CN117892246B - 一种智能化开关柜用数据处理方法 - Google Patents
一种智能化开关柜用数据处理方法 Download PDFInfo
- Publication number
- CN117892246B CN117892246B CN202410276465.3A CN202410276465A CN117892246B CN 117892246 B CN117892246 B CN 117892246B CN 202410276465 A CN202410276465 A CN 202410276465A CN 117892246 B CN117892246 B CN 117892246B
- Authority
- CN
- China
- Prior art keywords
- current data
- abnormal
- degree
- data point
- points
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims description 53
- 238000012937 correction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据分析技术领域,更具体地,本发明涉及一种智能化开关柜用数据处理方法,包括:获取智能化开关柜一段时间内的电流数据和温度数据,根据每个电流数据点的局部范围内每两相邻极值点之间的时间跨度差和电流差,计算该电流数据点的异常表现程度,根据电流数据点的两侧数据的异常表现程度和温度数据计算噪声表现程度,利用噪声表现程度对异常表现程度进行修正,通过孤立森林算法对所有电流数据点修正后的异常表现程度进行异常检测,得到每个电流数据点的异常得分值,通过异常得分值判断电流数据是否存在异常,并对智能化开关柜进行控制,提高了开关柜电流数据异常检测的准确性。
Description
技术领域
本发明一般地涉及数据分析技术领域。更具体地,本发明涉及一种智能化开关柜用数据处理方法。
背景技术
智能开关柜作为电力***的重要控制设备,结合计算机技术、微电子技术、通信技术、传感技术等先进技术,通过各种传感器远距离测量***各部件的主要参数,实现对所有配电设备的集中管控、智能运维,有效提高变电站操作自动化水平,确保电力***安全、可靠、经济和稳定运行。
为了保证智能开关柜的正常运行,往往需要对采集开关柜内的电流数据进行异常检测,以便及时发现问题,并进行处理,目前对开关柜内的电流数据进行异常检测的方法是采用孤立森林算法,该算法基于树结构的思想,通过将正常样本孤立在树结构的较短路径上,而将异常值则较容易被孤立在较长的路径上,从而检测出电流数据中的异常。
但是,在智能开关柜的场景中由于外界环境问题以及电流传感器自身的影响,会导致采集到的电流数据中存在一些噪声,那么在利用孤立森林进行异常检测的过程中,导致异常得分值较高的电流数据点可能并不是异常数据,同时,智能化开关柜中,负载的变化也会引起电流大小的变化,如果直接利用采集到的电流数据点通过孤立森林算法进行异常检测,可能将因负载变化导致电流大小改变产生的电流数据点检测为异常,或者将电流中的噪声数据点检测为异常,影响数据异常检测结果的准确性,导致不能对开关柜进行准确的控制。
发明内容
为解决上述一个或多个技术问题,本发明提出一种智能化开关柜用数据处理方法,提高了开关柜电流数据异常检测的准确性,能对开关柜进行准确控制。具体采用如下技术方案:一种智能化开关柜用数据处理方法,包括:
获取智能化开关柜一段时间内的电流数据和温度数据;
按照预设范围设定所述电流数据中每个电流数据点的局部范围,利用差分法计算出所述局部范围内的多个极值点;
基于所述局部范围内的多个极值点中每两个相邻极值点之间的时间跨度差和电流差,计算所述每个电流数据点的异常表现程度;
将所述每个电流数据点的局部范围划分为左侧范围和右侧范围,并基于所述左侧范围和右侧范围包含的极值点分别计算左侧异常程度和右侧异常程度;
根据所述左侧异常程度和右侧异常程度以及所述电流数据点的局部范围内的温度数据,得到所述每个电流数据点的噪声表现程度;
利用所述噪声表现程度对所述异常表现程度进行修正,得到所述每个电流数据点修正后的异常表现程度;
将所述每个电流数据点修正后的异常表现程度作为特征值,通过孤立森林算法对所有电流数据点的特征值进行异常检测,得到每个电流数据点的异常得分值;
通过所述异常得分值判断所述电流数据是否存在异常,根据所述电流数据是否存在异常对所述智能化开关柜进行控制。
进一步的,所述利用所述噪声表现程度对所述异常表现程度进行修正,得到所述每个电流数据点修正后的异常表现程度,所述每个电流数据点修正后的异常表现程度,满足如下关系式:
式中,/>为第/>个电流数据点修正后的异常表现程度,/>为第/>个电流数据点的异常表现程度,/>为第/>个电流数据点的噪声表现程度,/>为以自然常数e为底的指数函数。
进一步的,所述每个电流数据点的异常表现程度,满足如下关系式:
式中,为第/>个电流数据点的异常表现程度,/>为预设权重,/>为第/>个电流数据点的局部范围内的极值点数量,/>为每两个相邻极值点的排列组合总数,所述每个组合中包含两个第一相邻极值点和两个第二相邻极值点,/>为第/>个组合,/>为时间,/>为电流值,/>为第/>个组合中的两个第一相邻极值点,/>为第/>个组合中的两个第二相邻极值点,/>为所述两个第一相邻极值点之间的时间跨度,/>为所述两个第二相邻极值点之间的时间跨度,/>为所述两个第一相邻极值点之间的电流值的差值,/>为所述两个第二相邻极值点之间的电流值的差值。
进一步的,按照预设范围设定所述电流数据中每个电流数据点的局部范围,包括:
以所述每个电流数据点为中心,将所述每个电流数据点及左侧的M个电流数据点和右侧的M个电流数据点作为所述每个电流数据点的局部范围,M为预设值。
进一步的,将所述每个电流数据点的局部范围划分为左侧范围和右侧范围,方法为:
将所述每个电流数据点及左侧的M个电流数据点作为左侧范围,将所述每个电流数据点及右侧的M个电流数据点作为右侧范围。
进一步的,所述左侧异常程度和右侧异常程度,计算方法与所述每个电流数据点的异常表现程度相同。
进一步的,根据所述左侧异常程度和右侧异常程度以及所述电流数据点的局部范围内的温度数据,得到所述每个电流数据点的噪声表现程度,满足如下关系式:
式中,为第/>个电流数据点的噪声表现程度,/>为以自然常数e为底的指数函数,/>为第/>个电流数据点的左侧异常程度,/>为第/>个电流数据点的右侧异常程度,/>为第/>个电流数据点的局部范围对应的时间段内的温度数据的方差。
进一步的,通过所述异常得分值判断所述电流数据是否存在异常,方法为:
预设得分阈值;
若所述电流数据中存在异常得分值大于或者等于所述预设得分阈值的电流数据点,则所述电流数据存在异常,否则,不存在异常。
进一步的,根据所述电流数据是否存在异常对所述智能化开关柜进行控制,方法为:
若所述电流数据存在异常,则控制所述智能化开关柜停止运行,否则,正常运行。
本发明具有以下效果:
本发明通过分析电流数据点的局部范围内的相邻极值之间的时间跨度差异和电流值差异计算出每个电流数据点的异常表现程度,用电流数据点的异常表现程度表征电流数据点的异常程度,并且将每个电流数据点的局部范围划分为左侧范围和右侧范围,判断该电流数据点两侧的电流数据的异常表现,同时结合温度的影响,得到该电流数据点的噪声表现程度,根据噪声表现程度对电流数据点的异常表现程度进行修正,对修正后的每个电流数据点进行孤立森林异常检测,相较于传统算法中通过采集到的电流数据直接进行孤立树建立的方式,能够有效去除噪声对最终异常得分值的影响,提高了智能化开关柜数据处理的准确性的同时在一定程度上也保证了开关柜的安全。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明的方法流程示意图。
具体实施方式
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做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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,一种智能化开关柜用数据处理方法,包括步骤S1-S8,具体如下:
S1:获取智能化开关柜一段时间内的电流数据和温度数据。
本实施例中通过电流传感器和温度传感器分别采集到智能化开关柜的时序电流数据和温度数据,设定采集频率为10HZ,设定采集5分钟的电流数据和温度数据,具体需要采集时间的长短可自行设定。
S2:按照预设范围设定所述电流数据中每个电流数据点的局部范围,利用差分法计算出所述局部范围内的多个极值点。
其中,按照预设范围设定所述电流数据中每个电流数据点的局部范围,包括:
以当前电流数据点为中心,将当前电流数据点及左侧的M个电流数据点和右侧的M个电流数据点作为当前电流数据点的局部范围,M为预设值,本实施例中设定M为10,即总共21个电流数据点作为当前电流数据点的局部范围,由于本实施例中采集的是一段时间内的电流数据,也就是时序电流数据,则可绘制时序电流曲线图以更直观、方便的方式对电流数据进行分析和计算,时序电流曲线图以时间为横轴,以电流值为纵轴,每个时间都对应一个电流数据点。
其中,求取局部范围内的多个极值点,即电流值的极值点,具体可通过差分法或其他求极值点的方法,得到当前电流数据的局部范围内的所有极值点。
S3:基于所述局部范围内的多个极值点中每两个相邻极值点之间的时间跨度差和电流差,计算所述每个电流数据点的异常表现程度。
其中,基于所述局部范围内的多个极值点中每两个相邻极值点之间的时间跨度差和电流差,计算所述每个电流数据点的异常表现程度,所述每个电流数据点的异常表现程度满足如下关系式:
式中,为第/>个电流数据点的异常表现程度,/>为第/>个电流数据点的局部范围内的极值点数量,/>的含义为第/>个电流数据点的局部范围内的相邻极值点对的数量,相邻极值点对的含义为将两个相邻的极值点作为一个相邻极值点对,如局部范围内有1,2,3,4,5总共个极值点,则就存在4个相邻极值点对,分别是12,23,34,45,/>为每两个相邻极值点的排列组合总数,其含义是从第/>个电流数据点的局部范围内的所有相邻极值点对中,任选两个相邻极值点对进行组合,如将极值点对12和极值点对34进行组合得到第一组合,所述每个组合中包含两个第一相邻极值点和两个第二相邻极值点,如第一组合中的两个第一相邻极值点分别为1和2,两个第二相邻极值点分别为3和4,/>为第/>个组合,/>为时间,/>为电流值,/>为第/>个组合中的两个第一相邻极值点,/>为第/>个组合中的两个第二相邻极值点,/>为所述两个第一相邻极值点之间的时间跨度,/>为所述两个第二相邻极值点之间的时间跨度,/>为所述两个第一相邻极值点之间的电流值的差值,/>为所述两个第二相邻极值点之间的电流值的差值,则/>则表示第/>个排列组合中时间跨度的一致性,/>表示第/>个排列组合中电流差值的一致性。
该公式中:
表示局部范围内极值点之间的电流差值的平均一阶差;
表示局部范围内相邻极值点之间的时间跨度的平均一阶差;
为预设权重,因为对于时间跨度,其平均一阶差是一个较小的值,而对于电流值是一个较大的值,因此需要设置一个权重,防止时间跨度上的相似性值太小导致其对于特征值的影响变小,在本实施例中/>为经验值0.7,具体可自行设定,不做限制,但要注意/>的取值应在0到1范围内。
需要说明的是,在智能化开关柜正常运行的情况下,其电流数据通常呈现出规律性的近似正弦波的波形,而在电流数据出现异常时,电流波形可能开始畸变,导致其波形与正弦波形存在较大差异,因此可通过分析电流数据点在局部范围内的数据变化是否呈现出规律性的正弦波变化计算电流数据点的异常表现程度,用以表征电流数据点的异常程度。
若要分析电流数据点在局部范围内的数据变化是否呈现出规律性的正弦波变化,则需要以正弦波自身的特性为基础进行具体判断,正弦波的一大特点即为其相邻极值点之间的距离相等且相邻极值点之间的数值差异相等,则对应到本实施例中,若本实施例采集的电流数据不存在任何异常,则S2中时序电流曲线图中,任意两相邻极值点之间的时间跨度相同且电流值的差值相同,若每两个相邻极值点之间的时间跨度越趋于相等,每两个相邻极值点之间的电流值差值越趋于相同,则说明该电流数据点局部范围内的电流数据呈现近似正弦波的变化,该电流数据点的异常表现程度越低,反之越高,故通过上述计算能够反映出局部范围内相邻极值点之间距离的相似性和极值点差值之间的相似性,对于极值点之间距离的相似性,通过局部范围内极值点之间的时间跨度的平均一阶差表示,如果极值点之间的时间跨度的平均一阶差越小,说明相邻极值点之间的时间跨度越一致,其相似性越好,极值点差值之间的相似性,可用局部范围内相邻极值点的电流差值的平均一阶差进行表征,相邻极值点的电流差值的平均一阶差越小,说明相邻极值点之间的电流差值越一致,其相似性越好。
进一步的,如果局部范围内相邻极值点之间距离的相似性越好,同时极值点差值的相似性越好,则说明当前电流数据点的局部范围内的电流数据的变化越趋近于正弦波,规律性越好,当前电流数据点的异常表现程度越低,因此本实施例通过分析相邻极值点之间距离的相似性和极值点差值之间的相似性计算出当前电流数据点的异常表现程度。
S4:将所述每个电流数据点的局部范围划分为左侧范围和右侧范围,并基于所述左侧范围和右侧范围包含的极值点分别计算左侧异常程度和右侧异常程度。
其中,将所述每个电流数据点的局部范围划分为左侧范围和右侧范围,具体为:将每个电流数据点及左侧的M个电流数据点作为左侧范围,将每个电流数据点及右侧的M个电流数据点作为右侧范围。
其中,基于所述左侧范围和右侧范围包含的极值点分别计算左侧异常程度和右侧异常程度,计算方法与S3中计算所述每个电流数据点的异常表现程度的方法相同,区别仅在于每个电流数据点的异常表现程度是根据整个局部范围内的相邻极值点计算得出,而每个电流数据点的左侧异常程度和右侧异常程度是分别根据局部范围中的左侧范围和右侧范围内包含的相邻极值点按照S3中的公式计算得出。
S5:根据所述左侧异常程度和右侧异常程度以及所述电流数据点的局部范围内的温度数据,得到所述每个电流数据点的噪声表现程度。
其中,每个电流数据点的噪声表现程度,满足如下关系式:
式中,为第/>个电流数据点的噪声表现程度,/>为以自然常数e为底的指数函数,/>为第/>个电流数据点的左侧异常程度,其负指数幂/>可表征第/>个电流数据点的右侧范围内的电流数据表现为正弦波的程度,/>为第/>个电流数据点的右侧异常程度,其负指数幂/>可表征第/>个电流数据点的右侧范围内的电流数据表现为正弦波的程度,因此/>能够表征第/>个电流数据点左右两侧为正弦波的情况,能反映第/>个电流数据点左右两侧表现为正弦波的差异,该值越小说明第/>个电流数据点左右两侧的正弦波表现越一致,则第/>个电流数据点为噪声的可能性越高,因此取其负指数幂/>,则/>为第/>个电流数据点的噪声表现程度,/>为电流数据点/>的局部范围对应时间段中温度数据点的方差,其作为噪声表现程度的可信度,方差越大表示温度变化越剧烈,能够反映电流数据点的局部范围内温度变化的剧烈性。
需要说明的是,噪声通常表现为一个离群点,电流数据中的噪声会使得正常电流数据的变化失去正弦波的特征,即会使得S3中基于正弦波的特性计算电流数据点的异常表现程度以衡量电流数据点的异常情况出现偏差,因此需要对噪声的表现特征进行分析,并在后续的S5步骤中对S3中得到的电流数据点的异常表现程度做出修正。
因为噪声只是单纯的表现为离群点,其对周围数据的影响较小,即噪点两侧的数据仍然会呈现出正弦波的变化规律,因此,可利用电流数据点两侧的正弦波情况的一致性和正弦波的表现程度大小以及温度变化的剧烈性得到电流数据点的噪声表现程度,如果电流数据点两侧的正弦波情况越一致,越呈现出正弦波,则电流数据点为正常数据和噪声数据的可能性较大,并且考虑到温度的变化可能导致电流传感器内部电阻出现变化,从而会影响测量的准确性,也就是说温度的变化可能会导致噪点出现的可能性变高,因此可利用温度的表现特征区分正常数据和噪声数据,如果温度数据在电流数据点局部范围对应时间段内的数据变化越剧烈,则说明电流数据点为噪声的可能性越大,反之电流数据点越可能为正常数据。
由于电流数据点的异常表现程度则是基于正弦波特性分析局部范围内的电流数据变化得出,电流数据点的异常表现程度越小,则说明电流数据点在局部范围内的电流数据越呈现出正弦波变化,因此,本实施例中利用电流数据点的异常表现程度的负指数幂,将电流数据点两侧的正弦波情况的一致性通过体现,通过/>反映电流数据点左右两侧正弦波的差异,值越小,说明电流数据点两侧正弦波情况越一致,则两侧正弦波情况的一致性越高,将正弦波的表现程度大小通过/>体现,/>和/>的值越小,电流数据点左右两侧的异常表现程度越小,则/>的值越大,即电流数据点左右两侧的正弦波的表现程度越好,而对于温度变化的剧烈性即可电流数据点的局部范围对应的时间段内温度数据的方差表示,方差越大表示温度变化越剧烈。
S6:利用所述噪声表现程度对所述异常表现程度进行修正,得到所述每个电流数据点修正后的异常表现程度。
如果电流数据点的噪声表现程度越高,说明其为噪声的可能性越高,即其并不是异常数据,因此电流数据点的异常表现程度应该降低,因此其对异常表现程度的修正应该越大,具体修正方法为:
式中,为第/>个电流数据点修正后的异常表现程度,/>为第/>个电流数据点的异常表现程度,/>为第/>个电流数据点的噪声表现程度,则/>即为修正因子。
对于每个电流数据点都按照S2-S5的方法步骤,得到修正后的异常表现程度。
S7:将所述每个电流数据点修正后的异常表现程度作为特征值,通过孤立森林算法对所有电流数据点的特征值进行异常检测,得到每个电流数据点的异常得分值。
基于每个电流数据点的异常表现程度,利用孤立森林算法进行异常检测,其过程为:从5分钟的电流数据中利用简单随机抽样获取80个子样本集,每个子样本集中包含70个电流数据点,将电流数据点的修正后的异常表现程度作为特征值,分别建立80个孤立树(即1个子样本集建立1个孤立树),然后利用孤立森林算法中计算异常得分值的方式,得到每个电流数据点的异常得分值。
S8:通过所述异常得分值判断所述电流数据是否存在异常,根据所述电流数据是否存在异常对所述智能化开关柜进行控制。
其中,通过所述异常得分值判断所述电流数据是否存在异常,方法为:
预设得分阈值,本实施例中设定得分阈值0.67,是一个经验值具体可自行设定,若所述电流数据中的电流数据点的异常得分值大于等于所述预设得分阈值,则所述电流数据存在异常,否则,不存在异常。
其中,根据判断结果对所述智能化开关柜进行控制,方法为:
若所述电流数据存在异常,则控制所述智能化开关柜停止运行,具体如利用断路器切断智能化开关柜的电路,使其停止运行,并通知检修;否则,不做处理,保持智能化开关柜正常运行。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (6)
1.一种智能化开关柜用数据处理方法,其特征在于,包括:
获取智能化开关柜一段时间内的电流数据和温度数据;
按照预设范围设定所述电流数据中每个电流数据点的局部范围,利用差分法计算出所述局部范围内的多个极值点;
基于所述局部范围内的多个极值点中每两个相邻极值点之间的时间跨度差和电流差,计算所述每个电流数据点的异常表现程度;
将所述每个电流数据点的局部范围划分为左侧范围和右侧范围,并基于所述左侧范围和右侧范围包含的极值点分别计算左侧异常程度和右侧异常程度;
根据所述左侧异常程度和右侧异常程度以及所述电流数据点的局部范围内的温度数据,得到所述每个电流数据点的噪声表现程度;
利用所述噪声表现程度对所述异常表现程度进行修正,得到所述每个电流数据点修正后的异常表现程度;
将所述每个电流数据点修正后的异常表现程度作为特征值,通过孤立森林算法对所有电流数据点的特征值进行异常检测,得到每个电流数据点的异常得分值;
通过所述异常得分值判断所述电流数据是否存在异常,根据所述电流数据是否存在异常对所述智能化开关柜进行控制;
所述左侧异常程度和右侧异常程度的计算方法与所述每个电流数据点的异常表现程度的计算方法相同;
所述每个电流数据点的异常表现程度,满足如下关系式:
式中,为第/>个电流数据点的异常表现程度,/>为预设权重,/>为第/>个电流数据点的局部范围内的极值点数量,/>为每两个相邻极值点的排列组合总数,所述每个组合中包含两个第一相邻极值点和两个第二相邻极值点,/>为第/>个组合,/>为时间,/>为电流值,/>为第/>个组合中的两个第一相邻极值点,/>为第/>个组合中的两个第二相邻极值点,/>为所述两个第一相邻极值点之间的时间跨度,/>为所述两个第二相邻极值点之间的时间跨度,为所述两个第一相邻极值点之间的电流值的差值,/>为所述两个第二相邻极值点之间的电流值的差值;
根据所述左侧异常程度和右侧异常程度以及所述电流数据点的局部范围内的温度数据,得到所述每个电流数据点的噪声表现程度,满足如下关系式:
式中,为第/>个电流数据点的噪声表现程度,/>为以自然常数e为底的指数函数,为第/>个电流数据点的左侧异常程度,/>为第/>个电流数据点的右侧异常程度,/>为第/>个电流数据点的局部范围对应的时间段内的温度数据的方差。
2.根据权利要求1所述的一种智能化开关柜用数据处理方法,其特征在于,所述利用所述噪声表现程度对所述异常表现程度进行修正,得到所述每个电流数据点修正后的异常表现程度,所述每个电流数据点修正后的异常表现程度,满足如下关系式:
式中,为第/>个电流数据点修正后的异常表现程度,/>为第/>个电流数据点的异常表现程度,/>为第/>个电流数据点的噪声表现程度,/>为以自然常数e为底的指数函数。
3.根据权利要求1所述的一种智能化开关柜用数据处理方法,其特征在于,按照预设范围设定所述电流数据中每个电流数据点的局部范围,包括:
以所述每个电流数据点为中心,将所述每个电流数据点及左侧的M个电流数据点和右侧的M个电流数据点作为所述每个电流数据点的局部范围,M为预设值。
4.根据权利要求3所述的一种智能化开关柜用数据处理方法,其特征在于,将所述每个电流数据点的局部范围划分为左侧范围和右侧范围,方法为:
将所述每个电流数据点及左侧的M个电流数据点作为左侧范围,将所述每个电流数据点及右侧的M个电流数据点作为右侧范围。
5.根据权利要求1所述的一种智能化开关柜用数据处理方法,其特征在于,通过所述异常得分值判断所述电流数据是否存在异常,方法为:
预设得分阈值;
若所述电流数据中存在异常得分值大于或者等于所述预设得分阈值的电流数据点,则所述电流数据存在异常,否则,不存在异常。
6.根据权利要求5所述的一种智能化开关柜用数据处理方法,其特征在于,根据所述电流数据是否存在异常对所述智能化开关柜进行控制,方法为:
若所述电流数据存在异常,则控制所述智能化开关柜停止运行,否则,正常运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410276465.3A CN117892246B (zh) | 2024-03-12 | 2024-03-12 | 一种智能化开关柜用数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410276465.3A CN117892246B (zh) | 2024-03-12 | 2024-03-12 | 一种智能化开关柜用数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892246A CN117892246A (zh) | 2024-04-16 |
CN117892246B true CN117892246B (zh) | 2024-05-31 |
Family
ID=90647459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410276465.3A Active CN117892246B (zh) | 2024-03-12 | 2024-03-12 | 一种智能化开关柜用数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892246B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118091325B (zh) * | 2024-04-17 | 2024-06-25 | 江苏裕荣光电科技有限公司 | 一种电缆智能检测方法及*** |
CN118226791A (zh) * | 2024-05-22 | 2024-06-21 | 苏州诺达佳自动化技术有限公司 | 一种工控机自检控制***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN117330816A (zh) * | 2023-12-01 | 2024-01-02 | 南京中旭电子科技有限公司 | 一种用于霍尔电流传感器的监测数据优化方法 |
CN117411189A (zh) * | 2023-12-14 | 2024-01-16 | 山东德源电力科技股份有限公司 | 一种微电网协调控制器的监测数据增强方法 |
CN117420346A (zh) * | 2023-12-19 | 2024-01-19 | 东莞市兴开泰电子科技有限公司 | 一种电路保护板过流值检测方法及*** |
CN117609929A (zh) * | 2024-01-24 | 2024-02-27 | 湖南易比特大数据有限公司 | 基于大数据的工业生产线故障在线诊断方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11755932B2 (en) * | 2020-04-23 | 2023-09-12 | Actimize Ltd. | Online unsupervised anomaly detection |
WO2024015985A1 (en) * | 2022-07-15 | 2024-01-18 | Black & Veatch Holding Company | Method and computing device for detecting anomalous sensor data |
-
2024
- 2024-03-12 CN CN202410276465.3A patent/CN117892246B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN117330816A (zh) * | 2023-12-01 | 2024-01-02 | 南京中旭电子科技有限公司 | 一种用于霍尔电流传感器的监测数据优化方法 |
CN117411189A (zh) * | 2023-12-14 | 2024-01-16 | 山东德源电力科技股份有限公司 | 一种微电网协调控制器的监测数据增强方法 |
CN117420346A (zh) * | 2023-12-19 | 2024-01-19 | 东莞市兴开泰电子科技有限公司 | 一种电路保护板过流值检测方法及*** |
CN117609929A (zh) * | 2024-01-24 | 2024-02-27 | 湖南易比特大数据有限公司 | 基于大数据的工业生产线故障在线诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
孤立森林算法在智能监控中的应用;闻明 等;《科技创新导报》;20200511(第14期);第140-141页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117892246A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117892246B (zh) | 一种智能化开关柜用数据处理方法 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及*** | |
CN116702081B (zh) | 基于人工智能的配电设备智能巡检方法 | |
CN116628529B (zh) | 一种用于用户侧智能负荷控制***的数据异常检测方法 | |
CN117421610B (zh) | 一种用于电能表运行状态预警的数据异常分析方法 | |
CN109115257B (zh) | 传感器特性曲线的修正方法、装置、设备及存储介质 | |
CN115689393A (zh) | 一种基于物联网的电力***实时动态监测***及方法 | |
CN116111727A (zh) | 基于动态温度阈值的综合配电箱异常监测方法 | |
CN116226766B (zh) | 一种高压电器运行状态监测*** | |
CN116183058A (zh) | 一种智能电容器的监测方法 | |
CN116365716B (zh) | 一种基于物联网平台的用电检查*** | |
CN116994416B (zh) | 基于人工智能的风机运行故障预警方法及*** | |
CN112504511A (zh) | 一种发电机定子温度监测方法、装置及介质 | |
CN106405280B (zh) | 一种智能变电站在线监测参数趋势预警方法 | |
CN110488128A (zh) | 双边累积和事件检测方法 | |
CN117368799A (zh) | 一种电力***输电线路短路故障的诊断方法 | |
CN113988723A (zh) | 一种基于用电数据异常分析的用户行为锁定方法和*** | |
CN117318310B (zh) | 一种防爆配电柜远程无人智慧监测*** | |
CN113091832B (zh) | 基于大数据可视化的变配电站智能监控方法及云监控平台 | |
CN110992205A (zh) | 风电机组发电机绕组的状态检测方法、***及相关组件 | |
CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及*** | |
CN115713312A (zh) | 一种水利水电工程环境量不利工况组合识别方法及装置 | |
CN115600879A (zh) | 一种断路器异常预警方法、***及相关装置 | |
CN117970168B (zh) | 一种双电源转换装置的监测数据高效处理方法 | |
CN118091325B (zh) | 一种电缆智能检测方法及*** |
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 |