CN117540235A - 一种临时用电异常数据实时监测方法 - Google Patents
一种临时用电异常数据实时监测方法 Download PDFInfo
- Publication number
- CN117540235A CN117540235A CN202311506083.7A CN202311506083A CN117540235A CN 117540235 A CN117540235 A CN 117540235A CN 202311506083 A CN202311506083 A CN 202311506083A CN 117540235 A CN117540235 A CN 117540235A
- Authority
- CN
- China
- Prior art keywords
- cluster
- current
- analyzed
- time window
- time
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005611 electricity Effects 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 49
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 15
- 238000010276 construction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据挖掘监测技术领域,具体涉及一种临时用电异常数据实时监测方法,该方法包括:采集建筑工地临时用电线路的电流数据,并采样获取离散电流信号;对离散电流信号各时间窗口进行聚类;构建各簇的单簇电流波动性系数及窗口电流单簇突显系数,计算各待分析簇的单簇时域变化风险系数,获取待分析簇的单簇频域高频风险系数;根据待分析簇的单簇频域高频风险系数、单簇时域变化风险系数得到时间窗口的电流异常风险指数;根据时间窗口的电流异常风险指数得到各时间窗口在COF算法异常检测时的K值;根据各电流的局部离群因子与预设离群阈值的关系完成临时用电异常数据的监测。从而实现用电异常的实时监测,具有较高监测精度。
Description
技术领域
本申请涉及数据挖掘监测技术领域,具体涉及一种临时用电异常数据实时监测方法。
背景技术
临时用电是指在某个特殊的时间段或特定的场所需要临时供电,而从电力***中临时搭建的供电分支,通常它是一种没有永久电力设施或需要额外电源的临时需求。通常使用在建筑工地、活动场所、临时办公场所和野外活动等场景中,由于使用场景复杂、电力设施易接触和线路外露的原因,极易出现因线路短路和线路损坏而造成的电击事件或引发火灾等情况,严重影响人身财产安全,因此,对临时用电数据的挖掘、监测以及智能搜索异常数据,以实现对临时用电的实时监测将变得十分必要。
由于临时用电场景复杂,用电需求随机多变,线路损坏和线路短路不可预料,为保证生产安全需要,往往会提高临时用电的保险阈值,并且监测线路中电流变化,实现对异常数据的实时监测。传统的COF异常检测算法,能够挖掘电流时序离散低密度信号的异常性,对异常数据进行挖掘检测,但是通常K局部距离是固定的,对临时用电场景中电流数据随时变化的场景容易出现误检和虚警的情况,不能够有效解决该场景下复杂多变的情况,数据处理效率低。
发明内容
为了解决上述技术问题,本发明提供一种临时用电异常数据实时监测方法,以解决现有的问题。
本发明的一种临时用电异常数据实时监测方法采用如下技术方案:
本发明一个实施例提供了一种临时用电异常数据实时监测方法,该方法包括以下步骤:
采集建筑工地临时用电线路总开关处的电流数据,并进行采样获取离散电流信号;
对离散电流信号各时间窗口进行聚类;根据簇内所有相邻时刻的电流差值获取时间窗口各簇的单簇电流波动性系数;根据时间窗口内各簇的单簇电流流动性系数及所述单簇电流流动性系数分布得到各簇的窗口电流单簇突显系数;获取各时间窗口的待分析簇集合;对于时间窗口待分析簇集合,根据待分析簇的单簇电流波动性系数、窗口电流单簇突显系数以及各时刻的电流值变化构建各待分析簇的单簇时域变化风险系数;根据待分析簇的单簇时域变化风险系数以及待分析簇快速傅里叶变换后的频域分量构建待分析簇的单簇频域高频风险系数;根据时间窗口内所有待分析簇的单簇频域高频风险系数、单簇时域变化风险系数得到时间窗口的电流异常风险指数;根据时间窗口的电流异常风险指数得到各时间窗口在COF算法异常检测时的K值;
结合COF算法及各时间窗口的自适应K值获取各时间窗口内各电流的局部离群因子;根据各电流的局部离群因子与预设离群阈值的关系完成临时用电异常数据的挖掘及监测。
进一步地,所述对离散电流信号各时间窗口进行聚类,包括:对离散电流信号划分时间窗口,获取离散电流信号的各时间窗口,对于各时间窗口,采用密度峰值聚类算法对时间窗口内的电流进行聚类。
进一步地,所述根据簇内所有相邻时刻的电流差值获取时间窗口各簇的单簇电流波动性系数,包括:
获取簇内任意两个不相同的时刻对应电流值的差值绝对值,将簇内所有所述差值绝对值的和值作为簇的单簇电流波动性系数。
进一步地,所述各簇的窗口电流单簇突显系数,包括:
获取时间窗口剔除其中一个簇后其余所有簇的单簇电流波动性系数的均值和标准差;
获取所述其中一个簇的单簇电流波动性系数与所述均值的差值,将所述差值与所述标准差的比值的绝对值作为所述其中一个簇的窗口电流单簇突显系数。
进一步地,所述获取各时间窗口的待分析簇集合,包括:
对于各时间窗口;
将时间窗口各簇的窗口电流单簇突显系数按照从大到小排序,预设待分析簇个数U,选取前U个窗口电流单簇突显系数所对应的簇作为时间窗口的待分析簇集合。
进一步地,所述根据待分析簇的单簇电流波动性系数、窗口电流单簇突显系数以及各时刻的电流值变化构建各待分析簇的单簇时域变化风险系数,包括:
将待分析簇内各时刻进行两两组合,统计组合数;待分析簇的单簇时域变化风险系数表达式为:
式中,表示第j个时间窗口第k个簇的单簇时域变化风险系数,/>分别表示在第j个时间窗口内第k个簇的单簇电流波动性系数、窗口电流单簇突显系数,/>表示所述组合数,/>和/>表示在第j个时间窗口第k个簇中tx和ty时刻的电流值,其中所述第k个簇为待分析簇。
进一步地,所述根据待分析簇的单簇时域变化风险系数以及待分析簇快速傅里叶变换后的频域分量构建待分析簇的单簇频域高频风险系数,包括:
对待分析簇内各电流进行快速傅里叶变换,分别提取快速傅里叶变换后的基波的频率以及按电流强度从大到小顺序中排序第二的电流强度所对应的频率分量,并分别确定为基波频率、第二频率分量;
获取所述第二频率分量与所述基波频率的差值绝对值,确定为频率差值绝对值;获取第二频率分量对应电流与基波频率对应电流的差值绝对值,确定为电流差值绝对值;计算所述频率差值绝对值与待分析簇的单簇时域变化风险系数的乘积;将所述乘积与所述电流差值绝对值的比值作为待分析簇的单簇频域高频风险系数。
进一步地,所述根据时间窗口内所有待分析簇的单簇频域高频风险系数、单簇时域变化风险系数得到时间窗口的电流异常风险指数,包括:
计算时间窗口内各待分析簇的单簇频域高频风险系数与单簇时域变化风险系数的乘积,将时间窗口中所有所述乘积的均值作为时间窗口的电流异常风险指数。
进一步地,所述根据时间窗口的电流异常风险指数得到各时间窗口在COF算法异常检测时的K值,包括:将时间窗口电流异常风险指数的倒数向下取整的结果作为时间窗口在COF算法异常检测时的K值。
进一步地,所述根据各电流的局部离群因子与预设离群阈值的关系完成临时用电异常数据的挖掘及监测,包括:预设离群阈值,将局部离群因子大于离群阈值的电流确定为异常数据,对临时用电过程中异常数据进行挖掘及监测。
本发明至少具有如下有益效果:
本发明通过电流传感器获取临时用电线路总开关处的电流信号,通过划分时间窗口分析单个窗口内电流情况,在窗口内根据电流波动相似性划分时间簇,得到单簇电流波动性系数,通过波动性系数得到窗口电流单簇突显系数,筛选出潜在风险的待分析簇,通过时域和频域分析排除线路接入大功率电器对电流变换的干扰,得到电流异常风险指数,最终得到COF算法中的自适应K值。与传统的COF算法相比,本发明通过分析构建潜在风险时间簇,结合时频分析的结果降低线路中正常现象的干扰,最终得到每个时间窗口的自适应K值,使算法能够适应临时用电中复杂多变的场景,提高异常数据的挖掘精度。
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为本发明提供的一种临时用电异常数据实时监测方法的流程图;
图2为各频率分量示意图。
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临时用电异常数据实时监测方法,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临时用电异常数据实时监测方法的具体方案。
本发明一个实施例提供的一种临时用电异常数据实时监测方法,具体的,提供了如下的一种临时用电异常数据实时监测方法,请参阅图1,该方法包括以下步骤:
步骤S001,通过电流传感器获取临时用电线路电路总开关处的电流数据,并进行数据预处理。
临时用电的场景有很多,本实施例以使用场景最广泛的建筑工地为例,实施者可以根据自己的使用场景灵活改变。在建筑工地中场景复杂,随时可能出现接入或断开大功率电器的正常变化,以及出现断路和短路的异常变化,并且用电需求较大,为了保障正常供电,往往建筑工地的临时用电的总开关往往会有很高的保险阈值。
为实现对临时用电场景异常数据的检测,需要获取临时用电线路总开关处的电流数据,当监测到有异常情况时,触发开关的自动保护。
由于在建筑工地中临时用电总开关处的电流较大,为保障安全本实施例通过电流互感器获取总开关处的电流信号。电流互感器获取到的电流数据是连续信号,为了方便数据分析,对连续信号进行采样获得离散电流信号,记作I(ti),其中ti表示对应的采样时刻。为保证设备正常运行,在建筑工地通常使用的380V,50HZ的交流用电。所以获得的电流信号是以50HZ的频率波动,为更好分析电流信号的变化情况,本实施例采用5000HZ的采样频率对电流信号的电感数据进行采样,获得离散电流信号。
步骤S002:对得到的离散电流信号划分时间窗口,在时间窗口内根据电流相似性得到时间簇,分析单簇的电流情况得到单簇电流波动性系数,在整个时间窗口计算窗口电流单簇突显系数,得到突显序列,筛选出潜在风险时间簇,结合时域和频域分析得到电流异常风险指数,最终计算得到每个时间窗口的自适应K值。
在实际场景中,线路短路往往是指负载短接,线路电流会增大,但是由于线路中的其他负载,电流不会无限大,会维持在一个较大的电流,当该较大电流还在开关保护阈值之内将无法触发开关保护,由于发热量与电流的平方成正比,因此容易因负载短接造成建筑工地发生火灾,需要对负载短接进行检测,触发开关保护机制。但当线路中接入大功率负载时,也会引发电流的变化,因此COF算法中固定的K值已经无法检测该场景的异常。本实施例的主要分析电流信号的变化,自适应调整K值,实现对场景异常电流信号监测。
通过步骤S001可以获得电路总开关处的离散电流信号,由于电流互感器不间断获取电流信号,在经过一段时间后获取得到的离散电流信号将趋近于无穷多个。为了方便计算,需要将离散电流信号划分时间窗口,本实施例采用时间窗口τ=1s,分析一个时间窗口内的电流信号的变化情况。
在时间窗口内电流信号存在一定的波动性,可能会发生突变,在高电流区间、低电流区间以及变化区间电流信号有不同的特征,因此本实施例采用DPC密度峰值聚类算法获取时间窗口内电流序列的聚类中心,并采用DPC密度峰值聚类算法对时间窗口内的电流进行聚类分析,获取时间窗口的各聚类簇,记作表示在第j个时间窗口内第k个簇中在ti时刻的电流。具体密度峰值聚类的聚类过程为公知技术,在此不做赘述。
簇的划分可将同一时间区间内变化相似的电流信号归类到一个簇中,可以分析单个簇内电流信号变化情况,得到单簇电流波动性系数:
式中,表示在第j个时间窗口内第k个簇的单簇电流波动性系数,/>表示在第j个时间窗口内第k个簇的电流信号的个数,/>分别表示在第j个时间窗口内第k个簇中时刻u、v的电流值。
单簇电流波动性系数表示在单个簇中的信号分布情况,当电流信号出现变化时或者电流信号不稳定时,/>的值将增大,表明此时***中的电流可能存在风险,需要提高警惕。
在一个时间窗口中按照电流信号的差异,将其按照时间段划分到多个簇中,所以在单个时间窗口中会存在NC个时间簇,针对每一个簇都可以得到单簇电流波动性系数。因此根据可以得到窗口电流单簇突显系数:
式中,表示在第j时间窗口内第k个簇的窗口电流单簇突显系数,/>表示在第j个时间窗口内第k个簇的单簇电流波动性系数,/>和/>分别表示在第j个时间窗口内剔除第k个簇的单簇电流波动性系数的均值和标准差。
基于上述公式得到的用于表征时间窗口内时间簇级别的指标,针对每一个/>可以得到对应的窗口电流单簇突显系数。当对应的第k个簇中电流信号发生较大变化时,通过该簇内各个时刻的电流值得到的单簇电流波动性系数/>的值将较大,而其余簇内的电流信号波动不明显,因此当剔除该簇的/>时,对时间窗口内所有簇的单簇电流波动性系数分布影响较大,其对应的均值和标准差均减小,因此可以将该簇的特异性进行放大,并突显出来。
当遍历完时间窗口内的所有簇,可以得到各个簇的窗口电流单簇突显系数,由此可以得到窗口电流单簇突显序列满足/>窗口电流单簇突显序列包含每个簇的单簇突显系数,对于突显系数越大的簇,越有可能出现异常情况。
按照从大到小的顺序对窗口电流单簇突显序列中的值进行重排和编号,筛选出该时间窗口中的前30%的簇进行分析,即/>将筛选出的各簇组成时间窗口的待分析簇集合;重复上述方法获取各时间窗口的待分析簇集合。
在建筑工地中的临时用电,可以因随机接入大功率电器和负载短路造成电流信号的突然变大,而通过对窗口电流单簇突显序列进行筛选,可以将发生潜在风险变化的时间段按簇筛选出来。
由于接入大功率电器和负载短路都会造成电流信号的突然变大,当两者都未超过总开保护阈值时都不会触发自动保护,但两者一种是正常情况,一种是异常情况,因此需要对待分析簇进一步分析。后续分析的基础是对各时间窗口的待分析簇集合进行分析,也即对时间窗口的各待分析簇进行分析,后续不再进行一一说明,具体分析过程如下:
正常情况以及异常情况中都会存在电流的波动性,但是两者之间的变化趋势不同,并且在单簇电流波动性系数和窗口电流单簇突显系数/>会有细微差距,由此针对待分析簇集合中,对于各待分析簇对应的电流信号进行分析,得到每个待分析簇的单簇时域变化风险系数:
式中,表示第j个时间窗口第k个簇的单簇时域变化风险系数,/>表示在第j个时间窗口内第k个簇的单簇电流波动性系数,/>表示在第j时间窗口内第k个簇的窗口电流单簇突显系数,/>表示对第j个时间窗口中第k个簇的时刻两两组合所得到的组合数,和/>表示在第j个时间窗口第k个簇中tx和ty时刻的电流值。
通过计算待分析簇内各个时刻电流值的类斜率分布,最终得到单簇时域变化风险系数。当在电路***中是由于大功率负载引起的电流突变,相较于负载短路而引起的电流突变值较小,并且在变化趋势相对缓慢,因此大功率负载引起的电流突变得到的/>值较小,而线路负载短路引起的电流突变得到的/>值较大。
通过对待分析簇进行时域分析得到的通过分析变换趋势在一定程度上能够将接入大功率负载和负载短路引起的电流突变区分出来。但是电流在发生突变时可能存在一定波动性噪声的影响,仅通过时域的趋势分析可能会对结果造成一定的误判,因此针对潜在风险的时间簇上进一步频域分析。
对待分析簇进行快速傅里叶变换,得到对应的频域响应,用/>表示。在频域的电流响应中会存在对应的电路基波频率,而电流突变所对应的是高频分量,并且相较于电流噪声来说,突变造成的高频分量对应的电流强度要远远大于噪声的电流强度,统计每个包络中电流强度对应的频率,称为频率分量。以基波对应的电流强度作为基准,即/>作为参考标准,ω1为基波频率,根据电流强度从大到小对对应的频率分量进行排序标记,具体为:通过频谱图中得到电流强度从大到小排序第二的电流强度,将所述排序第二的电流强度所对应的频率分量记作第二频率分量,记作ω2,将从大到小排序第二的电流强度对应的频率分量记为第三频率分量ω3,各频率分量示意图具体如图2所示。
结合单簇时域变化风险系数可以得到单簇频域高频风险系数:
式中,表示第j个时间窗口中第k个簇的单簇频域高频风险系数,/>表示在第j个时间窗口中第k个簇的单簇时域变化风险系数,ω1和ω2分别表示基波频率和第二频率分量,|ω2-ω1|确定为频率差值绝对值,/>和/>分别表示基波和第二频率分量对应的电流值,也即电流强度,/>确定为电流差值绝对值。
单簇频域高频风险系数通过分割第二频率分量与基波的频带宽度和电流强度差值得到。如果电流信号的突变是负载短路引起的,变化速度较大并且电流强度较大,则对应的频带宽度|ω2-ω1|越大,而/>越小,所以最终得到的/>值越大。当电流突变是由于大功率负载引起的,则变化相对较慢且电流强度较弱,此时频带宽度相差不大,电流强度相差较大,最终/>值较小。(第二频率分量对应的电流强度永远小于基波对应的电流强度,因此两者差值不可能为0)。
通过遍历时间窗口的各待分析簇,可以得到整个时间窗口的电流异常风险指数,并得到COF算法中的自适应K值:
式中,表示第j个时间窗口的电流异常风险指数,Nj表示第j个时间窗口中待分析簇的个数,/>表示在第j个时间窗口中第k个簇的单簇时域变化风险系数,/>表示第j个时间窗口中第k个簇的单簇频域高频风险系数,K表示COF算法中的K值,/>表示向下取整。
最终通过电流异常风险指数可以自适应调整COF算法中的K值。K值越大检测灵敏度低,但计算效率高,适合低风险程度窗口,K值越低检测灵敏度高,能够提高检测精度,适合高风险程度的窗口。
步骤S003,确定每个时间窗口的K值,采用COF算法实现电流信号的异常检测。
通过上述方法及步骤得到电流异常风险指数其值的大小决定时间窗口内电流信号的异常程度,最终得到COF算法的自适应K值。确定时间窗口的K值,可以计算该时间窗口内各个时刻电流信号的局部离群因子,通过设施离群阈值TCOF=2,实施者也可自行设定离群阈值的取值,将局部离群因子大于2的电流信号设置为异常电流信号,也即异常数据,监测接下来时刻的电流值是否异常,并及时处理,避免经济财产损失,实现临时用电过程中异常数据的挖掘,完成对临时用电的异常监测。
综上所述,本发明实施例通过电流传感器获取临时用电线路总开关处的电流信号,通过划分时间窗口分析单个窗口内电流情况,在窗口内根据电流波动相似性划分时间簇,得到单簇电流波动性系数,通过波动性系数得到窗口电流单簇突显系数,筛选出潜在风险的待分析簇,通过时域和频域分析排除线路接入大功率电器对电流变换的干扰,得到电流异常风险指数,最终得到COF算法中的自适应K值;
与传统的COF算法相比,本发明实施例通过分析构建潜在风险时间簇,结合时频分析的结果降低线路中正常现象的干扰,最终得到每个时间窗口的自适应K值,使算法能够适应临时用电中复杂多变的场景,提高异常数据挖掘精度。
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。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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种临时用电异常数据实时监测方法,其特征在于,该方法包括以下步骤:
采集建筑工地临时用电线路总开关处的电流数据,并进行采样获取离散电流信号;
对离散电流信号各时间窗口进行聚类;根据簇内所有相邻时刻的电流差值获取时间窗口各簇的单簇电流波动性系数;根据时间窗口内各簇的单簇电流流动性系数及所述单簇电流流动性系数分布得到各簇的窗口电流单簇突显系数;获取各时间窗口的待分析簇集合;对于时间窗口待分析簇集合,根据待分析簇的单簇电流波动性系数、窗口电流单簇突显系数以及各时刻的电流值变化构建各待分析簇的单簇时域变化风险系数;根据待分析簇的单簇时域变化风险系数以及待分析簇快速傅里叶变换后的频域分量构建待分析簇的单簇频域高频风险系数;根据时间窗口内所有待分析簇的单簇频域高频风险系数、单簇时域变化风险系数得到时间窗口的电流异常风险指数;根据时间窗口的电流异常风险指数得到各时间窗口在COF算法异常检测时的K值;
结合COF算法及各时间窗口的自适应K值获取各时间窗口内各电流的局部离群因子;根据各电流的局部离群因子与预设离群阈值的关系完成临时用电异常数据的挖掘及监测。
2.如权利要求1所述的一种临时用电异常数据实时监测方法,其特征在于,所述对离散电流信号各时间窗口进行聚类,包括:对离散电流信号划分时间窗口,获取离散电流信号的各时间窗口,对于各时间窗口,采用密度峰值聚类算法对时间窗口内的电流进行聚类。
3.如权利要求2所述的一种临时用电异常数据实时监测方法,其特征在于,所述根据簇内所有相邻时刻的电流差值获取时间窗口各簇的单簇电流波动性系数,包括:
获取簇内任意两个不相同的时刻对应电流值的差值绝对值,将簇内所有所述差值绝对值的和值作为簇的单簇电流波动性系数。
4.如权利要求1所述的一种临时用电异常数据实时监测方法,其特征在于,所述各簇的窗口电流单簇突显系数,包括:
获取时间窗口剔除其中一个簇后其余所有簇的单簇电流波动性系数的均值和标准差;
获取所述其中一个簇的单簇电流波动性系数与所述均值的差值,将所述差值与所述标准差的比值的绝对值作为所述其中一个簇的窗口电流单簇突显系数。
5.如权利要求4所述的一种临时用电异常数据实时监测方法,其特征在于,所述获取各时间窗口的待分析簇集合,包括:
对于各时间窗口;
将时间窗口各簇的窗口电流单簇突显系数按照从大到小排序,预设待分析簇个数U,选取前U个窗口电流单簇突显系数所对应的簇作为时间窗口的待分析簇集合。
6.如权利要求1所述的一种临时用电异常数据实时监测方法,其特征在于,所述根据待分析簇的单簇电流波动性系数、窗口电流单簇突显系数以及各时刻的电流值变化构建各待分析簇的单簇时域变化风险系数,包括:
将待分析簇内各时刻进行两两组合,统计组合数;待分析簇的单簇时域变化风险系数表达式为:
式中,表示第j个时间窗口第k个簇的单簇时域变化风险系数,/>分别表示在第j个时间窗口内第k个簇的单簇电流波动性系数、窗口电流单簇突显系数,/>表示所述组合数,/>和/>表示在第j个时间窗口第k个簇中tx和ty时刻的电流值,其中所述第k个簇为待分析簇。
7.如权利要求6所述的一种临时用电异常数据实时监测方法,其特征在于,所述根据待分析簇的单簇时域变化风险系数以及待分析簇快速傅里叶变换后的频域分量构建待分析簇的单簇频域高频风险系数,包括:
对待分析簇内各电流进行快速傅里叶变换,分别提取快速傅里叶变换后的基波的频率以及按电流强度从大到小顺序中排序第二的电流强度所对应的频率分量,并分别确定为基波频率、第二频率分量;
获取所述第二频率分量与所述基波频率的差值绝对值,确定为频率差值绝对值;获取第二频率分量对应电流与基波频率对应电流的差值绝对值,确定为电流差值绝对值;计算所述频率差值绝对值与待分析簇的单簇时域变化风险系数的乘积;将所述乘积与所述电流差值绝对值的比值作为待分析簇的单簇频域高频风险系数。
8.如权利要求7所述的一种临时用电异常数据实时监测方法,其特征在于,所述根据时间窗口内所有待分析簇的单簇频域高频风险系数、单簇时域变化风险系数得到时间窗口的电流异常风险指数,包括:
计算时间窗口内各待分析簇的单簇频域高频风险系数与单簇时域变化风险系数的乘积,将时间窗口中所有所述乘积的均值作为时间窗口的电流异常风险指数。
9.如权利要求8所述的一种临时用电异常数据实时监测方法,其特征在于,所述根据时间窗口的电流异常风险指数得到各时间窗口在COF算法异常检测时的K值,包括:将时间窗口电流异常风险指数的倒数向下取整的结果作为时间窗口在COF算法异常检测时的K值。
10.如权利要求9所述的一种临时用电异常数据实时监测方法,其特征在于,所述根据各电流的局部离群因子与预设离群阈值的关系完成临时用电异常数据的挖掘及监测,包括:预设离群阈值,将局部离群因子大于离群阈值的电流确定为异常数据,对临时用电过程中异常数据进行挖掘及监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506083.7A CN117540235B (zh) | 2023-11-13 | 2023-11-13 | 一种临时用电异常数据实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506083.7A CN117540235B (zh) | 2023-11-13 | 2023-11-13 | 一种临时用电异常数据实时监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540235A true CN117540235A (zh) | 2024-02-09 |
CN117540235B CN117540235B (zh) | 2024-03-29 |
Family
ID=89793222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311506083.7A Active CN117540235B (zh) | 2023-11-13 | 2023-11-13 | 一种临时用电异常数据实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540235B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118112359A (zh) * | 2024-04-22 | 2024-05-31 | 国网山西省电力公司太原供电公司 | 基于物联网的开关柜故障诊断方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210092132A1 (en) * | 2019-09-23 | 2021-03-25 | Nokia Solutions And Networks Oy | Systems and methods for securing industrial networks |
CN116877452A (zh) * | 2023-09-07 | 2023-10-13 | 利欧集团浙江泵业有限公司 | 基于物联网数据的非变容式水泵运行状态监控*** |
-
2023
- 2023-11-13 CN CN202311506083.7A patent/CN117540235B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210092132A1 (en) * | 2019-09-23 | 2021-03-25 | Nokia Solutions And Networks Oy | Systems and methods for securing industrial networks |
CN116877452A (zh) * | 2023-09-07 | 2023-10-13 | 利欧集团浙江泵业有限公司 | 基于物联网数据的非变容式水泵运行状态监控*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118112359A (zh) * | 2024-04-22 | 2024-05-31 | 国网山西省电力公司太原供电公司 | 基于物联网的开关柜故障诊断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117540235B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117540235B (zh) | 一种临时用电异常数据实时监测方法 | |
Li et al. | A generic waveform abnormality detection method for utility equipment condition monitoring | |
AU2020203291A1 (en) | Method and system for detecting insulation aging degree of PPLP of superconducting cable | |
CN106771922B (zh) | 一种高压电力设备局部放电检测***及局部放电识别方法 | |
EP3723218B1 (en) | Method and device for handling direct current arc | |
CN109581270A (zh) | 基于小波多尺度变换快速辨识cvt故障的方法 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、***、设备及存储介质 | |
CN112016470A (zh) | 基于声音信号和振动信号的有载分接开关故障识别方法 | |
CN115687969A (zh) | 一种基于声音特征分析的低压变压器故障诊断方法 | |
CN112785138A (zh) | 基于数值天气进行三跨线路监测分析预警的方法 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
CN109001602A (zh) | 基于极限学习机算法的局部放电严重程度评估方法 | |
Costa et al. | A wavelet-based algorithm to analyze oscillographic data with single and multiple disturbances | |
CN113484658A (zh) | 电弧故障的诊断方法、***、介质及电子设备 | |
CN117289087A (zh) | 一种基于czt变换的串联故障电弧检测方法 | |
CN109324268B (zh) | 基于贝叶斯推理的配电网早期故障检测方法及装置 | |
CN116881825A (zh) | 基于gis设备的刀闸状态和三相刀闸动作的同步性检测方法 | |
Meléndez et al. | Analysis of sequences of events for the characterisation of faults in power systems | |
KR100357494B1 (ko) | 고주파를 이용한 계전알고리즘의 최적 모달변환 선정방법및 이를 이용한 고장검출방법 | |
CN112964948A (zh) | 基于录波数据反演的串联电抗器运行状态在线监测方法及*** | |
CN111585544A (zh) | 一种功率信号脉冲噪声滤除的方法及滤波器 | |
de Lima et al. | A simple pattern recognition-based method for power quality disturbance detection | |
Yeh et al. | Symlets techniques for real time detection of transients generated by hif in the 12 kv distribution circuits | |
CN118074058B (zh) | 一种智能配电室安全管控方法及*** | |
CN116500382B (zh) | 一种基于同步李萨如曲线特征的高阻故障定位方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |