CN116859902A - 一种用于水电控制***的数据库异常点检测方法及*** - Google Patents
一种用于水电控制***的数据库异常点检测方法及*** Download PDFInfo
- Publication number
- CN116859902A CN116859902A CN202311130305.XA CN202311130305A CN116859902A CN 116859902 A CN116859902 A CN 116859902A CN 202311130305 A CN202311130305 A CN 202311130305A CN 116859902 A CN116859902 A CN 116859902A
- Authority
- CN
- China
- Prior art keywords
- data
- points
- abnormal
- local
- control system
- 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 79
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000005856 abnormality Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013450 outlier detection Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000013486 operation strategy Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于电力生产自动化控制技术领域,公开了一种用于水电控制***的数据库异常点检测方法及***;所述数据库异常点检测方法具体包括以下步骤:基于预设时间段,获取水电控制***中多个测点的采集数据,构建获得运行数据集;基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果。本发明提供的技术方案,能够监测数据库中异常数据,获得可靠性较高的监测结果;能够对数据的异常程度进行量化,有利于日常运行策略的制定。
Description
技术领域
本发明属于电力生产自动化控制技术领域,涉及数据异常检测领域,特别涉及一种用于水电控制***的数据库异常点检测方法及***。
背景技术
水电控制***是应用于电力生产领域的自动化控制***,其一般包括工程师站、历史站以及操作员站,通过功能站以及控制器对各层级进行实时控制和运行状态检测;其中,数据采集与传输是***的核心之一,影响着***乃至整个电厂的安全与稳定。随着计算机技术的发展,工控***数据存储以及传输体量不断增加,数据处理过程中的异常也不断增涨,为***安全埋下了隐患。
解释性的,工控***数据库中的数据异常通常为相对于某些标准数据或常见数据的离群点,造成数据异常点的干扰,只影响该干扰发生的那一个时刻上的数据,而不影响该时刻以后的数值;若异常数据被***所引用,会造成异常的传播,甚至导致整个***的瘫痪,对电力生产安全产生重大影响。
目前,工控***数据库数据异常监测大多采用统计方法,或者采用如KNN(K-Nearest Neighbor)、DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise)等聚类算法,其要求数据符合特定的概率分布或者有明显的变化趋势和规律;然而,水电控制***运行数据随着日常天气、运行策略等因素不断变化,数据在一天内无明显变化趋势或规律,不满足上述现有方法的使用要求,若强行使用上述现有数据异常监测统计方式,有可能将正常数据点识别为异常点,会为***运行带来风险;此外,基于统计的异常监测不能量化数据的异常程度,只能得到数据是否异常的结论,不利于日常运行策略的制定。
发明内容
本发明的目的在于提供一种用于水电控制***的数据库异常点检测方法及***,以解决上述存在的一个或多个技术问题。本发明提供的技术方案,可以监测数据库中异常数据,获得可靠性较高的监测结果;另外,能够对数据的异常程度进行量化,有利于日常运行策略的制定。
为达到上述目的,本发明采用以下技术方案:
本发明第一方面提供的一种用于水电控制***的数据库异常点检测方法,包括以下步骤:
基于预设时间段,获取水电控制***中多个测点的采集数据,构建获得运行数据集;
基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果;
其中,所述基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果的步骤包括:获取选定的测点的k距离邻域内所包含的其它测点并作为邻居点;基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子;将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果。
本发明的进一步改进在于,所述多个测点包括电流电压类测点、温度类测点、速度转速类测点和压强类测点;其中,所述电流电压类测点的k值取值范围为10~20,所述温度类测点的k值取值范围为10~20,所述速度转速类测点的k值取值范围为5~10,所述压强类测点的k值取值范围为5~10。
本发明的进一步改进在于,所述基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子的步骤中,
所述局部异常因子的计算表达式为,
;
式中,为局部异常因子,/>为运行数据集D中第i个采集数据;/>为运行数据集D中第t个采集数据的局部可达密度,N为邻居点数目;/>为运行数据集D中第i个采集数据的局部可达密度。
本发明的进一步改进在于,所述局部异常因子的计算表达式中,
;
式中,为运行数据集D中第t个采集数据,且其邻居点数目为N。
本发明的进一步改进在于,所述将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果的步骤中,
若所述选定的测点的采集数据的局部异常因子大于预设阈值,则所述选定的测点为异常点,否则为正常点。
本发明的进一步改进在于,所述预设阈值为1.3。
本发明的进一步改进在于,所述将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果的步骤中,
所述选定的测点的采集数据的局部异常因子越小,所述选定的测点是正常点的概率越大。
本发明第二方面提供的一种用于水电控制***的数据库异常点检测***,包括:
数据获取模块,用于基于预设时间段,获取水电控制***中多个测点的采集数据,构建获得运行数据集;
异常点检测模块,用于基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果;
其中,所述基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果的步骤包括:获取选定的测点的k距离邻域内所包含的其它测点并作为邻居点;基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子;将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果。
本发明的进一步改进在于,所述异常点检测模块中,执行基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子的步骤中,
所述局部异常因子的计算表达式为,
;
式中,为局部异常因子,/>为运行数据集D中第i个采集数据;/>为运行数据集D中第t个采集数据的局部可达密度,N为邻居点数目;/>为运行数据集D中第i个采集数据的局部可达密度。
本发明的进一步改进在于,所述局部异常因子的计算表达式中,
;
式中,为运行数据集D中第t个采集数据,且其邻居点数目为N。
与现有技术相比,本发明具有以下有益效果:
本发明提供的用于水电控制***的数据库异常点检测方法,采用了基于局部可达密度算法,可实现异常数据库异常点的监测,能够获得可靠性较高的监测结果;具体的,采用基于局部可达密度的异常因子算法,可获得数据局部异常因子,用于衡量数据的异常程度;通过将数据异常因子值与阈值进行对比,可以判断数据是否异常。综上所述,本发明提供的新方法突破了传统基于统计算法的异常监测算法,能获得可靠性较高的监测结果,并可实现异常数据点的异常程度量化。
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,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于水电控制***的数据库异常点检测方法的示意图;
图2是本发明实施例中,异常因子分布示意图;
图3是本发明实施例提供的一种用于水电控制***的数据库异常点检测***的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
请参阅图1,本发明实施例中,提供的一种用于水电控制***的数据库异常点检测方法,具体包括以下步骤:
步骤1,基于预设时间段,获取水电控制***中多个测点的采集数据,构建获得运行数据集;
步骤2,基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果;
其中,所述基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果的步骤包括:获取选定的测点的k距离邻域内所包含的其它测点并作为邻居点;基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子;将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果。
本发明实施例提供的技术方案中,采用了基于局部可达密度算法,可实现异常数据库异常点的监测,能够获得可靠性较高的监测结果,并可实现异常数据点的异常程度量化。
本发明实施例进一步示例性的技术方案中,步骤1中获取水电控制***中选定测点的采集数据的步骤可为,对水电站运行数据进行实时监测,通过水电控制***PLC采集到的***运行非时序数据。
本发明实施例进一步示例性的技术方案中,步骤2中,所选取的k值,与计算数据集数据分布特征有关系,不同分布的数据选取的值不同;具体示例性的,根据水电控制***测点类型分类,将电流电压类测点k值取值范围定为10~20,将温度类测点k值取值范围定为10~20,将速度转速类测点k值取值范围定为5~10,将压强类测点k值取值范围定为5~10。
本发明实施例进一步示例性的技术方案中,步骤3中,选取合适的k值,计算每个采集数据局部可达密度(local reachability density,Lrd),计算表达式为,
;
式中,t为计数参数,为整数,用于起计数的作用;为运行数据集D中第i个采集数据;/>为运行数据集D中第t个采集数据,N为邻居点数目;
另外,根据得到的局部可达密度,根据如下公式计算局部异常因子,
;
式中,为运行数据集D中第t个采集数据的局部可达密度;/>为数据集D中第i个采集数据的局部可达密度。
本发明实施例进一步示例性的技术方案中,步骤4中,根据得到的局部异常因子,与预设的阈值进行比对,当异常因子超过所定阈值时,则此数据点为异常点。进一步具体示例性的,局部异常因子越小,是正常点的概率越大;局部可达密度越大,是异常点的概率越大;本发明实施例中,可将局部异常因子的阈值设为1.3。
本发明具体实施例中,采用实际算例进行对比分析,分别选取KNN算法、DBSCAN算法对数据异常点进行检测,结果与本发明实施例方法进行对比,对比结果如表1所示;
其中,KNN算法主要流程为,依次计算每个采样数据与它最近的多个样本的平均距离,再利用计算的距离与阈值进行比较,如果大于阈值,则认为是异常点;优点是不需要假设数据的分布,缺点是仅可以找出全局异常点,无法找到局部异常点;
其中,DBSCAN算法主要流程为从数据集中任意选取一个采集数据,以所选取的采集数据为核心点,则找出所有从核心点的密度可达的数据,形成一个簇,遍历数据集得到所有簇,通过簇分布,将明显游离于其他簇的点定义为异常点。
表1. 算法对比结果
请参阅图2,图2示出了基于本发明算法,在实际应用过程中数据的异常因子值主要集中在1附近,根据本发明实施例实际应用经验,当异常因子值大于1.3时,则判断为异常点。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节,请参照本发明方法实施例。
请参阅图3,本发明再一实施例中,提供一种用于水电控制***的数据库异常点检测***,包括:
数据获取模块,用于基于预设时间段,获取水电控制***中多个测点的采集数据,构建获得运行数据集;
异常点检测模块,用于基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果;
其中,所述基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果的步骤包括:获取选定的测点的k距离邻域内所包含的其它测点并作为邻居点;基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子;将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种用于水电控制***的数据库异常点检测方法,其特征在于,包括以下步骤:
基于预设时间段,获取水电控制***中多个测点的采集数据,构建获得运行数据集;
基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果;
其中,所述基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果的步骤包括:获取选定的测点的k距离邻域内所包含的其它测点并作为邻居点;基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子;将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果。
2.根据权利要求1所述的一种用于水电控制***的数据库异常点检测方法,其特征在于,
所述多个测点包括电流电压类测点、温度类测点、速度转速类测点和压强类测点;其中,所述电流电压类测点的k值取值范围为10~20,所述温度类测点的k值取值范围为10~20,所述速度转速类测点的k值取值范围为5~10,所述压强类测点的k值取值范围为5~10。
3.根据权利要求1所述的一种用于水电控制***的数据库异常点检测方法,其特征在于,所述基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子的步骤中,
所述局部异常因子的计算表达式为,
;
式中,为局部异常因子,/>为运行数据集D中第i个采集数据;/>为运行数据集D中第t个采集数据的局部可达密度,N为邻居点数目;/>为运行数据集D中第i个采集数据的局部可达密度。
4.根据权利要求3所述的一种用于水电控制***的数据库异常点检测方法,其特征在于,所述局部异常因子的计算表达式中,
;
式中,为运行数据集D中第t个采集数据,且其邻居点数目为N。
5.根据权利要求1所述的一种用于水电控制***的数据库异常点检测方法,其特征在于,所述将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果的步骤中,
若所述选定的测点的采集数据的局部异常因子大于预设阈值,则所述选定的测点为异常点,否则为正常点。
6.根据权利要求1或5所述的一种用于水电控制***的数据库异常点检测方法,其特征在于,
所述预设阈值为1.3。
7.根据权利要求1或5所述的一种用于水电控制***的数据库异常点检测方法,其特征在于,所述将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果的步骤中,
所述选定的测点的采集数据的局部异常因子越小,所述选定的测点是正常点的概率越大。
8.一种用于水电控制***的数据库异常点检测***,其特征在于,包括:
数据获取模块,用于基于预设时间段,获取水电控制***中多个测点的采集数据,构建获得运行数据集;
异常点检测模块,用于基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果;
其中,所述基于所述运行数据集,对所述多个测点中的每个测点进行检测操作并获得异常点检测结果的步骤包括:获取选定的测点的k距离邻域内所包含的其它测点并作为邻居点;基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子;将所述选定的测点的采集数据的局部异常因子与预设阈值进行比较,获得比较结果;基于比较结果,获得异常点检测结果。
9.根据权利要求8所述的一种用于水电控制***的数据库异常点检测***,其特征在于,所述异常点检测模块中,执行基于邻居点的采集数据,计算获得所述选定的测点的采集数据的局部异常因子的步骤中,
所述局部异常因子的计算表达式为,
;
式中,为局部异常因子,/>为运行数据集D中第i个采集数据;/>为运行数据集D中第t个采集数据的局部可达密度,N为邻居点数目;/>为运行数据集D中第i个采集数据的局部可达密度。
10.根据权利要求9所述的一种用于水电控制***的数据库异常点检测***,其特征在于,所述局部异常因子的计算表达式中,
;
式中,为运行数据集D中第t个采集数据,且其邻居点数目为N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311130305.XA CN116859902A (zh) | 2023-09-04 | 2023-09-04 | 一种用于水电控制***的数据库异常点检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311130305.XA CN116859902A (zh) | 2023-09-04 | 2023-09-04 | 一种用于水电控制***的数据库异常点检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116859902A true CN116859902A (zh) | 2023-10-10 |
Family
ID=88234469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311130305.XA Pending CN116859902A (zh) | 2023-09-04 | 2023-09-04 | 一种用于水电控制***的数据库异常点检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116859902A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532119A (zh) * | 2019-07-26 | 2019-12-03 | 中国船舶重工集团公司第七一九研究所 | 动力***运行异常点检测方法 |
CN110634081A (zh) * | 2019-08-02 | 2019-12-31 | 国网四川省电力公司映秀湾水力发电总厂 | 一种水电站异常数据的处理方法及装置 |
CN113722384A (zh) * | 2021-11-02 | 2021-11-30 | 西安热工研究院有限公司 | 基于密度算法的测点数据异常值的检测方法、***及设备 |
CN114997256A (zh) * | 2022-02-28 | 2022-09-02 | 上海电机学院 | 一种风电场异常功率的检测方法、设备及存储介质 |
CN115952067A (zh) * | 2022-12-20 | 2023-04-11 | 上海市大数据中心 | 一种数据库操作异常行为检测方法及可读存储介质 |
-
2023
- 2023-09-04 CN CN202311130305.XA patent/CN116859902A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532119A (zh) * | 2019-07-26 | 2019-12-03 | 中国船舶重工集团公司第七一九研究所 | 动力***运行异常点检测方法 |
CN110634081A (zh) * | 2019-08-02 | 2019-12-31 | 国网四川省电力公司映秀湾水力发电总厂 | 一种水电站异常数据的处理方法及装置 |
CN113722384A (zh) * | 2021-11-02 | 2021-11-30 | 西安热工研究院有限公司 | 基于密度算法的测点数据异常值的检测方法、***及设备 |
CN114997256A (zh) * | 2022-02-28 | 2022-09-02 | 上海电机学院 | 一种风电场异常功率的检测方法、设备及存储介质 |
CN115952067A (zh) * | 2022-12-20 | 2023-04-11 | 上海市大数据中心 | 一种数据库操作异常行为检测方法及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116702081B (zh) | 基于人工智能的配电设备智能巡检方法 | |
CN107561997B (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
CN113570200B (zh) | 一种基于多维信息的电网运行状态监测方法及*** | |
CN111985824A (zh) | 一种智能电表箱的非侵入式负荷监测方法及其监测设备 | |
Zhang et al. | Fault detection strategy based on weighted distance of $ k $ nearest neighbors for semiconductor manufacturing processes | |
CN112799898B (zh) | 基于分布式故障检测的互联***故障节点定位方法及*** | |
CN117411189B (zh) | 一种微电网协调控制器的监测数据增强方法 | |
CN117391481B (zh) | 一种基于大数据的电力数据监视方法及*** | |
CN109214527A (zh) | 一种变压器故障早期诊断预警方法和*** | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、***、终端及介质 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
CN117744859A (zh) | 基于自适应双控制策略的风电机组发电机故障预警方法 | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和*** | |
CN112240267B (zh) | 基于风速相关性与风功率曲线的风机监测方法 | |
Wu et al. | Unsupervised Bayesian change-point detection approach for reliable prognostics and health management of complex mechanical systems | |
CN116859902A (zh) | 一种用于水电控制***的数据库异常点检测方法及*** | |
CN111563543B (zh) | 一种风电机组的风速-发电功率数据的清洗方法及装置 | |
KR102486463B1 (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 | |
Li et al. | Extraction of abnormal points from on-line operation data of intelligent meter based on LSTM | |
CN113806351B (zh) | 一种火电机组发电数据异常值处理方法及装置 | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与*** | |
CN118211190B (zh) | 一种基于工况网格的断面数据分析方法及*** | |
CN116908606A (zh) | 基于人工智能算法的电网故障定位方法和*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231010 |