CN116243097B - 基于大数据的电能质量检测方法 - Google Patents
基于大数据的电能质量检测方法 Download PDFInfo
- Publication number
- CN116243097B CN116243097B CN202310524821.4A CN202310524821A CN116243097B CN 116243097 B CN116243097 B CN 116243097B CN 202310524821 A CN202310524821 A CN 202310524821A CN 116243097 B CN116243097 B CN 116243097B
- Authority
- CN
- China
- Prior art keywords
- voltage
- sequence
- day
- data
- segmented
- 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
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明涉及数据处理技术领域,提出了基于大数据的电能质量检测方法,包括:采集电压数据序列;拟合得到电压数据曲线,得到分段点,使用分段点分段得到分段电压序列;根据电压数据的差值与电压数据的数量得到每个分段电压序列的异常程度基础值;获得分段电压序列中的左侧连线和右侧连线,得到第一夹角、第二夹角,根据第一夹角、第二夹角得到分段电压序列的用电差异程度;得到分段曲线,得到每天的电压波动异常程度,根据异常程度基础值和电压数据波动异常程度得到电压数据异常程度;对电压数据聚类,完成电能质量检测。本发明对聚类距离进行修正,从而对聚类结果进行优化,提高了异常数据的识别精度,减少了正常数据的错误识别。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于大数据的电能质量检测方法。
背景技术
随着电能的需求量逐渐增加,其中电能的质量干扰问题已经引起各国电力工作者的高度重视,而电能质量问题则会给企业以及社会带来巨大损失,为了改善和提高电能质量,对电能质量扰动进行检测与识别就显得尤为重要。而对于异常电压数据的筛选识别来说常用的便是均值偏移聚类算法,传统的均值偏移聚类算法,在这一场景中,往往只根据电压数据在数据上的异常幅值特征,来作为聚类空间中每一个数据与聚类中心的距离。但是其中电压的波动在大多数情况中也可能为正常情况,例如高峰期中电压负载过高,导致电压不稳,这是正常情况。因此仅仅通过数据上的差异是不能准确区分异常情况和正常情况的,因此本发明结合用电习惯差异,对均值偏移聚类中的距离进行修正,从而优化聚类结果。
发明内容
本发明提供基于大数据的电能质量检测方法,以解决电能无法准确区分的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于大数据的电能质量检测方法,该方法包括以下步骤:
采集电压数据得到每天的电压数据序列;
当天的前一天对应的电压数据序列进行分段得到分段电压序列;根据标称电压与分段电压序列的每个电压数据的差值得到每个分段电压序列的异常程度基础值;
获得每天的分段电压序列的主要峰谷点,将分段电压序列中的主要峰谷点与分段电压序列的两个端点连线作为左侧连线和右侧连线,将当天和任意一天同一时序段的分段电压序列的左侧连线的夹角记为第一夹角,右侧连线的夹角记为第二夹角,分别统计每个左侧连线和右侧连线对应的电压数据的数量与每个分段电压序列电压数据的数量的比值,记为第一占比和第二占比,根据当天与任意一天的每个分段电压序列的第一夹角、第二夹角、第一占比以及第二占比得到分段电压序列的用电差异程度;
根据当天和任意一天的所有分段电压序列的拟合值的差异得到每天的电压波动异常程度,根据每个分段电压序列的异常程度基础值和每天的电压数据波动异常程度得到每个分段电压序列的电压数据异常程度;
将当天每个电压数据看作一个数据点,将两个电压数据的差值作为两个数据点的距离,对数据点聚类,聚类距离为电压数据异常程度和数据点的距离,将聚类范围外的点记为异常数据,并完成电能质量检测。
优选的,所述电压数据序列进行分段得到分段电压序列的方法为:
对电压数据曲线求一阶导数,令一阶导数为零得到极值点,令极值点为过程点,令电压数据序列中最左侧和最右侧的点也为过程点,将在电压数据序列中找到过程点的位置即时序值,将任意相邻两个的过程点的时序值求均值,得到相邻两个过程点中间的点作为分段点,任意两个分段点之间的电压数据为分段电压序列。
优选的,所述根据标称电压与分段电压序列的每个电压数据的差值得到每个分段电压序列的异常程度基础值的方法为:
式中,为第i个分段电压序列中第t个时刻的电压数据,/>为电网分配的标称电压,/>为第i个分段电压序列中电压数据的数量,/>为第i个分段电压序列的异常程度基础值。
优选的,所述主要峰谷点的获取方法为:
若一个分段电压序列中存在多个波峰或波谷,将同一时序段内当天和任意一天的分段电压序列中找到峰谷点,计算当天同一时序段的分段电压序列中的任意一个峰谷点和任意一天同一时序段的分段电压序列中的任意一个峰谷点的时序差异,时序差异最小的两个峰谷点作为当天和任意一天分段电压序列中的主要峰谷点。
优选的,所述左侧连线和右侧连线的获取方法为:
将分段电压序列中时序靠前的端点与主要峰谷点的连线作为左侧连线,将分段电压序列中时序靠后的端点与主要峰谷点的连线作为右侧连线。
优选的,所述根据当天与任意一天的每个分段电压序列的第一夹角、第二夹角、第一占比以及第二占比得到分段电压序列的用电差异程度的方法为:
式中,表示当天和第m天在第i个分段电压序列的第一夹角;/>表示当天和第m天在第i个分段电压序列的第二夹角,M表示历史中采集的电压数据序列的天数,/>表示当天和第m天的第i个分段电压序列中左侧连线在这一分段中电压数据的占比,即第一占比,/>表示当天和第m天的第i个分段电压序列中右侧连线在这一分段中电压数据的占比,即第二占比,/>为三角函数,/>为第m天的第i个分段电压序列与当天第i个分段电压序列的用电习惯差异程度。
优选的,所述根据当天和任意一天的所有分段电压序列的拟合值的差异得到每天的电压波动异常程度的方法为:
分段电压序列使用曲线拟合的方法得到拟合曲线,拟合曲线上的值记为拟合值;
式中,为第m天的第i个分段曲线的标准差,/>为当天第i段分段曲线的标准差,为第m天的第i个分段电压序列与当天第i个分段电压序列的用电习惯差异程度归一化后的值,/>为分段曲线的数量,/>表示为当天与第m天的电压波动异常程度。
优选的,所述对数据点聚类,聚类距离为电压数据异常程度和数据点的距离,将聚类范围外的点记为异常数据的方法为:
使用均值漂移聚类对每个电压数据序列进行聚类,随机选取聚类中心,将聚类中心到第x个数据点的距离为电压数据的差值,记为,均值漂移聚类的聚类距离为/>,/>为第i个分段电压序列的电压数据异常程度,其中第x个数据点在第i个分段电压序列中,均值漂移的聚类半径为预设半径,当均值漂移聚类迭代到密度最大的地方时,聚类半径外的数据点就是异常数据。
本发明的有益效果是:常规的电压数据的异常判断是根据实际电压数据与标称电压的差值作为均值偏移聚类空间中每一个数据与聚类中心的聚类计算方式,从而获得离群数据。但是仅仅通过直观数据上的差异,并不可靠,电压数据的波动往往也存在部分正常情况,因此常规方法经常会将正常情况判定为异常情况,从而进行较多没有必要的检查等操作。而本发明通过对用电数据进行曲线拟合后,进行数据分段,将一天的数据分成多段以高峰期或低谷期为中心的局部数据范围,同时一条主电路往往对应一片相同类型的地区,因此基于这一点,结合用电行为习惯,对当天数据与历史用电数据进行用电行为习惯相近程度的判定,并基于行为异常得到异常程度调整系数后,对实际电压与标称电压的差值作为的异常程度基础值进行调整后得到异常程度,并对均值漂移聚类的空间中的距离进行修正,从而对聚类结果进行优化,提高了异常数据的识别精度,减少了正常数据的错误识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于大数据的电能质量检测方法的流程示意图;
图2为电压数据曲线分段点示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
请参阅图1,其示出了本发明一个实施例提供的基于大数据的电能质量检测方法流程图,该方法包括以下步骤:
步骤S001,使用监测终端传感器获得电压数据。
获取电网所在这一局部地区中所分出的主线路电压数据,通过监测终端电压数据主要为电压数据进行采样,在本实施例中,采样间隔为10min,即每10min采集一次电压数据,对正在采集的当前天记为当天,其中所述的当天已经将这一天的电压数据全部采集完成,采集当天的主电路的电压数据以及获取当天前一个月内的电压数据,将每天获得的电压数据构成电压数据序列。
步骤S002,根据标称电压和电压数据的差异得到分段电压序列的异常程度基础值,根据分段电压序列的连线夹角和电压数量占比得到分段电压序列的用电差异程度。
对于电网所分出的某一条主电路的当天的前一天的电压数据进行最小二乘法曲线拟合,曲线拟合的目的是为了平滑掉电压数据中的局部波动值,从而保留电压数据的主要趋势变化,最小二乘法为现有的公知技术,通过输入电压数据序列,输出得到拟合后的曲线记为电压数据曲线。令得到的电压数据曲线的一阶导数为零得到极值点,找到电压数据曲线中的波峰或波谷,并计算相邻的波峰与波谷在曲线上的横坐标的均值,并以均值对应的电压数据点作为分段点,并以相邻的两个分段点为端点,按照时序顺序对拟合前的电压数据序列进行分段,如图2所示,获得的分段数量记为I。
图2为电压数据曲线,横轴为电压数据的时序,纵坐标为电压数据,其中曲线上标记出的点就是分段点,其中图2中的横坐标上1、2、3的就是根据相邻的波峰与波谷中间时序距离的均值分别对应的横坐标点。将当天昨天记为前一天,其中前一天的电压数据序列的最左侧和最右侧的端点也视为波峰或波谷。
此时获得了前一天的电压数据序列的所有分段点,并将电压数据序列进行了分段,获得了I个分段,每一个分段分别表示的是以高峰期时段或低峰期时段为中心的局部范围,根据前一天的分段点对应的时序对其余的电压数据序列进行分段以及当天的电压数据序列进行分段。
对当天的若干分段进行分析,对于主电路中每个分段的所有电压数据记为分段电压序列,对于主电路当天的第i个分段电压序列,获得电网分配的标称电压,根据标称电压和每一个时刻的电压数据的差值得到每个分段电压序列的异常程度基础值,公式如下:
式中,为第i个分段电压序列中第t个时刻的电压数据,/>为电网分配的标称电压,/>为第i个分段电压序列中电压数据的数量,/>为第i个分段电压序列的异常程度基础值。当标称电压与实际所用的电压产生偏差时,此时无论是偏大或是偏小,都会导致电路中的电压不稳定,从而对电路上经过的设备,器械等都会产生损坏,因此当电压数据与分配的标称电压存在偏差,同时偏差越大,那么这一段电压数据的异常程度基础值越高。
通过上述计算只能表征当前时刻电压数据与标称电压的差值即电压数据的局部特征,但是电压数据特征太过简单,并未考虑部分实际因素。例如对于用电高峰期时段,在历史中电压数据中可能每天的当前时段虽然是高峰期,但是当前时段的电压不稳,波动等情况是因为当前负载太高所导致的,这类情况为可以接受的情况,但是例如当天的第i个分段电压序列出现电压不稳等情况,但是历史中当前时段的分段电压序列中并未出现情况,那么反而说明此时电压出现波动的情况是不正常的。因此基于上述描述,需要用当天电压数据与所采集的多天电压数据中对应的同一分段进行相似性的判断,从而获得对于当天电压数据是否出现异常进行修正。
对于任意一天中任意一个分段电压序列,连接该分段电压序列中的波峰点或波谷点与两个分段点的连线,记为任意一天中任意一个分段的左侧连线和右侧连线,其中左侧连线为两个分段点中时序靠前的分段点形成的连线,右侧连线为两个分段点中时序靠后的分段点形成的连线,将当天和历史中任意一天在同一时间段对应的左侧连线的夹角记为第一夹角,对应的右侧连线的夹角记为第二夹角/>。
需要说明的是,由于分段是根据前一天的电压数据曲线进行划分的,因此,当天和历史中任意一天在相同分段内可能包含多个波峰或波谷,对于当天和历史任意一天的分段电压序列中,判断其中波峰或波谷的数量,若获得的波峰或波谷的数量存在大于1的情况时,则分别计算任意一天电压数据的分段内峰谷点与对应的当天分段电压序列中的峰谷点的时序距离,选择其中距离最近的两个峰谷点分别作为当前和任意一天的分段电压序列的主要峰谷点,然后利用主要峰谷点进行上述的连线操作和夹角获得操作。若不存在波峰或波谷则以分段内的最大或最小值作为波峰或波谷。
对于主电路的当天第个分段电压序列,通过计算其中对应的电压数据序列中的任意一天的第/>个分段电压序列与当天电压数据序列的第/>个分段电压序列的差异,将距离当天m天的一天记为第m天,获取第m天的第/>个分段电压序列中左侧连线形成的线段对应的电压数据的数量a1,即第m天的第/>个分段电压序列中波峰或波谷点和第/>个分段左侧端点之间的电压数据的数量,将a1与第m天的第/>个分段中电压数据的总数的比值记为/>,表示对应的电压数据在第/>段电压数据中,左连线分别在这一分段中的电压数据量的占比;
同理,利用相同的方法获得右侧连线形成的线段对应的电压数据的数量a2与第m天的第个分段中电压数据的总数的比值为/>。
基于此,计算获得与第天的每个分段电压序列的用电习惯差异程度,公式如下:
式中,表示当天和第m天在第i个分段电压序列的第一夹角;/>表示当天和第m天在第i个分段电压序列的第二夹角,M表示历史中采集的电压数据序列的天数,/>表示当天和第m天的第i个分段电压序列中左侧连线在这一分段中电压数据的占比,/>表示当天和第m天的第i个分段电压序列中右侧连线在这一分段中电压数据的占比,表示当天第m天的第i个分段电压序列的左侧连线夹角的趋势差异值,表示当天和第m天的第i个分段电压序列的右侧连线夹角的趋势差异值,其中和/>这两个数值越大则表示这两段分段电压序列之间的差异越大,为第m天的第i个分段电压序列与当天第i个分段电压序列的用电习惯差异程度。
当其中一侧的电压数据的数量占比较小时,此时可能表征这一分段电压序列的高峰期在这一侧中的电压数据量较小,通过趋势所计算得到的差异的权重应该较小。表示第m天的电压数据根据时间跨度所得到的权重值,当时间跨度越小,认为在判定用电习惯差异时的权重越大。
至此,获得当天与历史每一天的每一段的分段电压序列的用电习惯差异。
步骤S003,根据用电差异程度得到每天的电压波动异常程度,并得到每个分段电压序列的电压数据异常程度。
通过上述得到的当天与历史每一天中相同的一段分段电压序列的用电习惯差异作为权重值,利用分段点将电压数据曲线也进行分段,将每段记为分段曲线,将电压数据曲线上的点对应的值记为拟合值,将当天第i段分段曲线的标准差记为,将第m天的第i个分段曲线的标准差记为/>,将用电习惯差异程度使用线性归一化,得到/>,根据两个标准差的差值和所有电压数据序列的用电习惯差异得到当天与第m天的电压波动异常程度,公式如下:
式中,为第m天的第i个分段曲线的标准差,/>为当天第i段分段曲线的标准差,为第m天的第i个分段电压序列与当天第i个分段电压序列的用电习惯差异程度归一化后的值,/>为分段曲线的数量,/>表示为当天与第m天的电压波动异常程度。
其中越大,则表征了这两段电压数据在电压波动上的变化差异越大,最终表征的含义为,结合用电习惯的差异,当用电习惯差异较小时,此时这一电压数据段的权重较大,后续表征具体这一分段内,当天与历史的电压数据的电压波动情况,当这一差异越大,则越表征当天与历史的电压数据的相近程度越小,那么对应的当天的电压数据序列所表现出来的异常程度越高。
将当天与历史所有天的电压波动异常程度进行线性归一化计算,得到归一化后的电压波动异常程度的均值,记为P,根据当天第i个分段电压序列的电压数据与标称电压的差值以及归一化后的电压波动异常程度的均值得到当天第i个分段电压序列中电压数据异常程度,公式如下:
式中,P表示当天与历史所有天的电压波动异常程度的归一化的均值,为当天第i个分段电压序列的电压数据好标称电压的差值,/>为第i个分段电压序列的电压数据异常程度。
最终表示的含义为,这一段电压数据本身的异常程度是根据其电压数据与标称电压的偏差值作为异常程度基础值,这一数值为直观电压数据上所反映的电压异常程度。后根据当天所有电压数据与历史每一天对应时段的所有电压数据的用电习惯作为权重值后,通过相同时段之间所有电压数据的波动情况的起伏程度的相近大小,作为当天所有电压数据是否与历史每天所有电压数据呈现相同的用电习惯以及大小的程度值。因此当这一段所有电压数据越大,表征本身电压波动越异常,同时还与历史的电压数据偏差越大。
至此,获得每段分段电压序列的电压数据异常程度。
步骤S004,根据电压数据异常程度使用均值漂移算法对每个电压数据进行聚类,完成对电能质量的检测。
将当天每个电压数据看作一个数据点,使用均值漂移聚类对每个电压数据序列进行聚类,随机选取聚类中心,将聚类中心到第x个数据点的距离为电压数据的差值,记为,聚类距离为每个数据点与聚类中心的距离和每个数据点所在的分段电压序列中的电压数据异常程度的乘积,即/>,一直迭代到最大密度处,将此时的聚类中心记为标准聚类中心,均值漂移聚类设置的半径为R,在本实施例中R设置为3,将不在R范围内的点记为离群数据,离群数据即为出现异常的数据。
当出现异常数据时,说明电能质量较差,由此完成了电能质量检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于大数据的电能质量检测方法,其特征在于,该方法包括以下步骤:
采集电压数据得到每天的电压数据序列;
当天的前一天对应的电压数据序列进行分段得到分段电压序列;根据标称电压与分段电压序列的每个电压数据的差值得到每个分段电压序列的异常程度基础值;
获得每天的分段电压序列的主要峰谷点,将分段电压序列中的主要峰谷点与分段电压序列的两个端点连线作为左侧连线和右侧连线,将当天和任意一天同一时序段的分段电压序列的左侧连线的夹角记为第一夹角,右侧连线的夹角记为第二夹角,分别统计每个左侧连线和右侧连线对应的电压数据的数量与每个分段电压序列电压数据的数量的比值,记为第一占比和第二占比,根据当天与任意一天的每个分段电压序列的第一夹角、第二夹角、第一占比以及第二占比得到分段电压序列的用电差异程度;
利用分段点将分段电压序列对应的电压数据曲线进行分段,得到分段曲线,计算分段曲线的标准差,根据当天和任意一天的分段序列的标准差的差异和分段电压序列的用电习惯差异程度得到每天的电压波动异常程度;根据每个分段电压序列的异常程度基础值和每天的电压数据波动异常程度得到每个分段电压序列的电压数据异常程度;
将当天每个电压数据看作一个数据点,使用均值漂移聚类对每个电压数据序列进行聚类,随机选取聚类中心,将聚类中心到第x个数据点的距离为电压数据的差值,记为,聚类距离为每个数据点与聚类中心的距离和每个数据点所在的分段电压序列中的电压数据异常程度的乘积,即/>,其中,/>为第i个分段电压序列的电压数据异常程度;其中第x个数据点在第i个分段电压序列中,均值漂移的聚类半径为预设半径,当均值漂移聚类迭代到密度最大的地方时,将聚类范围外的点记为异常数据,并完成电能质量检测;
其中,电压波动异常程度的计算公式为:
式中,为第m天的第i个分段曲线的标准差,/>为当天第i段分段曲线的标准差,/>为第m天的第i个分段电压序列与当天第i个分段电压序列的用电习惯差异程度归一化后的值,/>为分段曲线的数量,/>表示为当天与第m天的电压波动异常程度;
其中,电压数据异常程度的计算公式为:
式中,P表示当天与历史所有天的电压波动异常程度的归一化的均值,为当天第i个分段电压序列的电压数据好标称电压的差值,/>为第i个分段电压序列的电压数据异常程度。
2.根据权利要求1所述的基于大数据的电能质量检测方法,其特征在于,所述电压数据序列进行分段得到分段电压序列的方法为:
对电压数据曲线求一阶导数,令一阶导数为零得到极值点,令极值点为过程点,令电压数据序列中最左侧和最右侧的点也为过程点,将在电压数据序列中找到过程点的位置即时序值,将任意相邻两个的过程点的时序值求均值,得到相邻两个过程点中间的点作为分段点,任意两个分段点之间的电压数据为分段电压序列。
3.根据权利要求1所述的基于大数据的电能质量检测方法,其特征在于,所述根据标称电压与分段电压序列的每个电压数据的差值得到每个分段电压序列的异常程度基础值的方法为:
式中,为第i个分段电压序列中第t个时刻的电压数据,/>为电网分配的标称电压,/>为第i个分段电压序列中电压数据的数量,/>为第i个分段电压序列的异常程度基础值。
4.根据权利要求1所述的基于大数据的电能质量检测方法,其特征在于,所述主要峰谷点的获取方法为:
若一个分段电压序列中存在多个波峰或波谷,将同一时序段内当天和任意一天的分段电压序列中找到峰谷点,计算当天同一时序段的分段电压序列中的任意一个峰谷点和任意一天同一时序段的分段电压序列中的任意一个峰谷点的时序差异,时序差异最小的两个峰谷点作为当天和任意一天分段电压序列中的主要峰谷点。
5.根据权利要求1所述的基于大数据的电能质量检测方法,其特征在于,所述左侧连线和右侧连线的获取方法为:
将分段电压序列中时序靠前的端点与主要峰谷点的连线作为左侧连线,将分段电压序列中时序靠后的端点与主要峰谷点的连线作为右侧连线。
6.根据权利要求1所述的基于大数据的电能质量检测方法,其特征在于,所述根据当天与任意一天的每个分段电压序列的第一夹角、第二夹角、第一占比以及第二占比得到分段电压序列的用电差异程度的方法为:
式中,表示当天和第m天在第i个分段电压序列的第一夹角;/>表示当天和第m天在第i个分段电压序列的第二夹角,M表示历史中采集的电压数据序列的天数,/>表示当天和第m天的第i个分段电压序列中左侧连线在这一分段中电压数据的占比,即第一占比,/>表示当天和第m天的第i个分段电压序列中右侧连线在这一分段中电压数据的占比,即第二占比,/>为三角函数,/>为第m天的第i个分段电压序列与当天第i个分段电压序列的用电习惯差异程度。
7.根据权利要求1所述的基于大数据的电能质量检测方法,其特征在于,所述根据当天和任意一天的所有分段电压序列的拟合值的差异得到每天的电压波动异常程度的方法为:
分段电压序列使用曲线拟合的方法得到拟合曲线,拟合曲线上的值记为拟合值;
式中,为第m天的第i个分段曲线的标准差,/>为当天第i段分段曲线的标准差,/>为第m天的第i个分段电压序列与当天第i个分段电压序列的用电习惯差异程度归一化后的值,/>为分段曲线的数量,/>表示为当天与第m天的电压波动异常程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524821.4A CN116243097B (zh) | 2023-05-11 | 2023-05-11 | 基于大数据的电能质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524821.4A CN116243097B (zh) | 2023-05-11 | 2023-05-11 | 基于大数据的电能质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116243097A CN116243097A (zh) | 2023-06-09 |
CN116243097B true CN116243097B (zh) | 2023-08-15 |
Family
ID=86628108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310524821.4A Active CN116243097B (zh) | 2023-05-11 | 2023-05-11 | 基于大数据的电能质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116243097B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595426B (zh) * | 2023-07-17 | 2023-09-26 | 济南大陆机电股份有限公司 | 一种工业物联网数据智能采集管理*** |
CN116684202B (zh) * | 2023-08-01 | 2023-10-24 | 光谷技术有限公司 | 一种物联网信息安全传输方法 |
CN116804668B (zh) * | 2023-08-23 | 2023-11-21 | 国盐检测(天津)有限责任公司 | 一种食盐碘含量检测数据标识方法及*** |
CN117786582B (zh) * | 2024-02-23 | 2024-05-07 | 江苏斐能软件科技有限公司 | 基于数据驱动的用电异常状态智能监测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014207849A1 (ja) * | 2013-06-26 | 2014-12-31 | 三菱電機株式会社 | 電圧監視制御システム、電圧監視制御装置、計測装置および電圧監視制御方法 |
CN110690716A (zh) * | 2019-08-16 | 2020-01-14 | 中国电力科学研究院有限公司 | 一种基于电压相轨迹信息对电网主动解列断面进行定位的方法及*** |
CN111639583A (zh) * | 2020-05-26 | 2020-09-08 | 国网湖南省电力有限公司 | 一种电网电能质量扰动的识别方法及*** |
CN112084237A (zh) * | 2020-09-09 | 2020-12-15 | 广东电网有限责任公司中山供电局 | 一种基于机器学习和大数据分析的电力***异常预测方法 |
CN112308168A (zh) * | 2020-11-09 | 2021-02-02 | 国家电网有限公司 | 检测电网中电压数据异常的方法 |
CN114676883A (zh) * | 2022-03-02 | 2022-06-28 | 深圳江行联加智能科技有限公司 | 基于大数据的电网运行管理方法、装置、设备及存储介质 |
-
2023
- 2023-05-11 CN CN202310524821.4A patent/CN116243097B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014207849A1 (ja) * | 2013-06-26 | 2014-12-31 | 三菱電機株式会社 | 電圧監視制御システム、電圧監視制御装置、計測装置および電圧監視制御方法 |
CN110690716A (zh) * | 2019-08-16 | 2020-01-14 | 中国电力科学研究院有限公司 | 一种基于电压相轨迹信息对电网主动解列断面进行定位的方法及*** |
CN111639583A (zh) * | 2020-05-26 | 2020-09-08 | 国网湖南省电力有限公司 | 一种电网电能质量扰动的识别方法及*** |
CN112084237A (zh) * | 2020-09-09 | 2020-12-15 | 广东电网有限责任公司中山供电局 | 一种基于机器学习和大数据分析的电力***异常预测方法 |
CN112308168A (zh) * | 2020-11-09 | 2021-02-02 | 国家电网有限公司 | 检测电网中电压数据异常的方法 |
CN114676883A (zh) * | 2022-03-02 | 2022-06-28 | 深圳江行联加智能科技有限公司 | 基于大数据的电网运行管理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于密度峰值聚类的电力大数据异常值检测算法;陆春光;叶方彬;赵羚;姜驰;董伟;;科学技术与工程(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116243097A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
CN110336534B (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN111444241B (zh) | 一种基于数据挖掘的台区线损异常关联用户精准定位方法 | |
CN111401460B (zh) | 一种基于限值学习的异常电量数据辨识方法 | |
CN117034043B (zh) | 基于多能源物联网的智慧建筑综合能耗监测方法及*** | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN116595426B (zh) | 一种工业物联网数据智能采集管理*** | |
CN114330583B (zh) | 一种异常用电识别方法和异常用电识别*** | |
CN116168037B (zh) | 一种基于图像处理的导线压接弯曲度计算方法及*** | |
CN115600837A (zh) | 一种用于电器负荷异常的节能诊断方法 | |
CN116523913B (zh) | 一种丝杆质量智能检测方法 | |
CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
CN117783745A (zh) | 用于换电柜的数据在线监测方法及*** | |
CN114418378A (zh) | 基于lof离群因子检测算法的光伏发电上网数据校核方法 | |
CN115081840A (zh) | 一种基于一阶差分和arima法的日电量异常值检测与校正*** | |
CN115344567A (zh) | 一种适用于边缘计算的低压台区数据清洗治理方法及装置 | |
Hai-Jun et al. | Fuzzy entropy clustering using possibilistic approach | |
CN118152836B (zh) | 一种用于电能表运行过程的稳定性评估方法 | |
CN117235651B (zh) | 基于物联网的企业信息数据优化管理*** | |
CN118211082B (zh) | 基于数据分析的油液滤芯剩余寿命预测方法及*** | |
CN118134539B (zh) | 基于智慧厨房多源数据融合的用户行为预测方法 | |
CN118130975B (zh) | 一种输电线路故障定位方法 | |
CN117313014B (zh) | 一种窑炉运转能耗异常数据实时监测预警方法 |
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 |