CN105574669A - 时空联合数据聚类分析的输变电设备状态异常检测方法 - Google Patents

Abstract

本发明公开了时空联合数据聚类分析的输变电设备状态异常检测方法，包括以下步骤：对输变电设备状态数据的时间分量添加时窗获得时间子序列，通过结合空间分量以及生成的时间子序列，得到时空子序列；通过使用c均值模糊聚类FCM对时空子序列按不同时窗进行聚类，得到分块矩阵；每个分块矩阵描述分块矩阵对应的时窗中存在的类；根据输变电设备状态历史正常数据计算单个时空子序列的异常度值，并利用分块矩阵对每个时窗的类赋予异常度值，根据异常度值大小判断设备状态的异常情况；如果异常度值高，则说明设备状态存在异常情况；利用分块矩阵建立不同时窗中的各个类之间的关系，从而形象化地观察异常类的发展情况。

Description

时空联合数据聚类分析的输变电设备状态异常检测方法

技术领域

本发明涉及输变电设备检测技术领域，具体是一种时空联合数据聚类分析的输变电设备状态异常检测方法。

背景技术

输变电设备在实际运行过程中会受到过负荷、过电压、内部绝缘老化、自然环境等异常事件影响，这些异常运行状态会导致设备缺陷、故障的发生，所以对输变电设备状态进行异常检测具有很强的必要性。

国内外文献提出了许多输变电设备的异常检测与状态评估技术。《基于MCD稳健统计分析的变压器油色谱异常值检测及分布特性》采用MCD稳健统计方法进行异常值检测，并将异常值和正常数据进行单独分析，给出正常油色谱数据的分布规律，《基于贝叶斯网络的电力变压器状态评估》建立贝叶斯网络对变压器进行状态评估，《基于可拓分析法的电力变压器本体绝缘状态评估》对变压器本体绝缘状态进行等级划分的基础上，通过构造适当的评估指标关联函数，进而建立基于物元可拓评价法的变压器本体绝缘状态评估模型，《基于云理论的电力变压器绝缘状态评估方法》结合油中气体分析、红外色像仪技术与云模型方法对变压器绝缘状态进行评价，《人工神经网络和信息融合技术在变压器状态评估中的应用》综合应用人工神经网络和Dempster-Shafer证据理论构建多信息融合的变压器综合状态评估模型。

目前的输变电设备异常检测方法利用的数据量小，没有充分考虑到历史数据的作用，并且只考虑了时间维度的数据，没有将时间大数据与地理空间信息结合。设备的状态数据(包括在线监测、带电检测、预防性试验数据等)具有体量大，种类繁多等特点，常规的数据处理技术难以对设备状态数据进行全面、深入的分析。近年来大数据技术不断发展，将大数据技术应用于输变电设备异常检测，可大大提高设备状态数据的利用率，有利于更加全面，深刻地分析设备状态。输变电设备的某些状态数据与地理空间位置存在一定的关联性，将空间维度信息与时间维度信息结合考虑，可以更加全面地分析设备的异常情况。

发明内容

本发明的目的就是为了解决上述问题，提供一种时空联合数据聚类分析的输变电设备状态异常检测方法，它具有实现状态数据时间与空间维度信息的关联性挖掘的优点。

为了实现上述目的，本发明采用如下技术方案：

时空联合数据聚类分析的输变电设备状态异常检测方法，包括以下步骤：

步骤S1：对输变电设备状态数据的时间分量添加时窗获得时间子序列，通过结合空间分量以及生成的时间子序列，得到时空子序列；

步骤S2：通过使用c均值模糊聚类FCM对时空子序列按不同时窗进行聚类，得到分块矩阵；进入步骤S3；

步骤S3：根据输变电设备状态历史正常数据计算单个时空子序列的异常度值，并利用步骤S2的分块矩阵对每个时窗的类赋予异常度值，根据异常度值大小判断设备状态的异常情况。

时空联合数据聚类分析的输变电设备状态异常检测方法，还包括：

步骤S4：利用步骤S2的分块矩阵建立不同时窗中的各个类之间的模糊关系，并获得相邻两个时窗之间的模糊关系矩阵，通过模糊关系矩阵观察异常类的发展情况。

所述步骤S2：每个分块矩阵中的元素描述分块矩阵对应的时窗中存在的类；

所述步骤S3：如果异常度值越高，则说明设备状态存在异常情况的可能性越大。

所述步骤S4：每个时窗中都会进行聚类，将每个时窗中的时空子序列分为若干类，每个时窗对应着分块矩阵，每个时窗中的类对应着分块矩阵中的元素，利用分块矩阵建立不同时窗中的各个类之间的模糊关系，并获得相邻两个时窗之间的模糊关系矩阵R；

模糊关系矩阵R的第i行第j列的元素r_i,j代表第一个时窗W₁中的第i类与第二个时窗W₂中的第j类的相关程度，

r_s,t的值越大，则说明第一个时窗W₁中的第i类与第二个时窗W₂中的第j类的相关程度越大，

相关程度大说明第二个时窗W₂中的第j类是由第一个时窗W₁中的第i类发展而来的，由此得出一个时窗中的异常类与相邻时窗中对应的相关类，从而了解异常类的发展情况。

所述步骤S1具体包括：

假设有N个数据x₁,x₂,...,x_N，每个数据由一个空间分量和一个时间分量组成。

对于第k个数据x_k，有：

x_k＝[x_k(s)|x_k(t)]，(1)

其中，x_k(s)代表数据的空间分量，x_k(t)代表数据的时间分量。

假设空间分量的维数为r(通常r＝2)，时间分量的维数为q，则得到维数为n＝r+q的第k个数据的表达式如公式(2)所示：

x_k＝[x_k1(s),...,x_kr(s)|x_k1(t),...,x_kq(t)]^T，(2)

其中，x_kr(s)表示第k个数据空间分量的第r个元素，x_kq(t)表示第k个数据时间分量的第q个元素。

假设时窗的长度为l，则第j个时窗中第k个数据的时间子序列x_kj(t)的表达式如公式(3)所示：

x_kj(t)＝[x_k((j-1)*l+1)(t),...,x_k(j*l)(t)]^T，(3)

将第j个时窗中第k个数据的时间子序列与空间分量结合，得到第j个时窗中第k个数据的时空子序列x_kj的表达式如公式(4)所示：

x_kj＝[x_k1(s),...,x_kr(s)|x_k((j-1)*l+1)(t),...,x_k(j*l)(t)]^T，(4)

所述步骤S2具体包括：

利用c均值模糊聚类方法，计算聚类中心以及分块矩阵：

$v_i=\left(\underset{k=1}{\overset{N}{\Σ}}{u}_{ik}^m{x}_k\right)/\left(\underset{k=1}{\overset{N}{\Σ}}{u}_{ik}^m\right),---\left(5\right)$

$u_{ik}=1/\underset{j=1}{\overset{c}{\Σ}}{\left(\frac{d_{\mathrm{\λ}}^2(v_i,x_k)}{d_{\mathrm{\λ}}^2(v_j,x_k)}\right)}^{1/(m-1)},---\left(6\right)$

其中，v_i为第i个聚类中心，u_ik为代表分块矩阵的元素，表示第k个数据到第i个聚类中心的隶属度，

$d_{\mathrm{\λ}}^2(v_i,x_k)=\left|\right|v_i\left(s\right)-x_k\left(s\right)|{|}^2+\mathrm{\λ}||v_i\left(t\right)-x_k\left(t\right)|{|}^2,\mathrm{\λ}\≥0,---\left(7\right)$

d_λ(v_i,x_k)表示第i个聚类中心到第k个数据的时空复合距离。λ表示时间分量所占的权重，v_i(s)表示第i个聚类中心的空间分量，v_i(t)表示第i个聚类中心的时间分量。

通过求得的聚类中心以及分块矩阵对第k个数据进行重构：

${\hat{x}}_k=\left(\underset{i=1}{\overset{c}{\Σ}}{u}_{ik}^m{v}_i\right)/\left(\underset{i=1}{\overset{c}{\Σ}}{u}_{ik}^m\right),---\left(8\right)$

在设定范围内尝试多个不同的λ值，利用重建误差E(λ)来评估聚类的质量，选择一个使重建误差最小的λ值；

$E\left(\mathrm{\λ}\right)=\underset{k=1}{\overset{N}{\Σ}}\left|\right|x_k-{\hat{x}}_k|{|}^2,---\left(9\right)$

其中，表示第k个时空数据的重构值。

所述步骤S3具体包括：

假设x_k是待检测数据，y_k是历史正常数据，x_kj是时空序列x_k在时窗W_j中的子序列；y_kj是时空序列y_k在时窗W_j中的子序列，用公式(9)计算子序列x_kj的异常度值：

f_kj＝||x_kj-y_kj||²，(9)

其中，f_kj表示第j个时窗中第k个数据时空子序列的异常度值。

假设U是对时窗W_j中时空子序列聚类得到的分块矩阵，对时窗W_j中的每个子序列的异常度值进行加权平均得到在时窗W_j中每个聚类中心对应的类的异常度值s_j＝{s_i,i＝1,2,...,c_j}，其中

$s_i=\underset{k=1}{\overset{N}{\Σ}}{u}_{ik}{f}_{kj}/\underset{k=1}{\overset{N}{\Σ}}{u}_{ik},---\left(10\right)$

c_j为在时窗W_j中类的数目。

s_i的值越大，则在时窗W_j中从属于第i类的子序列异常度越高；异常度值越高说明设备出现异常的可能性越大。

s_i的值越小，则在时窗W_j中从属于第i类的子序列异常度越低；异常度值越低说明设备出现异常的可能性越小。

所述步骤S4具体包括：

假设U₁为时窗W₁的分块矩阵，U₁的维数为c₁×N，U₂为时窗W₂的分块矩阵，U₂的维数为c₂×N，其中N是数据的个数，c₁是U₁中类的个数，c₂是U₂中类的个数。

构建一个维数为c₁×c₂的模糊关系矩阵

R＝[r_i,j],i＝1,2,...,c₁,j＝1,2,...,c₂，(11)

r_i,j表示时窗W₁中的第i类与时窗W₂中的第j类的相关程度。

用迭代的方式更新R中的项，R中的第s行第t列的元素r_s,t表示为：

$r_{s,t}(iter+1)=<r_{s,t}\left(iter\right)-\mathrm{\&alpha;}\frac{\&part;Q}{\&part;r_{s,t}\left(iter\right)}>,---\left(12\right)$

其中，r_s,t(iter+1)表示元素r_s,t示第iter+1次的迭代结果。

<>表示r_s,t(iter+1)的值限制在[0,1]的区间内，α为正的学习速度，iter为迭代序号。

通过选用极大极小复合算子，得到：

其中：

uy_j,k表示分块矩阵U₂第j行第k列的元素，ux_i,k表示分块矩阵U₁第i行第k列的元素。

r_s,t表示W₁中的第s类与W₂中的第t类之间的相关程度，r_s,t的值越大，则说明两个类越相关。

本发明的有益效果：

结合了设备状态数据的时间和空间信息，综合考虑其历史数据，可以更加全面地分析状态数据的异常情况，具有较高的准确性。模糊关系可以从时间发展的维度上观察异常类的演化情况，能将异常类别的演化情况通过矩阵的形式表征，使得状态数据的结构形象化、可视化，有利于更好地理解数据，分析数据。

附图说明

图1(a)为济南地区在线监测导线温度数据图；

图1(b)为安丘地区在线监测导线温度数据图；

图1(c)为济南地区在线监测环境温度数据图；

图1(d)为安丘地区在线监测环境温度数据图；

图1(e)为济南地区在线监测平均风速数据图；

图1(f)为安丘地区在线监测平均风速数据图；

图1(g)为济南地区在线监测湿度数据图；

图1(h)为安丘地区在线监测湿度数据图；

图2(a)为时窗1时空联合数据聚类结果图；

图2(b)为时窗2时空联合数据聚类结果图；

图2(c)为时窗3时空联合数据聚类结果图；

图2(d)为时窗4时空联合数据聚类结果图；

图2(e)为时窗5时空联合数据聚类结果图；

图2(f)为时窗6时空联合数据聚类结果图；

图2(g)为时窗7时空联合数据聚类结果图；

图2(h)为时窗8时空联合数据聚类结果图；

图3为异常度值与模糊关系的图形表示图；

图4为本发明的方法流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图4所示，时空联合数据聚类分析的输变电设备状态异常检测方法，包括以下步骤：

步骤S1：对输变电设备状态数据的时间分量添加时窗获得时间子序列，通过结合空间分量以及生成的时间子序列，得到时空子序列；

步骤S2：通过使用c均值模糊聚类FCM对时空子序列按不同时窗进行聚类，得到分块矩阵；每个分块矩阵描述分块矩阵对应的时窗中存在的类；分别进入步骤S3和步骤S4；

步骤S3：根据输变电设备状态历史正常数据计算单个时空子序列的异常度值，并利用步骤S2的分块矩阵对每个时窗的类赋予异常度值，根据异常度值大小判断设备状态的异常情况；如果异常度值高，则说明设备状态存在异常情况；

步骤S4：利用步骤S2的分块矩阵建立不同时窗中的各个类之间的关系，从而形象化地观察异常类的发展情况。

以山东11个地区(济南，安丘，滨州，昌邑，德州，枣庄，章丘，招远，诸城，淄博，邹城)某些输电线路为例，选取其2013年12月1日-2014年2月28日90天的环境温度，导线温度，湿度，平均风速的在线监测数据作为历史正常数据，用于计算异常度值，同时选取其2014年12月1日-2015年2月28日的在线监测数据作为异常检测的样本，综合地理位置信息，判断线路的覆冰异常情况。部分地区在线监测数据如图1(a)-图1(h)所示。从图中可直接看出，在第44-58个数据点，安丘地区的导线温度与环境温度都有明显降低，平均风速与湿度有比较大的升高。

采用时窗长度为20，移动步长为10，第一个时窗为1-20天，第二个时窗为11-30天，以此类推，共8个时窗。将各个地区的经纬度坐标转化到笛卡尔坐标系，在每一个时间序列之后添加空间坐标，构成时空联合数据。在每个时窗中，通过使用1.2中的重构标准方法，选取[0,40]范围内的不同λ值，得到不同的重构误差，选取各时窗的最优λ值如表1所示：

表1不同时窗中的最优λ值

使用c均值模糊聚类方法对各时窗中的时空联合数据进行聚类，得到的聚类结果如图2(a)-图2(h)所示：

由图2(a)-图2(h)可知，在各时窗中，在线监测时空联合数据被分为了3类，位于山东较北部的安丘，昌邑，招远，诸城分为了一类，位于山东纬度靠近中部的滨州和淄博分为了一类，位于山东较南部的济南，德州，枣庄，章丘，邹城分为了一类。将异常检测样本数据与其前一年相对应时窗中的时空联合数据的欧式距离作为每一个序列的异常度值，进而加权得到每一类的异常度值如表2所示。

表2不同时窗中各类的异常度值

由表2可知，第四个时窗中的第二类，第五个时窗中的第三类以及第六个时窗中的第二类均有较高的异常度值，可知数据出现异常的地点为安丘、昌邑、招远、诸城，发生异常的时间点为第41-60个数据点，通过观察异常地区第五个时窗的数据，发现第44-58个数据点的导线温度较低，环境温度较低，平均风速较高，湿度较高，很有可能出现覆冰情况。

由各个时窗中的分块矩阵U₁～U₈可以得到相邻时窗中各类的模糊关系如表3所示。由时窗W₁到W₂的模糊关系矩阵表明在时窗W₁中的第一、二、三类分别演化为时窗W₂中的第三、一、二类。

表3相邻时窗中各类的模糊关系

不同时窗中各类的演化进程及异常度值如图3所示，其中节点表示类，箭头表示不同类之间的关系，每一列节点表示一个时窗，节点上方的数字表示该类的异常度值。

图3可以用来追踪正常与异常类的发展。例如时窗W₃中的第三类演化为了时窗W₄的第三类中的第二类，该类发生了异常，进而演化出了时窗W₅中的具有很高异常度的第三类，时窗W₅中的第三类演化出时窗W₆中的第二类，该类同样具有较高异常度，时窗W₆中的第二类演化出了时窗W₇中的第一类，该类已经不再异常，可见覆冰异常情况在时窗W₄(对应第31到50个数据点)开始出现，在时窗W₇(对应第61到80个数据点)恢复正常。

由此可以得出异常检测的结论：在2014年12月31日到2015年1月29日这段时间中，安丘、昌邑、招远、诸城地区的环境温度、导线温度、平均风速与湿度发生异常；由不同时窗中类之间的模糊关系可知，在2014年12月1日到12月30日，上述地区的微气象参数比较正常，但在12月31日到2015年1月29日这段时间，以上地区全部出现微气象参数异常的情况，2015年1月30日之后，微气象参数恢复正常。因此，在2014年12月31日到2015年1月29日这段时间中，安丘、昌邑、招远、诸城地区很有可能出现覆冰异常的情况。

根据上述地区的输电线路巡视记录可知，在2015年1月13日到1月27日这段时间，上述地区输电线路存在覆冰情况。由此算例可得，本发明方法的异常检测结论与实践情况大致相符，具有一定的实用性。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.时空联合数据聚类分析的输变电设备状态异常检测方法，其特征是，包括以下步骤：

步骤S1：对输变电设备状态数据的时间分量添加时窗获得时间子序列，通过结合空间分量以及生成的时间子序列，得到时空子序列；

步骤S2：通过使用c均值模糊聚类FCM对时空子序列按不同时窗进行聚类，得到分块矩阵；进入步骤S3；

步骤S3：根据输变电设备状态历史正常数据计算单个时空子序列的异常度值，并利用步骤S2的分块矩阵对每个时窗的类赋予异常度值，根据异常度值大小判断设备状态的异常情况。

2.时空联合数据聚类分析的输变电设备状态异常检测方法，其特征是，还包括：

步骤S4：利用步骤S2的分块矩阵建立不同时窗中的各个类之间的模糊关系，并获得相邻两个时窗之间的模糊关系矩阵，通过模糊关系矩阵观察异常类的发展情况。

3.如权利要求1所述的时空联合数据聚类分析的输变电设备状态异常检测方法，其特征是，所述步骤S2：每个分块矩阵中的元素描述分块矩阵对应的时窗中存在的类。

4.如权利要求1所述的时空联合数据聚类分析的输变电设备状态异常检测方法，其特征是，所述步骤S3：如果异常度值越高，则说明设备状态存在异常情况的可能性越大。

5.如权利要求2所述的时空联合数据聚类分析的输变电设备状态异常检测方法，其特征是，所述步骤S4：每个时窗中都会进行聚类，将每个时窗中的时空子序列分为若干类，每个时窗对应着分块矩阵，每个时窗中的类对应着分块矩阵中的元素，利用分块矩阵建立不同时窗中的各个类之间的模糊关系，并获得相邻两个时窗之间的模糊关系矩阵R；

模糊关系矩阵R的第i行第j列的元素r_i,j代表第一个时窗W₁中的第i类与第二个时窗W₂中的第j类的相关程度，

r_s,t的值越大，则说明第一个时窗W₁中的第i类与第二个时窗W₂中的第j类的相关程度越大，

相关程度大说明第二个时窗W₂中的第j类是由第一个时窗W₁中的第i类发展而来的，由此得出一个时窗中的异常类与相邻时窗中对应的相关类，从而了解异常类的发展情况。