CN106504122A - 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 - Google Patents
一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 Download PDFInfo
- Publication number
- CN106504122A CN106504122A CN201611036976.XA CN201611036976A CN106504122A CN 106504122 A CN106504122 A CN 106504122A CN 201611036976 A CN201611036976 A CN 201611036976A CN 106504122 A CN106504122 A CN 106504122A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- data matrix
- neighborhood
- main unit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 96
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 33
- 238000010276 construction Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000013016 learning Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011551 heat transfer agent Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及配电安全领域，公开了一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统，通过获取环网柜运行过程中的历史多变量数据的第一数据矩阵X；对所述第一数据矩阵X中的数据进行预处理和归一化，生成第二数据矩阵；根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度，在所述第二数据矩阵下构造多变量数据降维模型，并设定Hotelling和平方预报误差SPE统计量及对应的监控统计阈值；获取实时多变量数据并生成第三数据矩阵，对所述第三数据矩阵进行预处理和归一化，生成第四数据矩阵；将所述第四数据矩阵输入到NPE模型中，并分别计算实时数据的T2和SPE统计量，并与T2和SPE统计量的监控统计阈值进行比较，当实时数据的T2和SPE统计量大于监控统计阈值时，进行异常处理。本发明能够更多地获取数据的细节信息，降低了故障检测模型计算的复杂度。
Description
技术领域
本发明涉及配电安全领域，尤其涉及一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统。
背景技术
随着城市供电方式由架空线路改为地下电缆埋设，对环网柜供电的可靠性和供电质量的要求越来越高。地下电缆一般运行周期长，且容易受到渗水或者虫害等其他灾害影响。因此，对电缆沿线上的环网柜内的相关设备的运行状态进行实时综合监测尤其重要。传统的在线监测技术如电缆故障技术、电缆线芯监测技术、电气柜内火情监测与灭火技术等。单纯依赖这些设备和技术，在电缆应急抢修或日常维护时，依然需要对电缆进行开挖探测、停电开柜等重复性试验、逐一排查，导致地下电缆维护工作繁重、操作复杂、难度大、风险高，电缆等地下设施管理非常困难。由于电力电缆发生故障的过程是一个高维的非线性时间序列过程，具有复杂及突变等特性，导致过程机理模型难以建立。
由于过程中积累了大量的测量数据，如电力电缆、环网柜的环境(温度、湿度等)、SF6气体泄漏等大量的实时数据。根据采集到的过程数据为基础，利用各种数据分析和处理方法挖掘出隐含的模型信息，可以获取过程运行状态。因此，现有技术中，提出基于数据的建模的和监测方法更加适合于环网柜监测的过程，现有技术的监测方法一般是基于环网柜中的一些重要单变量单独进行监测，但是反映过程特征的数据之间一般存在较大的相关性，而现有技术中的监测方法无法对多个变量之间相互关系变化进行监测，信息相对单一，监测准确率低。
发明内容
本发明提供一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统，解决现有技术中的监测方法无法对多个变量之间相互关系变化进行监测，信息相对单一，监测准确率低的技术问题。
本发明的目的是通过以下技术方案实现的：
一种基于邻域保持嵌入算法的环网柜的故障监测方法，包括：
获取环网柜运行过程中的历史多变量数据的第一数据矩阵X，所述第一数据矩阵X包括环网柜运行过程中的D维的变量数据；
对所述第一数据矩阵X中的数据进行预处理和归一化，生成第二数据矩阵，以使得各个过程变量的均值为零方差为1；
根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度，在所述第二数据矩阵下构造多变量数据降维模型，并设定Hotelling和平方预报误差SPE统计量及对应的监控统计阈值；
获取实时多变量数据并生成第三数据矩阵，对所述第三数据矩阵进行预处理和归一化，生成第四数据矩阵，以使得各个过程变量的均值为零方差为1；
将所述第四数据矩阵输入到NPE模型中，并分别计算实时数据的T2和SPE统计量，并与T2和SPE统计量的监控统计阈值进行比较，当实时数据的T2和SPE统计量大于监控统计阈值时，进行异常处理。
一种基于邻域保持嵌入算法的环网柜的故障监测系统，包括：
历史数据获取模块，用于获取环网柜运行过程中的历史多变量数据的第一数据矩阵X，所述第一数据矩阵X包括环网柜运行过程中的D维的变量数据；
处理模块，用于对所述第一数据矩阵X中的数据进行预处理和归一化，生成第二数据矩阵，以使得各个过程变量的均值为零方差为1；
配置模块，用于根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度，在所述第二数据矩阵下构造多变量数据降维模型，并设定Hotelling和平方预报误差SPE统计量及对应的监控统计阈值；
实时数据获取模块，获取实时多变量数据并生成第三数据矩阵，对所述第三数据矩阵进行预处理和归一化，生成第四数据矩阵，以使得各个过程变量的均值为零方差为1；
实时监控模块，用于将所述第四数据矩阵输入到NPE模型中，并分别计算实时数据的T2和SPE统计量，并与T2和SPE统计量的监控统计阈值进行比较，当实时数据的T2和SPE统计量大于监控统计阈值时，进行异常处理。
本发明提供一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统，通过获取环网柜运行过程中的历史多变量数据的第一数据矩阵X；对所述第一数据矩阵X中的数据进行预处理和归一化，生成第二数据矩阵；根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度，在所述第二数据矩阵下构造多变量数据降维模型，并设定Hotelling和平方预报误差SPE统计量及对应的监控统计阈值；获取实时多变量数据并生成第三数据矩阵，对所述第三数据矩阵进行预处理和归一化，生成第四数据矩阵；将所述第四数据矩阵输入到NPE模型中，并分别计算实时数据的T2和SPE统计量，并与T2和SPE统计量的监控统计阈值进行比较，当实时数据的T2和SPE统计量大于监控统计阈值时，进行异常处理。本发明能够更多地获取数据的细节信息，降低了故障检测模型计算的复杂度，最终实现了基于邻域保持嵌入算法的多变量环网柜故障检测，利用T2和SPE统计量得到了更好的检测结果。
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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可根据这些附图获得其他的附图。
图1为本发明实施例的一种基于邻域保持嵌入算法的环网柜的故障监测方法的流程图；
图2为本发明实施例的一种基于邻域保持嵌入算法的环网柜的故障监测系统的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，为一种基于邻域保持嵌入算法的环网柜的故障监测方法，包括：
步骤101、获取环网柜运行过程中的历史多变量数据的第一数据矩阵X；
其中，所述第一数据矩阵X包括环网柜运行过程中的D维的变量数据，历史多变量数据为来自于安装在现场的传感器及数据采集、通信装置的数据，包括环网柜内环境温度、湿度、电缆接头温度、电缆线芯温度、co气体、电缆电流等传感信息，以及对公共信息，如空气温度、湿度、风速、风向、日照强度、用户用电负载等信息。
步骤102、对所述第一数据矩阵X中的数据进行预处理和归一化，生成第二数据矩阵，以使得各个过程变量的均值为零方差为1；
步骤103、根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度，在所述第二数据矩阵下构造多变量数据降维模型，并设定Hotelling和平方预报误差SPE统计量及对应的监控统计阈值；
其中，可以通过实验验证，确定降维的维度以及数据邻域个数。Hotelling T2和平方预报误差(Squared Prediction Error,SPE)这两个统计量来监测故障的发生，Hotelling T2统计量是用来衡量包含在主元模型中的信息大小，它表示标准分值平方和。SPE统计量是通过分析新的测量数据的残差进行故障诊断，用以表明这个采样数据在多大程度上复合主元模型，它衡量了这个数据点不能被主元模型所描述的信息量的大小。
步骤103之前，还需要建立NPE模型，包括如下步骤：
步骤103-a、对所述第二数据矩阵构建局部权重矩阵W；
其中，对预处理后的数据利用邻域保持嵌入算法建模，首先得到数据的协方差矩阵Qi，局部最优化权重矩阵W∈Rn×n如下所示：
其中，xij(j＝1,2,...,k)为xi的k个近邻点，为xi和xij之间的权重值，且满足
步骤103-b、在低维降维空间，在保留数据权重的基础上，基于数据矩阵关系计算出所述第二数据矩阵的低维投影矩阵为，其中d为低维维度数；其中，基于建模数据的局部权重构矩阵W，通过对下式的特征值分解计算得到训练数据的低维投影矩阵A以及低维投影y∈Rn×d XMXTa＝λXXTa，其中，M＝(I-W)T(I-W)，a为邻域保持嵌入算法的投影向量。求解上式的广义特征值问题，其最小的d个特征值λ1≤λ2,...,≤λd所对应的特征向量组成投影矩阵A＝(a1,a2,...,ad)。为残差矩阵：在此基础上将原始数据投影到一个低维空间：d为提取的低维维度数。
步骤103-c、构造T2统计量并利用F分布得到监控统计阈值，同时对残差矩阵构建SPE统计量以及其相应的统计阈值。
其中，构造T2统计量并利用F分布得到监控统计限其构建方法如以下公式：
其中，F(d,n-d；α)表示显著水平为α，自由度为d和n-d的F分布。同时对残差矩阵构建SPE统计量以及其相应的统计限SPElim。基于NPE降维的过程实际上是将原数据分解为建模部分和残差两个部分则SPE统计量的构建方法如下：
其中，为建模部分，E为残差部分，A＝(BTB)-1BT∈Rd×D。g和h为χ2分布的参数，满足条件：g＝v/2m，h＝2m2/v，m和v分别代表基于训练样本估计的SPE统计量的均值和方差。
步骤104、获取实时多变量数据并生成第三数据矩阵，对所述第三数据矩阵进行预处理和归一化，生成第四数据矩阵，以使得各个过程变量的均值为零方差为1；
步骤105、将所述第四数据矩阵输入到NPE模型中，并分别计算实时数据的T2和SPE统计量，并与T2和SPE统计量的监控统计阈值进行比较，当实时数据的T2和SPE统计量大于监控统计阈值时，进行异常处理。
其中，步骤105将预处理后第四数据矩阵投影到建模后的NPE的模型上，并分别对每一个实时数据计算T2和SPE统计量。根据统计量是否超过对应的监控统计阈值来判断该时刻的数据是否正常，如果提示故障，立刻进行相应的故障消除处理。本技术一方面不用构建过程复杂机理模型，利用过程数据时时获取过程状态，模型更加灵活，降低了过程建模难度；其次，解决了传统基于单变量监控算法中数据变量特征单一、忽略了引起故障的多种变量之间的相关性，没有进行变量信息融合的问题。基于流形学习局部信息保持的思想，更有效地提高了对复杂非线性数据的监控效果。
本发明实施例中对远程环网柜过程中采集到的实时数据送到计算机进行计算，当检测数据的统计量超过控制限，则该时刻的数据样本是故障的，当故障数据累计达到一定数值时，即表明系统出现故障，需要工作人员及时查明情况，排除险情。
本发明的技术效果为：
1.本发明主要提出了基于数据驱动的环网柜过程监控方法。该方法主要是依赖于环网柜系统数据特征来挖掘其内在信息，不依赖于过程精确的数学模型和丰富的先验知识。利用流形学习等方法建立过程的数学模型，描述过程的运行状态。因此，对于难以获得精确的数据模型和全面的过程知识的复杂过程，基于数据驱动的环网柜故障检测具有较大的优势。
2.本发明改善了对环网柜过程的故障检测效果。使用多变量过程数据信息，利用统计分析方法，基于T2和SPE统计量确定环网柜过程是否存在故障，与传统的基于单变量过程的监控方法相比，该方法能够更全面地获取过程信息，改善监控效果。
3.本发明方法保持了过程数据集的局部特征结构。由于环网柜数据的物理限制和高维数据的复杂变量关系，很多的数据整体分布特征并不明显，系统故障主要体现在和故障源关联紧密的少数变量上，具有“局部性”的特征。传统的统计学习方法，如主元分析，最小二乘回归等目标为保持数据外部形状的全局结构，对局部的刻画不清楚，丢失了数据的细节信息。而本发明提出的方法可以有效地保持数据的局部结构特征，描述了数据的内在组织结构。使得模型随着数据样本的空间结构的变化而变化。提高了数据特征的表示能力。
本发明实施例还提供了一种基于邻域保持嵌入算法的环网柜的故障监测系统，如图2所示，包括：
历史数据获取模块210，用于获取环网柜运行过程中的历史多变量数据的第一数据矩阵X，所述第一数据矩阵X包括环网柜运行过程中的D维的变量数据；
处理模块220，用于对所述第一数据矩阵X中的数据进行预处理和归一化，生成第二数据矩阵，以使得各个过程变量的均值为零方差为1；
配置模块230，用于根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度，在所述第二数据矩阵下构造多变量数据降维模型，并设定Hotelling和平方预报误差SPE统计量及对应的监控统计阈值；
实时数据获取模块240，获取实时多变量数据并生成第三数据矩阵，对所述第三数据矩阵进行预处理和归一化，生成第四数据矩阵，以使得各个过程变量的均值为零方差为1；
实时监控模块250，用于将所述第四数据矩阵输入到NPE模型中，并分别计算实时数据的T2和SPE统计量，并与T2和SPE统计量的监控统计阈值进行比较，当实时数据的T2和SPE统计量大于监控统计阈值时，进行异常处理。
其中，还包括模型建立模块260，用于对所述第二数据矩阵构建局部权重矩阵W；在低维降维空间，在保留数据权重的基础上，基于数据矩阵关系计算出所述第二数据矩阵的低维投影矩阵为，其中d为低维维度数；构造T2统计量并利用F分布得到监控统计阈值，同时对残差矩阵构建SPE统计量以及其相应的统计阈值。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于邻域保持嵌入算法的环网柜的故障监测方法，其特征在于，包括：
获取环网柜运行过程中的历史多变量数据的第一数据矩阵X，所述第一数据矩阵X包括环网柜运行过程中的D维的变量数据；
对所述第一数据矩阵X中的数据进行预处理和归一化，生成第二数据矩阵，以使得各个过程变量的均值为零方差为1；
根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度，在所述第二数据矩阵下构造多变量数据降维模型，并设定Hotelling和平方预报误差SPE统计量及对应的监控统计阈值；
获取实时多变量数据并生成第三数据矩阵，对所述第三数据矩阵进行预处理和归一化，生成第四数据矩阵，以使得各个过程变量的均值为零方差为1；
将所述第四数据矩阵输入到NPE模型中，并分别计算实时数据的T2和SPE统计量，并与T2和SPE统计量的监控统计阈值进行比较，当实时数据的T2和SPE统计量大于监控统计阈值时，进行异常处理。
2.根据权利要求1所述的基于邻域保持嵌入算法的环网柜的故障监测方法，其特征在于，所述根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度，在所述第二数据矩阵下构造多变量数据降维模型，并设定Hotelling和平方预报误差SPE统计量及对应的监控统计阈值的步骤之前，包括：
对所述第二数据矩阵构建局部权重矩阵W；
在低维降维空间，在保留数据权重的基础上，基于数据矩阵关系计算出所述第二数据矩阵的低维投影矩阵为，其中d为低维维度数；
构造T2统计量并利用F分布得到监控统计阈值，同时对残差矩阵构建SPE统计量以及其相应的统计阈值。
3.根据权利要求1所述的基于邻域保持嵌入算法的环网柜的故障监测方法，其特征在于，所述根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度包括通过实验验证，确定降维的维度以及数据邻域个数。
4.一种基于邻域保持嵌入算法的环网柜的故障监测系统，其特征在于，包括：
历史数据获取模块，用于获取环网柜运行过程中的历史多变量数据的第一数据矩阵X，所述第一数据矩阵X包括环网柜运行过程中的D维的变量数据；
处理模块，用于对所述第一数据矩阵X中的数据进行预处理和归一化，生成第二数据矩阵，以使得各个过程变量的均值为零方差为1；
配置模块，用于根据邻域保持嵌入算法NPE模型，确定邻域个数和降维维度，在所述第二数据矩阵下构造多变量数据降维模型，并设定Hotelling和平方预报误差SPE统计量及对应的监控统计阈值；
实时数据获取模块，获取实时多变量数据并生成第三数据矩阵，对所述第三数据矩阵进行预处理和归一化，生成第四数据矩阵，以使得各个过程变量的均值为零方差为1；
实时监控模块，用于将所述第四数据矩阵输入到NPE模型中，并分别计算实时数据的T2和SPE统计量，并与T2和SPE统计量的监控统计阈值进行比较，当实时数据的T2和SPE统计量大于监控统计阈值时，进行异常处理。
5.根据权利要求1所述的基于邻域保持嵌入算法的环网柜的故障监测系统，其特征在于，还包括模型建立模块，用于对所述第二数据矩阵构建局部权重矩阵W；在低维降维空间，在保留数据权重的基础上，基于数据矩阵关系计算出所述第二数据矩阵的低维投影矩阵为，其中d为低维维度数；构造T2统计量并利用F分布得到监控统计阈值，同时对残差矩阵构建SPE统计量以及其相应的统计阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611036976.XA CN106504122B (zh) | 2016-11-23 | 2016-11-23 | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611036976.XA CN106504122B (zh) | 2016-11-23 | 2016-11-23 | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106504122A true CN106504122A (zh) | 2017-03-15 |
| CN106504122B CN106504122B (zh) | 2021-01-08 |
Family
ID=58327661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611036976.XA Active CN106504122B (zh) | 2016-11-23 | 2016-11-23 | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106504122B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025351A (zh) * | 2017-04-01 | 2017-08-08 | 宁波大学 | 一种基于多近邻保持嵌入回归模型的工业软测量方法 |
| CN108614191A (zh) * | 2018-06-07 | 2018-10-02 | 云南电网有限责任公司丽江供电局 | 一种基于bim模型的配电网及地下电缆故障检测方法 |
| CN109697330A (zh) * | 2019-01-10 | 2019-04-30 | 南京航空航天大学 | 一种用于信息物理系统的故障检测系统设计 |
| CN110032167A (zh) * | 2019-02-26 | 2019-07-19 | 中国西安卫星测控中心 | 基于局部线性嵌入的卫星姿态控制系统微小故障检测方法 |
| CN111638416A (zh) * | 2020-06-05 | 2020-09-08 | 昆明能瑞科技有限公司 | 配电室配电柜的故障监测装置及方法 |
| CN111797943A (zh) * | 2020-07-28 | 2020-10-20 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
| CN111914206A (zh) * | 2019-05-20 | 2020-11-10 | 宁波大学 | 一种基于新型动态近邻保持嵌入算法的过程监测方法 |
| CN113033690A (zh) * | 2021-04-07 | 2021-06-25 | 东北大学 | 一种基于声音的双投影邻域保持嵌入的托辊故障检测方法 |
| CN113721121A (zh) * | 2021-09-02 | 2021-11-30 | 长江存储科技有限责任公司 | 一种用于半导体工艺的故障检测方法及装置 |
-
2016
- 2016-11-23 CN CN201611036976.XA patent/CN106504122B/zh active Active
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025351B (zh) * | 2017-04-01 | 2019-08-16 | 宁波大学 | 一种基于多近邻保持嵌入回归模型的工业软测量方法 |
| CN107025351A (zh) * | 2017-04-01 | 2017-08-08 | 宁波大学 | 一种基于多近邻保持嵌入回归模型的工业软测量方法 |
| CN108614191A (zh) * | 2018-06-07 | 2018-10-02 | 云南电网有限责任公司丽江供电局 | 一种基于bim模型的配电网及地下电缆故障检测方法 |
| CN108614191B (zh) * | 2018-06-07 | 2020-07-14 | 云南电网有限责任公司丽江供电局 | 一种基于bim模型的配电网及地下电缆故障检测方法 |
| CN109697330B (zh) * | 2019-01-10 | 2024-01-16 | 南京航空航天大学 | 一种用于信息物理系统的故障检测系统设计方法 |
| CN109697330A (zh) * | 2019-01-10 | 2019-04-30 | 南京航空航天大学 | 一种用于信息物理系统的故障检测系统设计 |
| CN110032167A (zh) * | 2019-02-26 | 2019-07-19 | 中国西安卫星测控中心 | 基于局部线性嵌入的卫星姿态控制系统微小故障检测方法 |
| CN111914206A (zh) * | 2019-05-20 | 2020-11-10 | 宁波大学 | 一种基于新型动态近邻保持嵌入算法的过程监测方法 |
| CN111914206B (zh) * | 2019-05-20 | 2023-11-14 | 宁波大学 | 一种基于动态近邻保持嵌入算法的过程监测方法 |
| CN111638416A (zh) * | 2020-06-05 | 2020-09-08 | 昆明能瑞科技有限公司 | 配电室配电柜的故障监测装置及方法 |
| CN111797943A (zh) * | 2020-07-28 | 2020-10-20 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
| CN111797943B (zh) * | 2020-07-28 | 2024-02-02 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
| CN113033690A (zh) * | 2021-04-07 | 2021-06-25 | 东北大学 | 一种基于声音的双投影邻域保持嵌入的托辊故障检测方法 |
| CN113033690B (zh) * | 2021-04-07 | 2024-04-02 | 东北大学 | 一种基于声音的双投影邻域保持嵌入的托辊故障检测方法 |
| CN113721121A (zh) * | 2021-09-02 | 2021-11-30 | 长江存储科技有限责任公司 | 一种用于半导体工艺的故障检测方法及装置 |
| CN113721121B (zh) * | 2021-09-02 | 2024-04-19 | 长江存储科技有限责任公司 | 一种用于半导体工艺的故障检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106504122B (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106504122A (zh) | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 | |
| CN104595170B (zh) | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 | |
| CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
| CN112202736A (zh) | 基于统计学习和深度学习的工业控制系统通信网络异常分类方法 | |
| CN110311376A (zh) | 一种电力系统动态安全评估综合模型及时空可视化方法 | |
| CN105512448A (zh) | 一种配电网健康指数的评估方法 | |
| CN103606109B (zh) | 一种基于评估对象的电网运行安全风险综合评估方法 | |
| US20240056027A1 (en) | Systems and methods for distributed-solar power forecasting using parameter regularization | |
| CN104299042A (zh) | 核电站事故风险预测方法和系统 | |
| CN108614191A (zh) | 一种基于bim模型的配电网及地下电缆故障检测方法 | |
| CN105574604A (zh) | 一种面向电网运行事件的监控预判分析系统 | |
| Gao et al. | Heuristic failure prediction model of transmission line under natural disasters | |
| Zhang et al. | Assessment method and metrics of power system resilience after disasters | |
| CN102930408B (zh) | 一种基于信息融合的750kV电网二次设备状态评估方法 | |
| Hou et al. | Damage prediction of 10 kV power towers in distribution network under typhoon disaster based on data-driven model | |
| Hou et al. | Spatial distribution assessment of power outage under typhoon disasters | |
| Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
| CN117526561A (zh) | 基于数字孪生的变电站设备异常监控和预警方法及系统 | |
| CN104573361A (zh) | 一种gis设备评估的方法和装置 | |
| Lin et al. | Data-driven situation awareness of electricity-gas integrated energy system considering time series features | |
| Niu et al. | Rapid Fault Diagnosis Method of Elevator System Based on Multiattribute Decision Making | |
| Wang et al. | Deeppipe: An intelligent monitoring framework for operating condition of multi-product pipelines | |
| CN115514099A (zh) | 电力用电安全检查系统及方法 | |
| Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
| Chen et al. | A Spatial-temporal Frequency Nadir Prediction Method Based on ConvLSTM with Attention |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | 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 |