CN112565422B - 一种对电力物联网故障数据的识别方法、***和存储介质 - Google Patents

一种对电力物联网故障数据的识别方法、***和存储介质 Download PDF

Info

Publication number
CN112565422B
CN112565422B CN202011414516.2A CN202011414516A CN112565422B CN 112565422 B CN112565422 B CN 112565422B CN 202011414516 A CN202011414516 A CN 202011414516A CN 112565422 B CN112565422 B CN 112565422B
Authority
CN
China
Prior art keywords
things
internet
monitoring value
data
value
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
Application number
CN202011414516.2A
Other languages
English (en)
Other versions
CN112565422A (zh
Inventor
姜淏予
宋晋
陈凯
杨文龙
张晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Jiasu Industrial Internet Co ltd
Original Assignee
Hangzhou Jiasu Industrial Internet Co ltd
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 Hangzhou Jiasu Industrial Internet Co ltd filed Critical Hangzhou Jiasu Industrial Internet Co ltd
Priority to CN202011414516.2A priority Critical patent/CN112565422B/zh
Publication of CN112565422A publication Critical patent/CN112565422A/zh
Application granted granted Critical
Publication of CN112565422B publication Critical patent/CN112565422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/50—Testing arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种对电力物联网故障数据的识别方法和***，包括通过物联平台获取电力物联用户的一物联支路下的报文数据，提取该物联支路下的一时间点的多条报文数据；提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理；采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法，建立特征；并针对所建立的特征再由随机森林算法来进行识别得到最终判定结果，解决了目前物联***故障数据类型库针对传统的单一类识别算法泛化能力不足的问题。

Description

一种对电力物联网故障数据的识别方法、***和存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种对电力物联网故障数据的识别方法、***和存储介质。
背景技术
电力物联***是在物联网快速发展的潮流下，结合电力***的发展应运而生出了物联***。随着国家电网正式提出“打造全业务泛在电力物联网”的战略目标，电力物联与大数据分析结合成为可能。现如今，数据分析技术对数据的统一性要求很高，但是电力***中收集的数据来源众多、数据形式不同，有包含ID、各类属性值的静态数据，也有包含时间戳、监测值的动态数据，这导致收集的初始数据不能直接用于物联网的数据分析。受电力***运行的实效性及建设的阶段性影响，电力物联网平台上将会产生较多的计量、监测、控制等实时及历史数据，最终形成泛在电力物联网平台层的多源异构数据源。其中，以能源类数据为例，其指可以能耗相关的，或者是计算能耗所需的相关数据，例如电流、电压、功率因子、频率等等。能源数据是电力物联网最关键的数据类型，获取能源数据，理解能源数据，分析能源数据则成了电力物联网实施中必须拥有的功能。
目前，虽然有针对物联网或物联***存在数据故障或异常进行分析，但都是针对物联***局部的故障分析，而没有对物联***进行整体分析。现阶段对于通过物联***整体的异常或故障诊断的研究不多，主要集中于物联***的单层分析比较常见。一般多针对于物联感知层的电力表计、网关(服务器等)等单一物联设备或环节问题进行分析。伴随着电力物联网的普及，每个物联环节都可能存在着一定的故障风险，如何识别存在物联***中的故障问题成为提高物联数据的可靠性的关键。目前，通过大数据挖掘技术对物联云平台所获得的报文数据进行处理与分析成为今后判断物联***异常情况的一种新的方式，但当前建立起物联***故障数据类型库如何处理以及选择何种方式建立异常数据特征工程成为目前需要解决的问题。
发明内容
本发明针对现有技术中的不足，提供了一种对电力物联网故障数据的识别方法，包括如下步骤：
S1，通过物联平台获取电力物联用户的一物联支路下的报文数据，所述报文数据包括时间戳和监测值，所述监测值包括电压监测值、电流监测值、和功率监测值；
S2，提取该物联支路下的一时间点的多条报文数据；
S3，提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理；
S4，提取出物联报文数据中的电压监测值、电流监测值和功率监测值，采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法，建立特征；
S5，针对所建立的特征，再由随机森林算法来进行识别，并得到最终判定结果。
优选的，所述步骤S3具体包括：
S31，选用一阶差分对时间戳进行信息提取,通过一阶差分为Xt＝Xt-Xt-1对每条相邻时间戳做差得到的差分序列；
S32，选用测试模板kX＝[kx1,kx2,...,kxm]以及参考模板kY＝[ky1,ky2,...,kym]，其中X为所提取到的差分序列，Y是准备好的测试数据差分序列标准模板，每个距离元素如下式所示：
kd(xi,yj)＝k||xi-yj||2＝||kxi-kyj||2，其中，这里的k是固定调节系数或变动调节系数，即
Figure BDA0002817892330000031
δ为相对原sigmode函数的移动区间，其值可以取1000-3000，得到改进后的累积距离矩阵元素kd(i,j)，其表达式如下所示：
Figure BDA0002817892330000032
其中k为调节系数，m为矩阵维数，r为累计距离，d为两元素间的距离。
优选的，所述步骤S4具体包括：
S41，提取出物联报文数据中的电压监测值及对应时间戳，采用DBSCAN密度聚类算法对电压监测值进行检测；
S42，提取出物联报文数据中的电流监测值和功率监测值、及对应时间戳，采用DBSCAN密度聚类算法对电流监测值和/或功率监测值进行检测。
优选的，所述步骤S42具体包括：
S421，随机抽取历史年份中多周或者多月的历史数据组，所述历史数据组
为电流监测值数据组或功率监测值数据组，并根据对应用户的作息时间将上述历史数据组区分为第一工作状态、第二工作状态和第三工作状态；
S422，计算第一工作状态、第二工作状态和第三工作状态的最大值与最小值的差值d，即d＝|max(X)-min(X)|，其中max(X)和min(X)分别为各工作状态的最大值和最小值，获取该用户下的最大差值dmax与最小差值dmin，确定dmax以及dmin并建立间隔为δ的序列[dmin,...,dmax]；
S423，测试集则通过计算d，来得到匹配的阈值半径D，其中D＝γ|max(X)-min(X)|，其中γ＝e-k|max(X)-min(X)|，γ为变动调节系数，k为调节系数的倍数；向序列[dmin,...,dmax]中赋予阈值半径D作为标签，并将此作为训练集放入PNN神经网络训练，得到用于目标检测的神经网络。
本发明还公开了一种对电力物联网故障数据的识别***，包括：报文数据获取模块，用于通过物联平台获取电力物联用户的一物联支路下的报文数据，所述报文数据包括时间戳和监测值，所述监测值包括电压监测值、电流监测值、和功率监测值；报文提取模块，用于提取该物联支路下的一时间点的多条报文数据；时间戳调整模块，用于提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理；特征建立模块，用于提取出物联报文数据中的电压监测值、电流监测值和功率监测值，采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法，建立特征；判断模块，用于针对所建立的特征，再由随机森林算法来进行识别并得到最终判定结果。
优选的，所述时间戳调整模块包括：时间戳信息提取模块，用于选用一阶差分对时间戳进行信息提取,通过一阶差分为Xt＝Xt-Xt-1对每条相邻时间戳做差得到的差分序列；累积距离计算模块，用于选用测试模板kX＝[kx1,kx2,...,kxm]以及参考模板kY＝[ky1,ky2,...,kym]，其中X为所提取到的差分序列，Y是准备好的测试数据差分序列标准模板，每个距离元素如下式所示：kd(xi,yj)＝k||xi-yj||2＝||kxi-kyj||2，其中，这里的k是固定调节系数或变动调节系数，即
Figure BDA0002817892330000041
δ为相对原sigmode函数的移动区间，其值取1000～3000，得到改进后的累积距离矩阵元素kd(i,j)，其表达式如下所示：
Figure BDA0002817892330000051
其中k为调节系数，m为矩阵维数，r为累计距离，d为两元素间的距离。
优选的，所述特征建立模块包括：电压监测值模块，用于提取出物联报文数据中的电压监测值及对应时间戳，采用DBSCAN密度聚类算法对电压监测值进行检测；电流/功率监测模块，用于提取出物联报文数据中的电流监测值和功率监测值、及对应时间戳，采用DBSCAN密度聚类算法对电流监测值和/或功率监测值进行检测。
优选的，所述电流/功率监测模块具体包括：
历史数据组模块，用于随机抽取历史年份中多周或者多月的历史数据组，所述历史数据组为电流监测值数据组或功率监测值数据组，并根据对应用户的作息时间将上述历史数据组区分为第一工作状态、第二工作状态和第三工作状态；
差值获取模块，用于计算第一工作状态、第二工作状态和第三工作状态的最大值与最小值的差值d，即d＝|max(X)-min(X)|，其中max(X)和min(X)分别为各工作状态的最大值和最小值，获取该用户下的最大差值dmax与最小差值dmin，确定dmax以及dmin并建立间隔为δ的序列[dmin,...,dmax]；
阈值半径获取模块，用于测试集则通过计算d，来得到匹配的阈值半径D，其中D＝γ|max(X)-min(X)|，其中γ＝e-k|max(X)-min(X)|，γ为变动调节系数，k为调节系数的倍数；向序列[dmin,...,dmax]中赋予阈值半径D作为标签，并将此作为训练集放入PNN神经网络训练，得到用于目标检测的神经网络。
本发明还公开了一种对电力物联网故障数据的识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述方法的步骤。
本发明通过物联平台获取电力物联用户的一物联支路下的报文数据，提取该物联支路下的一时间点的多条报文数据，提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理；并提取出物联报文数据中的电压监测值、电流监测值和功率监测值，采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法建立特征；最终针对所建立的特征，再由随机森林算法来进行识别，得到最终判定结果。本发明提供了一种电力物联异常数据类型识别方法，其仅仅需要从电力物联云平台获取物联报文即可检测出电力物联数据是否存在异常。解决了目前物联***故障数据类型库针对传统的单一类识别算法泛化能力不足的问题。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一实施例公开的对电力物联网故障数据的识别方法的流程示意图。
图2为本发明另一实施例公开的步骤S4的具体流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。
附图1为本发明公开的一种对电力物联网故障数据的识别方法，该方法具体包括：
步骤S1，通过物联平台获取电力物联用户的一物联支路下的报文数据，所述报文数据包括时间戳和监测值，所述监测值包括电压监测值、电流监测值、和功率监测值。
步骤S2：提取该物联支路下的一时间点的多条报文数据。例如可以提取该物联支路下某时间点下的60条报文数据。
步骤S3：提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理；
针对采用的时间戳而言，正常的时间戳本身有一定的1s―3s的采集偏差，而这属于正常现象。传统的DTW(动态时间规整)算法对正常时间戳计算出来的累积距离，往往得到的最小距离会有较大的偏差，所以需要针对DTW所用的典型的欧式距离进行改进，这成为需要解决的问题。例如针对选取的时间戳而言，时间戳的格式，例如15677267380000，15677267440000，正常的时间戳可能本身有一定的1s―3s的采集偏差，而这属于正常现象。传统的DTW算法对正常时间戳计算出来的累积距离，往往得到的最小距离会有较大的偏差，所以需要针对DTW所用的典型欧式距离进行改进，具体如下：
步骤S31，选用一阶差分对时间戳进行信息提取,通过一阶差分Xt＝Xt-Xt-1对每条相邻时间戳做差得到差分序列。
具体的，通过选用一阶差分对时间戳进行提取信息,一阶差分为Xt＝Xt-Xt-1。以这两相邻时间戳为例：1567267380000、1567267440000；通过收集每60条报文数据，报文数据中包含时间戳，一阶差分提取信息是指通过每条相邻时间戳做差，得到的差分序列即为所需信息。
步骤S32，选用测试模板kX＝[kx1,kx2,...,kxm]以及参考模板kY＝[ky1,ky2,...,kym]，其中X为所提取到的差分序列，Y是准备好的测试数据差分序列标准模板，每个距离元素如下式所示：
kd(xi,yj)＝k||xi-yj||2＝||kxi-kyj||2，其中，这里的k是固定调节系数或变动调节系数，即
Figure BDA0002817892330000091
δ为相对原sigmode函数的移动区间，其值可以取1000-3000，得到改进后的累积距离矩阵元素kd(i,j)，其表达式如下所示：
Figure BDA0002817892330000092
其中k为调节系数，m为矩阵维数，r为累计距离，d为两元素间的距离。
具体的，可以添加欧式距离调节系数k来影响距离矩阵，在这里可以记测试模板kX＝[kx1,kx2,...,kxm]以及参考模板kY＝[ky1,ky2,...,kym]，其中X指提取到的差分序列；Y是准备好的测试数据差分序列标准模板，每个距离元素如下式所示：kd(xi,yj)＝k||xi-yj||2＝||kxi-kyj||2其中，这里的k可以是固定调节系数，也可以改为变动调节系数，即
Figure BDA0002817892330000093
在这里δ为相对原sigmode函数的移动区间，其值可以取1000-3000。进而我们可以得到改进后的累积矩阵元素kd(i,j)。在动态时间规整算法中，需要参考模板和测试模板，而在处理时间戳方面，参考模板的是连续变化的时间戳，所以需要对时间戳进行差分处理，通过建立标准的差分模板，然后通过加入调节系数k，减少匹配误差，最终形成累积代价矩阵即最小路径，得到最小距离。
步骤S4，提取出物联报文数据中的电压监测值、电流监测值和功率监测值，采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法，建立特征。如附图2所示，该步骤具体包括如下。
步骤S41，提取出物联报文数据中的电压监测值及对应时间戳，采用DBSCAN密度聚类算法对电压监测值进行检测。
DBSCAN是一种用于检测异常点的聚类算法，其原理基于一组邻域来描述样本集的紧密程度，参数(∈,MinPts)用来描述邻域的样本分布紧密程度。在这里，∈描述了一组电力监测值样本中电力监测数据点的邻域距离的阈值，MinPts描述了一组电力监测值样本中电力监测数据值点的距离为的邻域中样本个数的阈值。结合本节中，设电力监测值的样本集是
D＝{x1,x2,...,xi,...,x60},其中Xi是每个采集值点，对于DBSCAN算法流程具体的密度描述定义如下：∈为监测值数据设定的邻域大小，MinPts监测值数据设定的邻域样本个数，N为满足设定阈值条件的个数。
对于满足(∈,MinPts)设定阈值条件的监测值数据点，称之为核心对象，这里考虑电压的阈值∈可设定为10％的2倍的额定电压值UN，MinPts设置为2，即可满足判断。然后，围绕核心对象，通过“两达一连”(即密度直达、密度可达以及密度相连)来判断电力监测样本数据集异常情况，即在电力物联电压数据检测中，通过检查取样的电力物联报文中监测值中每点的Eps邻域来搜索簇，如果某监测值点的Eps邻域包含的监测值点多于MinPts，则创建一个以该点为核心的对象的簇；然后迭代地聚集从这些核心对象直接密度可达的对象，这个过程可能涉及一些密度可达簇的合并，当没有新的点添加到任何簇时，该过程“两达一连”结束。在所有点都完成检查后，则可以得到最终聚类结果，即电力监测样本数据集异常情况。
步骤S42，提取出物联报文数据中的电流监测值和功率监测值、及对应时间戳，采用DBSCAN密度聚类算法对电流监测值和/或功率监测值进行检测。
步骤S421，随机抽取历史年份中多周或者多月的历史数据组区，所述历史数据组区为电流监测值数据组或功率监测值数据组，并根据对应用户的作息时间将上述历史数据组区分为第一工作状态、第二工作状态和第三工作状态。
步骤S422，计算第一工作状态、第二工作状态和第三工作状态的最大值与最小值的差值d，即d＝|max(X)-min(X)|，其中max(X)和min(X)分别为各工作状态的最大值和最小值，获取该用户下的最大差值dmax与最小差值dmin，确定dmax以及dmin并建立间隔为δ的序列[dmin,...,dmax]。
步骤S423，测试集则通过计算d，来得到匹配的阈值半径D，其中D＝γ|max(X)-min(X)|，其中γ＝e-k|max(X)-min(X)|，γ为变动调节系数，k为调节系数的倍数；向序列[dmin,...,dmax]中赋予阈值半径D作为标签，并将此作为训练集放入PNN神经网络训练，得到用于目标检测的神经网络。
由于设备使用时受到季节因素、作息规律等因素而导致电流监测值和功率监测值在不同的时间段变化不同，所以传统的DBSCAN算法无法通过固定阈值来找寻异常值点，因而在这里需要通过不同的时间段来确定不同的阈值半径。这里假设所在电力物联用户的长期规模与作息规律保持不变，则过去的正常历史数据对于确定用于检测以功率为代表的变化幅度较大的DBSCAN聚类算法的阈值半径具有一定的借鉴意义。采集若干周或者若干月的变化幅度较大的电流监测值和功率监测值，并根据用户的作息时间，找到往年中若干周或者若干月中每个阶段数据集，其中可根据用户的上下班时间来区分各个阶段为第一工作状态、第二工作状态和第三工作状态，其中可将上下班时间一个小时之内为第一工作状态，其余为工作时间为第二工作状态，非工作时间为第三工作状态。通过计算第一工作状态、第二工作状态和第三工作状态的最大值与最小值之差，即d＝|max(X)-min(X)|，找到该用户下的最大差值dmax与最小差值dmin，并赋予其DBSCAN的阈值半径。
通过PNN训练正常的数据集，然后通过PNN给出不同时段下DBSCAN的正常阈值半径，进而通过DBSCAN确定异常点。作为一种径向基神经网络，相较于BP神经网络而言，PNN提供了巨大的速度优势。对于变化较大的监测值而言，本实施例中采用PNN来确定DBSCAN聚类算法的阈值半径。结合PNN，设定序列间隔δ，建立序列[dmin,...,dmax],并赋予相应的阈值半径作为标签，作为PNN的训练集数据。
在一些具体实施例中，测试集则通过计算d，来得到匹配的阈值半径。在检测含有数据突变的数据序列中，由于差值d可能会被突变数据造成影响，所以这里考虑将d乘以一个调节系数γ，即d＝max(X)-min(X)；而一般的固定调节系数可能存在对最大值最小值之差造成一定偏向性误差，所以考虑此处的定义式为：
d＝γ|max(X)-min(X)|
＝e-k|max(X)-min(X)||max(X)-min(X)|
其中，变动调节系数为γ＝e-k|max(X)-min(X)|；k为调节系数的倍数，值可取0.001左右。这样可大大提高了DBSCAN算法对数据突变的检测能力。
在另一些具体实施例中，PNN结合下的DBSCAN聚类具体步骤如下：
步骤S4201随机抽取历史年份中数月份中某一周的数据，计算抽取若干组数据中d，确定dmax以及dmin并建立间隔为δ的序列[dmin,...,dmax]，并赋予相应的DBSCAN的阈值半径作为标签，并将此作为训练集
步骤S4202：设置平滑因子为0.06，并将形成的训练集放入PNN神经网络训练；
步骤S4203：导入测试集，并计算每个测试样本的改进差值定义式d＝γ|max(X)-min(X)|，得到测试样本的DBSCAN的阈值半径；
步骤S4204：设置DBSCAN聚类邻域个数为2，计算异常值个数/正常值个数。
步骤S5：针对所建立的特征，再由随机森林算法来进行识别，并得到最终判定结果。具体的，采用C4.5决策树为随机森林基学习器，采用信息增益率作为特征***准则，通过强化学习中的Q学习来影响随机森林中弱学习器决策树选择样本的能力，通过多次迭代找到最佳决策树的多次投票结果。
具体的，采用C4.5决策树为为随机森林基学习器，所采用的特征***准则是信息增益率，准则如下所示：
g(D,A)＝H(D)-H(D|A)
Figure BDA0002817892330000131
Figure BDA0002817892330000132
其中，H(D)是数据集D的熵，H(Di)是数据集Di的熵，H(D|A)是数据集D对特征A的条件熵，Di是D中特征A取第i个值的样本子集，g(D,A)信息增益；Ck是D属于第k类的样本子集，n为特征A取值的个数，k是类的个数。而样本集合D对特征A的信息增益比(信息增益率)如下所示：
Figure BDA0002817892330000133
其中，HA(D)是D关于特征A的值的熵。
对于单一决策树，这里用G表示其累积信息增益率如下所示：
Figure BDA0002817892330000134
其中，N为决策树的累积***次数。
提出的基于Q学习融合下的随机森林主要目的是通过强化学习中的Q学习来影响随机森林中弱学习器决策树选择样本的能力，通过多次迭代，最终找到最佳决策树的多次投票结果，而决定因素为弱学习器决策树的***值，通过设置Q学习中的状态S为随机森林的各个弱学习器C4.5决策树的累积信息增益率G，设定动作A为决定弱学习器的样本抽取行为。另外，在典型的Q学习中，回报函数R为定值，往往只起到奖励作用，而改进回报函数R，设定公式如下：
Ri+1＝Si+1-Si
每两次迭代的状态S来决定R的大小，这样可以通过R值来奖励或惩罚决策树选择的好坏。其中，状态
Figure BDA0002817892330000141
表示为一个决策树的累积信息增益率，N为一棵决策树产生信息增益率次数。
在具体实施例中，该步骤S5具体包括：
步骤S501，设定Q学习中最大迭代次数为K，初始化状态S、动作A以及回报函数R。
步骤S502，通过∈-greedy选择策略选择本次动作A，通过随机森林模型得到每个决策树的累积信息增益率。
步骤S503，更新回报函数，更新动作A，又通过Q-rule准则进行计算，更新Q表中的值，即完成迭代。
步骤S504，判断是否满足最大迭代次数，不满足则更新Q表，并重复步骤S502到S503，满足则根据Q表中最大状态值，最终选出最佳决策树，得到最佳测试结果。
Q学习融合随机森林算法是用于改善随机森林特征识别效果，属于机器学习有监督的方法，适合处理本文特证识别方法，能很好的判断物联异常数据类型。
本发明通过物联平台获取电力物联用户的一物联支路下的报文数据，提取该物联支路下的一时间点的多条报文数据，提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理；并提取出物联报文数据中的电压监测值、电流监测值和功率监测值，采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法建立特征；最终针对所建立的特征，再由随机森林算法来进行识别，得到最终判定结果。本发明提供了一种电力物联异常数据类型识别方法，其仅仅需要从电力物联云平台获取物联报文即可检测出电力物联数据是否存在异常。解决了目前物联***故障数据类型库针对传统的单一类识别算法泛化能力不足的问题。
在另一实施例中，还公开了一种对电力物联网故障数据的识别***，包括：报文数据获取模块，用于通过物联平台获取电力物联用户的一物联支路下的报文数据，所述报文数据包括时间戳和监测值，所述监测值包括电压监测值、电流监测值、和功率监测值；报文提取模块，用于提取该物联支路下的一时间点的多条报文数据；时间戳调整模块，用于提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理；特征建立模块，用于提取出物联报文数据中的电压监测值、电流监测值和功率监测值，采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法，建立特征；判断模块，用于针对所建立的特征，再由随机森林算法来进行识别并得到最终判定结果。
其中所述时间戳调整模块包括：时间戳信息提取模块，用于选用一阶差分对时间戳进行信息提取,通过一阶差分为Xt＝Xt-Xt-1对每条相邻时间戳做差得到的差分序列；累积距离计算模块，用于选用测试模板kX＝[kx1,kx2,...,kxm]以及参考模板kY＝[ky1,ky2,...,kym]，其中X为所提取到的差分序列，Y是准备好的测试数据差分序列标准模板，每个距离元素如下式所示：kd(xi,yj)＝k||xi-yj||2＝||kxi-kyj||2，其中，这里的k是固定调节系数或变动调节系数，即
Figure BDA0002817892330000151
δ为相对原sigmode函数的移动区间，其值取1000～3000，得到改进后的累积距离矩阵元素kd(i,j)，其表达式如下所示：
Figure BDA0002817892330000161
其中k为调节系数，m为矩阵维数，r为累计距离，d为两元素间的距离。
优选的，所述特征建立模块包括：电压监测值模块，用于提取出物联报文数据中的电压监测值及对应时间戳，采用DBSCAN密度聚类算法对电压监测值进行检测；电流/功率监测模块，用于提取出物联报文数据中的电流监测值和功率监测值、及对应时间戳，采用DBSCAN密度聚类算法对电流监测值和/或功率监测值进行检测。
优选的，所述电流/功率监测模块具体包括：
历史数据组模块，用于随机抽取历史年份中多周或者多月的历史数据组，所述历史数据组为电流监测值数据组或功率监测值数据组，并根据对应用户的作息时间将上述历史数据组区分为第一工作状态、第二工作状态和第三工作状态；
差值获取模块，用于计算第一工作状态、第二工作状态和第三工作状态的最大值与最小值的差值d，即d＝|max(X)-min(X)|，其中max(X)和min(X)分别为各工作状态的最大值和最小值，获取该用户下的最大差值dmax与最小差值dmin，确定dmax以及dmin并建立间隔为δ的序列[dmin,...,dmax]；
阈值半径获取模块，用于测试集则通过计算d，来得到匹配的阈值半径D，其中D＝γ|max(X)-min(X)|，其中γ＝e-k|max(X)-min(X)|，γ为变动调节系数，k为调节系数的倍数；向序列[dmin,...,dmax]中赋予阈值半径D作为标签，并将此作为训练集放入PNN神经网络训练，得到用于目标检测的神经网络。
在另一实施例中还公开了一种对电力物联网故障数据的识别***，包括报文数据获取模块、报文提取模块、时间戳调整模块、特征建立模块和判断模块，其中报文数据获取模块，用于通过物联平台获取电力物联用户的一物联支路下的报文数据，所述报文数据包括时间戳和监测值，所述监测值包括电压监测值、电流监测值、和功率监测值。报文提取模块，用于提取该物联支路下的一时间点的多条报文数据。时间戳调整模块，用于提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理。特征建立模块，用于提取出物联报文数据中的电压监测值、电流监测值和功率监测值，采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法，建立特征。判断模块，用于针对所建立的特征，再由随机森林算法来进行识别并得到最终判定结果。
其中，时间戳调整模块包括时间戳信息提取模块和累积距离计算模块，其中时间戳信息提取模块用于选用一阶差分对时间戳进行信息提取,通过一阶差分为Xt＝Xt-Xt-1对每条相邻时间戳做差得到的差分序列。累积距离计算模块，用于选用测试模板kX＝[kx1,kx2,...,kxm]以及参考模板kY＝[ky1,ky2,...,kym]，其中X为所提取到的差分序列，Y是准备好的测试数据差分序列标准模板，每个距离元素如下式所示：kd(xi,yj)＝k||xi-yj||2＝||kxi-kyj||2，其中，这里的k是固定调节系数或变动调节系数，即
Figure BDA0002817892330000171
δ为相对原sigmode函数的移动区间，其值取1000～3000，得到改进后的累积距离矩阵元素kd(i,j)，其表达式如下所示：
Figure BDA0002817892330000181
其中k为调节系数，m为矩阵维数，r为累计距离，d为两元素间的距离。
在一些具体实施例中，特征建立模块包括：电压监测值模块，用于提取出物联报文数据中的电压监测值及对应时间戳，采用DBSCAN密度聚类算法对电压监测值进行检测。电流/功率监测模块，用于提取出物联报文数据中的电流监测值和功率监测值、及对应时间戳，采用DBSCAN密度聚类算法对电流监测值和/或功率监测值进行检测。
在一些具体实施例中，电流/功率监测模块具体包括：历史数据组模块，用于随机抽取历史年份中多周或者多月的历史数据组，所述历史数据组为电流监测值数据组或功率监测值数据组，并根据对应用户的作息时间将上述历史数据组区分为第一工作状态、第二工作状态和第三工作状态。
差值获取模块，用于计算第一工作状态、第二工作状态和第三工作状态的最大值与最小值的差值d，即d＝|max(X)-min(X)|，其中max(X)和min(X)分别为各工作状态的最大值和最小值，获取该用户下的最大差值dmax与最小差值dmin，确定dmax以及dmin并建立间隔为δ的序列[dmin,...,dmax]；
阈值半径获取模块，用于测试集则通过计算d，来得到匹配的阈值半径D，其中D＝γ|max(X)-min(X)|，其中γ＝e-k|max(X)-min(X)|，γ为变动调节系数，k为调节系数的倍数；向序列[dmin,...,dmax]中赋予阈值半径D作为标签，并将此作为训练集放入PNN神经网络训练，得到用于目标检测的神经网络。
需要说明的是，本说明书中前述各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的上述对电力物联网故障数据的识别***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本发明还提供了一种对电力物联网故障数据的识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各实施例描述的对电力物联网故障数据的识别方法的步骤。
所述实现对电力物联网故障数据的识别装置可包括但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是实现对电力物联网故障数据的识别装置的示例，并不构成对实现对电力物联网故障数据的识别装置设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述实现对电力物联网故障数据的识别装置设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述实现对电力物联网故障数据的识别装置设备的控制中心，利用各种接口和线路连接整个实现对电力物联网故障数据的识别装置设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述实现对电力物联网故障数据的识别装置设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述实现对电力物联网故障数据的识别装置数据管理方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个对电力物联网故障数据的识别方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。

Claims (6)

1.一种对电力物联网故障数据的识别方法，其特征在于，包括如下步骤：
S1，通过物联平台获取电力物联用户的一物联支路下的报文数据，所述报文数据包括时间戳和监测值，所述监测值包括电压监测值、电流监测值、和功率监测值；
S2，提取该物联支路下的一时间点的多条报文数据；
S3，提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理；
S4，提取出物联报文数据中的电压监测值、电流监测值和功率监测值，采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法，建立特征；其中所述步骤S4具体包括：
S41，提取出物联报文数据中的电压监测值及对应时间戳，采用DBSCAN密度聚类算法对电压监测值进行检测；
S42，提取出物联报文数据中的电流监测值和功率监测值、及对应时间戳，采用DBSCAN密度聚类算法对电流监测值和/或功率监测值进行检测；其中步骤S42具体包括：
S421，随机抽取历史年份中多周或者多月的历史数据组，所述历史数据组为电流监测值数据组或功率监测值数据组，并根据对应用户的作息时间将上述历史数据组区分为第一工作状态、第二工作状态和第三工作状态；
S422，计算第一工作状态、第二工作状态和第三工作状态的最大值与最小值的差值d，即d＝|max(X)-min(X)|，其中max(X)和min(X)分别为各工作状态的最大值和最小值，获取该用户下的最大差值dmax与最小差值dmin，确定dmax以及dmin并建立间隔为δ的序列[dmin,...,dmax]；
S423，测试集则通过计算d，来得到匹配的阈值半径D，其中D＝γ|max(X)-min(X)|，其中γ＝e-k|max(X)-min(X)|，γ为变动调节系数，k为调节系数的倍数；向序列[dmin,...,dmax]中赋予阈值半径D作为标签，并将此作为训练集放入PNN神经网络训练，得到用于目标检测的神经网络;
S5，针对所建立的特征，再由随机森林算法来进行识别，并得到最终判定结果。
2.根据权利要求1所述的对电力物联网故障数据的识别方法，其特征在于，所述步骤S3具体包括：
S31，选用一阶差分对时间戳进行信息提取,通过一阶差分为Xt＝Xt-Xt-1对每条相邻时间戳做差得到的差分序列；
S32，选用测试模板kX＝[kx1,kx2,...,kxm]以及参考模板kY＝[ky1,ky2,...,kym]，其中X为所提取到的差分序列，Y是准备好的测试数据差分序列标准模板，每个距离元素如下式所示：kd(xi,yj)＝k||xi-yj||2＝||kxi-kyj||2，其中，这里的k是固定调节系数或变动调节系数，即
Figure FDA0003650462620000021
δ为相对原sigmode函数的移动区间，其值可以取1000-3000，得到改进后的累积距离矩阵元素kd(i,j)，其表达式如下所示：
Figure FDA0003650462620000031
其中k为调节系数，m为矩阵维数，r为累计距离，d为两元素间的距离。
3.一种对电力物联网故障数据的识别***，其特征在于，包括：
报文数据获取模块，用于通过物联平台获取电力物联用户的一物联支路下的报文数据，所述报文数据包括时间戳和监测值，所述监测值包括电压监测值、电流监测值、和功率监测值；
报文提取模块，用于提取该物联支路下的一时间点的多条报文数据；
时间戳调整模块，用于提取各报文数据中的时间戳，通过运用改进的DTW动态时间规整算法来对所上传的物联报文数据中的时间戳进行处理；
特征建立模块，用于提取出物联报文数据中的电压监测值、电流监测值和功率监测值，采用DBSCAN密度聚类算法对电压监测值、电流监测值和功率监测值进行检测并结合PNN算法，建立特征；
判断模块，用于针对所建立的特征，再由随机森林算法来进行识别并得到最终判定结果;
其中所述特征建立模块包括：
电压监测值模块，用于提取出物联报文数据中的电压监测值及对应时间戳，采用DBSCAN密度聚类算法对电压监测值进行检测；
电流/功率监测模块，用于提取出物联报文数据中的电流监测值和功率监测值、及对应时间戳，采用DBSCAN密度聚类算法对电流监测值和/或功率监测值进行检测；
其中所述电流/功率监测模块具体包括：
历史数据组模块，用于随机抽取历史年份中多周或者多月的历史数据组，所述历史数据组为电流监测值数据组或功率监测值数据组，并根据对应用户的作息时间将上述历史数据组区分为第一工作状态、第二工作状态和第三工作状态；
差值获取模块，用于计算第一工作状态、第二工作状态和第三工作状态的最大值与最小值的差值d，即d＝|max(X)-min(X)|，其中max(X)和min(X)分别为各工作状态的最大值和最小值，获取该用户下的最大差值dmax与最小差值dmin，确定dmax以及dmin并建立间隔为δ的序列[dmin,...,dmax]；
阈值半径获取模块，用于测试集则通过计算d，来得到匹配的阈值半径D，其中D＝γ|max(X)-min(X)|，其中γ＝e-k|max(X)-min(X)|，γ为变动调节系数，k为调节系数的倍数；向序列[dmin,...,dmax]中赋予阈值半径D作为标签，并将此作为训练集放入PNN神经网络训练，得到用于目标检测的神经网络。
4.根据权利要求3所述的电力物联网故障数据的识别***，其特征在于，所述时间戳调整模块包括：
时间戳信息提取模块，用于选用一阶差分对时间戳进行信息提取,通过一阶差分为Xt＝Xt-Xt-1对每条相邻时间戳做差得到的差分序列；
累积距离计算模块，用于选用测试模板kX＝[kx1,kx2,...,kxm]以及参考模板kY＝[ky1,ky2,...,kym]，其中X为所提取到的差分序列，Y是准备好的测试数据差分序列标准模板，每个距离元素如下式所示：kd(xi,yj)＝k||xi-yj||2＝||kxi-kyj||2，其中，这里的k是固定调节系数或变动调节系数，即
Figure FDA0003650462620000051
δ为相对原sigmode函数的移动区间，其值取1000～3000，得到改进后的累积距离矩阵元素kd(i,j)，其表达式如下所示：
Figure FDA0003650462620000052
其中k为调节系数，m为矩阵维数，r为累计距离，d为两元素间的距离。
5.一种对电力物联网故障数据的识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-2任一所述方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-2任一所述方法的步骤。
CN202011414516.2A 2020-12-04 2020-12-04 一种对电力物联网故障数据的识别方法、***和存储介质 Active CN112565422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011414516.2A CN112565422B (zh) 2020-12-04 2020-12-04 一种对电力物联网故障数据的识别方法、***和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011414516.2A CN112565422B (zh) 2020-12-04 2020-12-04 一种对电力物联网故障数据的识别方法、***和存储介质

Publications (2)

Publication Number Publication Date
CN112565422A CN112565422A (zh) 2021-03-26
CN112565422B true CN112565422B (zh) 2022-07-22

Family

ID=75058860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414516.2A Active CN112565422B (zh) 2020-12-04 2020-12-04 一种对电力物联网故障数据的识别方法、***和存储介质

Country Status (1)

Country Link
CN (1) CN112565422B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964216B (zh) * 2023-01-30 2023-07-18 北京慧图科技(集团)股份有限公司 一种基于孤立森林的物联网设备数据异常检测方法
CN116679726B (zh) * 2023-08-01 2023-11-03 山东中建众力设备租赁有限公司 基于边缘计算的无人驾驶塔机自主决策***
CN117970182A (zh) * 2024-03-28 2024-05-03 国网山东省电力公司曲阜市供电公司 一种基于dtw算法的漏电预警方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091070A (zh) * 2014-07-07 2014-10-08 北京泰乐德信息技术有限公司 一种基于时间序列分析的轨道交通故障诊断方法和***
WO2016141978A1 (en) * 2015-03-11 2016-09-15 You Know Watt Improved non-intrusive appliance load monitoring method and device
CN108414896A (zh) * 2018-06-04 2018-08-17 西南交通大学 一种电网故障诊断方法
CN108776276A (zh) * 2018-06-29 2018-11-09 合肥工业大学 用电异常检测方法及***
CN110458195A (zh) * 2019-07-10 2019-11-15 河海大学 一种基于多判据融合的异常数据甄别方法
CN110488675A (zh) * 2019-07-12 2019-11-22 国网上海市电力公司 一种基于动态规整算法的变电站声信号特征提取方法
CN110826648A (zh) * 2020-01-09 2020-02-21 浙江鹏信信息科技股份有限公司 一种利用时序聚类算法实现故障检测的方法
CN110837874A (zh) * 2019-11-18 2020-02-25 上海新炬网络信息技术股份有限公司 基于时间序列分类的业务数据异常检测方法
CN111259947A (zh) * 2020-01-13 2020-06-09 国网浙江省电力有限公司信息通信分公司 一种基于多模态学习的电力***故障预警方法和***
CN111582406A (zh) * 2020-05-31 2020-08-25 重庆大学 一种电力设备状态监测数据聚类方法和***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091070A (zh) * 2014-07-07 2014-10-08 北京泰乐德信息技术有限公司 一种基于时间序列分析的轨道交通故障诊断方法和***
WO2016141978A1 (en) * 2015-03-11 2016-09-15 You Know Watt Improved non-intrusive appliance load monitoring method and device
CN108414896A (zh) * 2018-06-04 2018-08-17 西南交通大学 一种电网故障诊断方法
CN108776276A (zh) * 2018-06-29 2018-11-09 合肥工业大学 用电异常检测方法及***
CN110458195A (zh) * 2019-07-10 2019-11-15 河海大学 一种基于多判据融合的异常数据甄别方法
CN110488675A (zh) * 2019-07-12 2019-11-22 国网上海市电力公司 一种基于动态规整算法的变电站声信号特征提取方法
CN110837874A (zh) * 2019-11-18 2020-02-25 上海新炬网络信息技术股份有限公司 基于时间序列分类的业务数据异常检测方法
CN110826648A (zh) * 2020-01-09 2020-02-21 浙江鹏信信息科技股份有限公司 一种利用时序聚类算法实现故障检测的方法
CN111259947A (zh) * 2020-01-13 2020-06-09 国网浙江省电力有限公司信息通信分公司 一种基于多模态学习的电力***故障预警方法和***
CN111582406A (zh) * 2020-05-31 2020-08-25 重庆大学 一种电力设备状态监测数据聚类方法和***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Flight Data Adaptive Segmentation and Classification;Wenjia Gao;《web_of_science》;20200918;全文 *
物联网节点设备异常状态在线监测方法研究;崔颖;《CNKI》;20200731;全文 *

Also Published As

Publication number Publication date
CN112565422A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112565422B (zh) 一种对电力物联网故障数据的识别方法、***和存储介质
CN107220732B (zh) 一种基于梯度提升树的停电投诉风险预测方法
WO2019165673A1 (zh) 一种报销单风险预测方法、装置、终端设备及存储介质
CN108665159A (zh) 一种风险评估方法、装置、终端设备及存储介质
CN111666351A (zh) 基于用户行为数据的模糊聚类***
CN111144451B (zh) 一种图像分类模型的训练方法、装置及设备
CN111222994A (zh) 客户风险评估方法、装置、介质和电子设备
CN109754290B (zh) 一种游戏数据的处理方法和装置
CN117670066B (zh) 基于智能决策的司库管理方法、***、设备及存储介质
JP2012050241A (ja) 需要予測システム及び需要予測方法
CN111523683A (zh) 烟草加工中工艺参数预测方法及***
CN114072808A (zh) 用于控制制造过程的分类模型
CN110717509A (zh) 基于树***算法的数据样本分析方法及装置
CN111612149A (zh) 一种基于决策树的主网线路状态检测方法、***及介质
CN107274025B (zh) 一种实现用电模式智能识别与管理的***和方法
CN112418893A (zh) 一种基于机器学习的供应链调整方法、装置及电子设备
CN107590747A (zh) 基于综合能源大数据分析的电网资产周转率计算方法
CN117196630A (zh) 交易风险预测方法、装置、终端设备以及存储介质
CN115130924A (zh) 一种源网荷储背景下微电网电力设备资产评估方法及***
CN114495137A (zh) 票据异常检测模型生成方法与票据异常检测方法
CN114676931A (zh) 一种基于数据中台技术的电量预测***
CN111752984B (zh) 一种信息处理方法、装置和存储介质
CN116385163A (zh) 数据单元异常识别方法、装置、设备、存储介质及产品
CN109002683B (zh) 社会网络发现算法验证***及方法
CN111626586A (zh) 数据质量检测方法、装置、计算机设备和存储介质

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