CN107153141A - 基于虚拟窗口的智能电气设备异常检测方法 - Google Patents
基于虚拟窗口的智能电气设备异常检测方法 Download PDFInfo
- Publication number
- CN107153141A CN107153141A CN201710358418.3A CN201710358418A CN107153141A CN 107153141 A CN107153141 A CN 107153141A CN 201710358418 A CN201710358418 A CN 201710358418A CN 107153141 A CN107153141 A CN 107153141A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- intelligent electric
- value
- virtual window
- data
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于虚拟窗口的智能电气设备异常检测方法,包括以下步骤:S1、以固定的采样频率获得智能电气设备的特征数据,按照时间的先后顺序将智能电气设备的特征数据进行顺序排列;S2、通过手动方法或系统默认的自动方法确定特征数据虚拟窗口的位置和大小;S3、首先判断虚拟窗口内的特征数据是否出现两个连续的特征数据数值越界情况,若出现则直接判定智能电气设备异常;否则由偏离公式求出偏离值;S4、若偏离值小于临界值,则判定智能电气设备正常,否则判定智能电气设备异常。本发明设置虚拟窗口分析智能电气设备的状态,通过统计方法对智能电气设备的特征数据进行定量分析,不仅可分析特征数据与基准值间的定量关系,而且可分析特征数据间的关系,从而更全面地确定智能电气设备性能,避免了传统的阈值比较方法可能导致的误判情况。
Description
技术领域
本发明涉及一种智能电气设备在线监控和分析方法,特别涉及一种基于虚拟窗口的智能电气设备异常检测方法。
背景技术
随着电气设备智能化水平不断提高,通过对智能电气设备进行数据挖掘,以更好分析智能电气设备的运行状态已经成了可能,这对于提高智能电气设备运行的可靠性具有重要意义。
当前大多依靠简单的阈值判断方法对智能电气设备运行状态进行分析,即智能电气设备的特征数据一旦超越所设置阈值,则判定为智能电气设备异常;由于智能电气设备通常运行在电磁干扰严重的环境中,智能电气设备的特征数据容易受到干扰而出现误判;而且仅依靠简单的阈值裁断方法,对特征数据的检测性能较低,单一的特征数据很难对智能电气设备进行全面的分析;可见,现有的简单阈值裁断方法无法全面分析智能电气设备性能的问题。因此,有必要做进一步改进。
发明内容
本发明的目的旨在提供一种智能电气设备异常检测方法,通过灵活地设置虚拟窗口,获得智能电气设备特征数据的样本,进而对虚拟窗口内的特征数据以统计的方式进行定量分析。该方法不仅可以分析特征数据与基准值间的定量关系,而且可以分析虚拟窗口内的特征数据之间的关系,从而更全面地确定智能电气设备性能的基于虚拟窗口的智能电气设备异常检测方法,以克服现有技术中的不足之处。
按此目的设计的一种基于虚拟窗口的智能电气设备异常检测方法,其特征在于:包括以下步骤:
S1、将智能电气设备的特征数据按时间顺序排列,指的是在固定时间间隔采样获得的智能电气设备特征数据,按照时间的先后顺序将智能电气设备的特征数据进行顺序排列;
S2、通过手动方法或系统默认的自动方法,灵活地确定特征数据虚拟窗口的位置和大小;
S3、基于特征数据虚拟窗口,进行智能电气设备的特征数据统计分析,首先判断虚拟窗口内的特征数据是否出现两个连续的特征数据数值越界情况;若虚拟窗口内的特征数据出现两个连续的特征数据数值越界情况,则直接判定智能电气设备异常;否则由偏离公式求出虚拟窗口内的特征数据的偏离值;
S4、若偏离值小于临界值,则判定智能电气设备正常,否则判定智能电气设备异常,指的是将偏离值与临界值做比较,若偏离值<临界值,则判定智能电气设备正常,若偏离值≥临界值,则判定智能电气设备异常。
步骤2中,手动方法是指用户可根据对特征数据的需求来调整虚拟窗口的位置和大小;系统默认的自动方法是由系统默认虚拟窗口的位置和大小来选取特征数据。
步骤3中,智能电气设备数据的具体判断依据为:若虚拟窗口内的特征数据出现两个连续的特征数据数值不在(0.7×下阈值,1.3×上阈值)范围内,则直接判定智能电气设备异常;若虚拟窗口内的特征数据没有出现两个连续的特征数据数值不在(0.7×下阈值,1.3×上阈值)范围内,就将虚拟窗口内的特征数据由偏离公式求出其偏离值。
根据实验测试提供的设备出厂参数的基准值,定义基于虚拟窗口的特征数据上阈值和下阈值;对于由单一数据组成的基准值,所述下阈值和上阈值指的是该基准值;对于由区间数据组成的基准值,下阈值指基准值区间的最低值,上阈值指基准值区间的最高值。
所述偏离值不仅表征了特征数与基准的偏差,而且表征该虚拟窗口内特征数之间的波动情况,由虚拟窗口内特征数据的平均差与波动度相加组成的累加结果。
所述平均差的具体算法为:特征数据在(0.7×下阈值,1.3×上阈值)范围内,平均差为该特征数据与基准值的差的绝对值;特征数据不在(0.7×下阈值,1.3×上阈值)范围内,平均差为该特征数据与基准值的差的绝对值的2.5倍。
所述波动度具体算法为:当前特征数据分别与前一个特征数据和后一个特征数据的差的绝对值的平均数;若当前特征数据为虚拟窗口的第一个数据,则波动度为虚拟窗口的第一个数据与第二个数据的差的绝对值;若当前特征数据为虚拟窗口的最后一个数据,则波动度为虚拟窗口的最后一个数据与倒数第二个数据的差的绝对值。
本发明具有以下有益效果:
1、本发明克服了基于单一阈值的智能电气设备运行状态判断方法存在的误判情况,提出的偏离度方法能更全面分析智能电气设备运行情况,不仅避免了特征数据由于偶发干扰导致的误判情况,而且以统计的方法分析了特征数据的整体情况和特征数据间的分布情况。
2、本发明具有实现方便、算法简单等优点,尤其适合智能电气设备在线检测等实时性要求较高的电气工业现场应用。
3、本发明可以根据电气工业现场应用需要,方便地设置虚拟窗口的位置和长度,具有良好的灵活度和适应性。
附图说明
图1为本发明一实施例的检测流程图;
图2为本发明一实施例的虚拟窗口示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述。
参见图1和图2,本基于虚拟窗口的智能电气设备异常检测方法,包括以下步骤:
S1、将智能电气设备的特征数据按时间顺序排列,指的是在固定时间间隔采样获得的智能电气设备特征数据,按照时间的先后顺序将智能电气设备的特征数据进行顺序排列;
S2、通过手动方法或系统默认的自动方法,灵活地确定特征数据虚拟窗口的位置和大小;
S3、基于特征数据虚拟窗口,进行智能电气设备的特征数据统计分析,首先判断虚拟窗口内的特征数据是否出现两个连续的特征数据数值越界情况;若虚拟窗口内的特征数据出现两个连续的特征数据数值越界情况,则直接判定智能电气设备异常,并由偏离公式求出虚拟窗口内的特征数据的偏离值;
S4、若偏离值小于临界值,则判定智能电气设备正常,否则判定智能电气设备异常,指的是将偏离值与临界值做比较,若偏离值<临界值,则判定智能电气设备正常,若偏离值≥临界值,则判定智能电气设备异常,其中,临界值Y采用智能电气设备正常运行时得到的偏离值的1.3倍。
进一步说,步骤1中,智能电气设备智能终端按照固定的采样和运算频率,获得反映智能电气设备状态的特征数据;将特征数据在两维的坐标轴上顺序排列,横坐标表征特征数据的时间维度,反映了所获得特征数据的相等时间间隔;纵坐标表征特征数据的具体幅值,反映了所获得特征数据的大小;该两维坐标以相等的时间间隔为横坐标,特征数据的变化幅值为纵坐标;在上述两维坐标中,对于需要分析的特征数据,设置用于分析特征数据的虚拟窗口。所设置的虚拟窗口表征了所截取的一段连续的特征数据,这反映了待分析特征数据的样本情况,虚拟窗口位置反映了待分析特征数据的时刻;虚拟窗口大小反映了待分析特征数据的样本数量,样本数量越大,更能反映智能电气设备的整体运行情况,但所需的运算分析时间也较长。
进一步说,步骤2中,手动方法是指用户可根据对特征数据的需求来调整虚拟窗口的位置和大小,在手动方法下,可以灵活地确定特征数据虚拟窗口的位置和大小;系统默认的自动方法是由系统默认虚拟窗口的位置和大小来选取特征数据,在系统默认的自动方法下,特征数据虚拟窗口随着横坐标时间轴数值的增加,可直观地察看到特征数据。
进一步说,步骤3中,智能电气设备数据的具体判断依据为:若虚拟窗口内的特征数据出现两个连续的特征数据数值不在(0.7×下阈值,1.3×上阈值)范围内,则直接判定智能电气设备异常;若虚拟窗口内的特征数据没有出现两个连续的特征数据数值不在(0.7×下阈值,1.3×上阈值)范围内,就将虚拟窗口内的特征数据由偏离公式求出其偏离值;
先判断特征数据虚拟窗口内的特征数据出现两个连续特征数据数值y1和y2不在(0.7×下阈值,1.3×上阈值)范围内,指的是当y1,y2<0.7×下阈值或y1,y2≥1.3×上阈值;
若虚拟窗口内的特征数据出现两个连续的特征数据数值不在(0.7×下阈值,1.3×上阈值)范围内,则直接判定智能电气设备异常。虚拟窗口内的特征数据没有出现两个连续的特征数据数值不在(0.7×下阈值,1.3×上阈值)范围内,就要进一步来判断智能电气设备的状况,故就将虚拟窗口内的特征数据由偏离公式求出其偏离值X。偏离公式方法具体如下:
如图2所示,设虚拟窗口内的特征数据有n个,这n个特征数据的相应数值分别为c1、c2、c3、…、cn-1、cn。本例中,n=20;
令每一个特征数据的数值与基准值A的差的绝对值为Li,即Li=|ci-A|,其对应的平均差为Li',波动度为Si;
对于平均差Li',有:
(1)当0.45A<ci<1.65A时,平均差Li'=Li;示例:如图2中的c1到c20(除c6与c16外);
(2)当ci不在上述区间时,平均差Li'=2.5Li;示例:如图2的c6与c16;
对于波动度为Si,有:
(1)当i=1时,波动度Si=|c2-c1|;示例:如图2中的c1;
(2)当1<i<n时,波动度Si=(|ci-ci-1|+|ci+1-ci|)/2;示例:如图2中的c2到c19;
(3)当i=n时,波动度Si=|cn-cn-1|;如图2中的c20;
虚拟窗口内的特征数据的偏离值等于每一个特征数据的平均差与波动度的平均值,即偏离度
进一步说,对于由单一数据组成的基准值,所述下阈值和上阈值指的是该基准值;对于由区间数据组成的基准值,下阈值指基准值区间的最低值,上阈值指基准值区间的最高值。
进一步说,偏离值不仅表征了特征数与基准的偏差,而且表征该虚拟窗口内特征数之间的波动情况,由虚拟窗口内特征数据的平均差与波动度相加组成的累加结果。
进一步说,考虑到偏差较大的特征数据,应凸显该特征数据在偏离值的比重,从而有助于更灵敏地判断智能电气设备的潜在异常情况,因此,对于偏差较大的特征数据,通过赋予2.5倍的权重以增加特征数据的平均差。平均差的具体算法为:特征数据在(0.7×下阈值,1.3×上阈值)范围内,平均差为该特征数据与基准值的差的绝对值;特征数据不在(0.7×下阈值,1.3×上阈值)范围内,平均差为该特征数据与基准值的差的绝对值的2.5倍。
平均差反映了特征数据与基准值的偏离程度,为了进一步分析虚拟窗口内特征数据之间的分布情况,采用波动度以反映相邻特征数据的偏离情况,波动度越小,说明特征数据分布比较均匀,智能电气设备运行情况较为稳定。波动度具体算法为:当前特征数据分别与前一个特征数据和后一个特征数据的差的绝对值的平均数;若当前特征数据为虚拟窗口的第一个数据,则波动度为虚拟窗口的第一个数据与第二个数据的差的绝对值;若当前特征数据为虚拟窗口的最后一个数据,则波动度为虚拟窗口的最后一个数据与倒数第二个数据的差的绝对值。
通过计算虚拟窗口内特征数据的平均差和波动度,对平均差和波动度进行累加,得到偏离值;将偏离值与临界值做比较,通过比较偏离值与临界值的大小来确定智能电气设备的状况;当偏离值小于临界值时,判定智能电气设备运行状态正常;当偏离值大于临界值时,判定智能电气设备运行状态异常;临界值采用智能电气设备正常运行时得到的偏离值,将该偏离值乘以1.3作为临界值以保留一定的裕度。
进一步说,将步骤S3中计算得到的偏离值与临界值做比较来检测智能电气设备数据的状况,即由步骤S3求出其偏离值,接着在步骤S4中将偏离值与临界值比较来检测智能电气设备的状况是否异常,具体如下:通过比较偏离值X与临界值Y的大小来确定智能电气设备的状况;即当X<Y时,则判定智能电气设备正常;当X≥Y,则判定智能电气设备异常。
上述为本发明的优选方案,显示和描述了本发明的基本原理、主要特征和本发明的优点。本领域的技术人员应该了解本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (7)
1.一种基于虚拟窗口的智能电气设备异常检测方法,其特征在于:包括以下步骤:
S1、将智能电气设备的特征数据按时间顺序排列,指的是在固定时间间隔采样获得的智能电气设备特征数据,按照时间的先后顺序将智能电气设备的特征数据进行顺序排列;
S2、通过手动方法或系统默认的自动方法,灵活地确定特征数据虚拟窗口的位置和大小;
S3、首先判断虚拟窗口内的特征数据是否出现两个连续的特征数据数值越界情况;若虚拟窗口内的特征数据出现两个连续的特征数据数值越界情况,则直接判定智能电气设备异常;否则由偏离公式求出虚拟窗口内的特征数据的偏离值;
S4、若偏离值小于临界值,则判定智能电气设备正常,否则判定智能电气设备异常,指的是将偏离值与临界值做比较,若偏离值<临界值,则判定智能电气设备正常,若偏离值≥临界值,则判定智能电气设备异常。
2.根据权利要求1所述基于虚拟窗口的智能电气设备异常检测方法,其特征在于:步骤2中,手动方法是指用户可根据对特征数据的需求来调整虚拟窗口的位置和大小;系统默认的自动方法是由系统默认虚拟窗口的位置和大小来选取特征数据。
3.根据权利要求2所述基于虚拟窗口的智能电气设备异常检测方法,其特征在于:步骤3中,智能电气设备数据的具体判断依据为:若虚拟窗口内的特征数据出现两个连续的特征数据数值不在(0.7×下阈值,1.3×上阈值)范围内,则直接判定智能电气设备异常;若虚拟窗口内的特征数据没有出现两个连续的特征数据数值不在(0.7×下阈值,1.3×上阈值)范围内,就将虚拟窗口内的特征数据由偏离公式求出其偏离值。
4.根据权利要求3所述基于虚拟窗口的智能电气设备异常检测方法,其特征在于:对于由单一数据组成的基准值,所述下阈值和上阈值指的是该基准值;对于由区间数据组成的基准值,下阈值指基准值区间的最低值,上阈值指基准值区间的最高值。
5.根据权利要求4所述基于虚拟窗口的智能电气设备异常检测方法,其特征在于:所述偏离值不仅表征了特征数与基准的偏差,而且表征该虚拟窗口内特征数之间的波动情况,由虚拟窗口内特征数据的平均差与波动度相加组成的累加结果。
6.根据权利要求5所述基于虚拟窗口的智能电气设备异常检测方法,其特征在于:所述平均差的具体算法为:特征数据在(0.7×下阈值,1.3×上阈值)范围内,平均差为该特征数据与基准值的差的绝对值;特征数据不在(0.7×下阈值,1.3×上阈值)范围内,平均差为该特征数据与基准值的差的绝对值的2.5倍。
7.根据权利要求6所述基于虚拟窗口的智能电气设备异常检测方法,其特征在于:所述波动度具体算法为:当前特征数据分别与前一个特征数据和后一个特征数据的差的绝对值的平均数;若当前特征数据为虚拟窗口的第一个数据,则波动度为虚拟窗口的第一个数据与第二个数据的差的绝对值;若当前特征数据为虚拟窗口的最后一个数据,则波动度为虚拟窗口的最后一个数据与倒数第二个数据的差的绝对值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710358418.3A CN107153141B (zh) | 2017-05-19 | 2017-05-19 | 基于虚拟窗口的智能电气设备异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710358418.3A CN107153141B (zh) | 2017-05-19 | 2017-05-19 | 基于虚拟窗口的智能电气设备异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107153141A true CN107153141A (zh) | 2017-09-12 |
CN107153141B CN107153141B (zh) | 2019-08-13 |
Family
ID=59794284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710358418.3A Active CN107153141B (zh) | 2017-05-19 | 2017-05-19 | 基于虚拟窗口的智能电气设备异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107153141B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507468A (zh) * | 2018-12-21 | 2019-03-22 | 九州能源有限公司 | 一种基于关联特征的汇流箱支路电流检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5145440B2 (ja) * | 2011-04-28 | 2013-02-20 | 日置電機株式会社 | 耐電圧試験装置 |
CN104111391A (zh) * | 2014-07-15 | 2014-10-22 | 西安交通大学 | 一种基于三相瞬时功率的电主轴故障监测诊断方法 |
CN104391191A (zh) * | 2014-11-05 | 2015-03-04 | 昆明理工大学 | 一种利用线模电流差分平方和的高阻故障检测方法 |
CN106324403A (zh) * | 2016-08-29 | 2017-01-11 | 国网江苏省电力公司电力科学研究院 | 一种基于状态识别的继电保护适应性滤波算法 |
-
2017
- 2017-05-19 CN CN201710358418.3A patent/CN107153141B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5145440B2 (ja) * | 2011-04-28 | 2013-02-20 | 日置電機株式会社 | 耐電圧試験装置 |
CN104111391A (zh) * | 2014-07-15 | 2014-10-22 | 西安交通大学 | 一种基于三相瞬时功率的电主轴故障监测诊断方法 |
CN104391191A (zh) * | 2014-11-05 | 2015-03-04 | 昆明理工大学 | 一种利用线模电流差分平方和的高阻故障检测方法 |
CN106324403A (zh) * | 2016-08-29 | 2017-01-11 | 国网江苏省电力公司电力科学研究院 | 一种基于状态识别的继电保护适应性滤波算法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507468A (zh) * | 2018-12-21 | 2019-03-22 | 九州能源有限公司 | 一种基于关联特征的汇流箱支路电流检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107153141B (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021736B (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
US10241140B2 (en) | Systems and methods for monitoring power consumption | |
CN105425079B (zh) | 基于实时平均功率频域分析的洗衣机运行非侵入辨识方法 | |
US20080157781A1 (en) | Methods and systems for detecting series arcs in electrical systems | |
CN116304766B (zh) | 基于多传感器的开关柜状态快速评估方法 | |
CN113138322B (zh) | 配电网高阻接地故障的检测方法、装置、设备和存储介质 | |
WO2018080523A1 (en) | Data cost effective fast similarity search with priority access | |
CN102130798A (zh) | 一种分布式网络多维流量异常检测方法和装置 | |
CN101710848A (zh) | 基于模糊积分和最优化理论的合作式频谱感知方法 | |
CN109406923A (zh) | 一种列车供电系统接地漏电故障预测方法及装置 | |
CN107153141B (zh) | 基于虚拟窗口的智能电气设备异常检测方法 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN117289087A (zh) | 一种基于czt变换的串联故障电弧检测方法 | |
CN102710349A (zh) | 一种脉冲干扰环境下基于数据挑选的频谱感知方法 | |
CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 | |
CN114912356A (zh) | 冲击性负荷的分段概率谐波模型构建方法 | |
CN103902116B (zh) | 用于电容检测的抗干扰方法和装置 | |
CN115664022A (zh) | 一种基于非入侵式电表的用电行为监测装置 | |
CN115267447A (zh) | 基于局放统计特征量与雷达谱图的gis绝缘缺陷识别方法 | |
CN108761250A (zh) | 一种基于工控设备电压电流的入侵检测方法 | |
CN110208658B (zh) | 一种对局部放电诊断结果进行多元互补交叉验证的方法 | |
CN106443238A (zh) | 高压设备状态评估方法、在线监测装置评估方法及装置 | |
CN110702981A (zh) | 一种利用分类树的负荷开关事件检测方法和系统 | |
Tian et al. | Network intrusion detection based on system calls and data mining | |
CN118112466B (zh) | 一种接地网故障诊断方法 |
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 |