JP7240691B1 - データドライブの能動配電網異常状態検知方法及びシステム - Google Patents
データドライブの能動配電網異常状態検知方法及びシステム Download PDFInfo
- Publication number
- JP7240691B1 JP7240691B1 JP2022071358A JP2022071358A JP7240691B1 JP 7240691 B1 JP7240691 B1 JP 7240691B1 JP 2022071358 A JP2022071358 A JP 2022071358A JP 2022071358 A JP2022071358 A JP 2022071358A JP 7240691 B1 JP7240691 B1 JP 7240691B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- abnormal condition
- node
- data set
- sample
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 128
- 238000009826 distribution Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 abstract description 31
- 230000005856 abnormality Effects 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 14
- 238000003064 k means clustering Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
配電網異常状態発生後のノードパラメータデータを取得し、前記データを訓練済みの配電網異常状態予測モデルに入力して、配電網異常状態予測結果を出力するステップを含み、
前記配電網異常状態予測モデルの訓練工程は、配電網履歴異常状態ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップと、前記サンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップとを含む。
ユークリッド距離に基づいてデータサンプルを分類するステップと、
判別関数によってデータサンプルクラスタリングが完成したか否かを判断するステップと、
誤差二乗和を算出し、SSE-Kグラフによって参照されるクラスタリング数を特定し、前記参照されるクラスタリング数に基づいて最終的なクラスタリング数を特定するステップと、を含む。
クラスタリング後のデータサンプルを自己エンコードし、第1サンプルデータセットを形成するステップをさらに含み、第1サンプルデータセットにおける元素はベクトルであり、各ベクトルはTV及びFiから構成され、(ただし、TV={N0C1,N0C2,...,N0Ca}は自己コーディング後のデータであり、C値の範囲は[1, K]であり、aはデータ収集が行われるノード番号であり、Fiは異常状態タイプの値である)、
前記自己コーディング後のデータは、少なくともデータの位置するノード位置情報及びデータの属するクラスタリングカテゴリ情報を含む。
第1サンプルデータセットにおける各ベクトルのTV及びFiの2種類元素を1種類元素として併合し、新たなデータセットM:{Z1,Z2,…,Zi}を構成するステップと(ただし、Ziは1つの自己コーディング後のデータと対応する異常状態タイプとからなる新たなベクトルを表し、iは新たなベクトルの数である)、
頻繁なアイテムセットの支持度及び信頼度を用いて前記新たなベクトルのうちの2つ又は複数の元素間の繋がりを数値化し、支持度及び信頼度要求を満たす非0ベクトルを抽出して、配電網異常状態予測モデルの訓練を行うための第2サンプルデータセットを形成するステップと、を含む。
得られたサンプルデータセットに基づいて、確率的勾配降下アルゴリズムを用いて回帰訓練を行い、配電網異常状態予測モデルの最適なパラメトリック解を取得するステップを含む。
である
(ただし、wは予測モデル関数の重みベクトルであり、bは予測モデル関数のインターセプトを表し、wT(CVj)はベクトルwとベクトルCVjのスカラー積を表し、ベクトルCVjは訓練サンプルである)。
である
(ただし、L(Fi,f(CVj))はロス関数を表し、αはハイパーパラメータで設定値であり、R(w)は正則化項であり、nはサンプルデータセット総量であり、Fiは異常状態タイプの値である)。
配電網異常状態発生後のノードパラメータデータを取得するためのデータ取得モジュールと、
前記データを訓練済みの配電網異常状態予測モデルに入力し、配電網異常状態予測結果を出力する異常状態予測モジュールと、を含み、
前記配電網短絡異常状態モデルの訓練工程は、配電網履歴故障ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網短絡異常状態と強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップと、前記サンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップとを含む。
(1)本発明の分散型電源含有の配電網異常状態予測は、三層データマイニング構造を用いて、データ分類と相関ルールにより、対応する故障タイプと強い相関を有するデータサンプルを抽出して取得し、データセットの利用効率を向上することができ、三層データマイニング構造により異常状態の予測精度を向上し、算出時間を短くし、予測誤差を低減することができる。
(2)本発明は、自己エンコーディングによるデータフォーマット簡略化の方法を抽出し、異なる異常状態タイプラベルを設置することで、データ関連性が不明瞭、不明確である問題を効果的に回避して、異常状態タイプと強い相関を有するデータを正確的に抽出することができ、データセットの有効性を増強する。
実施例1
(1)配電網異常状態発生後のノードパラメータデータを取得し、ノードパラメータデータは、ノード電圧データ又はノード電流データを含むが、これらに限定されない。
(2)前記データを訓練済みの配電網異常状態予測モデルに入力し、配電網異常状態予測結果を出力する。
1.第1層データマイニング
であり、
ただし、P=(p1,p2,...,pn)はn次元空間内の1つのデータサンプルを表し、例えば、三機九ノードシステムにおいて、n=9となると、P=(p1,p2,...,p9)はある時刻で9つのノードの電圧データを表す。
であり、
ただし、Kは分類の数を表し、
はj番目のクラスタリングのサンプル中心を表し、Pjはj番目のクラスタリングのうちのいずれも1つのサンプルデータを表し、
はいずれもn次元のサンプルデータのうちの1つの元素を表す。
Fi ε {110,120,130,100,140,150}
については、Fi=110の場合に、異常状態が単相対地間故障であり、Fi=120の場合に、異常状態が二相相間故障であり、Fi=130の場合に、異常状態が二相対地間故障であり、Fi=100の場合に、異常状態が三相短絡故障であり、Fi=140の場合に、異常状態が負荷異常であり、Fi=150の場合に、異常状態が断線故障である。
2.第2層データマイニング
支持度はZxとZyが同時に現れる確率を表し、算出式として、
であり、
ただし、Zx、ZyはそれぞれデータセットMのうちの2つの非0ベクトルである。
生データセット、第1サンプルデータセットは、同じ次元及びサンプル数を有し、第1サンプルデータセットは、生データセットにK平均値クラスタリング及び自己エンコーディング処理が行われて生成されたものである一方、第2サンプルデータセットは、第1サンプルデータセットに相関ルールアルゴリズム処理が行われて生成されたものであり、対応する異常状態タイプと強い相関を有するデータサンプルのみを含み、そのサンプル数量は第1サンプルデータセットよりも大幅に少なくなる。
3.第3層データマイニング
ただし、wは予測モデル関数の重みベクトルであり、bは予測モデル関数のインターセプトを表し、wT(CVj)はベクトルwとベクトルCVjとのスカラー積を表す。
であり、
ただし、αは設定されたハイパーパラメータ、例えば0.1であり、αを設定することでパラメータの範囲を小さくして、モデルを簡略化する目的を達成するとともに、モデルによい一般化能力を具備させる。正則化項R(w)は、ロス関数の複雑さを測定するためのもので、ロス関数パラメータを規制する役割を果たす。本実施例では、L2正則化を採用し、即ち、
である。
であり、
wは予測モデル関数の重みベクトルであり、bは予測モデル関数のインターセプトを表し、nは第2サンプルデータセット総量であり、Fiは異常状態タイプの値である。
ただし、ηは、経時的な学習率であり、算出式として、
であり、
ただし、tはタイムステップであり、t0は始まる時間である。
(1)第1層データマイニング
実施例2
配電網異常状態発生後のノードパラメータデータを取得するためのデータ取得モジュールと、
前記データを訓練済みの配電網異常状態予測モデルに入力し、配電網短絡異常状態予測結果を出力する故障予測モジュールと、を含み、
前記配電網異常状態予測モデルの訓練工程は、配電網履歴異常状態ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップと、前記サンプルデータセットに基づいて配電網異常状態予測モデルの訓練を行うステップとを含むデータドライブの能動配電網異常状態検知システムを開示する。
Claims (3)
- 能動配電網異常状態感知システムがデータドライブの能動配電網異常状態検知する方法であって、データ取得モジュールが、配電網異常状態発生後のノードパラメータデータとして複数のノードのノード電圧データを取得し、異常状態予測モジュールが、前記データを訓練済みの配電網異常状態予測モデルに入力して、配電網異常状態予測結果を出力するステップを含み、
能動配電網異常状態感知システムが、前記配電網異常状態予測モデルを訓練する工程は、
配電網履歴異常状態発生後に取得した複数の前記ノードの前記ノード電圧データを、ノードごとに予め定められたノード電圧データをクラス分けする複数の電圧区間にそれぞれ参照することにより、取得した前記ノード電圧データが該当するクラスの番号Cを前記ノードごとに求め、これにより、各ノードのノード電圧データをクラスタリングするとともにクラスタリング後のデータサンプルを自己エンコードし、ノードごとのノード番号Nとノード電圧データのクラスの番号Cとを並べたN0C、および、予め定めた複数の異常状態タイプのうち現在発生している異常状態タイプを示す値F i から構成される第1サンプルデータセットを形成するステップであって、第1サンプルデータセットにおける元素はベクトルであり、各ベクトルはTV及びFiから構成され、TV={N0C1,N0C2,...,N0Ca}であり、Nは、データを収集した各ノードの位置を表し、C値の範囲は[1, K]であり、Kはクラスタリング数であり、aはデータ収集したノード番号であり、Fiは、予め定めた複数の異常状態タイプのうち現在発生している異常状態タイプを示す値であるステップと、
相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップであって、具体的に、第1サンプルデータセットにおける各ベクトルのTV及びFiの2種類元素を1種類元素として併合し、新たなデータセットM:{Z1,Z2,…,Zi}を構成し、Ziは1つの自己エンコーディング後のデータと対応する異常状態タイプとからなる新たなベクトルを表し、iは新たなベクトルの数であり、頻繁なアイテムセットの支持度及び信頼度を用いて前記新たなベクトルのうちの2つ又は複数の元素の間の繋がりを数値化し、支持度及び信頼度要求を満たす非0ベクトルを抽出して、訓練用のサンプルデータセットである第2サンプルデータセットを形成することを含むステップと、
前記訓練用のサンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップであって、
前記配電網異常状態予測モデルは、具体的に、
であり、
ただし、wは予測モデル関数の重みベクトルであり、bは予測モデル関数のインターセプトを表し、wT(CVj)はベクトルwとベクトルCVjのスカラー積を表し、ベクトルCVjは訓練サンプルであるステップと、
目的関数を最適化することによって前記配電網異常状態予測モデルのフィット度を測定するステップであって、前記目的関数の最適化は具体的に、
であり、
ただし、L(Fi,f(CVj))はロス関数を表し、αがハイパーパラメータで設定値であり、R(w)は正則化項であり、nはサンプルデータセット総量であり、Fiは異常状態タイプの値であるステップと、
得られたサンプルデータセットに基づいて、確率的勾配降下アルゴリズムを用いて回帰訓練を行い、配電網異常状態予測モデルの最適なパラメトリック解を取得するステップであって、確率的勾配降下アルゴリズムは毎回に一部分テストセットを利用して反復算出し、反復する時に、モデルパラメータは下記の式で更新され、
ただし、ηは、経時的な学習率であり、算出式としては、
であり、
ただし、tはタイムステップであり、t0は始まる時間であるステップと、を含む、
ことを特徴とするデータドライブの能動配電網異常状態検知方法。 - 配電網履歴異常状態ノードパラメータデータをクラスタリングする前記工程は、具体的に、
ユークリッド距離に基づいてデータサンプルを分類するステップと、
判別関数によってデータサンプルクラスタリングが完成したか否かを判断するステップと、
誤差二乗和を算出し、SSE-Kグラフによって参照されるクラスタリング数を特定し、前記参照されるクラスタリング数に基づいて最終的なクラスタリング数を特定するステップと、を含む、
ことを特徴とする請求項1に記載のデータドライブの能動配電網異常状態検知方法。 - データドライブの能動配電網異常状態感知システムであって、
配電網異常状態発生後のノードパラメータデータとしてノード電圧データを取得するためのデータ取得モジュールと、
前記データを訓練済みの配電網異常状態予測モデルに入力し、配電網異常状態予測結果を出力する異常状態予測モジュールと、を含み、
前記配電網異常状態モデルの訓練工程は、
配電網履歴異常状態発生後に取得した前記ノード電圧データを、ノードごと予め定められたノード電圧データをクラス分けする複数の電圧区間に参照することにより、取得した前記ノード電圧データが該当するクラスの番号Cを求め、これにより、各ノードのノード電圧データをクラスタリングするとともにクラスタリング後のデータサンプルを自己エンコードし、ノードごとのノード番号Nとノード電圧データのクラスの番号Cとを並べたN0C、および、予め定めた複数の異常状態タイプのうち現在発生している異常状態タイプを示す値F i から構成される第1サンプルデータセットを形成するステップであって、第1サンプルデータセットにおける元素はベクトルであり、各ベクトルはTV及びFiから構成され、TV={N0C1,N0C2,...,N0Ca}であり、Nは、データを収集した各ノードの位置を表し、C値の範囲は[1, K]であり、Kはクラスタリング数であり、aはデータ収集したノード番号であり、Fiは、予め定めた複数の異常状態タイプのうち現在発生している異常状態タイプを示す値であるステップと、
相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップであって、具体的に、第1サンプルデータセットにおける各ベクトルのTV及びFiの2種類元素を1種類元素として併合し、新たなデータセットM:{Z1,Z2,…,Zi}を構成し、Ziは1つの自己エンコーディング後のデータと対応する異常状態タイプとからなる新たなベクトルを表し、iは新たなベクトルの数であり、頻繁なアイテムセットの支持度及び信頼度を用いて前記新たなベクトルのうちの2つ又は複数の元素の間の繋がりを数値化し、支持度及び信頼度要求を満たす非0ベクトルを抽出して、訓練用のサンプルデータセットである第2サンプルデータセットを形成することを含むステップと、
前記訓練用のサンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップであって、
前記配電網異常状態予測モデルは、具体的に、
であり、
ただし、wは予測モデル関数の重みベクトルであり、bは予測モデル関数のインターセプトを表し、wT(CVj)はベクトルwとベクトルCVjのスカラー積を表し、ベクトルCVjは訓練サンプルであるステップと、
目的関数を最適化することによって前記配電網異常状態予測モデルのフィット度を測定するステップであって、前記目的関数の最適化は具体的に、
であり、
ただし、L(Fi,f(CVj))はロス関数を表し、αはハイパーパラメータで設定値であり、R(w)は正則化項であり、nはサンプルデータセット総量であり、Fiは異常状態タイプの値であるステップと、
得られたサンプルデータセットに基づいて、確率的勾配降下アルゴリズムを用いて回帰訓練を行い、配電網異常状態予測モデルの最適なパラメトリック解を取得するステップであって、確率的勾配降下アルゴリズムは毎回に一部分テストセットを利用して反復算出し、反復する時に、モデルパラメータは下記の式で更新され、
ただし、ηは、経時的な学習率であり、算出式としては、
であり、
ただし、tはタイムステップであり、t0は始まる時間であるステップと、を含む、
ことを特徴とするデータドライブの能動配電網異常状態感知システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111046394.0A CN113496262B (zh) | 2021-09-08 | 2021-09-08 | 数据驱动的有源配电网异常状态感知方法及*** |
CN202111046394.0 | 2021-09-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7240691B1 true JP7240691B1 (ja) | 2023-03-16 |
JP2023042527A JP2023042527A (ja) | 2023-03-27 |
Family
ID=77996999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022071358A Active JP7240691B1 (ja) | 2021-09-08 | 2022-04-25 | データドライブの能動配電網異常状態検知方法及びシステム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7240691B1 (ja) |
CN (1) | CN113496262B (ja) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258282A (zh) * | 2023-05-12 | 2023-06-13 | 国网浙江省电力有限公司金华供电公司 | 一种基于云平台的智能电网资源调度分配方法 |
CN116304931A (zh) * | 2023-05-12 | 2023-06-23 | 山东英伟电子技术有限公司 | 一种基于大数据的电力数据挖掘方法 |
CN116304763A (zh) * | 2023-05-18 | 2023-06-23 | 国网山东省电力公司日照供电公司 | 一种电力数据预分析方法、***、设备及介质 |
CN116304641A (zh) * | 2023-05-15 | 2023-06-23 | 山东省计算中心(国家超级计算济南中心) | 基于参考点搜索和特征交互的异常检测解释方法及*** |
CN116720983A (zh) * | 2023-08-10 | 2023-09-08 | 上海飞斯信息科技有限公司 | 一种基于大数据分析的供电设备异常检测方法及*** |
CN116773234A (zh) * | 2023-05-05 | 2023-09-19 | 华电莱州发电有限公司 | 一种磨煤机故障监测*** |
CN116881746A (zh) * | 2023-09-08 | 2023-10-13 | 国网江苏省电力有限公司常州供电分公司 | 电力***中异常数据的辨识方法、辨识装置 |
CN116933895A (zh) * | 2023-09-07 | 2023-10-24 | 苏州讯途益智能科技有限公司 | 一种基于机器学习的物联网数据挖掘方法及*** |
CN116993327A (zh) * | 2023-09-26 | 2023-11-03 | 国网安徽省电力有限公司经济技术研究院 | 用于变电站的缺陷定位***及其方法 |
CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制***故障诊断方法 |
CN117154716A (zh) * | 2023-09-08 | 2023-12-01 | 国网河南省电力公司 | 一种分布式电源接入配电网的规划方法及*** |
CN117420345A (zh) * | 2023-12-18 | 2024-01-19 | 广东云百科技有限公司 | 基于数据驱动的电网运行异常状态监测*** |
CN117458710A (zh) * | 2023-10-26 | 2024-01-26 | 国网江苏省电力有限公司南通供电分公司 | 一种变电站遥控防误操作方法及*** |
CN117650971A (zh) * | 2023-12-04 | 2024-03-05 | 武汉烽火技术服务有限公司 | 一种通信***设备故障预防的方法和装置 |
CN117725402A (zh) * | 2023-12-21 | 2024-03-19 | 北京谛声科技有限责任公司 | 一种基于设备运行音频的设备异常状态确定方法及*** |
CN117768923A (zh) * | 2024-02-22 | 2024-03-26 | 武汉电动汽车技术开发有限公司 | 基于5g短切片专网的新能源汽车数据传输优化方法及*** |
CN117891238A (zh) * | 2024-03-13 | 2024-04-16 | 青岛科技大学 | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
CN118092403A (zh) * | 2024-04-23 | 2024-05-28 | 广汽埃安新能源汽车股份有限公司 | 电控检测模型训练方法、电控***检测方法及装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116799741B (zh) * | 2023-05-24 | 2024-03-26 | 华斗数字科技(上海)有限公司 | 一种基于斜率检测的精密设备短路监测保护方法及*** |
CN117893030B (zh) * | 2024-03-14 | 2024-05-28 | 中智(福建)科技有限公司 | 基于大数据的电力***风险预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111211994A (zh) | 2019-11-28 | 2020-05-29 | 南京邮电大学 | 基于SOM与K-means融合算法的网络流量分类方法 |
CN112466435A (zh) | 2021-02-02 | 2021-03-09 | 南京硅基智能科技有限公司 | 心理辅导方案的确定方法及装置、存储介质、电子装置 |
CN112464439A (zh) | 2020-11-02 | 2021-03-09 | 天津理工大学 | 基于三层数据挖掘的电力***故障类型分析方法及装置 |
CN112686404A (zh) | 2020-12-29 | 2021-04-20 | 南京后生远达科技有限公司 | 一种基于配电网故障抢修的协同优化方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10495677B2 (en) * | 2015-05-14 | 2019-12-03 | General Electric Technology Gmbh | Angle-based management of a power grid system |
CN106019084B (zh) * | 2016-06-16 | 2020-11-17 | 上海交通大学 | 基于配用电数据关联的中压配电网断线故障诊断方法 |
CN112667750A (zh) * | 2019-09-30 | 2021-04-16 | 中兴通讯股份有限公司 | 一种报文类别的确定、识别方法及装置 |
CN110837866A (zh) * | 2019-11-08 | 2020-02-25 | 国网新疆电力有限公司电力科学研究院 | 基于XGBoost的电力二次设备缺陷程度评估方法 |
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 |
CN113065278B (zh) * | 2021-03-15 | 2023-01-31 | 国家电网公司华北分部 | 一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法 |
-
2021
- 2021-09-08 CN CN202111046394.0A patent/CN113496262B/zh active Active
-
2022
- 2022-04-25 JP JP2022071358A patent/JP7240691B1/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111211994A (zh) | 2019-11-28 | 2020-05-29 | 南京邮电大学 | 基于SOM与K-means融合算法的网络流量分类方法 |
CN112464439A (zh) | 2020-11-02 | 2021-03-09 | 天津理工大学 | 基于三层数据挖掘的电力***故障类型分析方法及装置 |
CN112686404A (zh) | 2020-12-29 | 2021-04-20 | 南京后生远达科技有限公司 | 一种基于配电网故障抢修的协同优化方法 |
CN112466435A (zh) | 2021-02-02 | 2021-03-09 | 南京硅基智能科技有限公司 | 心理辅导方案的确定方法及装置、存储介质、电子装置 |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773234A (zh) * | 2023-05-05 | 2023-09-19 | 华电莱州发电有限公司 | 一种磨煤机故障监测*** |
CN116258282A (zh) * | 2023-05-12 | 2023-06-13 | 国网浙江省电力有限公司金华供电公司 | 一种基于云平台的智能电网资源调度分配方法 |
CN116304931A (zh) * | 2023-05-12 | 2023-06-23 | 山东英伟电子技术有限公司 | 一种基于大数据的电力数据挖掘方法 |
CN116304931B (zh) * | 2023-05-12 | 2023-08-04 | 山东英伟电子技术有限公司 | 一种基于大数据的电力数据挖掘方法 |
CN116304641A (zh) * | 2023-05-15 | 2023-06-23 | 山东省计算中心(国家超级计算济南中心) | 基于参考点搜索和特征交互的异常检测解释方法及*** |
CN116304641B (zh) * | 2023-05-15 | 2023-09-15 | 山东省计算中心(国家超级计算济南中心) | 基于参考点搜索和特征交互的异常检测解释方法及*** |
CN116304763A (zh) * | 2023-05-18 | 2023-06-23 | 国网山东省电力公司日照供电公司 | 一种电力数据预分析方法、***、设备及介质 |
CN116304763B (zh) * | 2023-05-18 | 2023-10-24 | 国网山东省电力公司日照供电公司 | 一种电力数据预分析方法、***、设备及介质 |
CN116720983A (zh) * | 2023-08-10 | 2023-09-08 | 上海飞斯信息科技有限公司 | 一种基于大数据分析的供电设备异常检测方法及*** |
CN116933895B (zh) * | 2023-09-07 | 2023-12-08 | 苏州讯途益智能科技有限公司 | 一种基于机器学习的物联网数据挖掘方法及*** |
CN116933895A (zh) * | 2023-09-07 | 2023-10-24 | 苏州讯途益智能科技有限公司 | 一种基于机器学习的物联网数据挖掘方法及*** |
CN117154716A (zh) * | 2023-09-08 | 2023-12-01 | 国网河南省电力公司 | 一种分布式电源接入配电网的规划方法及*** |
CN116881746B (zh) * | 2023-09-08 | 2023-11-14 | 国网江苏省电力有限公司常州供电分公司 | 电力***中异常数据的辨识方法、辨识装置 |
CN116881746A (zh) * | 2023-09-08 | 2023-10-13 | 国网江苏省电力有限公司常州供电分公司 | 电力***中异常数据的辨识方法、辨识装置 |
CN117154716B (zh) * | 2023-09-08 | 2024-04-26 | 国网河南省电力公司 | 一种分布式电源接入配电网的规划方法及*** |
CN116993327A (zh) * | 2023-09-26 | 2023-11-03 | 国网安徽省电力有限公司经济技术研究院 | 用于变电站的缺陷定位***及其方法 |
CN116993327B (zh) * | 2023-09-26 | 2023-12-15 | 国网安徽省电力有限公司经济技术研究院 | 用于变电站的缺陷定位***及其方法 |
CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制***故障诊断方法 |
CN117111589B (zh) * | 2023-10-23 | 2024-01-02 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制***故障诊断方法 |
CN117458710A (zh) * | 2023-10-26 | 2024-01-26 | 国网江苏省电力有限公司南通供电分公司 | 一种变电站遥控防误操作方法及*** |
CN117650971A (zh) * | 2023-12-04 | 2024-03-05 | 武汉烽火技术服务有限公司 | 一种通信***设备故障预防的方法和装置 |
CN117420345B (zh) * | 2023-12-18 | 2024-03-08 | 广东云百科技有限公司 | 基于数据驱动的电网运行异常状态监测*** |
CN117420345A (zh) * | 2023-12-18 | 2024-01-19 | 广东云百科技有限公司 | 基于数据驱动的电网运行异常状态监测*** |
CN117725402A (zh) * | 2023-12-21 | 2024-03-19 | 北京谛声科技有限责任公司 | 一种基于设备运行音频的设备异常状态确定方法及*** |
CN117725402B (zh) * | 2023-12-21 | 2024-05-28 | 北京谛声科技有限责任公司 | 一种基于设备运行音频的设备异常状态确定方法及*** |
CN117768923A (zh) * | 2024-02-22 | 2024-03-26 | 武汉电动汽车技术开发有限公司 | 基于5g短切片专网的新能源汽车数据传输优化方法及*** |
CN117768923B (zh) * | 2024-02-22 | 2024-05-28 | 武汉电动汽车技术开发有限公司 | 基于5g短切片专网的新能源汽车数据传输优化方法及*** |
CN117891238A (zh) * | 2024-03-13 | 2024-04-16 | 青岛科技大学 | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
CN117891238B (zh) * | 2024-03-13 | 2024-05-28 | 青岛科技大学 | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
CN118092403A (zh) * | 2024-04-23 | 2024-05-28 | 广汽埃安新能源汽车股份有限公司 | 电控检测模型训练方法、电控***检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2023042527A (ja) | 2023-03-27 |
CN113496262A (zh) | 2021-10-12 |
CN113496262B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7240691B1 (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及*** | |
Li et al. | Data-driven bearing fault identification using improved hidden Markov model and self-organizing map | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
Zheng et al. | A data-driven approach for remaining useful life prediction of aircraft engines | |
Baraldi et al. | Reconstruction of missing data in multidimensional time series by fuzzy similarity | |
CN112084237A (zh) | 一种基于机器学习和大数据分析的电力***异常预测方法 | |
Kwon et al. | Accident identification in nuclear power plants using hidden Markov models | |
Zaman et al. | Improved statistical features-based control chart patterns recognition using ANFIS with fuzzy clustering | |
CN111367777B (zh) | 告警处理的方法、装置、设备及计算机可读存储介质 | |
Chang et al. | Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
Deng et al. | Integrating feature optimization using a dynamic convolutional neural network for chemical process supervised fault classification | |
CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
CN110503133A (zh) | 一种基于深度学习的离心式压缩机故障预测方法 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
CN112464439A (zh) | 基于三层数据挖掘的电力***故障类型分析方法及装置 | |
Huang et al. | Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine | |
CN115859777A (zh) | 一种多故障模式下产品***寿命预测的方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
CN109547248A (zh) | 基于人工智能的在轨飞行器自组网故障诊断方法及装置 | |
CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
CN116245212A (zh) | 基于pca-lstm的电力数据异常检测与预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220426 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220426 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220802 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221102 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230131 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230224 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7240691 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |