度区间Vmax,防止超出最大的区间。我们在速度区间和搜索空间上随机初始化速度和位置。设置群体规模m。
步骤五:个体极值与全局最优解
群体中各个粒子编码分别转换为孤立森林{F1,F2,…Fm},计算各自的适应度值。将PowerTraindata分成N个相等但不相交的子集,孤立森林在每一子集上对度量值的平均值为适应度值。
个体极值为每个粒子找到的历史上最优的位置信息,并从这些个体历史最优解中找到一个全局最优解,并与历史最优解比较,选出最佳的作为当前的历史最优解。
步骤六:更新各个粒子的速度和位置;
Vk=ω·Vk+C1·random(0,1)(Pk-Xk)+C2·random(0,1)(Pgk-Xk)
Xk=f(Xk,Vk)
其中Vk为粒子编码中第k位置的速度,ω为惯性因子,C1、C2为加速常数,random(0,1)表示0、1上的随机数,Pk表示粒子第k位置的历史最优信息,Xk表示粒子的位置信息编码,Pgk表示全局的历史最优解,f表示粒子k位置更新函数(当满足特定条件时更新位置)。
其中abs()表示取绝对值;sigmoid()表示转换函数表达形式如下:
步骤七:当迭代次数达到终止条件结束寻优过程输出最优解否则回到步骤四;
步骤八:对待检测数据进行预测;
计算待检测数据d在每一棵iTree的路径长度h(d);由于iTree与二叉查找树的结构等价,因此包含d的叶子节点的路径长度等于二叉查找树中失败查询的路径长度。给出了二叉查找树中失败查询的路径长度:
C(n)=2H(n-1)-(2(n-1)/n)
其中H(i)=Ln(i)+γ,γ为欧拉常数;n为叶子节点数;C(n)为给定n时h(n)的平均值,用以标准化h(n)。
数据的异常分数S(d,n)如下所示:
其中,E(h(d))为iTree集合中h(d)的平均值。当E(h(d))→C(n)时,S→0.5,即当所有数据均返回的S≈0.5时,全部样本中没有明显的异常值;当E(h(d))→0时,S→1,即当数据返回的S非常接近于1时,它们是异常值;当E(h(d))→-1时,S→0,即当数据返回的S远小于0.5时,它们有很大的可能为正常值。此时完成对于输电线路在线监测数据的监测。
Claims (2)
1.一种输电线路在线监测数据异常分析方法,它包括:
步骤1、建立输电线路在线监测平台的异常检测设备衡量标准;
步骤2、构建包含t棵iTree的初始孤立森林;
步骤2所述构建包含t棵iTree的初始孤立森林的方法包括:
步骤2.1、建立输电线路在线监测数据训练集PowerTraindata={d1,d2,…da},取ψ个训练数据为子样本集,作为树的根节点;
步骤2.2、随机取阈值以当前点为基准,以阈值范围内的随机步长进行切割;
步骤2.3、从切割点形成超平面,将数据分成了两个子空间,将维度小于p和大于p的分别放在节点的左边和右边;
步骤2.4、循环执行步骤2.2、2.3形成新的节点,当数据不能继续分割或者分割次数到达log2ψ时,停止分割;
步骤2.5、重复步骤2.1~2.4,再构建t-1棵iTree组成孤立森林iForest={T1,T2,…Tt},其中iForest表示t棵iTree的集合;
步骤3、待搜索空间的二进制编码;
步骤3所述待搜索空间的二进制编码的方法包括:
由步骤2中的生成的iForest的非空子集构成搜索空间{F1,F2,…},并用二进制编码表示;当iForest中的T1树在子集F1中时对应的编码为1,iForest中的T1树不在子集F2中对应的编码为0;编码的表示方式如下二进制编码表
步骤4、初始化设置;
步骤4所述初始化设置的方法包括:设置最大迭代次数iteration,设置速度区间Vmax,防止超出最大的区间;在速度区间和搜索空间上随机初始化速度和位置,设置群体规模m;
步骤5、个体极值与全局最优解;
步骤5所述个体极值与全局最优解的方法为:群体中各个粒子编码分别转换为孤立森林{F1,F2,…Fm},计算各自的适应度值;将PowerTraindata分成N个相等但不相交的子集,孤立森林在每一子集上对度量值的平均值为适应度值;个体极值为每个粒子找到的历史上最优的位置信息,并从这些个体历史最优解中找到一个全局最优解,并与历史最优解比较,选出最佳的作为当前的历史最优解;
步骤6、更新各个粒子的速度和位置;
步骤6所述更新各个粒子的速度和位置的方法包括:建立公式:
Vk=ω·Vk+C1·random(0,1)(Pk-Xk)+C2·random(0,1)(Pgk-Xk)
Xk=f(Xk,Vk)
式中:Vk为粒子编码中第k位置的速度,ω为惯性因子,C1、C2为加速常数,random(0,1)表示0、1上的随机数,Pk表示粒子第k位置的历史最优信息,Xk表示粒子的位置信息编码,Pgk表示全局的历史最优解,f表示粒子k位置更新函数;
其中abs()表示取绝对值;sigmoid()表示转换函数:
步骤7、当迭代次数达到终止条件结束寻优过程输出最优解,否则回到步骤4;
步骤8、对待检测数据进行预测;
所述对待检测数据进行预测的方法为:
计算待检测数据d在每一棵iTree的路径长度h(d);由于iTree与二叉查找树的结构等价,因此包含d的叶子节点的路径长度等于二叉查找树中失败查询的路径长度;给出了二叉查找树中失败查询的路径长度:
C(n)=2H(n-1)-(2(n-1)/n)
式中:H(i)=Ln(i)+γ,γ为欧拉常数;n为叶子节点数;C(n)为给定n时h(n)的平均值,用以标准化h(n);
数据的异常分数S(d,n)如下所示:
E(h(d))为iTree集合中h(d)的平均值;当E(h(d))→C(n)时,S→0.5,即当所有数据均返回的S≈0.5时,全部样本中没有明显的异常值;当E(h(d))→0时,S→1,即当数据返回的S非常接近于1时,它们是异常值;当E(h(d))→-1时,S→0,即当数据返回的S小于0.5时,它们为正常值。
2.根据权利要求1所述的一种输电线路在线监测数据异常分析方法,其特征在于:步骤1所述建立输电线路在线监测平台的异常检测设备衡量标准的方法包括:针对设备监测异常区域,采用数据库技术实现在线监测设备数据的整合与处理;分析总结脏数据的类型;对数据进行清洗和转换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227186.3A CN111008662B (zh) | 2019-12-04 | 2019-12-04 | 一种输电线路在线监测数据异常分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227186.3A CN111008662B (zh) | 2019-12-04 | 2019-12-04 | 一种输电线路在线监测数据异常分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008662A CN111008662A (zh) | 2020-04-14 |
CN111008662B true CN111008662B (zh) | 2023-01-10 |
Family
ID=70113844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911227186.3A Active CN111008662B (zh) | 2019-12-04 | 2019-12-04 | 一种输电线路在线监测数据异常分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008662B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881000A (zh) * | 2020-08-07 | 2020-11-03 | 广州云从博衍智能科技有限公司 | 一种故障预测方法、装置、设备及机器可读介质 |
CN113537528B (zh) * | 2021-07-28 | 2022-05-03 | 贵州电网有限责任公司 | 一种输变电设备状态监测数据的预处理方法及*** |
CN117556714B (zh) * | 2024-01-12 | 2024-03-22 | 济南海德热工有限公司 | 一种用于铝金属冶炼的预热管路温度数据异常分析方法 |
CN117741514B (zh) * | 2024-02-21 | 2024-05-07 | 山东中船线缆股份有限公司 | 一种船用线缆的状态检测方法及*** |
CN117951616B (zh) * | 2024-03-27 | 2024-05-28 | 山东海纳智能装备科技股份有限公司 | 一种局部通风机智能运维分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140009715A (ko) * | 2012-07-12 | 2014-01-23 | 중앙대학교 산학협력단 | Pso기반 최적의 eeg채널 결정 방법 및 장치 |
CN104717106A (zh) * | 2015-03-04 | 2015-06-17 | 贵州电网公司信息通信分公司 | 一种基于多变量序贯分析的分布式网络流量异常检测方法 |
CN107426207A (zh) * | 2017-07-21 | 2017-12-01 | 哈尔滨工程大学 | 一种基于SA‑iForest的网络入侵异常检测方法 |
CN108776683A (zh) * | 2018-06-01 | 2018-11-09 | 广东电网有限责任公司 | 一种基于孤立森林算法和神经网络的电力运维数据清洗方法 |
CN109685653A (zh) * | 2019-01-21 | 2019-04-26 | 北京工业大学 | 一种融合深度信念网络和孤立森林算法的信贷风险监测的方法 |
CN110189232A (zh) * | 2019-05-14 | 2019-08-30 | 三峡大学 | 基于孤立森林算法的用电信息采集数据异常分析方法 |
CN110210723A (zh) * | 2019-05-15 | 2019-09-06 | 电子科技大学 | 一种基于层次分析法和孤立森林的窃电辨识方法 |
CN110334125A (zh) * | 2019-05-20 | 2019-10-15 | 中国电力科学研究院有限公司 | 一种配电网量测异常数据辨识方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8457240B2 (en) * | 2008-08-25 | 2013-06-04 | Daniel Lee | Methods of selecting signal transmitting, receiving, and/or sensing devices with probabilistic evolutionary algorithms in information conveyance systems |
CN109308306B (zh) * | 2018-09-29 | 2021-07-06 | 重庆大学 | 一种基于孤立森林的用户用电异常行为检测方法 |
CN109948669B (zh) * | 2019-03-04 | 2021-07-13 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法及装置 |
CN110149258A (zh) * | 2019-04-12 | 2019-08-20 | 北京航空航天大学 | 一种基于孤立森林的汽车can总线网络数据异常检测方法 |
-
2019
- 2019-12-04 CN CN201911227186.3A patent/CN111008662B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140009715A (ko) * | 2012-07-12 | 2014-01-23 | 중앙대학교 산학협력단 | Pso기반 최적의 eeg채널 결정 방법 및 장치 |
CN104717106A (zh) * | 2015-03-04 | 2015-06-17 | 贵州电网公司信息通信分公司 | 一种基于多变量序贯分析的分布式网络流量异常检测方法 |
CN107426207A (zh) * | 2017-07-21 | 2017-12-01 | 哈尔滨工程大学 | 一种基于SA‑iForest的网络入侵异常检测方法 |
CN108776683A (zh) * | 2018-06-01 | 2018-11-09 | 广东电网有限责任公司 | 一种基于孤立森林算法和神经网络的电力运维数据清洗方法 |
CN109685653A (zh) * | 2019-01-21 | 2019-04-26 | 北京工业大学 | 一种融合深度信念网络和孤立森林算法的信贷风险监测的方法 |
CN110189232A (zh) * | 2019-05-14 | 2019-08-30 | 三峡大学 | 基于孤立森林算法的用电信息采集数据异常分析方法 |
CN110210723A (zh) * | 2019-05-15 | 2019-09-06 | 电子科技大学 | 一种基于层次分析法和孤立森林的窃电辨识方法 |
CN110334125A (zh) * | 2019-05-20 | 2019-10-15 | 中国电力科学研究院有限公司 | 一种配电网量测异常数据辨识方法及装置 |
Non-Patent Citations (3)
Title |
---|
"A discrete binary version of the particle swarm algorithm";J. Kennedy;《1997 IEEE International Conference on Systems, Man, and Cybernetics. Computational Cybernetics and Simulation》;20020806;全文 * |
"一种带变异算子的自适应惯性权重二进制粒子群优化算法";王越等;《小型微型计算机***》;20190430(第4期);全文 * |
"变电设备在线监测数据预警方法研究";薛涛等;《贵州电力技术》;20150430;第18卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008662A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008662B (zh) | 一种输电线路在线监测数据异常分析方法 | |
Halbawi et al. | Improving distributed gradient descent using reed-solomon codes | |
CN114816909B (zh) | 一种基于机器学习的实时日志检测预警方法及*** | |
CN108920812B (zh) | 一种机械加工表面粗糙度预测方法 | |
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN111177276B (zh) | 一种基于Spark计算框架的动能数据处理***及方法 | |
CN112181706B (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
CN109214527B (zh) | 一种变压器故障早期诊断预警方法和*** | |
Deng et al. | An improved fuzzy clustering method for text mining | |
CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
CN115496163A (zh) | 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法 | |
CN113378954B (zh) | 一种基于粒子群改进k均值算法的负荷曲线聚类方法及*** | |
CN112905583A (zh) | 一种高维大数据离群点检测方法 | |
CN114842371B (zh) | 一种无监督视频异常检测方法 | |
CN112990776B (zh) | 一种配网设备健康度评价方法 | |
CN109116300A (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN108874974A (zh) | 基于频繁词集的并行化话题跟踪方法 | |
CN114330875A (zh) | 环境信息确定方法、装置、电子设备及存储介质 | |
CN114528909A (zh) | 一种基于流量日志特征提取的无监督异常检测方法 | |
Feng et al. | A genetic k-means clustering algorithm based on the optimized initial centers | |
CN113485878A (zh) | 一种多数据中心故障检测方法 | |
CN100355245C (zh) | 入侵检测***用增强多哈希的源串还原方法 | |
Shein et al. | Incremental clustering approach for evolving trajectory data stream | |
CN110609832A (zh) | 一种面向流式数据的非重复采样方法 | |
CN110543724A (zh) | 面向总体设计的卫星结构性能预测方法 |
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 |