CN108491861A - 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 - Google Patents
基于多源多参量融合的输变电设备状态异常模式识别方法及装置 Download PDFInfo
- Publication number
- CN108491861A CN108491861A CN201810157181.7A CN201810157181A CN108491861A CN 108491861 A CN108491861 A CN 108491861A CN 201810157181 A CN201810157181 A CN 201810157181A CN 108491861 A CN108491861 A CN 108491861A
- Authority
- CN
- China
- Prior art keywords
- data
- power transmission
- abnormal
- state quantity
- sequence
- 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 140
- 230000005540 biological transmission Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000009466 transformation Effects 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 83
- 241001269238 Data Species 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 abstract description 38
- 230000005856 abnormality Effects 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000002547 anomalous effect Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于多源多参量融合的输变电设备状态异常模式识别方法及装置，其中，方法包括：获取原始监测数据；按照时间顺序分别对各种状态量数据进行排序；判断各状态量数据是否为候选异常数据；当状态量数据为候选异常数据时，生成当前时刻的候选异常数据序列；当候选异常数据序列不符合预设的正常数据的聚类特征时，获取包含当前时刻在内的第一时间段内的多个监测数据序列，并根据多个监测数据序列判断对应输变电设备是否出现异常。本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法及装置有效降低了识别算法的复杂度以及数据存储和计算所需空间，可用于各类输变电设备异常状态的快速有效识别。
Description
技术领域
本发明涉及信号与信息处理技术领域，具体涉及一种基于多源多参量融合的输变电设备状态异常模式识别方法及装置。
背景技术
输变电设备是最重要的电力***设备，所以其状态监测和故障诊断一直是非常受关注的技术领域。目前大部分的在线监测装置都是采用一定的标准阈值对输变电设备进行状态判断的，只有在监测数据超过某评判值时才发出报警信号。由于各输变电设备的运行环境及不同装置的检测原理和采集精度存在差别，使得某输变电设备上的某种传感器适用的阈值，在另一台输变电设备上会出现不适用的情况，进而出现误报。此外，输变电设备的状态信息数据流是由大量连续到达、潜在无限长、不断变化的多源状态信息数据组成的有序时间序列。随着输变电设备状态监测***和生产管理***的改进和完善，以及电网信息、环境气象信息的实时融合，输变电设备状态信息相关数据呈现出数据流数量大、连续性的特点。状态信息实时数据流异常值的快速挖掘和预警研究，一方面需要对设备大量结构化数据流异常状态进行实时挖掘，另一方面需要对图像、视频、振动(包括波形、指纹)、局放(包括波形、图谱)以及测试报告等非结构化数据特征进行快速识别。这就使得现有的输变电设备状态监测和故障诊断算法的复杂度较高，实时性较差，不能满足电力生产对输变电输变电设备异常状态的快速有效识别的需要。
发明内容
有鉴于此，本发明实施例提供了一种基于多源多参量融合的输变电设备状态异常模式识别方法及装置，以解决现有的输变电设备异常识别算法存在的复杂性较高、实时性较差和通用性较差的问题。
根据第一方面，本发明实施例提供了一种基于多源多参量融合的输变电设备状态异常模式识别方法，包括：获取原始监测数据，所述原始监测数据中包含多种状态量数据；按照时间顺序分别对各种所述状态量数据进行排序，生成各所述状态量数据的时间序列数据；根据使用预设长度的滑动窗口采集的数据判断各所述状态量数据是否为候选异常数据；当所述状态量数据为候选异常数据时，生成当前时刻的候选异常数据序列；所述候选异常数据序列包括当前时刻下的多种状态量数据；判断所述候选异常数据序列是否符合预设的正常数据的聚类特征；当所述候选异常数据序列不符合预设的正常数据的聚类特征时，获取包含当前时刻在内的第一时间段内的多个监测数据序列，并根据所述多个监测数据序列判断对应设备是否出现异常；所述多个监测数据序列中的每一个监测数据序列均包括同一时刻下的多种状态量数据。
本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，综合考虑了输变电设备的状态监测数据的时序特性、多源多参量的多维特征，从状态监测的实时性及有效性出发，首先采用基于时间的滑动窗口模型分别分析单一状态量数据，识别其中的候选异常数据；其次对候选异常数据对应的多源多参量的候选异常数据序列进行聚类识别。由于在输变电设备异常识别的前期采用了一维数据进行筛选，滤除了大多数正常的数据，使得后续步骤仅对可能存在异常的多维数据进行聚类识别，进而使得算法的复杂度大大减小，有利于对实时数据的及时处理和识别。由于输变电设备的状态信息采样率非常高，使得原始监测数据的存储需要相当大的存储空间和处理空间。本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法有效降低了识别算法的复杂度以及数据存储和计算所需空间，可用于各类输变电设备异常状态的快速有效识别。此外，本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，通过预设的正常数据的聚类特征对输变电设备的状态监测数据进行识别，具有较强的通用性。在实际应用中，更换预设的正常数据的聚类特征就可以方便地实现迁移，以适应其他输变电设备的工况。
结合第一方面，在第一方面第一实施方式中，根据使用预设长度的滑动窗口采集的数据判断各所述状态量数据是否为候选异常数据，包括：使用预设长度的滑动窗口采集包含当前时刻在内的第二时间段内的多个数据点的数据；根据所述多个数据点的数据计算对应的平均中位数；判断当前时刻的状态量数据与所述平均中位数之间的差值是否大于预设的第一阈值；当当前时刻的状态量数据与所述平均中位数之间的差值大于预设的第一阈值时，判定当前时刻的状态量数据为候选异常数据。
本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，首先利用滑动窗口在各状态量数据构成的时间序列数据上采集数据，其次利用滑动窗口采集到的数据计算用于判断状态量数据是否异常的平均中位数，具有使用灵活的特点。由于滑动窗口可变，使得通过滑动窗口采集到的数据也是可变的，进而使得每一次判断所使用的平均中位数也是可变的，增强了判断和识别的灵活性。
结合第一方面第一实施方式，在第一方面第二实施方式中，根据以下公式计算所述平均中位数：
其中，Bt＝|d(xi,t)-d(xi,t-1)，d(xi,t)＝|xi,t-av(xi,t-w,xi,t-(w-1),…,xi,t)，表示所述平均中位数，xi,t表示t时刻下第i个状态量数据的数值，w表示所述第二时间段的时长。
本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，利用一时间段，如第二时间段内各个时间点下的同一状态量数据计算该时间段对应的平均中位数，实现了利用一维的状态量数据对输变电设备的原始监测数据的初步筛选，有利于降低算法的复杂度。
结合第一方面，在第一方面第三实施方式中，根据所述多个监测数据序列判断对应设备是否出现异常，包括：分别判断所述多个监测数据序列是否符合预设的正常数据的聚类特征；统计所述多个监测数据序列中不符合预设的正常数据的聚类特征的数量；判断所述不符合预设的正常数据的聚类特征的数量是否大于预设的第二阈值；当所述不符合预设的正常数据的聚类特征的数量大于预设的第二阈值时，判定对应设备出现异常。
本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，通过逐一判断监测数据序列是否异常并统计异常的监测数据序列的数量，进而确定输变电设备是否异常，能够避免因噪声点引起的对单个的监测数据序列判断失误，提高输变电设备异常识别的准确性。
结合第一方面或第一方面第二实施方式—第三实施方式中的任一项实施方式，在第一方面第四实施方式中，在生成当前时刻的候选异常数据序列之后，以及判断所述候选异常数据序列是否符合预设的正常数据的聚类特征之前，还包括：对所述候选异常数据序列进行标准化处理。
本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，通过标准化处理消除候选异常数据序列中各个不同类型的测量对象在数值上的过大差异，避免某些数值较小的测量对象在后续计算中被湮没，从而丧失其在输变电设备异常识别方面的功用。输变电设备的众多监测数据中，各个特征变量存在属性差异并具有不同的度量标准，如果不对由原始监测数据构成的候选异常数据序列进行预处理的话，某些值域相对较小的特征量在空间中的属性容易被值域较大的特征量所掩盖。
结合第一方面第四实施方式，在第一方面第五实施方式中，根据以下公式对所述候选异常数据序列进行标准化处理：
其中，ci,f表示经标准化处理后的候选异常数据序列中第i个状态量数据的数值，并且ci,f对应的时间为f；xi,f表示f时刻下候选异常数据序列中第i个状态量数据的数值。
本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，利用公式对候选异常数据序列进行标准化处理，缩小了候选异常数据序列中各个状态量数据在值域上的差异，避免某些值域相对较小的特征量在空间中的属性被值域较大的特征量所掩盖，有利于提高输变电设备异常识别的准确性。
根据第二方面，本发明实施例提供了一种基于多源多参量融合的输变电设备状态异常模式识别装置，包括：输入单元，用于获取原始监测数据，所述原始监测数据中包含多种状态量数据；以及用于按照时间顺序分别对各种所述状态量数据进行排序，生成各所述状态量数据的时间序列数据；第一判断单元，用于根据使用预设长度的滑动窗口采集的数据判断各所述状态量数据是否为候选异常数据；当所述状态量数据为候选异常数据时，所述第一判断单元还用于生成当前时刻的候选异常数据序列，所述候选异常数据序列包括当前时刻下的多种状态量数据；第二判断单元，用于判断所述候选异常数据序列是否符合预设的正常数据的聚类特征；当所述候选异常数据序列不符合预设的正常数据的聚类特征时，所述第二判断单元还用于获取包含当前时刻在内的第一时间段内的多个监测数据序列，并根据所述多个监测数据序列判断对应输变电设备是否出现异常，所述多个监测数据序列中的每一个监测数据序列均包括同一时刻下的多种状态量数据。
根据第三方面，本发明实施例提供了一种服务器，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面或者第一方面的任意一种实施方式中所述的基于多源多参量融合的输变电设备状态异常模式识别方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的基于多源多参量融合的输变电设备状态异常模式识别方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明实施例中的基于多源多参量融合的输变电设备状态异常模式识别方法的一个具体示例的流程图；
图2示出了本发明实施例中的基于多源多参量融合的输变电设备状态异常模式识别方法中步骤S103根据使用预设长度的滑动窗口采集的数据判断各状态量数据是否为候选异常数据的一个具体示例的流程图；
图3示出了本发明实施例中的基于多源多参量融合的输变电设备状态异常模式识别方法中步骤S201使用预设长度的滑动窗口采集包含当前时刻在内的第二时间段内的多个数据点的数据的一个具体示例的处理示意图；
图4示出了本发明实施例中的基于多源多参量融合的输变电设备状态异常模式识别方法中步骤S106根据多个监测数据序列判断对应设备是否出现异常的一个具体示例的流程图；
图5示出了本发明实施例中的基于多源多参量融合的输变电设备状态异常模式识别装置的一个具体示例的结构示意图；
图6示出了本发明实施例中的服务器的一个具体示例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域技术人员在没有作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。
本发明实施例提供了一种基于多源多参量融合的输变电设备状态异常模式识别方法，如图1所示，该基于多源多参量融合的输变电设备状态异常模式识别方法可以包括以下步骤：
步骤S101：获取原始监测数据。原始监测数据中包含多种状态量数据。在一具体实施方式中，以变压器设备的异常识别为例，获取的原始监测数据可以包括对于温度、湿度、CH4、C2H2、C2H6、CO和总烃等多种状态量的检测分析数据。
步骤S102：按照时间顺序分别对各种状态量数据进行排序，生成各状态量数据的时间序列数据。由于输变电设备的原始监测数据中包含多种状态量数据，可以将每一种状态量数据分别进行排序并构建对应的时间序列，并利用各个时间序列构建一个矩阵，实现对输变电设备的原始监测数据的统计。在一具体实施方式中，在一段时间内，某一输变电设备的m元原始监测数据可以用以下公式(1)中的矩阵表示：
如公式(1)所示，矩阵X(t)由m个时间序列X1(t)、X2(t)…Xm(t)组成，对应输变电设备的m种状态量。通过公式(1)能够方便地提取输变电设备在时长为n的时间段t1～tn内的原始监测数据，矩阵X(t)的每一行表示一个状态量数据的时间序列，矩阵X(t)的每一列表示某时刻下输变电设备的一组原始监测数据。
步骤S103：根据使用预设长度的滑动窗口采集的数据判断各状态量数据是否为候选异常数据。在一具体实施方式中，使用滑动窗口分别对矩阵X(t)中的每一个状态量数据的时间序列进行处理，以识别各个时间序列中的候选异常数据。图2示出了步骤S103根据使用预设长度的滑动窗口采集的数据判断各状态量数据是否为候选异常数据的具体方法，该方法包括以下步骤：
步骤S201：使用预设长度的滑动窗口采集包含当前时刻在内的第二时间段内的多个数据点的数据。以矩阵X(t)中的时间序列X1(t)为例，如图3所示，SW[t-w:t]为数据流X1(t)上的一个时间间隔为w的滑动窗口，其中t和w的单位相同，且t＞w。xt-w,xt-w+1,...,xt-1,xt为窗口长度为w的滑动窗口内w个连续采样的数据点。从初始时刻开始，滑动窗口依次以单位时间随着时间轴滑动，直到遍历完整个数据流序列X1(t)。其中，第二时间段为窗口长度为w。
步骤S202：根据多个数据点的数据计算对应的平均中位数。在一具体实施方式中，根据以下公式(2)计算平均中位数：
其中，Bt＝|d(xi,t)-d(xi,t-1)，d(xi,t)＝|xi,t-av(xi,t-w,xi,t-(w-1),…,xi,t)，表示平均中位数，xi,t表示t时刻下第i个状态量数据的数值，w表示第二时间段的时长。
步骤S203：判断当前时刻的状态量数据与平均中位数之间的差值是否大于预设的第一阈值。
步骤S204：当当前时刻的状态量数据与平均中位数之间的差值大于预设的第一阈值时，判定当前时刻的状态量数据为候选异常数据。在一具体实施方式中，设定τ为第一阈值，如果则滑动窗口沿着时间序列向后移动一个单位；如果则标记t时刻的数据点xi,t，并将xi,t加入候选异常数据集D，同时用代替t时刻的数据点xi,t到数据集空间中心的距离d(xi,t)。
本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，首先利用滑动窗口在各状态量数据构成的时间序列数据上采集数据，其次利用滑动窗口采集到的数据计算用于判断状态量数据是否异常的平均中位数，具有使用灵活的特点。由于滑动窗口可变，使得通过滑动窗口采集到的数据也是可变的，进而使得每一次判断所使用的平均中位数也是可变的，增强了判断和识别的灵活性。
步骤S104：当状态量数据为候选异常数据时，生成当前时刻的候选异常数据序列。候选异常数据序列包括当前时刻下的多种状态量数据。在一具体实施方式中，当判定xi,t为候选异常数据时，可以在矩阵X(t)中提取t时刻对应的列[x1,t,x2,t,…,xi,t,…,xm,t]T，将[x1,t,x2,t,…,xi,t,…,xm,t]T作为当前时刻t的候选异常数据序列。
步骤S105：判断候选异常数据序列是否符合预设的正常数据的聚类特征。在一具体实施方式中，可以针对所有参量正常状态下的历史数据，通过k-means算法对多元数据进行k个聚类迭代划分，得出正常数据聚类簇族Y及其每个簇中心，将聚类簇族Y作为预设的正常数据的聚类特征。
步骤S106：当候选异常数据序列不符合预设的正常数据的聚类特征时，获取包含当前时刻在内的第一时间段内的多个监测数据序列，并根据多个监测数据序列判断对应输变电设备是否出现异常。多个监测数据序列中的每一个监测数据序列均包括同一时刻下的多种状态量数据。当候选异常数据序列与预设的正常数据的聚类特征不符时，可以认为候选异常数据序列可能表征了输变电设备存在异常，但也存在候选异常数据序列为噪声点的可能，为了确认候选异常数据序列是否表征了输变电设备存在异常，可以利用预设的正常数据的聚类特征分别对与当前时刻邻近的其他几个时刻下的多个监测数据序列进行识别，进而判断在这一时间段内输变电设备是否运行异常。在一具体实施方式中，可以根据正常数据的聚类簇族Y中聚类簇的数量k确定第一时间段的长度，例如可以选取当前时刻前后的各k/2个监测数据序列。
在另一具体实施方式中，给出了步骤S106根据多个监测数据序列判断对应输变电设备是否出现异常的一种具体方法，如图4所示，该方法可以包括以下步骤：
步骤S401：分别判断多个监测数据序列是否符合预设的正常数据的聚类特征；
步骤S402：统计多个监测数据序列中不符合预设的正常数据的聚类特征的数量；
步骤S403：判断不符合预设的正常数据的聚类特征的数量是否大于预设的第二阈值；
步骤S404：当不符合预设的正常数据的聚类特征的数量大于预设的第二阈值时，判定对应设备出现异常。
当异常的候选异常数据序列相邻时间段内的多个连续监测数据序列全部或者大多数不属于预设的正常数据的k个聚类簇时，可以判断该输变电设备出现了异常的运行状态，根据上述多个监测数据序列的产生时间段可以推断出输变电设备异常的发生时间。当上述多个监测数据序列中仅有少数几个不属于预设的正常数据的k个聚类簇时，可以认为这些异常的监测数据序列为噪声点。为了避免误判，需要设置第二阈值，并利用第二阈值对监测数据序列中的异常数量进行判断。
在实际应用中，输变电设备的在线监测项目往往较多，监测所得的特征值在数值和计量单位上往往存在很大的差异，这就使得候选异常数据序列及监测数据序列中可能会出现数据失效的现象，例如某些数值较小的测量对象在后续计算中被湮没，从而丧失其在输变电设备异常识别方面的功用。为了消除候选异常数据序列中各个不同类型的测量对象在数值上的过大差异，在一具体实施方式中，可以根据以下公式(3)对候选异常数据序列进行标准化处理：
其中，ci,f表示经标准化处理后的候选异常数据序列中第i个状态量数据的数值，并且ci,f对应的时间为f；xi,f表示f时刻下候选异常数据序列中第i个状态量数据的数值。
除了候选异常数据序列需要进行标准化处理以缩小序列中各个特征值在值域上的较大差异外，步骤S106中的监测数据序列也同样需要标准化处理，可以在生成公式(1)所示的原始监测数据矩阵后，根据公式(3)对矩阵中的每一列分别进行标准化处理。
本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，综合考虑了输变电设备的状态监测数据的时序特性、多源多参量的多维特征，从状态监测的实时性及有效性出发，首先采用基于时间的滑动窗口模型分别分析单一状态量数据，识别其中的候选异常数据；其次对候选异常数据对应的多源多参量的候选异常数据序列进行聚类识别。由于在输变电设备异常识别的前期采用了一维数据进行筛选，滤除了大多数正常的数据，使得后续步骤仅对可能存在异常的多维数据进行聚类识别，进而使得算法的复杂度大大减小，有利于对实时数据的及时处理和识别。由于输变电设备的状态信息采样率非常高，使得原始监测数据的存储需要相当大的存储空间和处理空间。本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法有效降低了识别算法的复杂度以及数据存储和计算所需空间，可用于各类输变电设备异常状态的快速有效识别。此外，本发明实施例提供的基于多源多参量融合的输变电设备状态异常模式识别方法，通过预设的正常数据的聚类特征对输变电设备的状态监测数据进行识别，具有较强的通用性。在实际应用中，更换预设的正常数据的聚类特征就可以方便地实现迁移，以适应其他输变电设备的工况。
相应地，请参考图5，本发明实施例还提供了一种基于多源多参量融合的输变电设备状态异常模式识别装置，该基于多源多参量融合的输变电设备状态异常模式识别装置包括输入单元501、第一判断单元502和第二判断单元503。
其中，输入单元501用于获取原始监测数据，并按照时间顺序分别对原始监测数据中包含的各种状态量数据进行排序，生成各状态量数据的时间序列数据；具体内容请详见上述方法实施例中的步骤S101至步骤S102所述。
第一判断单元502用于根据使用预设长度的滑动窗口采集的数据判断各状态量数据是否为候选异常数据；具体内容请详见上述方法实施例中的步骤S103所述。
当所述状态量数据为候选异常数据时，第一判断单元502还用于生成当前时刻的候选异常数据序列，候选异常数据序列包括当前时刻下的多种状态量数据；具体内容请详见上述方法实施例中的步骤S104所述。
第二判断单元503用于判断候选异常数据序列是否符合预设的正常数据的聚类特征；具体内容请详见上述方法实施例中的步骤S105所述。
当候选异常数据序列不符合预设的正常数据的聚类特征时，第二判断单元503还用于获取包含当前时刻在内的第一时间段内的多个监测数据序列，并根据多个监测数据序列判断对应输变电设备是否出现异常，多个监测数据序列中的每一个监测数据序列均包括同一时刻下的多种状态量数据。具体内容请详见上述方法实施例中的步骤S106所述。
本发明实施例还提供了一种服务器，如图6所示，该服务器可以包括处理器601和存储器602，其中处理器601和存储器602可以通过总线或者其他方式连接，图6中以通过总线连接为例。
处理器601可以为中央处理器(Central Processing Unit，CPU)。处理器601还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器602作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的基于多源多参量融合的输变电设备状态异常模式识别方法对应的程序指令/模块(例如，图5所示的输入单元501、第一判断单元502和第二判断单元503)。处理器601通过运行存储在存储器602中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于多源多参量融合的输变电设备状态异常模式识别方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储处理器601所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至处理器601。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器602中，当被所述处理器601执行时，执行如图1-4所示实施例中的基于多源多参量融合的输变电设备状态异常模式识别方法。
上述服务器具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于多源多参量融合的输变电设备状态异常模式识别方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种基于多源多参量融合的输变电设备状态异常模式识别方法，其特征在于，包括：
获取原始监测数据，所述原始监测数据中包含多种状态量数据；
按照时间顺序分别对各种所述状态量数据进行排序，生成各所述状态量数据的时间序列数据；
根据使用预设长度的滑动窗口采集的数据判断各所述状态量数据是否为候选异常数据；
当所述状态量数据为候选异常数据时，生成当前时刻的候选异常数据序列；所述候选异常数据序列包括当前时刻下的多种状态量数据；
判断所述候选异常数据序列是否符合预设的正常数据的聚类特征；
当所述候选异常数据序列不符合预设的正常数据的聚类特征时，获取包含当前时刻在内的第一时间段内的多个监测数据序列，并根据所述多个监测数据序列判断对应设备是否出现异常；所述多个监测数据序列中的每一个监测数据序列均包括同一时刻下的多种状态量数据。
2.根据权利要求1所述的基于多源多参量融合的输变电设备状态异常模式识别方法，其特征在于，根据使用预设长度的滑动窗口采集的数据判断各所述状态量数据是否为候选异常数据，包括：
使用预设长度的滑动窗口采集包含当前时刻在内的第二时间段内的多个数据点的数据；
根据所述多个数据点的数据计算对应的平均中位数；
判断当前时刻的状态量数据与所述平均中位数之间的差值是否大于预设的第一阈值；
当当前时刻的状态量数据与所述平均中位数之间的差值大于预设的第一阈值时，判定当前时刻的状态量数据为候选异常数据。
3.根据权利要求2所述的基于多源多参量融合的输变电设备状态异常模式识别方法，其特征在于，根据以下公式计算所述平均中位数：
其中，Bt＝|d(xi,t)-d(xi,t-1)|，d(xi,t)＝|xi,t-av(xi,t-w,xi,t-(w-1),…,xi,t)|，表示所述平均中位数，xi,t表示t时刻下第i个状态量数据的数值，w表示所述第二时间段的时长。
4.根据权利要求1-3中任一项所述的基于多源多参量融合的输变电设备状态异常模式识别方法，其特征在于，根据所述多个监测数据序列判断对应设备是否出现异常，包括：
分别判断所述多个监测数据序列是否符合预设的正常数据的聚类特征；
统计所述多个监测数据序列中不符合预设的正常数据的聚类特征的数量；
判断所述不符合预设的正常数据的聚类特征的数量是否大于预设的第二阈值；
当所述不符合预设的正常数据的聚类特征的数量大于预设的第二阈值时，判定对应设备出现异常。
5.根据权利要求1-4中任一项所述的基于多源多参量融合的输变电设备状态异常模式识别方法，其特征在于，在生成当前时刻的候选异常数据序列之后，以及判断所述候选异常数据序列是否符合预设的正常数据的聚类特征之前，还包括：
对所述候选异常数据序列进行标准化处理。
6.根据权利要求5所述的基于多源多参量融合的输变电设备状态异常模式识别方法，其特征在于，根据以下公式对所述候选异常数据序列进行标准化处理：
其中，ci,f表示经标准化处理后的候选异常数据序列中第i个状态量数据的数值，并且ci,f对应的时间为f；xi,f表示f时刻下候选异常数据序列中第i个状态量数据的数值。
7.一种基于多源多参量融合的输变电设备状态异常模式识别装置，其特征在于，包括：
输入单元，用于获取原始监测数据，所述原始监测数据中包含多种状态量数据；以及用于按照时间顺序分别对各种所述状态量数据进行排序，生成各所述状态量数据的时间序列数据；
第一判断单元，用于根据使用预设长度的滑动窗口采集的数据判断各所述状态量数据是否为候选异常数据；当所述状态量数据为候选异常数据时，所述第一判断单元还用于生成当前时刻的候选异常数据序列，所述候选异常数据序列包括当前时刻下的多种状态量数据；
第二判断单元，用于判断所述候选异常数据序列是否符合预设的正常数据的聚类特征；当所述候选异常数据序列不符合预设的正常数据的聚类特征时，所述第二判断单元还用于获取包含当前时刻在内的第一时间段内的多个监测数据序列，并根据所述多个监测数据序列判断对应设备是否出现异常，所述多个监测数据序列中的每一个监测数据序列均包括同一时刻下的多种状态量数据。
8.一种服务器，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-6中任一项所述的基于多源多参量融合的输变电设备状态异常模式识别方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-6中任一项所述的基于多源多参量融合的输变电设备状态异常模式识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810157181.7A CN108491861A (zh) | 2018-02-24 | 2018-02-24 | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810157181.7A CN108491861A (zh) | 2018-02-24 | 2018-02-24 | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108491861A true CN108491861A (zh) | 2018-09-04 |
Family
ID=63340619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810157181.7A Pending CN108491861A (zh) | 2018-02-24 | 2018-02-24 | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108491861A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109239265A (zh) * | 2018-09-11 | 2019-01-18 | 清华大学合肥公共安全研究院 | 监测设备故障检测方法及装置 |
| CN109739838A (zh) * | 2018-12-06 | 2019-05-10 | 中科恒运股份有限公司 | 异常数据处理方法及装置 |
| CN110032495A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数据异常检测方法和装置 |
| CN111612179A (zh) * | 2020-05-20 | 2020-09-01 | 上海凯宝药业股份有限公司 | 一种痰热清生产设备自动化管理*** |
| CN111723831A (zh) * | 2019-03-20 | 2020-09-29 | 北京嘀嘀无限科技发展有限公司 | 一种数据融合方法及装置 |
| CN112231341A (zh) * | 2020-09-03 | 2021-01-15 | 山东师范大学 | 基于多数据通道分析的云平台异常检测方法与*** |
| CN112381130A (zh) * | 2020-11-10 | 2021-02-19 | 国网上海市电力公司 | 一种基于聚类分析的配电房多元数据异常检测方法 |
| CN112906787A (zh) * | 2021-02-10 | 2021-06-04 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及*** |
| CN113537528A (zh) * | 2021-07-28 | 2021-10-22 | 贵州电网有限责任公司 | 一种输变电设备状态监测数据的预处理方法及*** |
| CN113922500A (zh) * | 2021-09-17 | 2022-01-11 | 国网山西省电力公司输电检修分公司 | 一种输电线路状态多源监测数据接入方法及装置 |
| CN114722891A (zh) * | 2022-02-11 | 2022-07-08 | 杭州致成电子科技有限公司 | 一种台区状态分类方法 |
| CN114881167A (zh) * | 2022-05-24 | 2022-08-09 | 北京百度网讯科技有限公司 | 异常检测方法、装置、电子设备和介质 |
| CN115412923A (zh) * | 2022-10-28 | 2022-11-29 | 河北省科学院应用数学研究所 | 多源传感器数据可信融合方法、***、设备及存储介质 |
| CN116448219A (zh) * | 2023-06-16 | 2023-07-18 | 跨越速运集团有限公司 | 油位异常检测方法、装置、设备及计算机可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140146077A1 (en) * | 2012-11-29 | 2014-05-29 | International Business Machines Corporation | Identifying relationships between entities |
| CN105512474A (zh) * | 2015-12-02 | 2016-04-20 | 国网山东省电力公司电力科学研究院 | 一种变压器状态监测数据的异常检测方法 |
-
2018
- 2018-02-24 CN CN201810157181.7A patent/CN108491861A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140146077A1 (en) * | 2012-11-29 | 2014-05-29 | International Business Machines Corporation | Identifying relationships between entities |
| CN105512474A (zh) * | 2015-12-02 | 2016-04-20 | 国网山东省电力公司电力科学研究院 | 一种变压器状态监测数据的异常检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 严英杰 等: "《基于滑动窗口和聚类算法的变压器状态异常检测》", 《高电压技术》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109239265A (zh) * | 2018-09-11 | 2019-01-18 | 清华大学合肥公共安全研究院 | 监测设备故障检测方法及装置 |
| US11385122B2 (en) * | 2018-09-11 | 2022-07-12 | Hefei Institute For Public Safety Research, Tsinghua University | Method and device for detecting fault of monitoring device |
| CN109239265B (zh) * | 2018-09-11 | 2021-01-22 | 清华大学合肥公共安全研究院 | 监测设备故障检测方法及装置 |
| CN109739838A (zh) * | 2018-12-06 | 2019-05-10 | 中科恒运股份有限公司 | 异常数据处理方法及装置 |
| CN111723831A (zh) * | 2019-03-20 | 2020-09-29 | 北京嘀嘀无限科技发展有限公司 | 一种数据融合方法及装置 |
| CN111723831B (zh) * | 2019-03-20 | 2023-11-14 | 北京嘀嘀无限科技发展有限公司 | 一种数据融合方法及装置 |
| CN110032495A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数据异常检测方法和装置 |
| CN110032495B (zh) * | 2019-03-28 | 2023-08-25 | 创新先进技术有限公司 | 数据异常检测方法和装置 |
| CN111612179A (zh) * | 2020-05-20 | 2020-09-01 | 上海凯宝药业股份有限公司 | 一种痰热清生产设备自动化管理*** |
| CN112231341A (zh) * | 2020-09-03 | 2021-01-15 | 山东师范大学 | 基于多数据通道分析的云平台异常检测方法与*** |
| CN112381130A (zh) * | 2020-11-10 | 2021-02-19 | 国网上海市电力公司 | 一种基于聚类分析的配电房多元数据异常检测方法 |
| CN112906787A (zh) * | 2021-02-10 | 2021-06-04 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及*** |
| CN112906787B (zh) * | 2021-02-10 | 2023-09-15 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及*** |
| CN113537528A (zh) * | 2021-07-28 | 2021-10-22 | 贵州电网有限责任公司 | 一种输变电设备状态监测数据的预处理方法及*** |
| CN113537528B (zh) * | 2021-07-28 | 2022-05-03 | 贵州电网有限责任公司 | 一种输变电设备状态监测数据的预处理方法及*** |
| CN113922500A (zh) * | 2021-09-17 | 2022-01-11 | 国网山西省电力公司输电检修分公司 | 一种输电线路状态多源监测数据接入方法及装置 |
| CN114722891A (zh) * | 2022-02-11 | 2022-07-08 | 杭州致成电子科技有限公司 | 一种台区状态分类方法 |
| CN114881167A (zh) * | 2022-05-24 | 2022-08-09 | 北京百度网讯科技有限公司 | 异常检测方法、装置、电子设备和介质 |
| CN115412923A (zh) * | 2022-10-28 | 2022-11-29 | 河北省科学院应用数学研究所 | 多源传感器数据可信融合方法、***、设备及存储介质 |
| CN116448219A (zh) * | 2023-06-16 | 2023-07-18 | 跨越速运集团有限公司 | 油位异常检测方法、装置、设备及计算机可读存储介质 |
| CN116448219B (zh) * | 2023-06-16 | 2023-08-29 | 跨越速运集团有限公司 | 油位异常检测方法、装置、设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108491861A (zh) | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| Borghesi et al. | Anomaly detection using autoencoders in high performance computing systems | |
| CN111143438B (zh) | 一种基于流处理的车间现场数据实时监测与异常检测方法 | |
| US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
| CN108415810B (zh) | 一种硬盘状态监控方法和装置 | |
| CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
| CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
| CN112270312A (zh) | 风机轴承故障诊断方法、***、计算机设备和存储介质 | |
| CN111949429A (zh) | 基于密度聚类算法的服务器故障监测方法及*** | |
| US20090182994A1 (en) | Two-level representative workload phase detection method, apparatus, and computer usable program code | |
| CN112951311A (zh) | 一种基于变权重随机森林的硬盘故障预测方法及*** | |
| Atzmueller et al. | Anomaly detection and structural analysis in industrial production environments | |
| KR102158100B1 (ko) | 이상 감지를 이용한 모니터링 자동화 방법 및 장치 | |
| CN111314110B (zh) | 一种用于分布式***的故障预警方法 | |
| CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及*** | |
| CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及*** | |
| WO2019073512A1 (ja) | システム分析方法、システム分析装置、および、プログラム | |
| CN116775436A (zh) | 芯片故障预测方法、装置、计算机设备和存储介质 | |
| CN110502424A (zh) | 一种应用软件的性能数据处理方法、装置、***及终端 | |
| CN116400249A (zh) | 储能电池的检测方法及装置 | |
| CN116108376A (zh) | 一种反窃电的监测***、方法、电子设备及介质 | |
| CN115543702A (zh) | 一种多源固态硬盘协同故障诊断方法、***、设备及介质 | |
| CN116415129A (zh) | 用于评估造纸机的刮刀的健康状态的方法、装置和计算设备 | |
| CN111078440A (zh) | 一种磁盘错误检测方法、装置及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |