CN113946971A - 一种电力***海量输入输出日志数据流的降维方法 - Google Patents

一种电力***海量输入输出日志数据流的降维方法 Download PDF

Info

Publication number
CN113946971A
CN113946971A CN202111238417.8A CN202111238417A CN113946971A CN 113946971 A CN113946971 A CN 113946971A CN 202111238417 A CN202111238417 A CN 202111238417A CN 113946971 A CN113946971 A CN 113946971A
Authority
CN
China
Prior art keywords
data
power
log
data stream
dimensional
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
Application number
CN202111238417.8A
Other languages
English (en)
Inventor
陈亮
张波
席泽生
刘绚
李千目
张辉
张国强
崔洁
王建宽
殷博
林永峰
赵远程
董鹏
李洁
石伟
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Global Energy Interconnection Research Institute
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Global Energy Interconnection Research Institute
Electric Power Research Institute of State Grid Tianjin Electric Power 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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Global Energy Interconnection Research Institute, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111238417.8A priority Critical patent/CN113946971A/zh
Publication of CN113946971A publication Critical patent/CN113946971A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种电力***海量输入输出日志数据流的降维方法，包括以下步骤：步骤1、构建电力***正常运行的约束条件模型，对采集到的高维I/O日志数据流进行一次降维，得到三维I/O数据流日志；步骤2、构建皮尔逊积矩相关系数模型对步骤1的一次降维的数据进行数据相关性分析，移除冗余属性数据，实现对步骤1获得的三维I/O数据流日志进行二次数据降维。本发明能够通过对电力***中的I/O日志进行有效的降维，使采集到的海量I/O日志数据适合进行数据分析。

Description

一种电力***海量输入输出日志数据流的降维方法
技术领域
本发明属于电力信息安全技术领域，涉及数据流的降维方法，尤其是一种电力***海量输入输出日志数据流的降维方法。
背景技术
电力***在运行过程中会产生大量的日志，包括电网正常运行所涉及的各种参数、传输***变量等..有效地处理这些海量数据以挖掘有价值的信息并对电力***进行建模是非常重要的，这对于电网的仿真和安全分析也是至关重要的。
然而，这些日志中的数据量非常大，需要大量的计算资源来分析，这使得它成为一项不可能完成的任务。在这诸多因素中，影响最大的是这些数据的维数过高，使得分析师陷入“维数灾难”，难以在实践中进行有效的分析。电网采集的数据一般具有多个异质属性形式的高维度，其值随时间变化。
因此，有必要对电力***中的I/O日志进行有效的降维，使采集到的海量I/O日志数据适合分析，能够在实践中产生巨大的价值。
经检索，未发现与本发明相同或相近似的现有技术的文献。
发明内容
本发明的目的在于克服现有技术的不足，提出一种电力***海量输入输出日志数据流的降维方法，能够通过对电力***中的I/O日志进行有效的降维，使采集到的海量I/O日志数据适合进行数据分析。
本发明解决其现实问题是采取以下技术方案实现的：
一种电力***海量输入输出日志数据流的降维方法，包括以下步骤：
步骤1、构建电力***正常运行的约束条件模型，对采集到的高维I/O日志数据流进行一次降维，得到三维I/O数据流日志；
步骤2、构建皮尔逊积矩相关系数模型对步骤1的一次降维的数据进行数据相关性分析，移除冗余属性数据，实现对步骤1获得的三维I/O数据流日志进行二次数据降维。
而且，所述步骤1的高维I/O日志包括：来自变电站的主站和从站的电力输入输出日志：
其中，主站的电力输入输出日志包括:
1)电力***运行的实时测量，如一次设备(线路、变压器、母线、开关等)的有功功率、无功功率、电流、电压值)和主档位(有载分接开关档位)；开关位置、隔离开关位置、接地隔离开关位置、保护设备状态、信号遥控等各种开关量和多态数字量；
2)保护、安全、备份等二次设备数据；
3)电网一次设备和二次设备的状态信息数据；
4)控制数据，包括被控设备的测量值、状态信号和闭锁信号；
5)各RTU/FTU/DTU/TTU及变电站上传的数据；
6)通过卫星时钟、周期信号、DC电源、不间断电源或其他计算机***手动传输的数据
其中，从站的电力输入输出日志包括:
1)采集交流电压和电流；
2)开关动作、运行状态、储能状态等信息；
3)收集DC价值观；
4)开关位置、端子状态、开关储能、SF6开关压力信号、通信状态保护动作信号、装置异常信号；
5)中压值、中压电流、中压有功功率、中压无功功率、功率因数、低压电流、低压值、低压有功功率、低压无功功率等。
而且，所述步骤1的具体步骤包括：
(1)构建电力***正常运行的约束条件模型，包括等式约束和不等式约束：
a.等式约束
Figure BDA0003318330410000031
其中，Ui表示第i个节点相对于接地点的电压，对于任何环路，沿环路的所有电压之和为零；Ii表示流经第i个节点的电流，对于任何节点，流经该节点的所有电流之和为零；PGi代表第i个发电机产生的有功功率；PLj表示第 j个负载消耗的有功功率；PSk代表第k个节点消耗的有功功率传输损耗；QGi表示第i台发电机产生的无功功率；QLj代表第j个负载消耗的无功功率；QSk代表第k次传输损耗消耗的无功功率；
b.不等式约束
Figure BDA0003318330410000041
其中，f代表频率，fmin代表最小频率，fmax代表最大频率；u代表电压， Ui代表第i行的电压，Umin代表最小电压，Uimax代表最大电压；p代表有功功率，PGi代表第i台发电机产生的有功功率，PGimin代表最小有功功率，PGimax代表最大有功功率；q代表无功功率，QGi代表第i台发电机产生的无功功率， QGimin代表最小无功功率，QGimax代表最大无功功率；s代表全功率，Sij代表第i发电机和第j线路的全功率，Sijmin代表最小全功率，Sijmax代表最大全功率；
(2)基于步骤1第(1)步所构建电力***正常运行的约束条件模型，对采集到的高维I/O日志数据流进行一次降维，得到三维I/O数据流日志。
而且，所述步骤1第(2)步的具体方法为：
每个高维I/O数据流日志可以利用电力***正常运行的约束条件模型转换成三维I/O数据流日志：Lk＝(Ck；Ik；Ok)，其中Lk表示第k个日志消息， Ck表示状态控制信息，Ik表示输入流，Ok表示输出流。
而且，所述步骤2的具体步骤包括：
(1)采用皮尔逊积矩相关系数模型(简称PMCC)进行变量间的相关性分析：
皮尔逊积矩相关系数(简称PMCC)在测量两个变量X和Y之间的线性相关性时，其值在-1和1之间；如果PMCC值为1，则意味着X和Y用直线方程很好地描述，所有数据点都很好地落在一条直线上，Y随着X的增加而增加.如果PMCC值为-1，则意味着所有数据点都落在一条直线上，Y随着X的增加而减少；系数的值为0意味着这两个变量之间没有线性关系；
PMCC(由ρ表示)由以下公式很好地描述:
Figure BDA0003318330410000051
其中，X和Y代表两个变量；
Figure BDA0003318330410000052
代表所有x的平均值；
Figure BDA0003318330410000053
代表所有y的平均值；
Figure BDA0003318330410000054
代表X和Y的协方差；
Figure DEST_PATH_1
代表X和y的标准差的乘积。
(2)经过第一次降维处理后，将每个高维I/O数据流日志转换为三维I/O 数据流日志，即Lk＝(Ck；Ik；Ok)。
本发明的优点和有益效果：
本发明提供了一种电力***海量输入输出日志数据流的降维方法，首先构造电力***正常运行的约束条件模型，其次构建皮尔逊积矩相关系数模型，通过这两种模型为数据降维提供理论支撑；然后，对采集到的高维I/O日志数据流利用电力***正常运行的约束条件模型进行一次降维，使数据从高维转换到低维。最后再利用构建皮尔逊积矩相关系数模型进行冗余属性数据的分析，进一步进行数据降维。本发明提出了融合电力***本身约束和皮尔逊相关系数的电力***日志数据降维方法，可以将计算时间复杂度降低80％以上。
具体实施方式
以下对本发明实施例作进一步详述：
一种电力***海量输入输出日志数据流的降维方法，包括以下步骤：
步骤1、构建电力***正常运行的约束条件模型，对采集到的高维I/O日志数据流进行一次降维，得到三维I/O数据流日志。
所述步骤1的高维I/O日志包括：来自变电站的主站和从站的电力输入输出日志：
其中，主站的电力输入输出日志包括:
7)电力***运行的实时测量，如一次设备(线路、变压器、母线、开关等)的有功功率、无功功率、电流、电压值)和主档位(有载分接开关档位)；开关位置、隔离开关位置、接地隔离开关位置、保护设备状态、信号遥控等各种开关量和多态数字量；
8)保护、安全、备份等二次设备数据；
9)电网一次设备和二次设备的状态信息数据；
10)控制数据，包括被控设备的测量值、状态信号和闭锁信号；
11)各RTU/FTU/DTU/TTU及变电站上传的数据；
12)通过卫星时钟、周期信号、DC电源、不间断电源或其他计算机***手动传输的数据
其中，从站的电力输入输出日志包括:
6)采集交流电压和电流；
7)开关动作、运行状态、储能状态等信息；
8)收集DC价值观；
9)开关位置、端子状态、开关储能、SF6开关压力信号、通信状态保护动作信号、装置异常信号；
10)中压值、中压电流、中压有功功率、中压无功功率、功率因数、低压电流、低压值、低压有功功率、低压无功功率等。
所述步骤1的主站和从站的电力输入输出日志数据流的形式如下:(逻辑数据1，逻辑数据2，逻辑数据3，...，连续数据1，连续数据2，连续数据3，...，数据输入1，数据输入2，数据输入3，...模拟输入1、模拟输入2、模拟输入 3、...数据输出1，数据输出2，数据输出3，...模拟输出1、模拟输出2、模拟输出3、...)，
上述数据流是典型的多维测井数据，会给后期的计算带来很大的计算负荷。更何况还有大量无用数据，使得有效数据稀疏，因此有必要进行降维。
所述步骤1的具体步骤包括：
(1)构建电力***正常运行的约束条件模型，包括等式约束和不等式约束：
在本实施例中，首先，电力***的正常稳定运行需要遵循一些基本约束，包括等式约束和不等式约束。
a.等式约束
Figure BDA0003318330410000081
其中，Ui表示第i个节点相对于接地点的电压，对于任何环路，沿环路的所有电压之和为零；Ii表示流经第i个节点的电流，对于任何节点，流经该节点的所有电流之和为零；PGi代表第i个发电机产生的有功功率；PLj表示第 j个负载消耗的有功功率；PSk代表第k个节点消耗的有功功率传输损耗；QGi表示第i台发电机产生的无功功率；QLj代表第j个负载消耗的无功功率；QSk代表第k次传输损耗消耗的无功功率。
b.不等式约束
Figure BDA0003318330410000082
其中，f代表频率，fmin代表最小频率，fmax代表最大频率；u代表电压， Ui代表第i行的电压，Umin代表最小电压，Uimax代表最大电压；p代表有功功率，PGi代表第i台发电机产生的有功功率，PGimin代表最小有功功率，PGimax代表最大有功功率；q代表无功功率，QGi代表第i台发电机产生的无功功率， QGimin代表最小无功功率，QGimax代表最大无功功率；s代表全功率，Sij代表第i发电机和第j线路的全功率，Sijmin代表最小全功率，Sijmax代表最大全功率；
在本实施例中，所收集的数据并不是相互独立的，而是有着相互制约的关系。基于这一独特的功能，我们可以简化收集的数据，并消除异常数据。比如我们可以用PGi和PLj来计算PSk，这样PSk就可以去掉了。
(3)基于步骤1第(1)步所构建电力***正常运行的约束条件模型，对采集到的高维I/O日志数据流进行一次降维，得到三维I/O数据流日志；
所述步骤1第(2)步的具体方法为：
每个高维I/O数据流日志可以利用电力***正常运行的约束条件模型转换成三维I/O数据流日志：Lk＝(Ck；Ik；Ok)，其中Lk表示第k个日志消息， Ck表示状态控制信息，Ik表示输入流，Ok表示输出流。
在本实施例中，可以清楚地看到，高维I/O数据流日志包含逻辑数据、连续数据、模拟输入、数据输入、模拟输出、数据输出。其中，逻辑型数据和连续型数据是状态控制信息；模拟量输入和数据量输入是输入流信息；模拟量输出和数据量输出是输出流信息。因此，每个高维I/O数据流日志可以利用电力***正常运行的约束条件模型转换成三维I/O数据流日志，即状态控制信息I、输入流信息I、输出流信息I。状态控制信息I可以视为多维向量(逻辑数据1、逻辑数据2、逻辑数据3，...连续数据1，连续数据2，连续数据3，...)；输入流信息1可以被视为多维向量(数据量输入1、数据量输入2、数据量输入3，...模拟输入1、模拟输入2、模拟输入3、...)；输出流信息I可以被视为多维向量(数据量输出1、数据量输出2、数据量输出3，...模拟输出 1、模拟输出2、模拟输出3、...).
简单来说，一条复杂的日志消息可以简化为Lk＝(Ck；Ik；Ok)，其中Lk 表示第k个日志消息，Ck表示状态控制信息，Ik表示输入流，Ok表示输出流。
步骤2、构建皮尔逊积矩相关系数模型对步骤1的一次降维的数据进行数据相关性分析，移除冗余属性数据，实现对步骤1获得的三维I/O数据流日志进行二次数据降维；
所述步骤2的具体步骤包括：
(1)采用皮尔逊积矩相关系数模型(简称PMCC)进行变量间的相关性分析：
皮尔逊积矩相关系数(简称PMCC)在测量两个变量X和Y之间的线性相关性时，其值在-1和1之间；如果PMCC值为1，则意味着X和Y用直线方程很好地描述，所有数据点都很好地落在一条直线上，Y随着X的增加而增加.如果PMCC值为-1，则意味着所有数据点都落在一条直线上，Y随着X的增加而减少；系数的值为0意味着这两个变量之间没有线性关系；
注意，当两个变量独立时，相关系数为0，但反之不一定成立。这是因为相关系数只反映了两个变量之间是否存在线性相关性。
PMCC(由ρ表示)由以下公式很好地描述:
Figure BDA0003318330410000111
其中，X和Y代表两个变量；
Figure BDA0003318330410000112
代表所有x的平均值；
Figure BDA0003318330410000113
代表所有y的平均值；
Figure BDA0003318330410000114
代表X和Y的协方差；
Figure 480755DEST_PATH_1
代表X和y的标准差的乘积。
因此，我们可以结合电力***自身的运行规则和约束条件，对采集到的日志数据进行线性相关性分析，主要是减少线性相关的特征量，从而仅保留关键信息，从而为二次降维提供决策依据。
PMCC的关键特征是它不随变量的位置或大小而变化。也就是说，如果我们把X改成a+bX，把Y改成c+dY，其中a、b、c、d是常数，这样的变换并不会改变X和Y之间的相关性，因此，我们可以结合电力***自身的运行规则和约束条件，对采集到的日志数据进行降维，主要是减少特征量和保留关键信息。
(2)经过第一次降维处理后，将每个高维I/O数据流日志转换为三维I/O 数据流日志，即Lk＝(Ck；Ik；Ok)。
为了进一步降低计算复杂度，状态控制信息、输入流信息和输出流信息的所有三个子向量都需要降维。
冗余是处理大量输入/输出数据流日志时的另一个问题，它会增加计算负载。如果一个属性(例如，一种逻辑类型的数据)可以由另一个或另一组属性(例如，另一组逻辑数据)导出，则该属性可能是多余的。对于冗余属性，利用步骤2第(1)步的皮尔逊积矩相关系数进行数据相关性分析，从而将冗余的属性从多维向量中移除，以进一步降低向量的维数。
I/O数据流日志的清理和去重操作主要针对多维向量中的数值属性，即状态控制信息向量中的连续数据、输入流信息向量中的模拟输入和输出流信息向量。
对于数值，我们使用PMCC。计算两个数值性质的相关性以显示相关性。
因此，ρ的绝对值越高，表示数值属性X或Y可以作为冗余属性删除。去重处理后，I/O数据流日志仍然是三维向量Lk＝(Ck；Ik；Ok)，但是每个子向量的维数进一步降低。
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (5)

1.一种电力***海量输入输出日志数据流的降维方法，其特征在于：包括以下步骤：
步骤1、构建电力***正常运行的约束条件模型，对采集到的高维I/O日志数据流进行一次降维，得到三维I/O数据流日志；
步骤2、构建皮尔逊积矩相关系数模型对步骤1的一次降维的数据进行数据相关性分析，移除冗余属性数据，实现对步骤1获得的三维I/O数据流日志进行二次数据降维。
2.根据权利要求1所述的一种电力***海量输入输出日志数据流的降维方法，其特征在于：所述步骤1的高维I/O日志包括：来自变电站的主站和从站的电力输入输出日志：
其中，主站的电力输入输出日志包括:
1)电力***运行的实时测量，如一次设备(线路、变压器、母线、开关等)的有功功率、无功功率、电流、电压值)和主档位(有载分接开关档位)；开关位置、隔离开关位置、接地隔离开关位置、保护设备状态、信号遥控等各种开关量和多态数字量；
2)保护、安全、备份等二次设备数据；
3)电网一次设备和二次设备的状态信息数据；
4)控制数据，包括被控设备的测量值、状态信号和闭锁信号；
5)各RTU/FTU/DTU/TTU及变电站上传的数据；
6)通过卫星时钟、周期信号、DC电源、不间断电源或其他计算机***手动传输的数据
其中，从站的电力输入输出日志包括:
1)采集交流电压和电流；
2)开关动作、运行状态、储能状态等信息；
3)收集DC价值观；
4)开关位置、端子状态、开关储能、SF6开关压力信号、通信状态保护动作信号、装置异常信号；
5)中压值、中压电流、中压有功功率、中压无功功率、功率因数、低压电流、低压值、低压有功功率、低压无功功率等。
3.根据权利要求1所述的一种电力***海量输入输出日志数据流的降维方法，其特征在于：所述步骤1的具体步骤包括：
(1)构建电力***正常运行的约束条件模型，包括等式约束和不等式约束：
a.等式约束
Figure FDA0003318330400000021
其中，Ui表示第i个节点相对于接地点的电压，对于任何环路，沿环路的所有电压之和为零；Ii表示流经第i个节点的电流，对于任何节点，流经该节点的所有电流之和为零；PGi代表第i个发电机产生的有功功率；PLj表示第j个负载消耗的有功功率；PSk代表第k个节点消耗的有功功率传输损耗；QGi表示第i台发电机产生的无功功率；QLj代表第j个负载消耗的无功功率；QSk代表第k次传输损耗消耗的无功功率；
b.不等式约束
Figure FDA0003318330400000031
其中，f代表频率，fmin代表最小频率，fmax代表最大频率；u代表电压，Ui代表第i行的电压，Umin代表最小电压，Uimax代表最大电压；p代表有功功率，PGi代表第i台发电机产生的有功功率，PGimin代表最小有功功率，PGimax代表最大有功功率；q代表无功功率，QGi代表第i台发电机产生的无功功率，QGimin代表最小无功功率，QGimax代表最大无功功率；s代表全功率，Sij代表第i发电机和第j线路的全功率，Sijmin代表最小全功率，Sijmax代表最大全功率；
(2)基于步骤1第(1)步所构建电力***正常运行的约束条件模型，对采集到的高维I/O日志数据流进行一次降维，得到三维I/O数据流日志。
4.根据权利要求3所述的一种电力***海量输入输出日志数据流的降维方法，其特征在于：所述步骤1第(2)步的具体方法为：
每个高维I/O数据流日志可以利用电力***正常运行的约束条件模型转换成三维I/O数据流日志：Lk＝(Ck；Ik；Ok)，其中Lk表示第k个日志消息，Ck表示状态控制信息，Ik表示输入流，Ok表示输出流。
5.根据权利要求1所述的一种电力***海量输入输出日志数据流的降维方法，其特征在于：所述步骤2的具体步骤包括：
(1)采用皮尔逊积矩相关系数模型(简称PMCC)进行变量间的相关性分析：
皮尔逊积矩相关系数(简称PMCC)在测量两个变量X和Y之间的线性相关性时，其值在-1和1之间；如果PMCC值为1，则意味着X和Y用直线方程很好地描述，所有数据点都很好地落在一条直线上，Y随着X的增加而增加.如果PMCC值为-1，则意味着所有数据点都落在一条直线上，Y随着X的增加而减少；系数的值为0意味着这两个变量之间没有线性关系；
PMCC(由ρ表示)由以下公式很好地描述:
Figure FDA0003318330400000041
其中，X和Y代表两个变量；
Figure FDA0003318330400000042
代表所有x的平均值；
Figure FDA0003318330400000043
代表所有y的平均值；
Figure FDA0003318330400000044
代表X和Y的协方差；
Figure 1
代表X和y的标准差的乘积。
(2)经过第一次降维处理后，将每个高维I/O数据流日志转换为三维I/O数据流日志，即Lk＝(Ck；Ik；Ok)。
CN202111238417.8A 2021-10-25 2021-10-25 一种电力***海量输入输出日志数据流的降维方法 Pending CN113946971A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111238417.8A CN113946971A (zh) 2021-10-25 2021-10-25 一种电力***海量输入输出日志数据流的降维方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111238417.8A CN113946971A (zh) 2021-10-25 2021-10-25 一种电力***海量输入输出日志数据流的降维方法

Publications (1)

Publication Number Publication Date
CN113946971A true CN113946971A (zh) 2022-01-18

Family

ID=79332652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111238417.8A Pending CN113946971A (zh) 2021-10-25 2021-10-25 一种电力***海量输入输出日志数据流的降维方法

Country Status (1)

Country Link
CN (1) CN113946971A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117240700A (zh) * 2023-11-10 2023-12-15 浙江九州未来信息科技有限公司 一种基于贝叶斯分类器的网络故障诊断方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117240700A (zh) * 2023-11-10 2023-12-15 浙江九州未来信息科技有限公司 一种基于贝叶斯分类器的网络故障诊断方法及装置
CN117240700B (zh) * 2023-11-10 2024-02-06 浙江九州未来信息科技有限公司 一种基于贝叶斯分类器的网络故障诊断方法及装置

Similar Documents

Publication Publication Date Title
Xiao et al. Data-driven multi-hidden markov model-based power quality disturbance prediction that incorporates weather conditions
US20200293032A1 (en) Extremely fast substation asset monitoring system and method
CN105606931A (zh) 一种基于量子遗传算法的中压配电网故障诊断方法
Kezunovic Translational knowledge: From collecting data to making decisions in a smart grid
CN108399579B (zh) 变电站设备监控数据信号的智能解析***
CN113946971A (zh) 一种电力***海量输入输出日志数据流的降维方法
US20240136820A1 (en) Resilient decision systems and methods
CN108832630B (zh) 一种基于预想事故场景的电网cps预防控制方法
Alam et al. PMU based line outage identification using comparison of current phasor measurement technique
CN112964960A (zh) 基于调度故障指纹库的多源数据融合的电网故障诊断方法
Yang et al. Data domain adaptation for voltage stability evaluation considering topology changes
Liu et al. Robust Transmission Expansion Planning Considering Massive N-1 Contingencies with High Proportion of Renewable Energy
Zhang et al. Dimensionality reduction of massive I/O log data flow in power system
Sheng et al. Expert system for wide area protection zone selection
Zhou et al. Construction of distribution network topology identification model based on voltage correlation coefficient
Wehenkel A statistical approach to the identification of electrical regions in power systems
Zheng et al. A CNN-Based Warning Information Preprocessing Method for Power Grid Fault Diagnosis Analytical Model
Ren et al. Service Governance Algorithm for Power Grid Structure Optimization Based on Improved Deep Neural Network
Wang et al. A lossy compression algorithm for phasor measurement units data based on auto-encoder and long short term memory
Zhang et al. Data preprocessing and quality evaluation for building the power grid supervision knowledge graph
CN114548485B (zh) 一种电力生产的大数据应用***
Zhang et al. Research on Distribution Network Topology Identification Algorithm Based on Distribution Variable Measurement Data
Niazazari et al. Deep Neural Network based Wide-Area Event Classification in Power Systems
Sun et al. Fault Prediction Method of Intelligent Distribution Switchgear Based on Nearest Neighbor-Gradient Hybrid Learning-RBF Neural Network for State Aware
Wang et al. Research on the Identification Method of Vulnerable Lines along the CZ Railway Considering the Uncertainty of Traction Load

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