CN116845863A - 基于时空轨迹的末端电网异常设备接入告警方法及装置 - Google Patents
基于时空轨迹的末端电网异常设备接入告警方法及装置 Download PDFInfo
- Publication number
- CN116845863A CN116845863A CN202310710877.9A CN202310710877A CN116845863A CN 116845863 A CN116845863 A CN 116845863A CN 202310710877 A CN202310710877 A CN 202310710877A CN 116845863 A CN116845863 A CN 116845863A
- Authority
- CN
- China
- Prior art keywords
- track
- time
- space
- point
- data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 74
- 239000013598 vector Substances 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000007405 data analysis Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
基于时空轨迹的末端电网异常设备接入告警方法及装置，该方法利用装置采集末端电网用电线路中的实时电压、电流数据，经过清洗与预处理后，得到时空轨迹信息。针对时空轨迹进行分段与特征提取，然后利用DBSCAN算法进行轨迹聚类与识别，建立特征信息库。通过将线路特征与特征信息库进行对比，分析不同轨迹间的差异性，从而检测出异常轨迹或未知轨迹，判断是否有异常设备接入，进而告警。该方法具有较高的准确性和实用性，同时对硬件的算力要求不高，各功能模块可以集成在一个终端上，节约了在服务器上部署云端***的成本。
Description
技术领域
本发明属于电气自动化技术领域，涉及末端电网的设备管理，具体涉及基于时空轨迹的末端电网异常设备接入告警方法及装置。
背景技术
当今电力***的智能化、自动化水平不断提高，其规模也越来越大。电力***中的各种电力设备的数量和种类也在不断增加，包括各式的变电站、配电站和输电线路等，使得电力***的监测和管理变得更加复杂。末端电网已经成为电力***中最后一道防线。异常设备接入可能导致电力***的故障和事故，例如过载、短路、接地故障等，对电力设备的正常运行和电力***的安全稳定性产生严重影响。因此，如何及时准确地识别末端电网中的异常设备接入情况，成为电力***运行管理中的重要问题。
采用智能电表收集末端电网用电情况是一项成熟技术。可以利用收集的用电情况数据分析末端电网的异常用电行为，从而识别出异常设备。然而这种方法识的别结果总是滞后，即无法在异常设备接入末端电网的第一时间进行告警通知。也有一些基于机器学习进行异常设备识别的方法，例如利用随机森林算法，提前收集大量用电设备的电流特征，通过集成多个决策树，对末端电网异常设备接入进行告警通知。但是机器学习算法需要提前获取大量的设备数据用于模型训练，并且计算资源消耗很大，缺点明显。
发明内容
针对现有技术的不足，本发明提出了基于时空轨迹算法的末端电网异常设备接入告警方法及装置，该方法利用时空轨迹算法对末端电网的用电数据进行处理和分析，采用DBSCAN算法进行轨迹聚类和分类，通过比较不同轨迹之间的差异性，检测出异常轨迹，从而识别出异常设备的接入情况，具有较高的准确性和实用性。
基于时空轨迹算法的末端电网异常设备接入告警方法，包括以下步骤：
步骤1、数据准备
收集末端电网中线路的ID、位置以及带有时间戳的电流和电压数据，完成数据清洗后再进行归一化处理。
步骤2、计算时空轨迹特征
将处理后的线路数据作为时空轨迹，其中时间戳是时间维度的信息，反映线路中设备的运行变化，位置是空间维度的信息，反映线路中设备的地理位置，而电流、电压作为运行轨迹，描述了运行设备在时、空维度上的状态变化。对时空轨迹进行分析和建模，提取特征向量，具体步骤为：
s2.1、轨迹分段
将时空轨迹按照相同的时间间隔划分成多段，完成轨迹分段。
s2.2、特征提取
针对s2.1分段后的时空轨迹分别提取轨迹长度、轨迹方向、速度变化率。
所述轨迹长度Length通过对电流数据计算其在时间序列上的累积差分或曲线长度得到：
其中，ti表示第i个采样时间点，Ii表示第i个采样时间点对应的设备电流，N为一条分段轨迹中采样时间点的数量，abs()表示求取绝对值。
所述轨迹方向根据电流数据的变化趋势估计轨迹的方向，定义分段轨迹中连续电流数据斜率的正、负值分别为轨迹正方向和反方向。
所述速度变化率△v通过计算电流数据在连续时间内的变化率得到：
△v＝abs(Ii-Ii-1)/(ti-ti-1)
s2.3、特征融合
将分段轨迹的轨迹长度、轨迹方向和速度变化率组合成三维特征向量，完成特征融合。
步骤3、采样点分类
使用DBSCAN算法对融合后的三维特征向量进行聚类分析，以识别不同时间节点对应的设备运行状态，具体步骤如下：
s3.1、确定三维特征向量中，每个采样点的邻域半径Eps，以及DBSCAN算法的最小样本数Min_samples，具体方法为：
将采样点的电流、电压数据转换为平面坐标，依次计算当前采样点与其他采样点之间的距离，并按照距离从小到大排序，拟合成平滑的距离曲线，将距离曲线中斜率突变位置对应的距离值，作为当前采样点的邻域半径Eps值。
统计每个采样点邻域半径内的采样点数量Pi，计算最小样本数Min_samples：
作为优选，使用欧几里德距离公式计算采样点间的距离：
其中，dij表示第i个采样点与第j个采样点之间的距离，xi、xj分别为两个采样点转换后的电压平面坐标，yi、yj分别为两个采样点转换后的电流平面坐标。
s3.2、根据邻域半径内的采样点数量进行聚类，确定聚类中心，具体步骤为：
s3.2.1、根据每个采样点邻域半径内的其他采样点的数量Pi，确定采样点的类型：
①当Pi≥Min_samples时，标记当前采样点为核心点。
②当Pi＜Min_samples时，且当前采样点处于某个核心点的邻域半径内，则标记为边界点。
③当Pi＜Min_samples时，且该采样点不处于任何核心点的邻域半径内，则标记为噪声点。
s3.3.2、剔除噪声点，对于核心点，将其作为聚类中心点，并根据密度可达性(density-reachable)将其邻域半径内剩余采样点归到同一个聚类簇中。
s3.3、依次计算聚类中心点之间的距离，并将聚类中心点距离小于设定阈值的两个聚类簇合并。
s3.4、重复s3.3，直至所有聚类中心点之间的距离都大于设定阈值。相同聚类簇中的采样点标签相同。在数据库中保存聚类中心的三维特征向量与标签。
步骤4、判断异常设备接入
针对采集到的设备数据计算时空轨迹特征，并输入DBSCAN算法进行分类，并将聚类中心的三维特征向量与保存的三维特征向量进行比较，判断聚类标签。若出现异常标签或未知标签，则触发警告。
步骤5、异常修复
达到触发告警条件时，将线路ID、线路位置以及标签类型推送给相关人员，由相关人员进行现场维护。对于异常标签，直接对设备进行断电、移除处理。对于未知标签，进行现场复核，若该设备属于正常设备，直接将其特征向量与对应的标签补充到数据库中，若该设备属于异常设备，进行断电与移除后，再将其特征向量与对应的标签补充到数据库中。
作为优选，通过短信、邮件、电话、app推送的方式将告警信息发送给相关人员。
基于时空轨迹的末端电网异常设备接入告警装置，包括传感器模块、控制器模块、数据分析器模块和告警器模块。其中，传感器模块的输入接口与末端电网线路相连，用于采集线路的实时电流、电压数据，并通过输出接口将采集到的数据传送到控制器模块。控制器模块对接收到的数据进行清洗和归一化处理后，输入数据分析器模块。数据分析器模块通过聚类算法进行分析，判断线路中用电设备的状态，将判断结果保存在数据库中，并返回控制器模块。控制器模块识别判断结果，当线路中出现异常设备或未知设备时，控制告警器模块发出警报。
作为优选，所述传感器模块包括电流互感器和电压互感器。
作为优选，所述告警器模块包括声光告警模块和告警通讯模块。其中声光告警模块通过蜂鸣器发声、LED灯闪烁中的一种或多种方式发出告警信号。告警通讯模块通过短信、邮件、电话、app推送中的一种或多种方式将告警信息发送给相关人员。
作为优选，所述告警信息包括线路ID、线路位置以及用电设备的状态。
本发明具有以下有益效果：
1、挖掘了末端电网数据在时、空维度上的特征，基于时空轨迹特征分析理解电力***的运行情况、检测异常设备以及优化电力网络的管理和运营，充分利用时空轨迹数据的特点，及时发现末端电网中的异常用电设备，减少误判和漏检的情况，为电网安全管理提供了一种新的思路和方法，具有更高的适用性和灵活性。
2、通过监测电力***中线路的电压、电流、温度、功率等参数，采用DBSCAN算法进行轨迹聚类分析，能够适应末端电网中的异常情况和噪声，以及设备的不规范分布问题，自适应确定聚类数量，有效地处理了轨迹数据的噪声和异常点，并提高了识别精度和效率。另外，***快速告警，便于相关人员快速发现用电线路的异常设备接入，为企业用电安全做出贡献。
3、该告警方法不需要提前收集大量的用电设备的运行特征数据，也不需要进行长时间的网络训练，对数据分析模块的算力要求较低，使得所有功能硬件可以集成在一个终端上，不需要额外的服务器部署云端***，节约成本，也保证了数据隐私。
附图说明
图1为基于时空轨迹的末端电网异常设备接入告警装置的原理框图
图2为基于时空轨迹的末端电网异常设备接入告警流程图；
图3为实施例中收集的末端电网线路电流、电压散点图
图4为实施例中采样点分类方法流程图；
图5为实施例中绘制的采样点距离曲线；
图6为实施例中的采样点聚类分析结果。
具体实施方式
以下结合附图对本发明作进一步的解释说明；
如图1所示，基于时空轨迹的末端电网异常设备接入告警装置，包括传感器模块、控制器模块、数据分析器模块和告警器模块。所述传感器模块的输入接口与末端电网线路相连，通过电流互感器和电压互感器分别采集线路的实时电流、电压数据，并通过输出接口将带有时间戳的数据传送到控制器模块。控制器模块通过数据清理模块对接收到的数据进行清洗和归一化处理后，输入数据分析器模块。数据分析器模块包括数据分析模块和数据建模模块，其中数据分析模块通过聚类算法对输入数据进行聚类、分析，数据建模模块根据聚类分析结果为每条数据打上标签，存储数据特征与标签后，将分析结果返回控制器模块。控制器模块的告警信号控制模块对数据分析器模块返回的分析结果进行识别，若分析结果表示线路中存在异常设备或未知设备时，向告警器模块发出信号，控制告警器模块发出警报。所述告警器模块包括声光告警模块和告警通讯模块。其中声光告警模块通过蜂鸣器发声、LED灯闪烁中的一种或多种方式发出告警信号。告警通讯模块通过短信、邮件、电话、app推送中的一种或多种方式将线路ID、线路位置以及用电设备的状态发送给相关人员。
使用该装置进行末端电网异常设备接入告警的方法如图2所示，具体步骤如下：
步骤1、数据准备
按照一秒一次的频率采集末端电网中线路的ID、位置以及带有时间戳的电流和电压数据，去除异常值和缺失值后，进行归一化处理。
步骤2、计算时空轨迹特征
将处理后的线路数据作为时空轨迹，按照一小时的时间长度进行划分。然后对分段轨迹提取轨迹长度、轨迹方向和速度变化率三个维度上的特征，得到每个分段轨迹对应的三维特征向量。
步骤3、采样点分类
对图3所示的分段轨迹的采样点数据进行分类。从图中可以看出，大量的电压、电流数据主要分布在5个位置，并且具有相同的特征。因此可以利用聚类算法进行分析。本实施例选择DBSCAN算法来识别不同时间节点对应的设备运行状态。DBSCAN算法是一种基于密度的聚类算法，可以自动识别密度相邻的数据点，并将其分为一组。其核心思想是通过定义半径长度为Eps的邻域来刻画数据点的密度，并通过密度可达性来确定核心点和非核心点，从而实现聚类分析。具体过程如图4所示：
s3.1、参数初始化：遍历每个采样点，计算其邻域半径Eps，然后根据每个采样点邻域半径内的采样点数据，确定最小样本数Min_samples。
DBSCAN算法聚类结果是否合理，在绝大程度上取决于邻域半径Eps的选择。当邻域半径Eps过大时会导致过多的噪声点被纳入聚类簇，或者是将特征并不相似的采样点纳入同一个聚类簇。当邻域半径Eps过小时又会导致将特征相似的采样点划分为多个不同的聚类簇，导致聚类结果无意义。因此合理的Eps是聚类成功与否的关键。本申请通过欧几里德距离计算公式，依次计算分段轨迹中当前采样点与其他采样点之间的距离，从小到大排序后绘制成平滑的距离曲线，如图5所示，选择距离曲线中斜率突变点对应的距离值，作为当前采样点的邻域半径Eps值。在本实施例中，若某点的斜率大于前三个连续采样点的斜率之和，则该点为斜率突变点。最后根据每个采样点邻域半径内的采样点数量，计算得到最小样本数Min_samples。
s3.2、邻域检测：根据采样点邻域半径内的采样点数量，将采样点划分为核心点、边界点或噪声点。
s3.3、扩展邻域：对于所有的核心点，以其邻域内的所有数据点为基础，扩展邻域，并将其标记为同一类别。
(a)去除噪声点，将所有核心点标记为未处理。
(b)依次遍历每个未处理的核心点。
(c)对于当前核心点P，建立集合G，将核心点P邻域半径内的所有采样点加入集合G，并将其标记为已处理。
(d)若集合G中存在未处理的核心点，则将其邻域半径内的所有采样点加入集合G，并将其标记为未处理。
(e)重复步骤(d)，直至集合G中不存在未处理的核心点，保存集合G。
(f)返回步骤(b)，直至所有核心点被标记为已处理。
s3.4、输出s3.3中保存的集合G，作为聚类结果，如图6所示，成功将数据划分为5个簇类，即5种设备或设备组特征，保存5个簇类聚类中心的三维特征向量及标签。
步骤4、判断异常设备接入
针对采集到的设备数据计算时空轨迹特征，并输入DBSCAN算法进行分类，并将聚类中心的三维特征向量与保存的三维特征向量进行比较，判断聚类标签。若出现异常标签或未知标签，则触发警告。
步骤5、异常修复
达到触发告警条件时，将线路ID、线路位置以及标签类型推送给相关人员，由相关人员进行现场维护。对于异常标签，直接对设备进行断电、移除处理。对于未知标签，进行现场复核，若该设备属于正常设备，直接将其特征向量与对应的标签补充到数据库中，若该设备属于异常设备，进行断电与移除后，再将其特征向量与对应的标签补充到数据库中。
Claims (10)
1.基于时空轨迹的末端电网异常设备接入告警方法及装置，其特征在于：具体包括以下步骤：
步骤1、收集末端电网中线路的ID、位置以及带有时间戳的电流和电压数据，完成数据清洗后再进行归一化处理；
步骤2、将处理后的线路数据作为时空轨迹，分段计算轨迹长度、轨迹方向和速度变化率，然后组合成三维特征向量，作为分段轨迹特征；
步骤3、使用DBSCAN算法对分段轨迹中的采样点数据进行聚类分析，以识别不同时间节点对应的设备运行状态，在数据库中保存聚类中心的标签以及对应的三维特征向量；
步骤4、针对采集到的设备数据计算时空轨迹特征，输入DBSCAN算法进行分类，并将聚类中心的三维特征向量与数据库中保存的三维特征向量进行比较，判断聚类标签；若出现异常标签或未知标签，则触发警告；
步骤5、达到触发告警条件时，将线路ID、线路位置以及标签类型推送给相关人员，由相关人员进行现场维护；对于异常标签，直接对设备进行断电、移除处理；对于未知标签，进行现场复核，若该设备属于正常设备，将其特征向量与对应的标签补充到数据库中；若该设备属于异常设备，进行断电与移除后，再将其特征向量与对应的标签补充到数据库中。
2.如权利要求1所述基于时空轨迹的末端电网异常设备接入告警方法及装置，其特征在于：对时空轨迹进行分段分析和建模，提取特征向量，具体步骤为：
s2.1、轨迹分段
将时空轨迹按照相同的时间间隔划分成多段，完成轨迹分段；
s2.2、特征提取
针对s2.1分段后的时空轨迹分别提取轨迹长度、轨迹方向、速度变化率；
所述轨迹长度Length通过对电流数据计算其在时间序列上的累积差分或曲线长度得到：
其中，ti表示第i个采样时间点，Ii表示第i个采样时间点对应的设备电流，N为一条分段轨迹中采样时间点的数量，abs()表示求取绝对值；
所述轨迹方向根据电流数据的变化趋势估计轨迹的方向，定义分段轨迹中连续电流数据斜率的正、负值分别为轨迹正方向和反方向；
所述速度变化率△v通过计算电流数据在连续时间内的变化率得到：
△v＝abs(Ii-Ii-1)/(ti-ti-1)
s2.3、特征融合
将分段轨迹的轨迹长度、轨迹方向和速度变化率组合成三维特征向量，完成特征融合。
3.如权利要求1所述基于时空轨迹的末端电网异常设备接入告警方法及装置，其特征在于：在步骤1中，以一秒一次的频率采集末端电网中的线路数据；在步骤2中，以一小时为时间间隔对时空轨迹进行分段。
4.如权利要求1所述基于时空轨迹的末端电网异常设备接入告警方法及装置，其特征在于：步骤3中对分段轨迹采样的聚类方法如下：
s3.1、将采样点的电流、电压数据转换为平面坐标，依次计算当前采样点与其他采样点之间的距离，并按照距离从小到大排序，拟合成平滑的距离曲线，将距离曲线中斜率突变位置对应的距离值，作为当前采样点的邻域半径Eps值；
统计每个采样点邻域半径内的采样点数量Pi，计算最小样本数Min_samples：
s3.2、将邻域半径内的采样点数量不小于Min_samples的点作为子簇中心点，将其邻域半径内的采样点归入其所在子簇；
s3.3、依次计算个子簇中心点之间的距离，并将子簇中心点距离小于设定阈值的两个子簇合并成一个新的子簇；
s3.4、重复s3.3，直至所有子簇中心点之间的距离都大于设定阈值；相同簇中的采样点标签相同；在数据库中保存聚类中心的三维特征向量与标签。
5.如权利要求4所述基于时空轨迹的末端电网异常设备接入告警方法及装置，其特征在于：使用欧几里德距离公式计算采样点间的距离：
其中，dij表示第i个采样点与第j个采样点之间的距离，xi、xj分别为两个采样点转换后的电压平面坐标，yi、yj分别为两个采样点转换后的电流平面坐标。
6.如权利要求4所述基于时空轨迹的末端电网异常设备接入告警方法及装置，其特征在于：定义距离曲线中，斜率大于前三个连续采样点的斜率之和的点为斜率突变点。
7.如权利要求4所述基于时空轨迹的末端电网异常设备接入告警方法及装置，其特征在于：在步骤s3.2中，根据每个采样点邻域半径内的其他采样点的数量Pi，确定采样点的类型：
①当Pi≥Min_samples时，标记当前采样点为核心点；
②当Pi＜Min_samples时，且当前采样点处于某个核心点的邻域半径内，则标记为边界点；
③当Pi＜Min_samples时，且该采样点不处于任何核心点的邻域半径内，则标记为噪声点；
其中，核心点作为聚类的子簇中心点，边界点直接剔除，不参与聚类。
8.基于时空轨迹的末端电网异常设备接入告警装置，其特征在于：该装置用于实现如权利要求1～7任一所述的末端电网异常设备接入告警方法，包括传感器模块、控制器模块、数据分析器模块和告警器模块；其中，传感器模块的输入接口与末端电网线路相连，用于采集线路的实时电流、电压数据，并通过输出接口将采集到的数据传送到控制器模块；控制器模块对接收到的数据进行清洗和归一化处理后，输入数据分析器模块；数据分析器模块通过聚类算法进行分析，判断线路中用电设备的状态，将判断结果保存在数据库中，并返回控制器模块；控制器模块识别判断结果，当线路中出现异常设备或未知设备时，控制告警器模块发出警报。
9.如权利要求8所述基于时空轨迹的末端电网异常设备接入告警方法及装置，其特征在于：所述传感器模块包括电流互感器和电压互感器。
10.如权利要求8所述基于时空轨迹的末端电网异常设备接入告警方法及装置，其特征在于：所述告警器模块包括声光告警模块和告警通讯模块；其中声光告警模块通过蜂鸣器发声、LED灯闪烁中的一种或多种方式发出告警信号；告警通讯模块通过短信、邮件、电话、app推送中的一种或多种方式将告警信息发送给相关人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310710877.9A CN116845863A (zh) | 2023-06-15 | 2023-06-15 | 基于时空轨迹的末端电网异常设备接入告警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310710877.9A CN116845863A (zh) | 2023-06-15 | 2023-06-15 | 基于时空轨迹的末端电网异常设备接入告警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116845863A true CN116845863A (zh) | 2023-10-03 |
Family
ID=88164516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310710877.9A Pending CN116845863A (zh) | 2023-06-15 | 2023-06-15 | 基于时空轨迹的末端电网异常设备接入告警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116845863A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540225A (zh) * | 2024-01-09 | 2024-02-09 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups***一致性评估***及方法 |
-
2023
- 2023-06-15 CN CN202310710877.9A patent/CN116845863A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540225A (zh) * | 2024-01-09 | 2024-02-09 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups***一致性评估***及方法 |
| CN117540225B (zh) * | 2024-01-09 | 2024-04-12 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups***一致性评估***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104091070B (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和*** | |
| CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN103812577A (zh) | 非正常无线电信号的自动识别***及其方法 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及*** | |
| CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
| CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警*** | |
| CN116845863A (zh) | 基于时空轨迹的末端电网异常设备接入告警方法及装置 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
| CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
| CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及*** | |
| CN110690699A (zh) | 一种基于泛在电力物联网的变电站智慧检测*** | |
| CN109711664B (zh) | 一种基于大数据的输变电设备健康评估*** | |
| CN116089218A (zh) | 基于Kubernetes的历史数据和趋势分析的动态基线告警方法及*** | |
| CN116302809A (zh) | 边缘端数据分析计算装置 | |
| CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及*** | |
| CN117949887A (zh) | 一种能源控制器的电能计量***故障检测与预防方法 | |
| CN116680641A (zh) | 一种基于机器学习算法的用户用电异常检测方法 | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、***及存储介质 | |
| CN114760194A (zh) | 一种物联网设备的故障研判方法 | |
| CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 | |
| CN117347791B (zh) | 基于大数据的电力电网故障在线识别***及方法 | |
| CN117610971B (zh) | 一种高速公路机电***健康指数评估方法 | |
| CN117554737B (zh) | 一种车载充电器的健康状况检测方法及*** | |
| CN116702045A (zh) | 基于多传感数据的供电房安全监控方法及装置 |
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 |