CN113156917A - 基于人工智能的电网设备故障诊断方法及*** - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的电网设备故障诊断方法及***。该方法包括：采集电网设备的多类电参量数据，每类电参量的数据组成一个实时更新的数据序列；根据每类电参量的数据序列预测未来时刻对应的电参量的预测数据，并与数据序列共同组成第一数据序列；对每类电参量的第一数据序列进行异常评估，获取异常指标，根据每两类电参量的相关性和对应的异常指标获得异常值序列；对实时的异常值序列进行推理，获得设备故障诊断的实时结果。本发明实施例能够对电网设备进行准确的实时故障诊断，提高***的安全防护能力。

Description

基于人工智能的电网设备故障诊断方法及***

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的电网设备故障诊断方法及***。

背景技术

电力是国民经济和人民生活的基础产业，它的供应和安全对国家安全战略、经济和社会发展起着至关重要的作用。但随着电力***复杂性增加，尤其是在多故障或保护装置操作不正确情况下，需要处理的工作量极其庞大，因此电力***出现故障是不可避免的。当电力***中的电网设备状态异常或者发生故障时，如果不能迅速诊断出电力故障，及时抢修尽快恢复电网正常运行，会导致停电事件影响日常生活，严重的可能会带来巨大的经济损失。

发明人在实践中，发现上述现有技术存在以下缺陷：

设备的故障是多种多样的，当故障发生时，如何通过检测手段获取表达设备故障的有效信息是设备故障管理的重要课题，现有的故障诊断方法仅仅通过电参量自身的变化进行故障诊断，识别精度低，导致故障诊断结果不准确。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的电网设备故障诊断方法及***，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的电网设备故障诊断方法，其特征在于，该方法包括以下步骤：

采集电网设备的多类电参量数据，每类电参量的数据组成一个实时更新的数据序列；

根据每类所述电参量的所述数据序列预测未来时刻对应的所述电参量的预测数据，并与所述数据序列共同组成第一数据序列；

对每类所述电参量的所述第一数据序列进行异常评估，获取异常指标，根据每两类所述电参量的相关性和对应的异常指标获得异常值序列；所述异常指标为波动特征、连续特征和数据异常程度；

对实时的所述异常值序列进行推理，获得设备故障诊断的实时结果。

优选的，所述波动特征的获取方法为：

对所述第一数据序列进行密度聚类，获得聚类中心的数量和离散点的数量，根据所述聚类中心的数量和所述离散点的数量获得所述波动特征。

优选的，所述连续特征的获取方法为：

通过相邻时刻的电参量相除获取所述第一数据序列的变化序列，对所述变化序列分窗计算波动值，组成波动序列，通过所述波动序列的极差获取所述连续特征。

优选的，所述数据异常程度的获取方法为：

通过计算所述变化序列和历史异常的第一数据序列的变化序列的特征向量相似度获取所述数据异常程度。

优选的，所述异常值序列的获取方法为：

通过所述异常指标获得每类所述电参量的异常指数，根据两类所述电参量异常指数的乘积及其相关性获得相关性异常指数，由每两类所述电参量的所述相关性异常指数构成所述异常值序列。

第二方面，本发明另一个实施例提供了一种基于人工智能的电网设备故障诊断***，其特征在于，该***包括以下模块：

数据序列获取模块，用于采集电网设备的多类电参量数据，每类电参量的数据组成一个实时更新的数据序列；

第一数据序列组成模块，用于根据每类所述电参量的所述数据序列预测未来时刻对应的所述电参量的预测数据，并与所述数据序列共同组成第一数据序列；

异常值序列获取模块，用于对每类所述电参量的所述第一数据序列进行异常评估，获取异常指标，根据每两类所述电参量的相关性和对应的异常指标获得异常值序列；所述异常指标为波动特征、连续特征和数据异常程度；

实时诊断模块，用于对实时的所述异常值序列进行推理，获得设备故障诊断的实时结果。

优选的，所述异常值序列获取模块还包括：

波动特征获取模块，用于对所述第一数据序列进行密度聚类，获得聚类中心的数量和离散点的数量，根据所述聚类中心的数量和所述离散点的数量获得所述波动特征。

优选的，所述异常值序列获取模块还包括：

连续特征获取模块，用于通过相邻时刻的电参量相除获取所述第一数据序列的变化序列，对所述变化序列分窗计算波动值，组成波动序列，通过所述波动序列的极差获取所述连续特征。

优选的，所述异常值序列获取模块还包括：

数据异常程度获取模块，用于通过计算所述变化序列和历史异常的第一数据序列的变化序列的特征向量相似度获取所述数据异常程度。

优选的，所述异常值序列获取模块还包括：

异常值序列构成模块，用于通过所述异常指标获得每类所述电参量的异常指数，根据两类所述电参量异常指数的乘积及其相关性获得相关性异常指数，由每两类所述电参量的所述相关性异常指数构成所述异常值序列。

本发明实施例具有如下有益效果：

1、通过结合实时数据与未来时刻的预测数据共同对电网设备的故障进行诊断，能够更好地实现电网的实时预警，提高故障诊断的准确率。

2、通过各类电参量的异常指数和每两类电参量之间的相关性获得电网设备的异常值序列，为网络训练提供有效的信息，加快网络的收敛，提高网络对设备故障诊断的准确率，并考虑到多个电参量的共同作用，实现电网设备故障的精细化判断。

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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它附图。

图1为本发明一个实施例所提供的一种基于人工智能的电网设备故障诊断方法的步骤流程图；

图2为本发明一个实施例所提供的一种基于人工智能的电网设备故障诊断***的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的电网设备故障诊断方法及***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的电网设备故障诊断方法及***的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的电网设备故障诊断方法的步骤流程图，该方法包括以下步骤：

步骤S001，采集电网设备的多类电参量数据，每类电参量的数据组成一个实时更新的数据序列。

本发明实施例主要对智能电力监控***监控的电网设备进行故障诊断与预警，电网设备如中、低压变配电设备、微机继电保护装置、逆变器等。

智能电力监控***可实时和定时采集现场设备的各种电参量，包括三相电压、电流、功率、功率因数、频率、温度等，将采集到的数据或直接显示，或通过统计计算生成新的直观的数据信息再显示总***功率、负荷最大值、功率因数上下限等，并对重要的信息量进行数据库存储。

作为一个示例，本发明实施例中采集的电参量包括：三相电压、电流、功率、功率因数、频率、温度。在其他实施例中也可以根据实际情况对电参量的数量进行增减。

智能电力监控***利用计算机、计量保护装置和总线技术，对中、低压配电***的实时数据、开关状态及远程控制进行了集中管理。

作为一个示例，本发明实施例采用XPMS-3000智能电力监控***。在其他实施例中，还可以采用其他智能电力监控***。

步骤S002，根据每类电参量的数据序列预测未来时刻对应的电参量的预测数据，并与数据序列共同组成第一数据序列。

需要说明的是，设备的各个电参数为实时采集的数据，即每类设备的实时电参数数据。

具体的，通过建立时序预测模型对未来时刻的预测数据进行预测。

本发明实施例通过神经网络来预测未来数据的变化，作为一个示例，以时序卷积网络(Temporal convolutional network，TCN)来实施，在其他实施例中，还可以采用其他能达到相同效果的神经网络。

具体的：

1)网络输入的形状为[B，M，W]，B为网络输入的batchsize，M为序列长度，即多少个采集周期的数据进行一次预测，W为该设备单类电参量的实时数据值，如三相电压。

作为一个示例，为保证预测精度，本发明实施例中M取30。

2)经过TCN特征提取后，最终要接全连接(Fully connected，FC)，预测未来数据的变化。形状为固定的，预测特征序列未来的变化，因此可设定为[B，1*R]，R为R个采样周期获得的R个预测值。

作为一个示例，本发明实施例中R取15。

3)损失函数采用均方差等回归型损失函数。

4)训练标签数据通过真实的历史数据得到。

需要说明的是，对于采集的每一个电参数都需要一个单独的时序预测模型来进行预测，以保证预测的精度。

步骤S003，对每类电参量的第一数据序列进行异常评估，获取异常指标，根据每两类电参量的相关性和对应的异常指标获得异常值序列；异常指标为波动特征、连续特征和数据异常程度。

基于第一数据序列进行特征工程，以更准确地评估设备的状态。

作为一个示例，本发明实施例以变配电设备为例，主要采集该类设备的三相电压、电流、功率、功率因数、频率、温度六个电参数。

第一数据序列的长度为K+R，K为数据序列的长度，为保证数据的时效性，K应小于M，R为预测的数据长度。

作为一个示例，本发明实施例中K取15。

具体的步骤包括：

1)对第一数据序列进行趋势分析：

将三相电压、电流、功率、功率因数、频率、温度六个参数及各自的第一数据序列进行组合，形成6×(K+R)的时序电参矩阵，6为六个电参数，K+R为各电参的第一数据序列，然后采用相关系数法进行衡量。

作为一个示例，本发明实施例中使用Pearson相关系数法，在其他实施例中，还可以采用spearman相关系数法等能达到相同效果的其他相关系数法。

Pearson相关系数法的实施方法如下：

对于时序电参矩阵进行Pearson相关系数法，得到一个6×6的Pearson相关系数矩阵，矩阵内的值表示电参之间的相关性，由于为时序数据，该相关性表示数据变化趋势的相关性，矩阵中的数值在[-1,1]之间，-1表示强烈负相关，+1表示强烈正相关，0表示无关系。

通过Pearson相关系数可以有效反映出各个电参数数据变化趋势的相关性。

2)计算每类电参量的波动特征F₁。

对第一数据序列进行密度聚类，获得聚类中心的数量和离散点的数量，根据聚类中心的数量和离散点的数量获得波动特征。

对第一数据序列进行密度聚类，获取聚类中心的数量N₁，离散点的数量N₂。

作为一个示例，本发明实施例利用DBSCAN方法进行密度聚类，在其他实施例中，还可以采用能达到相同效果的其他密度聚类方法。

DBSCAN聚类为基于密度的聚类方法，输入数据为每类电参量的第一数据序列，当电参量数值聚集越多，越容易形成核心点。因此当数据有连续变化，即连续上升或者连续下降时，且变化幅度较大时，会形成离散点。

正常情况下，电参量比较平衡，因此聚类中心的数量可以反映波动变化特征，数量越多，说明数据波动变化次数越多，离散点数量可以反映数据的幅度特性，数量越小，说明数据波动幅度越大，该设备越可能存在异常。

需要说明的是，DBSCAN算法需要调参，以使结果更加准确。

F₁＝N₁*w₁+log_aN₂*w₂

其中，w₁表示聚类中心数量的权重，w₂表示离散点数量的权重。a的取值在(0,1)之间，使得log_aN₂随着N₂增大而减小。

作为一个示例，本发明实施例中w₁取0.25，w₂取0.75，a取0.5。

F₁越大，即表明数据波幅越大，设备越可能发生故障。

3)计算每类电参量的连续特征F₂。

通过相邻时刻的电参量相除获取第一数据序列的变化序列，对变化序列分窗计算波动值，组成波动序列，通过波动序列的极差获取连续特征。

当存在连续变化，且点之间变化幅度较小时，DBSCAN可能仍然把这些点认为是一个点簇，因此计算连续特征F₂消除该种情况对设备故障判断的影响，F₂反映数据的连续变化，具体的计算方法为：

a.获取每类电参量第一数据序列的变化序列，该序列通过相邻时刻的电参量相除得到，即t+1时刻的电参量除以t时刻的电参量，该序列表示数据的时序变化。由于通过相除得到，因此该序列的长度为K+R-1。

b.获取变化序列的波动序列。

通过消除趋势波动分析法(Detrended Fluctuation Analysis，DFA)获取变化序列的波动值，波动值越大代表该序列连续变化越大。

DFA主要用来衡量时间序列的长程相关性，本发明实施例只利用DFA的前一步，即计算序列的波动值。

DFA的输入是变化序列，计算波动值需要窗口参数，此处窗口初始长度设置为5，步长也设置为5，最终得到窗口序列，包含[5,10,15,20]4个长度的窗口，最终通过DFA得到变化序列中每一个窗口的波动值，组成波动序列B。

c.通过极差来衡量数据连续特征F₂，极差也称为全距，是指总体各单位的两个极端标志值之差，即：R＝最大标志值-最小标志值，因此，全距R可反映总体标志值的差异范围。

F₂＝R＝B_max-B_min

其中，B_max表示波动序列中的最大值，B_min表示波动序列中的最小值。

F₂的值越大，说明数据连续变化越大，越可能存在异常。

4)计算每类电参量的数据异常程度F₃。

通过计算变化序列和历史异常的第一数据序列的变化序列的特征向量相似度获取数据异常程度。

数据的异常程度F₃，即变化序列与异常数据序列的变化序列的相似程度。由于不同的电参量具备不同的数值区间，因此通过数据的变化序列来衡量其相似度。

具体的步骤包括：

a.采集数据，通过人为统计获取同一环境下异常的第一数据序列、正常的第一数据序列，该异常的第一数据序列为每K+R个数据采样周期内数据存在异常的情况。正常的第一数据序列、异常的第一数据序列存在多种，最后计算出其变化序列。

b.利用度量学习技术，度量第一数据序列的变化序列与正常的第一数据序列的变化序列的相似度。

作为一个示例，本发明实施例度量学习采用全连接网络技术。

标签标注按照类别划分，对于类别按正常、异常进行标注。正常类别标注为0，异常类别标注为1。

c.对曲线度量网络进行训练，其训练的过程包括：

网络训练方法是使用AM-softmax损失函数进行分类训练，把训练好的网络去掉最后一层分类层，选取最后一个隐藏层输出作为一个数据的特征。两个数据特征使用余弦相似度进行计算。

在其他实施例中，还可以采用CosFace、ArcFace等能达到相同效果的其他损失函数。

网络的输入为第一数据序列的变化序列。

然后端到端地训练全连接网络。

全连接网络的作用是输入的数据序列映射到高维空间并进行分类；然后再接一层全连接层进行分类，将高维张量映射到样本标记空间，输入为高维向量，输出为各个类别概率。

对于高维张量，本发明实施例的维数为128维。

d.训练完毕后把训练好的网络去掉最后一层分类层，选取最后一个隐藏层输出作为一个数据的特征，得到数据序列的向量表示，即最终对每一个第一数据序列推理获得一个高维张量。

此时，利用训练好的网络对训练集种所有异常第一数据序列的变化序列进行度量，将异常第一数据序列的变化序列的数量记为q，得到q个特征向量，并将特征向量存储到数据库中。

e.对第一数据序列的变化序列进行度量，对得到的第一数据序列的变化序列进行上述度量网络的推理，最终得到一个特征向量F，然后将该特征向量与数据库异常的第一数据序列的变化序列特征向量一一对比，得到相似度平均度量值，将其作为F₃：

其中，F表示实时的变化序列的特征向量，Q_i表示第i个异常的第一数据序列的变化序列的特征向量。

其中，F*Q_i为点乘，|F||Q_i|为向量模的乘积。

对于F₃而言，F₃值越大，代表该数据序列的变化序列与异常的数据序列的变化序列越相似，异常程度就越大。

5)获得每类电参量的异常值序列。

通过异常指标获得每类电参量的异常指数，根据两类电参量异常指数的乘积及其相关性获得相关性异常指数，由每两类电参量的相关性异常指数构成异常值序列。

得到每一类电参量的第一数据序列的异常指数V：

V＝F₃*(F₁+F₂)

F₂的评估可以弥补F₁评估的不足，通过相加使得评估更准确，最终再乘F₃使得该序列越与异常序列相似，V的值越大，进而表征设备的异常性。

进一步的，得到相关性异常指数：

A_i，j＝V_i*V_j*CC_i，j

其中，A_i，j表示第i类电参量和第j类电参量之间的相关性异常指数，V_i表示第i类电参量的异常指数，V_j表示第j类电参量的异常指数，CC_i，j表示第i类与第j类电参量的数据变化趋势的相关性。

对于每一组电参量的6个第一数据序列而言都会有

个相关性异常指数，即15个。

最终，15个相关性异常指数组成一个异常值序列。

步骤S004，对实时的异常值序列进行推理，获得设备故障诊断的实时结果。

本发明实施例通过建立深度神经网络实现对异常值序列的推理。

具体的，深度神经网络采用全连接网络模型，网络训练的过程如下：

全连接网络输入的形状为[B，15],B为网络输入的batchsize，15为异常值序列。

全连接网络损失函数采用交叉熵，分类函数优选地采用Softmax。

训练标签数据通过人为标注，标注预测的R个数据采样周期后面r个数据采样周期的数据异常情况，r＜R。

作为一个示例，本发明实施例r取R-1，即分类预测数据R-1个数据采集周期的数据异常情况，通过此种预测分类方式，只要保证网络的推理能在一个数据采集周期完成，就可以实现网络的实时推理，从而提高预警的实时性，降低资源的投入成本。

作为一个示例，本发明实施例中标注类别如下：

0：电流异常；1：电压异常；2：温度异常；……；14：电压与温度异常。

由于存在15个相关系数，因此异常值序列可以用来判断15个异常类别。

网络的输出结果为概率，相加和为1，最终通过Argmax操作，得到具体的结果。

进一步的，根据设备故障诊断的结果，对电网工作人员进行报警提示。

由于异常值序列为通过实时数据与未来数据计算得到，因此可以更好地实现电网的实时预警，并提高准确率。只通过实时数据判断的话，准确率差，且可能会因为网络推理导致预警存在时延。

综上所述，本发明实施例首先采集电网设备的多类电参量数据，每类电参量的数据组成一个实时更新的数据序列；然后根据每类电参量的数据序列预测未来时刻对应的电参量的预测数据，并与数据序列共同组成第一数据序列；进而对每类电参量的第一数据序列进行异常评估，获取异常指标，根据每两类电参量的相关性和对应的异常指标获得异常值序列；最后对实时的异常值序列进行推理，获得设备故障诊断的实时结果。本发明实施例对电网的设备安全进行实时检测与预警防护，能够对电网设备进行准确的实时故障诊断与预警，提高***的安全防护能力。

基于与上述方法相同的发明构思，本发明另一个实施例提供了基于人工智能的电网设备故障诊断***，请参阅图2，该***包括以下模块：

数据序列获取模块100、第一数据序列组成模块200、异常值序列获取模块300以及实时诊断模块400。

数据序列获取模块100用于采集电网设备的多类电参量数据，每类电参量的数据组成一个实时更新的数据序列；第一数据序列组成模块200用于根据每类电参量的数据序列预测未来时刻对应的电参量的预测数据，并与数据序列共同组成第一数据序列；异常值序列获取模块300用于对每类电参量的第一数据序列进行异常评估，获取异常指标，根据每两类电参量的相关性和对应的异常指标获得异常值序列；异常指标为波动特征、连续特征和数据异常程度；实时诊断模块400用于对实时的异常值序列进行推理，获得设备故障诊断的实时结果。

优选的，异常值序列获取模块还包括：

波动特征获取模块，用于对第一数据序列进行密度聚类，获得聚类中心的数量和离散点的数量，根据聚类中心的数量和离散点的数量获得波动特征。

优选的，异常值序列获取模块还包括：

连续特征获取模块，用于通过相邻时刻的电参量相除获取第一数据序列的变化序列，对变化序列分窗计算波动值，组成波动序列，通过波动序列的极差获取连续特征。

优选的，异常值序列获取模块还包括：

数据异常程度获取模块，用于通过计算变化序列和历史异常的第一数据序列的变化序列的特征向量相似度获取数据异常程度。

优选的，异常值序列获取模块还包括：

异常值序列构成模块，用于通过异常指标获得每类电参量的异常指数，根据两类电参量异常指数的乘积及其相关性获得相关性异常指数，由每两类电参量的相关性异常指数构成异常值序列。

综上所述，本发明实施例首先通过数据序列获取模块采集电网设备的多类电参量数据，每类电参量的数据组成一个实时更新的数据序列；然后通过第一数据序列组成模块根据每类电参量的数据序列预测未来时刻对应的电参量的预测数据，并与数据序列共同组成第一数据序列；进而通过异常值序列获取模块对每类电参量的第一数据序列进行异常评估，获取异常指标，根据每两类电参量的相关性和对应的异常指标获得异常值序列；最后通过实时诊断模块对实时的异常值序列进行推理，获得设备故障诊断的实时结果。本发明实施例对电网的设备安全进行实时检测与预警防护，能够对电网设备进行准确的实时故障诊断与预警，提高***的安全防护能力。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于人工智能的电网设备故障诊断方法，其特征在于，该方法包括以下步骤：

采集电网设备的多类电参量数据，每类所述电参量的数据组成一个实时更新的数据序列；

根据每类所述电参量的所述数据序列预测未来时刻对应的所述电参量的预测数据，并与所述数据序列共同组成所述第一数据序列；

对每类所述电参量的所述第一数据序列进行异常评估，获取所述异常指标，根据每两类所述电参量的相关性和对应的异常指标获得异常值序列；所述异常指标为波动特征、连续特征和数据异常程度；

对实时的所述异常值序列进行推理，获得设备故障诊断的实时结果。

2.根据权利要求1所述的方法，其特征在于，所述波动特征的获取方法为：

对所述第一数据序列进行密度聚类，获得聚类中心的数量和离散点的数量，根据所述聚类中心的数量和所述离散点的数量获得所述波动特征。

3.根据权利要求1所述的方法，其特征在于，所述连续特征的获取方法为：

通过相邻时刻的电参量相除获取所述第一数据序列的变化序列，对所述变化序列分窗计算波动值，组成波动序列，通过所述波动序列的极差获取所述连续特征。

4.根据权利要求3所述的方法，其特征在于，所述数据异常程度的获取方法为：

通过计算所述变化序列和历史异常的第一数据序列的变化序列的特征向量相似度获取所述数据异常程度。

5.根据权利要求1所述的方法，其特征在于，所述异常值序列的获取方法为：

通过所述异常指标获得每类所述电参量的异常指数，根据两类所述电参量异常指数的乘积及其相关性获得相关性异常指数，由每两类所述电参量的所述相关性异常指数构成所述异常值序列。

6.基于人工智能的电网设备故障诊断***，其特征在于，该***包括以下模块：

数据序列获取模块，用于采集电网设备的多类电参量数据，每类电参量的数据组成一个实时更新的数据序列；

第一数据序列组成模块，用于根据每类所述电参量的所述数据序列预测未来时刻对应的所述电参量的预测数据，并与所述数据序列共同组成第一数据序列；

异常值序列获取模块，用于对每类所述电参量的所述第一数据序列进行异常评估，获取异常指标，根据每两类所述电参量的相关性和对应的异常指标获得异常值序列；所述异常指标为波动特征、连续特征和数据异常程度；

实时诊断模块，用于对实时的所述异常值序列进行推理，获得设备故障诊断的实时结果。

7.根据权利要求6所述的***，其特征在于，所述异常值序列获取模块还包括：

波动特征获取模块，用于对所述第一数据序列进行密度聚类，获得聚类中心的数量和离散点的数量，根据所述聚类中心的数量和所述离散点的数量获得所述波动特征。

8.根据权利要求6所述的***，其特征在于，所述异常值序列获取模块还包括：

连续特征获取模块，用于通过相邻时刻的电参量相除获取所述第一数据序列的变化序列，对所述变化序列分窗计算波动值，组成波动序列，通过所述波动序列的极差获取所述连续特征。

9.根据权利要求8所述的***，其特征在于，所述异常值序列获取模块还包括：

数据异常程度获取模块，用于通过计算所述变化序列和历史异常的第一数据序列的变化序列的特征向量相似度获取所述数据异常程度。

10.根据权利要求6所述的***，其特征在于，所述异常值序列获取模块还包括：

异常值序列构成模块，用于通过所述异常指标获得每类所述电参量的异常指数，根据两类所述电参量异常指数的乘积及其相关性获得相关性异常指数，由每两类所述电参量的所述相关性异常指数构成所述异常值序列。

Images