CN113391239A - 一种基于边缘计算的互感器异常监测方法与*** - Google Patents

Abstract

本发明公开了一种基于边缘计算的互感器异常监测方法及***，收集一次侧设备正常运行d天的运行数据作为正常样本数据，并进行分类，按类分别训练CNN特征提取模型、异常分类模型和KNN分类模型，计算正常样本数据的异常评分，得到正常运行时的一次侧设备异常分数分布参数估计；实时采集一次侧设备的实时运行数据，利用训练好的各个模型进行分类、特征提取和异常分数计算；将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。及时预测互感器可能出现的故障，以便相关维护人员能够及时进行检修工作。

Description

一种基于边缘计算的互感器异常监测方法与***

技术领域

本发明涉及互感器异常检测技术，具体涉及一种基于边缘计算的互感器异常监测方法与***。

背景技术

随着现代工业技术和信息技术的不断发展，传统电网逐渐向着智能化和数字化的方向发展。智能电网具有先进的测量和传感技术，保障着现代电网的安全可靠运行。互感器是智能电网中不可缺少的一环，它能够实现测量仪表、保护设备及自动控制设备标准化、小型化，还可以隔离开高压***，保证人身安全。所以监测互感器运行情况，使得互感器能够平稳运行，防止故障产生，具有十分重要的意义。

现有的互感器故障诊断方法较少，对互感器故障的监测评估，一般采用的是在一定检定周期内，在停电的状态下进行人工测量互感器状态，但由于高压线路停电会导致一定的经济损失，所以电网中的互感器大多数处于超出检定期限的运行状态，需要在非断电情况下进行状态检测。现有技术中大多数使用经验判断或较为简单的机器学习算法进行故障诊断，根据采集模块采集而来的一二次侧电流电压信息、温度信息结合机器学习算法进行互感器故障监测，分析结构较为复杂的深层故障效果不理想。且这些诊断方法需要将互感器的运行参数集中起来进行分析判断，这会导致大量采集模块采集的信息需要上传至云端，占用大量带宽和计算资源，在数据传输时浪费了大量的带宽资源。

发明内容

本发明所要解决的技术问题是如何在不断电的情况下对互感器设备进行实时监测，目的在于提供一种基于边缘计算的互感器异常监测方法，通过在网络边缘提供计算资源，对互感器运行状态进行实时监测，及时预测故障。

本发明通过下述技术方案实现：

一种基于边缘计算的互感器异常监测方法，包括以下步骤：

步骤S1、收集一次侧互感器设备正常运行d天的运行数据作为正常样本数据，将正常样本数据进行分类，并按类分别训练卷积神经网络特征提取模型、异常分类模型和KNN分类模型，根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计；

步骤S2、实时采集一次侧互感器设备的实时运行数据，利用训练好的KNN分类模型进行分类，得到待检测数据，利用卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；

步骤S3、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。

进一步地，步骤S1的具体过程为：

步骤S11、利用传感器采集一次侧互感器设备正常运行时的运行数据，并汇总一次侧互感器设备正常运行下d天的数据作为正常样本数据传输至采集器，d≥90；

步骤S12、通过采集器将正常样本数据上传至边缘分类数据中心，边缘分类数据中心将正常样本数据转发给集中式数据处理中心；

步骤S13、集中式数据处理中心对正常样本数据进行预处理，使用CFSFDP算法将正常样本数据进行快速聚类，得到带有数据标签的训练数据；

步骤S14、集中式数据处理中心根据数据标签对训练数据进行分类，并根据分类后的训练数据分别训练对应类别下的卷积神经网络特征提取模型和异常分类模型，得到不同类别下的边缘处理数据中心对应的卷积神经网络特征提取模型参数和异常分类模型参数，并将得到的各个模型参数按类下发至不同边缘处理数据中心；对于边缘分类数据处理中心，根据带有数据标签的聚类数据对KNN分类模型进行训练，得到KNN分类模型的模型参数，并将KNN分类模型的模型参数下发至边缘分类数据中心；

步骤S15、集中式数据处理中心根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计并下发给对应的边缘处理数据中心；

以d天为一次更新周期，每隔d天将收集到的一次侧互感器设备正常运行时的运行数据作为正常样本数据，执行上述步骤，完成对卷积神经网络特征提取模型、异常分类模型和KNN分类模型的更新。

进一步地，步骤S2的具体过程为：

步骤S21、利用传感器采集一次侧互感器设备的实时运行数据，并将实时运行数据上传至采集器；

步骤S22、通过采集器将实时运行数据上传至边缘分类数据中心，边缘分类数据中心根据集中式数据处理中心下发的KNN分类模型参数调整边缘分类数据中心中的KNN分类模型，根据KNN模型对实时运行数据进行分类，得到待检测数据，将待检测数据按照分类分配给处理该类待检测数据的边缘处理数据中心；

步骤S23、边缘处理数据中心根据调整好的卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；

步骤S24、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。

进一步地，步骤S1中卷积神经网络特征提取模型的训练过程具体为：

将训练数据分解为一维时运行数据和二维日运行数据；

将一维时运行数据和二维日运行数据输入到卷积神经网络特征提取模型中，卷积神经网络特征提取模型对输入的数据依次进行局部感知、参数共享和卷积计算，提取出正常样本数据的数据特征，得到训练数据；

其中，卷积神经网络特征提取模型中的激活函数和优化函数分别是ReLU和sgd算法，在卷积神经网络特征提取模型的多层卷积结构中使用dropout。

进一步地，所述异常分类模型采用孤立森林算法，利用异常分类模型得到异常分数分布参数估计的具体过程为：

从训练数据中进行采样，得到多个样本点，将多个样本点分别组成多个子样本，对每个子样本分别构建孤立树，对森林中的每棵孤立树进行测试，记录每棵孤立树的路径长度；

根据每棵树的路径长度，利用异常分数计算公式计算异常分数，得到每个样本点的异常得分；

汇总每个样本点的异常得分，得到对应的正常运行时的一次侧互感器设备异常分数分布参数估计。

进一步地，对每棵孤立树进行测试的具体过程为：

从训练数据中随机选择Ψ个数据作为子样本，放入一棵孤立树的根节点；

随机指定一个维度，在当前节点数据范围内，随机产生一个切割点p，切割点p产生于当前节点数据中指定维度的最大值与最小值之间；

利用切割点p对当前节点的数据空间进行划分，并不断重复直到当前节点对应的根节点中只包括子样本中的一个数据或者孤立树的高度达到log2(Ψ)，记录此时孤立树的路径长度。

进一步地，计算异常分数，根据异常分数计算公式，计算训练数据中每个样本点的异常得分，计算公式为：

其中，x表示子样本中的一个样本点，h(x)表示样本点x在第i棵孤立树上到达叶子节点经过的路径长度，E(h(x))表示x在森林中Nt棵树上的平均路径长度，表示为：

C(ψ)表示在二叉搜索树中，出现搜索不成功时所需要的平均路径长度，计算公式为：

其中，当x的异常得分s(x，ψ)接近于1时，则该样本点为离散点，对应的一次侧互感器设备运行状态异常；

当x的异常得分s(x，ψ)接近于0时，则该样本点为正常点，对应的一次侧互感器设备运行状态正常。

现有的对互感器故障的监测评估，一般采用的是在一定检定周期内，在停电的状态下进行人工测量互感器状态，但由于高压线路停电会导致一定的经济损失，所以电网中的互感器大多数处于超出检定期限的运行状态，需要在非断电情况下进行状态检测。现有技术很少采用基于边缘计算框架下的机器学***公正。本发明通过选取可以提取到周期性规律的复合型卷积神经网络作为特征提取模型，选择适合进行异常判别且可以为异常状态评分的孤立森林算法作为故障分类模型本技术方案减轻了带宽压力，将互感器一次物理电网的信息进行收集，判断当前互感器的运行状态以及运行趋势，根据前后互感器设备的运行参数提取特征，及时对运行趋势下降和运行状态较差的互感器做出预测，能够有效预测互感器可能出现的故障，以便相关维护人员能够及时进行检修工作。将大部分计算任务集中于边缘计算中心，将计算结果上传至云端进行预警，传输的数据减少，能节省带宽资源；另外定期对***模型进行更新，能减少预测过程中的误差。

另外，本发明提供一种基于边缘计算的互感器异常监测***，包括一次侧互感器设备、传感器、采集器、边缘数据中心和集中式数据处理中心，其中，

一次侧互感器设备用于提供正常运行的正常样本数据和实时运行数据；

传感器用于采集一次侧互感器设备的实时运行数据和正常样本数据并汇总传输至采集器；

采集器用于将一次侧互感器设备的实时运行数据和正常样本数据上传至边缘数据中心；

边缘数据中心用于将正常样本数据上传至集中式数据处理中心，从集中式数据处理中心下载KNN分类模型参数和对应类别下的卷积神经网络特征提取模型参数和异常分类模型参数，根据下载的模型对实时运行数据进行分类和异常分数计算，并根据计算结果向集中式数据处理中心发出报警；

集中式数据处理中心用于定期从边缘数据中心接收正常运行时的正常样本数据，并对所有正常样本数据进行聚类，利用聚类后的数据按类分别训练卷积神经网络特征提取模型和异常分类模型，得到不同类别下的卷积神经网络特征提取模型参数和异常分类模型参数，根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计，并将得到的各个模型参数和一次侧互感器设备异常分数分布参数估计按类下发至边缘数据中心，根据正常样本数据训练KNN分类模型，得到KNN分类模型的参数并下发给边缘数据中心。

进一步地，所述边缘数据中心包括边缘分类数据中心和边缘处理数据中心，

所述边缘分类数据中心用于将正常样本数据上传至集中式数据处理中心，根据训练好的KNN分类模型将实时运行数据进行分类，得到待检测数据，并将待检测数据分配至对应分类下的边缘处理数据中心；

所述边缘处理数据中心包括模型训练模块、数据处理模块和预警模块，

模型训练模块用于从集中式数据处理中心下载对应分类下的边缘处理数据中心的卷积神经网络特征提取模型参数和异常分类模型参数，根据模型参数调整对应的卷积神经网络特征提取模型和异常分类模型；

数据处理模块用于根据调整好的卷积神经网络特征提取模型和异常分类模型对从边缘分类数据中心分配的待检测数据进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；

预警模块用于将得到的异常分数计算结果与所述一次侧互感器设备异常分数分布参数估计进行比较，预测对应的一次侧互感器设备是否会发生故障，并将预测结果发送至集中式数据处理中心。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明一种基于边缘计算的互感器异常监测方法与***，通过在网络边缘提供计算资源，选取可以提取到周期性规律的复合型卷积神经网络作为特征提取模型，选择适合进行异常判别且可以为异常状态评分的孤立森林算法作为故障分类模型对互感器运行状态进行实时监测，这样一方面减轻了带宽压力，另一方面根据前后互感器设备的运行参数提取特征，及时对运行趋势下降和运行状态较差的互感器做出预测，及时预测可能出现的故障，以便相关维护人员能够及时进行检修工作。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明方法流程示意图；

图2为本发明***整体框架示意图；

图3为故障监测采集原理图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。

在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

实施例1

如图1所示，本发明一种基于边缘计算的互感器异常监测方法，包括以下步骤：

步骤S1、收集一次侧互感器设备(如电流互感器)，正常运行d天的运行数据作为正常样本数据，将正常样本数据进行分类，并按类分别训练卷积神经网络特征提取模型、异常分类模型和KNN分类模型，根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计；且以d天为一次更新周期，每隔d天将收集到的一次侧互感器设备正常运行时的运行数据作为正常样本数据，执行下述步骤，对卷积神经网络特征提取模型、异常分类模型和KNN分类模型进行更新，具体过程为：

步骤S11、利用传感器采集一次侧互感器设备正常运行时的运行数据(例如互感器的电压、电流实际值)，并汇总一次侧互感器设备正常运行下d天的数据作为正常样本数据传输至采集器，d≥90；

步骤S12、通过采集器将正常样本数据上传至边缘分类数据中心，边缘分类数据中心将正常样本数据转发给集中式数据处理中心；

步骤S13、集中式数据处理中心对正常样本数据进行预处理，使用CFSFDP算法将正常样本数据进行快速聚类，得到带有数据标签的训练数据；

步骤S14、集中式数据处理中心根据数据标签对训练数据进行分类，并根据分类后的训练数据分别训练对应类别下的卷积神经网络特征提取模型和异常分类模型，得到不同类别下的边缘处理数据中心对应的卷积神经网络特征提取模型参数和异常分类模型参数，并将得到的各个模型参数按类下发至不同边缘处理数据中心；对于边缘分类数据处理中心，根据带有数据标签的聚类数据对KNN分类模型进行训练，得到KNN分类模型的模型参数，并将KNN分类模型的模型参数下发至边缘分类数据中心；

步骤S15、集中式数据处理中心根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计并下发给对应的边缘处理数据中心。

步骤S2、实时采集一次侧互感器设备的实时运行数据，利用训练好的KNN分类模型进行分类，得到待检测数据，利用卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；

步骤S21、利用传感器采集一次侧互感器设备的实时运行数据，并将实时运行数据上传至采集器；

步骤S22、通过采集器将实时运行数据上传至边缘分类数据中心，边缘分类数据中心根据集中式数据处理中心下发的KNN分类模型参数调整边缘分类数据中心中的KNN分类模型，根据KNN模型对实时运行数据进行分类，得到待检测数据，将待检测数据按照分类分配给处理该类待检测数据的边缘处理数据中心；

步骤S23、边缘处理数据中心根据调整好的卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；

步骤S24、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。

步骤S3、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。

具体地，在集中式处理中心使用快速搜索密度峰值聚类技术(CFSFDP算法)聚类分为2步，包括PCA特征提取，寻找密度峰值点并根据距离进行分类。

PCA特征提取得到设备运行特征矩阵V，V的形式如下：

其中：k代表设备的特征个数，设备特征即该互感器的运行参数如电流、电压，最大值，最小值，电流电压序列的标准差等；矩阵里的V_uifk代表用户i在特征k上的值。寻找密度峰值点并根据距离进行分类，定义密度峰值点根据如下公式：

为局部密度，局部密度的表示有两种方法，其中，公式2为截止距离法，其中

(i，j)是点i和点j之间的欧氏距离，

为截止距离，公式3为核距离方法。

δ(i)为峰值距离，CFSFDP算法计算局部密度ρ和更高密度距离δ，将数据集映射成二维图并构造一个决策图以供选择；在决策图中，ρ和δ都很大的点(靠右靠上的点)即为聚类中心。在选择聚类中心后，再将剩余点分配给距离最近的聚类中心完成聚类。

上述步骤S1中使用CNN卷积神经网络特征提取模型的训练过程具体为：

将训练数据分解为一维时运行数据，将一维时运行数据转换为二维日运行数据；便于提取特征，其中一维时运行数据输入形状如下：

M_1×d＝[P₁ P₂ … P_d] (5)

其中h为一次侧设备总运行小时数；

二维日运行数据输入形状如下:

其中d为一次侧设备总运行天数，且d≥90；

将一维时运行数据和二维日运行数据输入到卷积神经网络特征提取模型中，卷积神经网络特征提取模型对输入的数据依次进行局部感知、参数共享和卷积计算，利用参数共享来达到参数数量的大量减少，得到有效的特征提取的结果，提取出正常样本数据的数据特征，得到训练数据；

其中，卷积神经网络特征提取模型中的激活函数和优化函数分别是ReLU和sgd算法，在卷积神经网络特征提取模型的多层卷积结构中使用dropout；降低出现过拟合问题的概率；其中ReLU的公式如下：

其中，y_j是第j个神经元中完全连接层的输出，n是一维输入数据长度，w_i，j表示第1个输入值和第j个神经元之间的神经元权重，b₁是偏差。

本实施例中异常分类模型采用孤立森林算法，利用异常分类模型得到异常分数分布参数估计的具体过程为：

从训练数据中进行采样，得到多个样本点，对每个样本点分别构建孤立树，对森林中的每棵孤立树进行测试，记录每棵孤立树的路径长度；

根据每棵树的路径长度，利用异常分数计算公式计算异常分数，得到每个样本点的异常得分；

汇总每个样本点的异常得分，得到对应的正常运行时的一次侧互感器设备异常分数分布参数估计。

具体的，对每棵孤立树进行测试的具体过程为：

从训练数据中随机选择Ψ个数据作为子样本，放入一棵孤立树的根节点；

随机指定一个维度，在当前节点数据范围内，随机产生一个切割点p，切割点p产生于当前节点数据中指定维度的最大值与最小值之间；

利用切割点p对当前节点的数据空间进行划分，并不断重复直到当前节点对应的根节点中只包括子样本中的一个数据或者孤立树的高度达到log2(Ψ)，记录此时孤立树的路径长度。

计算异常分数，根据异常分数计算公式，计算训练数据中每个样本点的异常得分，计算公式为：

其中，h(x)表示在第i棵孤立树上到达叶子节点经过的路径长度，E(h(x))表示x在Nt棵树上路径长度的平均值，表示为：

C(ψ)表示在二叉搜索树中，出现搜索不成功时所需要的平均路径长度，计算公式为：

其中，当x的异常得分s(x，ψ)接近于1时，则该样本点为离散点，对应的一次侧互感器设备运行状态异常；

当x的异常得分s(x，ψ)接近于0时，则该样本点为正常点，对应的一次侧互感器设备运行状态正常。

上述在对互感器参数进行采集时，例如针对电流互感器和电压互感器，***需要采集电流信号和电压信号作为判断互感器是否正常运行的依据，故障监测采集原理如图3所示：

在图3中，CT为电流互感器，PT为电压互感器，输电线路A相的电流为I_A，C相的电流为I_C，计量单元能够统计电压U_a和U_c，CT1和CT2的二次监测信号u_a和u_c，然后将统计到的电流电压信号上传至边缘数据中心；

在进行模型训练之前，需要对数据进行预处理，通常神经网络的输入输出介于[0，1]之内，但***电流和电压等参数不在[0，1]之间，因此需要对采集到的数据进行归一化处理，归一化处理方法如下式所示：

其中，Z表示具体的输入数据，如电流、电压等，这样经过数据处理后的电流电压值，能够提高故障判断的效率和准确性。

实施例2

如图2所示，本实施例与实施例1的区别在于，本发明提供一种基于边缘计算的互感器异常监测***，包括一次侧互感器设备、传感器、采集器、边缘数据中心和集中式数据处理中心，其中，

一次侧互感器设备用于提供正常运行的正常样本数据和实时运行数据；

传感器用于采集一次侧互感器设备的实时运行数据和正常样本数据并汇总传输至采集器；

采集器用于将一次侧互感器设备的实时运行数据和正常样本数据上传至边缘数据中心；

边缘数据中心包括边缘分类数据中心和边缘处理数据中心，边缘分类数据中心用于将正常样本数据上传至集中式数据处理中心，根据训练好的KNN分类模型将实时运行数据进行分类，得到待检测数据，并将待检测数据分配至对应分类下的边缘处理数据中心；

边缘处理数据中心包括模型训练模块、数据处理模块和预警模块，

模型训练模块用于从集中式数据处理中心下载对应分类下的边缘处理数据中心的卷积神经网络特征提取模型参数和异常分类模型参数，根据模型参数调整对应的卷积神经网络特征提取模型和异常分类模型；

数据处理模块用于根据调整好的卷积神经网络特征提取模型和异常分类模型对从边缘分类数据中心分配的待检测数据进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；

预警模块用于将得到的异常分数计算结果与所述一次侧互感器设备异常分数分布参数估计进行比较，预测对应的一次侧互感器设备是否会发生故障，并将预测结果发送至集中式数据处理中心；

集中式数据处理中心用于定期(例如90天～120天)从边缘数据中心接收正常运行时的正常样本数据，并对所有正常样本数据进行聚类，利用聚类后的数据按类分别训练卷积神经网络特征提取模型和异常分类模型，得到不同类别下的卷积神经网络特征提取模型参数和异常分类模型参数，根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计，并将得到的各个模型参数和一次侧互感器设备异常分数分布参数估计按类下发至边缘处理数据中心，根据正常样本数据训练KNN分类模型，得到KNN分类模型的参数并下发给边缘分类数据中心。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于边缘计算的互感器异常监测方法，其特征在于，包括以下步骤：

步骤S1、收集一次侧互感器设备正常运行d天的运行数据作为正常样本数据，d≥90，将正常样本数据进行分类，并按类分别训练卷积神经网络特征提取模型、异常分类模型和KNN分类模型，根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计；

步骤S2、实时采集一次侧互感器设备的实时运行数据，利用训练好的KNN分类模型进行分类，得到待检测数据，利用卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；

步骤S3、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。

2.根据权利要求1所述的一种基于边缘计算的互感器异常监测方法，其特征在于，步骤S1的具体过程为：

步骤S11、利用传感器采集一次侧互感器设备正常运行时的运行数据，并汇总一次侧互感器设备正常运行下d天的数据作为正常样本数据传输至采集器，d≥90；

步骤S12、通过采集器将正常样本数据上传至边缘分类数据中心，边缘分类数据中心将正常样本数据转发给集中式数据处理中心；

步骤S13、集中式数据处理中心对正常样本数据进行预处理，使用CFSFDP算法将正常样本数据进行快速聚类，得到带有数据标签的训练数据；

步骤S14、集中式数据处理中心根据数据标签对训练数据进行分类，并根据分类后的训练数据分别训练对应类别下的卷积神经网络特征提取模型和异常分类模型，得到不同类别下的边缘处理数据中心对应的卷积神经网络特征提取模型参数和异常分类模型参数，并将得到的各个模型参数按类下发至不同边缘处理数据中心；对于边缘分类数据处理中心，根据带有数据标签的聚类数据对KNN分类模型进行训练，得到KNN分类模型的模型参数，并将KNN分类模型的模型参数下发至边缘分类数据中心；

步骤S15、集中式数据处理中心根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计并下发给对应的边缘处理数据中心。

3.根据权利要求1所述的一种基于边缘计算的互感器异常监测方法，其特征在于，步骤S2的具体过程为：

步骤S21、利用传感器采集一次侧互感器设备的实时运行数据，并将实时运行数据上传至采集器；

步骤S22、通过采集器将实时运行数据上传至边缘分类数据中心，边缘分类数据中心根据集中式数据处理中心下发的KNN分类模型参数调整边缘分类数据中心中的KNN分类模型，根据KNN模型对实时运行数据进行分类，得到待检测数据，将待检测数据按照分类分配给处理该类待检测数据的边缘处理数据中心；

步骤S23、边缘处理数据中心根据调整好的卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；

步骤S24、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。

4.根据权利要求1所述的一种基于边缘计算的互感器异常监测方法，其特征在于，步骤S1中卷积神经网络特征提取模型的训练过程具体为：

将训练数据分解为一维时运行数据和二维日运行数据；

将一维时运行数据和二维日运行数据输入到卷积神经网络特征提取模型中，卷积神经网络特征提取模型对输入的数据依次进行局部感知、参数共享和卷积计算，提取出正常样本数据的数据特征，得到训练数据；

其中，卷积神经网络特征提取模型中的激活函数和优化函数分别是ReLU和sgd算法，在卷积神经网络特征提取模型的多层卷积结构中使用dropout。

5.根据权利要求4所述的一种基于边缘计算的互感器异常监测方法，其特征在于，所述异常分类模型采用孤立森林算法，利用异常分类模型得到异常分数分布参数估计的具体过程为：

从训练数据中进行采样，得到多个样本点，将多个样本点分别组成多个子样本，对每个子样本分别构建孤立树，对森林中的每棵孤立树进行测试，记录每棵孤立树的路径长度；

根据每棵树的路径长度，利用异常分数计算公式计算异常分数，得到每个样本点的异常得分；

汇总每个样本点的异常得分，得到对应的正常运行时的一次侧互感器设备异常分数分布参数估计。

6.根据权利要求5所述的一种基于边缘计算的互感器异常监测方法，其特征在于，对每棵孤立树进行测试的具体过程为：

从训练数据中随机选择Ψ个数据作为子样本，放入一棵孤立树的根节点；

随机指定一个维度，在当前节点数据范围内，随机产生一个切割点p，切割点p产生于当前节点数据中指定维度的最大值与最小值之间；

利用切割点p对当前节点的数据空间进行划分，并不断重复直到当前节点对应的根节点中只包括子样本中的一个数据或者孤立树的高度达到log2(Ψ)，记录此时孤立树的路径长度。

7.根据权利要求6所述的一种基于边缘计算的互感器异常监测方法，其特征在于，计算异常分数，根据异常分数计算公式，计算训练数据中每个样本点的异常得分，计算公式为：

其中，x表示子样本中的一个样本点，h(x)表示样本点x在第i棵孤立树上到达叶子节点经过的路径长度，E(h(x))表示x在森林中Nt棵树上的平均路径长度，表示为：

C(ψ)表示在二叉搜索树中，出现搜索不成功时所需要的平均路径长度，计算公式为：

其中，当x的异常得分s(x，ψ)接近于1时，则该样本点为离散点，对应的一次侧互感器设备运行状态异常；

当x的异常得分s(x，ψ)接近于0时，则该样本点为正常点，对应的一次侧互感器设备运行状态正常。

8.一种基于边缘计算的互感器异常监测***，其特征在于，包括一次侧互感器设备、传感器、采集器、边缘数据中心和集中式数据处理中心，其中，

一次侧互感器设备用于提供正常运行的正常样本数据和实时运行数据；

传感器用于采集一次侧互感器设备的实时运行数据和正常样本数据并汇总传输至采集器；

采集器用于将一次侧互感器设备的实时运行数据和正常样本数据上传至边缘数据中心；

边缘数据中心用于将正常样本数据上传至集中式数据处理中心，从集中式数据处理中心下载KNN分类模型参数和对应类别下的卷积神经网络特征提取模型参数和异常分类模型参数，根据下载的模型对实时运行数据进行分类和异常分数计算，并根据计算结果向集中式数据处理中心发出报警；

集中式数据处理中心用于定期从边缘数据中心接收正常运行时的正常样本数据，并对所有正常样本数据进行聚类，利用聚类后的数据按类分别训练卷积神经网络特征提取模型和异常分类模型，得到不同类别下的卷积神经网络特征提取模型参数和异常分类模型参数，根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计，并将得到的各个模型参数和一次侧互感器设备异常分数分布参数估计按类下发至边缘数据中心，根据正常样本数据训练KNN分类模型，得到KNN分类模型的参数并下发给边缘数据中心。

9.根据权利要求8所述的一种基于边缘计算的互感器异常监测***，其特征在于，

所述边缘数据中心包括边缘分类数据中心和边缘处理数据中心，

所述边缘分类数据中心用于将正常样本数据上传至集中式数据处理中心，根据训练好的KNN分类模型将实时运行数据进行分类，得到待检测数据，并将待检测数据分配至对应分类下的边缘处理数据中心；

所述边缘处理数据中心包括模型训练模块、数据处理模块和预警模块，

模型训练模块用于从集中式数据处理中心下载对应分类下的边缘处理数据中心的卷积神经网络特征提取模型参数和异常分类模型参数，根据模型参数调整对应的卷积神经网络特征提取模型和异常分类模型；

数据处理模块用于根据调整好的卷积神经网络特征提取模型和异常分类模型对从边缘分类数据中心分配的待检测数据进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；

预警模块用于将得到的异常分数计算结果与所述一次侧互感器设备异常分数分布参数估计进行比较，预测对应的一次侧互感器设备是否会发生故障，并将预测结果发送至集中式数据处理中心。

Images