CN106656669B - 一种基于阈值自适应设置的设备参数异常检测系统及方法 - Google Patents
一种基于阈值自适应设置的设备参数异常检测系统及方法 Download PDFInfo
- Publication number
- CN106656669B CN106656669B CN201611215695.0A CN201611215695A CN106656669B CN 106656669 B CN106656669 B CN 106656669B CN 201611215695 A CN201611215695 A CN 201611215695A CN 106656669 B CN106656669 B CN 106656669B
- Authority
- CN
- China
- Prior art keywords
- transformer equipment
- operating status
- real
- time
- equipment operating
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
Abstract
一种基于阈值自适应设置的变电设备状态参数异常检测方法及系统,包括变电设备运行状态多维度实时测点数据接入,并进行归一化处理;对变电设备运行状态的实时多维度归一化数据序列应用降维操作;对变电设备运行状态的实时降维数据序列进行预测计算;应用变电设备运行状态的实时数据及预测数据进行分值计算,得到变电设备运行状态分值;确定变电设备运行状态阈值区间,包括上阈值界、下阈值界;应用变电设备运行状态阈值区间,判断当前时刻分值是否在阈值区间范围,并做出是否异常的结论等步骤,解决了变电设备状态参数异常检测阈值区间较多依赖变电设备专家离线计算及主观经验,而无法根据设备运行实时状态自适应方式变化的问题。
Description
技术领域
本发明涉及输变电设备检测领域,具体涉及一种基于阈值自适应设置的设备参数异常检测系统及方法。
背景技术
众所周知,设备的运行状态对于电厂生产影响巨大,设备在正常工况运行过程中体现出来的功能特征、表象特征以及电气特征与异常状态下的特征是有差异的。根据设备状态预警,做出检修计划,将节省电厂巨大的人力、物力、财力,具有非常大的经济潜力。
目前,在设备状态预警方面,设备生产厂商根据制造工艺设定各个部件不同预警级别的阈值方法,现有设备异常检测方法采用静态阈值设置的方法,即以现有数据平均值为基准,上下分别以均值的固定百分比(例如150%、300%)作为上下阈值,进行数据异常检测。
上下阈值之间的区域为“正常”区域,上下阈值之外的区域为“异常”区域。静态阈值设置无法反映数据的动态实时特点。阈值上下界设置采用业务专家的主观经验,无法反映数据客观规律。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于阈值自适应设置的设备参数异常检测系统及方法,解决变电设备状态参数异常检测阈值区间较多依赖变电设备专家离线计算及主观经验,而无法根据设备运行实时状态自适应方式变化的问题。
本发明提供了一种基于阈值自适应设置的设备参数异常检测系统,包括变电设备、集中器、传输线路和检测系统,变电设备包括N个监测点,检测系统包括接收器和处理器,N个监测点分别与集中器连接,集中器通过传输线路与检测系统中的接收器连接,接收器与处理器连接,N大于2的正整数;
N个监测点,用于实时检测变电设备的运行状态,实时获取多维度实时测点数据并传输至集中器;
集中器,用于接收到N个监测点发送来的测点数据后,按照接收时间分批次将不同时间接收的测点数据通过传输线路发送至接收器;
接收器,接收器用于接收来自集中器发送的测点数据,经过预处理后发送至处理器;
处理器包括:
正则化模块,用于对预处理后的测点数据进行归一化运算;
降维模块,用于对归一化处理后的数据序列进行多维度变电设备数据降维;
预测模块,用于对变电设备运行状态的实时降维数据序列进行预测计算,产生变电设备运行状态的预测数据序列;
分值计算模块,用于利用变电设备实际数据与预测数据进行分值计算,得到当前时刻电设备运行状态分值;
阈值计算模块;确定变电设备运行状态阈值区间,包括上阈值界、下阈值界,计算正常阈值范围;
异常检测模块,用于判断当前时刻分值是否在阈值范围内,得到是否异常的结果。
进一步地,传输线路为有线线路、无线线路,或有线线路和无线线路结合的线路。
进一步地,进一步地正则化模块还用于将多维度实时变电设备参数xt定义为t时刻变电设备数据集合,x(i)定义为多维度变电设备数据的第i维,i=1,2,…,n,表示为:
xt=(x(1),x(2),…,x(i),…,x(n))
对多维度实时变电设备参数xt进行正规化,实现归一化运算,
得到t时刻变电设备运行状态的实时多维度归一化数据序列到nt,其中NOR(xt)是正规化运算,||xt||,是xt的模。
进一步地,降维模块还用于对变电设备运行状态的实时多维度归一化数据序列nt进行降维运算:
yt=PCA(nt)
得到t时刻变电设备运行状态的实时降维数据序列yt,其中PCA(xt)是降维运算,通过对变电设备运行状态的实时多维度归一化数据序列应用降维操作,产生变电设备运行状态的实时降维数据序列。
进一步地,分值计算模块还用于应用变电设备运行状态的实时降维数据序列yt和变电设备运行状态的实时数据及预测数据进行分值计算,
得到变电设备运行状态分值到zt。
进一步地,阈值计算模块还用于计算变电设备的行状态阈值区间,具体为:
[Q1-1.5IQR,Q3+1.5IQR]
其中,Q1-1.5IQR为上阈值;Q3+1.5IQR为下阈值;四分位数间距IQR=Q3-Q1。
进一步地,异常检测模块还用于判断当前时刻分值是否在阈值区间范围,并做出变电设备运行状态是否异常的结论是指使用变电设备运行状态分值到zt与变电设备运行状态阈值区间[Q1-1.5IQR,Q3+1.5IQR]进行比较,如果zt在该区间范围,则变电设备状态正常;否则,变电设备状态异常。
本发明还提供了一种基于阈值自适应设置的设备参数异常检测方法,依次包括如下步骤:
步骤1:变电设备运行状态多维度实时测点数据接入,并进行归一化处理,获得变电设备运行状态的实时多维度归一化数据序列;
步骤2:通过对变电设备运行状态的实时多维度归一化数据序列应用降维操作,产生变电设备运行状态的实时降维数据序列;
步骤3:应用可配置的预测器,对变电设备运行状态的实时降维数据序列进行预测计算,产生变电设备运行状态的预测数据序列;
步骤4:应用变电设备运行状态的实时数据及预测数据进行分值计算,得到变电设备运行状态分值;
步骤5:确定变电设备运行状态阈值区间,包括上阈值界、下阈值界;
步骤6:应用变电设备运行状态阈值区间,判断当前时刻分值是否在阈值区间范围,并做出变电设备运行状态是否异常的结论。
本发明的基于阈值自适应设置的设备参数异常检测系统及方法,可以实现:
解决变电设备状态参数异常检测阈值区间较多依赖变电设备专家离线计算及主观经验,而无法根据设备运行实时状态自适应方式变化的问题,利用特定顺序和特殊的处理方式,实时的采集处理变电设备数据,提高了运算效率,并且能够实时快速、自动化的检测设备异常情况。
附图说明
图1为基于阈值自适应设置的设备参数异常检测系统的结构图
图2为处理器中各个模块处理流程图
图3为基于阈值自适应设置的设备参数异常检测方法流程图
具体实施方式
下面详细说明本发明的具体实施,有必要在此指出的是,以下实施只是用于本发明的进一步说明,不能理解为对本发明保护范围的限制,该领域技术熟练人员根据上述本发明内容对本发明做出的一些非本质的改进和调整,仍然属于本发明的保护范围。
本发明提供了一种基于阈值自适应设置的设备参数异常检测系统,如图1所示,系统主要包括变电设备11、集中器14、传输线路15和检测系统16,其中变电设备11包括N个监测点12、13,检测系统包括接收器17和处理器18,N个监测点分别与集中器14连接,集中器14通过传输线路15与检测系统16中的接收器17连接,接收器17与处理器18连接。
N个监测点用于实时检测变电设备11的运行状态,实时获取多维度实时测点数据并传输至集中器14,集中器14接收到N个监测点发送来的测点数据后,按照接收时间分批次将不同时间接收的测点数据通过传输线路15发送至接收器,其中传输线路15可以为有线的方式,也可以是无线的方式,甚至可以是有线和无线结合的方式,接收器17接收到来自集中器14发送的测点数据以后,进行预处理后发送至处理器18,其中预处理为滤波、放大等处理。如图2所示,处理器18包括正则化模块21,降维模块22,预测模块23,分值计算模块24,阈值计算模块25和异常检测模块26,处理器18接收到来自接收器17预处理后的测点数据以后,进行以下处理:
(1)对预处理后的测点数据进行归一化运算,具体为;
多维度实时变电设备参数xt定义为t时刻变电设备数据集合,x(i)定义为多维度变电设备数据的第i维,i=1,2,…,n,表示为:
xt=(x(1),x(2),…,x(i),…,x(n))
所述归一化处理,是指对多维度实时变电设备参数xt进行正规化,实现归一化运算,
得到t时刻变电设备运行状态的实时多维度归一化数据序列到nt,其中NOR(xt)是正规化运算,||xt||,是xt的模。
其中所述变电设备包括(但不限于)开关刀闸、变压器等,所述变电设备状态参数包括(但不限于)电流、电压、功率、功率因数、油温、油中气体数据等。
(2)对归一化处理后的数据序列进行多维度变电设备数据降维,具体为:
所述进行降维操作,是指对变电设备运行状态的实时多维度归一化数据序列nt进行降维运算:
yt=PCA(nt)
得到t时刻变电设备运行状态的实时降维数据序列yt,其中PCA(xt)是降维运算,通过对变电设备运行状态的实时多维度归一化数据序列应用降维操作,产生变电设备运行状态的实时降维数据序列;所述降维运算PCA(xt)包括(但不限于)离散余弦变换、主成分分析、离散小波变换等。
(3)对变电设备运行状态的实时降维数据序列进行预测计算,产生变电设备运行状态的预测数据序列,具体为:
所述预测计算,是指对变电设备运行状态的实时降维数据序列yt进行预测计算,
得到t时刻变电设备运行状态的预测数据序列其中AR(yt)是预测器;其中所述预测器包括(但不限于):多项式回归预测器、支持向量机预测器、人工神经网络预测器、卡尔曼预测滤波器、决策树回归预测器。
(4)利用变电设备实际数据与预测数据进行分值计算,得到当前时刻电设备运行状态分值,具体为:
所述分值计算,是指应用变电设备运行状态的实时降维数据序列yt和变电设备运行状态的实时数据及预测数据进行分值计算,
得到变电设备运行状态分值到zt;
(5)确定变电设备运行状态阈值区间,包括上阈值界、下阈值界,计算正常阈值范围,具体为:
所述变电设备运行状态阈值区间,是指
[Q1-1.5IQR,Q3+1.5IQR]
其中,Q1-1.5IQR为上阈值;Q3+1.5IQR为下阈值;四分位数间距IQR=Q3-Q1。
(6)判断当前时刻分值是否在阈值范围内,得到是否异常的结果。
所述判断当前时刻分值是否在阈值区间范围,并做出变电设备运行状态是否异常的结论是指使用变电设备运行状态分值到zt与变电设备运行状态阈值区间[Q1-1.5IQR,Q3+1.5IQR]进行比较,如果zt在该区间范围,则变电设备状态正常;否则,变电设备状态异常。
本发明还提供了一种基于阈值自适应设置的变电设备状态参数异常检测方法,如图3所示,包括以下步骤:
步骤1:变电设备运行状态多维度实时测点数据接入,并进行归一化处理,获得变电设备运行状态的实时多维度归一化数据序列;
步骤2:通过对变电设备运行状态的实时多维度归一化数据序列应用降维操作,产生变电设备运行状态的实时降维数据序列;
步骤3:应用可配置的预测器,对变电设备运行状态的实时降维数据序列进行预测计算,产生变电设备运行状态的预测数据序列;
步骤4:应用变电设备运行状态的实时数据及预测数据进行分值计算,得到变电设备运行状态分值;
步骤5:确定变电设备运行状态阈值区间,包括上阈值界、下阈值界;
步骤6:应用变电设备运行状态阈值区间,判断当前时刻分值是否在阈值区间范围,并做出变电设备运行状态是否异常的结论。
尽管为了说明的目的,已描述了本发明的示例性实施方式,但是本领域的技术人员将理解,不脱离所附权利要求中公开的发明的范围和精神的情况下,可以在形式和细节上进行各种修改、添加和替换等的改变,而所有这些改变都应属于本发明所附权利要求的保护范围,并且本发明要求保护的产品各个部门和方法中的各个步骤,可以以任意组合的形式组合在一起。因此,对本发明中所公开的实施方式的描述并非为了限制本发明的范围,而是用于描述本发明。相应地,本发明的范围不受以上实施方式的限制,而是由权利要求或其等同物进行限定。
Claims (6)
1.一种基于阈值自适应设置的设备参数异常检测系统,包括变电设备、集中器、传输线路和检测系统,其特征在于:变电设备包括N个监测点,检测系统包括接收器和处理器,N个监测点分别与集中器连接,集中器通过传输线路与检测系统中的接收器连接,接收器与处理器连接,N大于2的正整数;
N个监测点,用于实时检测变电设备的运行状态,实时获取多维度实时测点数据并传输至集中器;
集中器,用于接收到N个监测点发送来的测点数据后,按照接收时间分批次将不同时间接收的测点数据通过传输线路发送至接收器;
接收器,接收器用于接收来自集中器发送的测点数据,经过预处理后发送至处理器;处理器包括:
正则化模块,用于对预处理后的测点数据进行归一化运算;
降维模块,用于对归一化处理后的数据序列进行多维度变电设备数据降维;
预测模块,用于对变电设备运行状态的实时降维数据序列进行预测计算,产生变电设备运行状态的预测数据序列;
分值计算模块,用于利用变电设备实际数据与预测数据进行分值计算,得到当前时刻电设备运行状态分值;
阈值计算模块;确定变电设备运行状态阈值区间,包括上阈值界、下阈值界,计算正常阈值范围;
异常检测模块,用于判断当前时刻分值是否在阈值范围内,得到是否异常的结果。
2.如权利要求1所述的系统,其特征在于:传输线路为有线线路、无线线路,或有线线路和无线线路结合的线路。
3.如权利要求1或2所述的系统,其特征在于:正则化模块还用于将多维度实时变电设备参数xt定义为t时刻变电设备数据集合,x(i)定义为多维度变电设备数据的第i维,i=1,2,…,n,表示为:
xt=(x(1),x(2),…,x(i),…,x(n))
对多维度实时变电设备参数xt进行正规化,实现归一化运算,
得到t时刻变电设备运行状态的实时多维度归一化数据序列到nt,其中NOR(xt)是正规化运算,||xt||是xt的模。
4.如权利要求3所述的系统,其特征在于:降维模块还用于对变电设备运行状态的实时多维度归一化数据序列nt进行降维运算:
yt=PCA(nt)
得到t时刻变电设备运行状态的实时降维数据序列yt,其中PCA(nt) 是降维运算,通过对变电设备运行状态的实时多维度归一化数据序列应用降维操作,产生变电设备运行状态的实时降维数据序列。
5.如权利要求4所述的系统,其特征在于:分值计算模块还用于应用变电设备运行状态的实时降维数据序列yt和变电设备运行状态的实时数据及预测数据进行分值计算,
得到变电设备运行状态分值到zt。
6.一种利用权利要求1-5任一项所述系统的基于阈值自适应设置的设备参数异常检测方法,其特征在于,依次包括如下步骤:
步骤1:变电设备运行状态多维度实时测点数据接入,并进行归一化处理,获得变电设备运行状态的实时多维度归一化数据序列;
步骤2:通过对变电设备运行状态的实时多维度归一化数据序列应用降维操作,产生变电设备运行状态的实时降维数据序列;
步骤3:应用可配置的预测器,对变电设备运行状态的实时降维数据序列进行预测计算,产生变电设备运行状态的预测数据序列;
步骤4:应用变电设备运行状态的实时数据及预测数据进行分值计算,得到变电设备运行状态分值;
步骤5:确定变电设备运行状态阈值区间,包括上阈值界、下阈值界;
步骤6:应用变电设备运行状态阈值区间,判断当前时刻分值是否在阈值区间范围,并做出变电设备运行状态是否异常的结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611215695.0A CN106656669B (zh) | 2016-12-26 | 2016-12-26 | 一种基于阈值自适应设置的设备参数异常检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611215695.0A CN106656669B (zh) | 2016-12-26 | 2016-12-26 | 一种基于阈值自适应设置的设备参数异常检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106656669A CN106656669A (zh) | 2017-05-10 |
CN106656669B true CN106656669B (zh) | 2019-09-24 |
Family
ID=58827161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611215695.0A Active CN106656669B (zh) | 2016-12-26 | 2016-12-26 | 一种基于阈值自适应设置的设备参数异常检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106656669B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919495A (zh) * | 2019-03-12 | 2019-06-21 | 中国计量大学 | 基于阈值计算的光伏电站监测数据异常与程度判断方法 |
CN109919306B (zh) * | 2019-03-25 | 2022-10-14 | 中国科学院上海高等研究院 | 高维数据异常检测系统及方法 |
CN111966737B (zh) * | 2020-08-18 | 2022-05-17 | 国网福建省电力有限公司营销服务中心 | 一种电能计量设备异常原因判断的方法 |
CN114826718B (zh) * | 2022-04-19 | 2022-11-04 | 中国人民解放军战略支援部队航天工程大学 | 一种基于多维度信息的内部网络异常检测方法及系统 |
CN117251804B (zh) * | 2023-11-17 | 2024-04-19 | 天津中电华利电器科技集团有限公司 | 一种变电室运行状态监测数据处理系统及方法 |
CN117275195B (zh) * | 2023-11-23 | 2024-02-06 | 济南嘉宏科技有限责任公司 | 一种基于异常检测的设备动态预警阈值确定系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023977A (zh) * | 2012-11-19 | 2013-04-03 | 华南理工大学 | 基于位置信息的推荐系统及推荐方法 |
CN104991850A (zh) * | 2015-06-27 | 2015-10-21 | 广州华多网络科技有限公司 | 一种应用程序的心跳包控制方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015097553A2 (en) * | 2013-12-23 | 2015-07-02 | Orange | Method to push toll-free applications to a user device |
-
2016
- 2016-12-26 CN CN201611215695.0A patent/CN106656669B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023977A (zh) * | 2012-11-19 | 2013-04-03 | 华南理工大学 | 基于位置信息的推荐系统及推荐方法 |
CN104991850A (zh) * | 2015-06-27 | 2015-10-21 | 广州华多网络科技有限公司 | 一种应用程序的心跳包控制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106656669A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106656669B (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
US10458416B2 (en) | Apparatus and method for monitoring a pump | |
CN113805548B (zh) | 一种机械加工智能控制系统、方法及计算机可读介质 | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
CN106682159A (zh) | 一种阈值配置方法 | |
CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN106649755B (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN109886232A (zh) | 一种基于神经网络的电网图像识别系统 | |
CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
CN110688617A (zh) | 风机振动异常检测方法及装置 | |
CN115860383A (zh) | 配电网调度方法、装置、电子设备及存储介质 | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
CN110929677A (zh) | 一种振动数据在线监测分析系统 | |
CN113012107B (zh) | 电网缺陷检测方法及系统 | |
CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
CN104091047A (zh) | 基于交通时空信息的交通流缺失数据估算系统及方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
Zhang et al. | Intelligent fault diagnosis system based on vibration signal edge computing | |
CN109213119A (zh) | 基于在线学习的复杂工业关键部件故障预测方法及系统 | |
CN114997342A (zh) | 一种scr故障诊断方法、装置、设备及存储介质 | |
Lee et al. | Development of edge-based deep learning prediction model for defect prediction in manufacturing process | |
Kumar et al. | Gas turbine engine operational data analysis for anomaly detection: Statistical vs. neural network approach |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 250101 5th floor, block B, Yinhe building, 2008 Xinluo street, high tech Zone, Jinan City, Shandong Province Patentee after: Shandong luruan Digital Technology Co.,Ltd. Address before: 250101 5th floor, block B, Yinhe building, 2008 Xinluo street, high tech Zone, Jinan City, Shandong Province Patentee before: SHANDONG LUNENG SOFTWARE TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |