CN110865260A - 一种基于离群检测对mov实际状态监测评估的方法 - Google Patents

Abstract

本发明公开了一种基于离群检测对MOV实际状态监测评估的方法，首先，对MOV运行动作时刻的各项实际参数进行不同时间点的数次采样，形成原始数据集；其次，对原始数据集进行主成分分析来降低采集到的特征维度，并实现在二维或者三维层面的可视化；然后，根据局部异常因子计算经过PCA后的数据集中数据点之间相邻两点的距离、第k距离、第k距离邻域、可达距离和局部可达密度；最后，计算局部离群因子，得到MOV任意一次采样数据的离群性检测评估结果。本发明降低了传统在线监测的可执行难度，更具有工业应用价值，加强人们对雷电防护装置监测维护的有效途径，防止出现因MOV器件运行异常或产生劣化，而导致电气***出现损坏、火灾、***等风险状况。

Description

一种基于离群检测对MOV实际状态监测评估的方法

技术领域

本发明属于雷电防护装置的监测设计领域，尤其涉及一种基于离群检测对MOV实际状态监测评估的方法。

背景技术

金属氧化物压敏电阻(MOV)是一种具有非线性伏安特性的阻性器件，在有产生雷击过电压风险时，通过电压钳位来保护***内的敏感器件。因此被广泛应用于各电气、通信等***的雷击浪涌保护。MOV在运行时除遭受雷电过电压、操作过电压等威胁外，还承受着温湿、化学污染、污秽等外部环境因素的影响，导致电气特性和物理状态发生变化。这会导致MOV出现伏安特性异常、热稳定性下降甚至在运行后出现热崩溃等情况，最终使MOV阀片的物理状态发生不可逆转的劣化。这严重影响了MOV的性能，也使电气***暴露在雷击灾害的风险之中。为了能够对电气***中各MOV的实际物理状态进行评估，找出有潜在物理状态不佳，具有劣化风险的器件，各界研究人员都以此为目标做出许多了研究工作。

对于MOV的相关监测技术，李军浩等人基于能量模型，提出利用单次流通能量来评估ZnO压敏电阻的劣化状况，通过分析计算动作过程中的产生的能量变化，来确定压敏电阻的劣化程度，但能量特征基于泄漏电流建立线性关系而得出，对于更加泛化的非线性关系描述还缺乏进一步的研究。杨仲江等人通过研究压敏电阻的非线性系数α，发现在随着避雷器的劣化，非线性系数α会随之下降。因此提出将非线性系数α作为指标加入避雷器劣化的评价体系中，但避雷器本身的劣化状况需要通过多个参数进行综合评价以得到更为精准的结果，仅使用非线性系数α一个参数会对结果产生一定的误差。同时研究发现，基于容性、阻性电流等指标可以实现对器件劣化问题的良好监测。因此徐志钮等人提出一种容性电流补偿法，利用阻容性电流的正交性提取阻性电流，以此监测MOV的实际物理劣化程度，但该方法的计算过程大多都在理想的条件下，在实际工作环境中不易实现。陈景亮等人提出了基于谐波分次补偿的测量方法，通过准同步采样加以离散傅立叶变换，来测量MOV的阻性电流及功率损耗，用以判断MOV的劣化情况，但存在提取的阻性电流在数值上常常误差较大的情况。近年来，将数据与算法相结合作为新的研究方法，杨仲江等人提出了基于遗传算法的MOV在线监测，通过最优化的求解等效模型中反映器件劣化的参数，来对期间进行性能的监测，为后续在线监测技术的研究提供了新的方向，但算法本身具有许多参数,这些参数的选择严重影响最终解的品质,而目前这些参数的选择大部分是依靠经验。于忠江等人也提出使用基于优化的时滞叠加法,解除改进前只能在纯正弦波电压下提取的限制，使得在谐波电压下对其阻性电流进行提取，以实现更为先进的在线监测方法。

随着机器学习的火热发展，以数据为驱动的模型越来越受到学者重视，由此通过一种新的思路，以构建多参数化的数据集为基础，结合离群检测方法中的局部异常因子算法，监测MOV的原始采样参数在数据空间中属于离群分布的数据，将其转化为异常分数，为在电气领域及***中各MOV的实际状态或物理劣化程度提供一种新的监测评估方法。

发明内容

发明目的：本发明提出一种基于离群检测对MOV实际状态监测评估的方法，降低了传统在线监测的可执行难度，更具有工业应用价值。

技术方案：本发明所述的一种基于离群检测对MOV实际状态监测评估的方法，包括以下步骤：

(3)对MOV运行动作时刻的各项实际参数进行不同时间点的数次采样，形成原始数据集；

(4)对原始数据集进行主成分分析来降低采集到的特征维度，用以提升结果精度，并实现在二维或者三维层面的可视化；

(3)根据局部异常因子计算经过PCA后的数据集中数据点之间相邻两点的距离、第k距离、第k距离邻域、可达距离和局部可达密度；

(4)利用以上计算所得参数，计算局部离群因子，得到MOV任意一次采样数据的离群性检测评估结果。

进一步地，所述步骤(1)包括以下步骤：

(11)确定待测电气***内的MOV作为离群检测的目标；

(12)考虑影响MOV物理特性及实际运行状态的特征参数，包括物理参数和环境影响参数，通过检测仪器，记录采集原始特征数据，包括压敏电压、泄漏电流、Cp(50Hz)、Cp(10kHz)、Ls(10kHz)、Rs(10kHz)、环境温度、湿度等特征因素；

(13)将以上特征数据整理排查，构成原始数据集。

进一步地，所述步骤(2)包括以下步骤：

(21)对原始数据进行标准化处理：

假设有P个样本{X¹,X²,...,X^M}，每个样本N维特征

每一个特征x_j都有各自的特征值，构造数据矩阵，对其进行如下标准化转换：

其中，

得到标准化矩阵Z；

(22)对标准化后的数据集计算协方差矩阵R：

其中，

(23)计算数据集对应协方差矩阵R的特征方程|R-λI_p|＝0，得到p个特征根，确定主成分；

(24)将标准化后的指标变量转换为主成分

其中，U₁为第一主成分，U₂为第二主成分,...,U_p为第p主成分；

(25)将原始标准化后的数据集根据主成分加权求和，得到新降维优化后的数据集。

进一步地，所述步骤(3)包括以下步骤：

(31)计算相邻两数据点之间的直线距离d(p,o)

(32)计算数据点p的第k距离：点p的第k距离为d_k(p)＝d(p,o)，并且满足：在集合中至少有不包括p在内的k个点o′∈C{x≠p}，满足d(p,o′)≤d(p,o)；在集合中最多有不包括p在内的k-1个点o′∈C{x≠p},满足d(p,o′)＜d(p,o)；

(33)计算数据点p的第k距离邻域：点p的第k距离邻域N_k(p)，为p的第k距离即以内的所有数据点，包括第k距离；p的第k距离邻域点的个数为|N_k(p)|≥k；

(34)点o到点p的第k可达距离定义为：

reach-distance_k(p,o)＝max{k-distance(o),d(p,o)}

为点o到点p的第k可达距离，或为o的第k距离、o,p之间的真实距离；

(35)点p的局部可达密度表示为：

表示为点p的第k距离邻域内点到p的平均可达距离的倒数。

进一步地，步骤(4)所述局部离群因子表示为：

其中，该值表示点p的邻域点N_k(p)的局部可达密度与点p的局部可达密度之比的均值；如果比值越接近1，说明p的其邻域点密度相似，p和邻域同属一簇；如果比值越小于1，说明p的密度高于其邻域点密度，p为密集点；如果比值越大于1，说明p的密度小于其邻域点密度，p越可能是离群点。

有益效果：与现有技术相比，本发明的有益效果：1、充分利发挥离群检测类算法的优势，基于局部异常因子算法，利用雷电防护装置(MOV)的时刻多参数采样数据进行离群性检测，从而实现对件器件的实际运行状态和潜在劣化倾向的评估监测；2、本发明降低了传统在线监测的可执行难度，更具有工业应用价值，加强人们对雷电防护装置监测维护的有效途径，防止出现因MOV器件运行异常或产生劣化，而导致电气***出现损坏、火灾、***等风险状况。

附图说明

图1为本发明的流程图；

图2为本发明采样数据(假设值)在进行主成分分析后在二维空间的分布图；

图3为本发明第k距离的计算示意图；

图4为本发明可达距离的计算示意图；

图5为通过局部异常因子进行离群检测后的离群数据结果图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

局部异常因子(LOF)是一种基于在中等高维数据集上执行离群检测的有效方法。它的主要目的是为了检测出那些与正常数据行为或特征属性差别较大的异常数据或行为。算法基于“局部可达密度”这一特征参数来反映一组样本数据的异常程度，如果这组数据点的局部可达密度越大，这个点就越有可能是离群点。对于MOV实际状态的监测评估工作，意味着可以利用该方法，结合大量的MOV多参数采样数据，来训练出一个模型去学习正常参数数据的分布，并用这个学习到的分布，去检测出无法被拟合到这个分布中的异常参数数据。MOV数据的局部可达密度越大，表示对应实际性能越差。

局部异常因子(LOF)通过计算相邻两点的距离、第k距离、第k距离邻域、可达距离等参数，得出样本数据点集的之间的局部可达密度，数据点之间距离越远，密度越低，距离越近，密度越高。再根据局部可达密度，进一步定义局部异常因子，该特征通过比较目标数据点p的密度和其邻域的密度来判断待测数据是否为离群点，局部异常因子LOF_k(p)的值越大于1，待测数据点p越可能为离群点。

通过使用LOF算法可以识别MOV出现劣化、异常运行状态时所对应的采样数据，将其简洁、形象的描述出来，进行定性分析和***评价。算法以数据为驱动，通过分析数据之间的特性，得出评估结果，有效的降低了以往MOV监测技术实际应用的难度，随着采样数据积累增多，对监测MOV实际状态的定量评估结果也愈之精确。如图1所示，本发明具体包括以下步骤:

1、对MOV运行动作时刻的各项实际参数进行不同时间点的数次采样，将其构成原始数据集。

(1)确定待测电气***内的MOV作为离群检测的目标。

(2)考虑影响MOV物理特性及实际运行状态的特征参数，包括物理参数和环境影响参数，通过相关检测仪器，记录采集原始特征数据，包括压敏电压、泄漏电流、Cp(50Hz)、Cp(10kHz)、Ls(10kHz)、Rs(10kHz)、环境温度、湿度等特征因素。

(3)将以上特征数据整理排查，构成原始数据集。

2、对原始数据集进行主成分分析来降低采集到的特征维度，用以提升结果精度，并实现在二维或者三维层面的可视化。

(1)数据进行标准化处理

假设有P个样本{X¹,X²,...,X^M}，每个样本有N维特征

每一个特征x_j都有各自的特征值。构造数据矩阵，对其进行如下标准化转换：

其中，

得到标准化矩阵Z。

(2)对标准化后的数据集计算协方差矩阵R：

其中，

(3)计算数据集对应协方差矩阵R的特征方程|R-λI_p|＝0，得到p个特征根，确定主成分。按

来确定m值，使信息利用率达到85％以上，对每个λ_j,j＝1,2,...,m，解方程组Rb＝λ_jb，得到单位特征向量

(4)将标准化后的指标变量转换为主成分

其中，U₁为第一主成分，U₂为第二主成分,...,U_p为第p主成分。

(5)将原始标准化后的数据集根据主成分加权求和，得到新降维优化后的数据集。如图2所示，为MOV通过使用仪器后记录得到的采样参数组成的原始数据集在经过PCA后的二维空间可视化。

3、根据局部异常因子(Local Outlier Factor,LOF算法)计算经过PCA后的数据集中数据点之间相邻两点的距离、第k距离、第k距离邻域、可达距离和局部可达密度。

(1)计算相邻两数据点之间的直线距离d(p,o)。

(2)计算数据点p的第k距离(k-distance)。如图3所示，点p的第k距离为d_k(p)＝d(p,o)，并且满足：在集合中至少有不包括p在内的k个点o′∈C{x≠p}，满足d(p,o′)≤d(p,o)；在集合中最多有不包括p在内的k-1个点o′∈C{x≠p},满足d(p,o′)＜d(p,o)；

(3)计算数据点p的第k距离邻域(k-distance neighborhood of p)点p的第k距离邻域N_k(p)，为p的第k距离即以内的所有数据点，包括第k距离。p的第k距离邻域点的个数为|N_k(p)|≥k。

(4)可达距离(reach-distance)，如图4所示，点o到点p的第k可达距离定义为：

reach-distance_k(p,o)＝max{k-distance(o),d(p,o)}

为点o到点p的第k可达距离，或为o的第k距离、o,p之间的真实距离。这意味着离点o最近的k个点，o到它们之间的可达距离被认为相等，且都等于d_k(o)。

(5)局部可达密度(local reachability density)，点p的局部可达密度表示为：

表示为点p的第k距离邻域内点到p的平均可达距离的倒数。其结果值代表一个密度，密度越高，认为越可能属于同一簇，密度越低，越可能是离群点。如果p和周围邻域点是同一簇，那么可达距离越可能为较小的d_k(o)，导致可达距离之和较小，密度值较高；如果p和周围邻居点较远，那么可达距离可能都会取较大值d_p(o)，使密度值较低，判断为离群点。

4、利用以上计算所得参数，计算局部离群因子，得到MOV任意一次采样数据的离群性检测评估结果。根据该评估结果，得知采样数据对应的MOV实际运行状态，并研究实际采样数据参数，给出***安全分析意见，制定预防器件进一步劣化措施。

根据以上计算所得参数，计算局部离群因子(local outlier factor)，点p的局部离群因子表示为：

该值表示点p的邻域点N_k(p)的局部可达密度与点p的局部可达密度之比的平均数。如果这个比值越接近1，说明p的其邻域点密度相似，p可能和邻域同属一簇；如果这个比值越小于1，说明p的密度高于其邻域点密度，p为密集点；如果这个比值越大于1，说明p的密度小于其邻域点密度，p越可能是离群点。

使用局部离群因子算法的对采样数据的评估结果如图5所示，根据该评估结果，得知采样数据对应的MOV实际运行状态，并研究实际采样数据参数，给出***安全分析意见，制定预防器件进一步劣化措施。

Claims (5)

1.一种基于离群检测对MOV实际状态监测评估的方法，其特征在于，包括以下步骤：

(1)对MOV运行动作时刻的各项实际参数进行不同时间点的数次采样，形成原始数据集；

(2)对原始数据集进行主成分分析来降低采集到的特征维度，用以提升结果精度，并实现在二维或者三维层面的可视化；

(3)根据局部异常因子计算经过PCA后的数据集中数据点之间相邻两点的距离、第k距离、第k距离邻域、可达距离和局部可达密度；

(4)利用以上计算所得参数，计算局部离群因子，得到MOV任意一次采样数据的离群性检测评估结果。

2.根据权利要求1所述的一种基于离群检测对MOV实际状态监测评估的方法，其特征在于，所述步骤(1)包括以下步骤：

(11)确定待测电气***内的MOV作为离群检测的目标；

(12)考虑影响MOV物理特性及实际运行状态的特征参数，包括物理参数和环境影响参数，通过检测仪器，记录采集原始特征数据，包括压敏电压、泄漏电流、Cp(50Hz)、Cp(10kHz)、Ls(10kHz)、Rs(10kHz)、环境温度、湿度等特征因素；

(13)将以上特征数据整理排查，构成原始数据集。

3.根据权利要求1所述的一种基于离群检测对MOV实际状态监测评估的方法，其特征在于，所述步骤(2)包括以下步骤：

(21)对原始数据进行标准化处理：

假设有P个样本{X¹,X²,...,X^M}，每个样本N维特征

每一个特征x_j都有各自的特征值，构造数据矩阵，对其进行如下标准化转换：

其中，

得到标准化矩阵Z；

(22)对标准化后的数据集计算协方差矩阵R：

其中，

(23)计算数据集对应协方差矩阵R的特征方程|R-λI_p|＝0，得到p个特征根，确定主成分；

(24)将标准化后的指标变量转换为主成分

其中，U₁为第一主成分，U₂为第二主成分,...,U_p为第p主成分；

(25)将原始标准化后的数据集根据主成分加权求和，得到新降维优化后的数据集。

4.根据权利要求1所述的一种基于离群检测对MOV实际状态监测评估的方法，其特征在于，所述步骤(3)包括以下步骤：

(31)计算相邻两数据点之间的直线距离d(p,o)

(32)计算数据点p的第k距离：点p的第k距离为d_k(p)＝d(p,o)，并且满足：在集合中至少有不包括p在内的k个点o′∈C{x≠p}，满足d(p,o′)≤d(p,o)；在集合中最多有不包括p在内的k-1个点o′∈C{x≠p},满足d(p,o′)＜d(p,o)；

(33)计算数据点p的第k距离邻域：点p的第k距离邻域N_k(p)，为p的第k距离即以内的所有数据点，包括第k距离；p的第k距离邻域点的个数为|N_k(p)|≥k；

(34)点o到点p的第k可达距离定义为：

reach-distance_k(p,o)＝max{k-distance(o),d(p,o)}

为点o到点p的第k可达距离，或为o的第k距离、o,p之间的真实距离；

(35)点p的局部可达密度表示为：

表示为点p的第k距离邻域内点到p的平均可达距离的倒数。

5.根据权利要求1所述的一种基于离群检测对MOV实际状态监测评估的方法，其特征在于，步骤(4)所述局部离群因子表示为：

其中，该值表示点p的邻域点N_k(p)的局部可达密度与点p的局部可达密度之比的均值；如果比值越接近1，说明p的其邻域点密度相似，p和邻域同属一簇；如果比值越小于1，说明p的密度高于其邻域点密度，p为密集点；如果比值越大于1，说明p的密度小于其邻域点密度，p越可能是离群点。

Images