CN109101986A - 基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 - Google Patents
基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 Download PDFInfo
- Publication number
- CN109101986A CN109101986A CN201810582336.1A CN201810582336A CN109101986A CN 109101986 A CN109101986 A CN 109101986A CN 201810582336 A CN201810582336 A CN 201810582336A CN 109101986 A CN109101986 A CN 109101986A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- reconstructed error
- equipment state
- noise reduction
- transformation equipment
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了基于栈式降噪自编码器的输变电设备状态异常检测方法,包括步骤:(1)获取输变电设备状态在线监测数据,采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量,进而获得强相关监测数据序列;(2)将强相关监测数据序列划分为训练样本和测试样本,采用训练样本对栈式降噪自编码器进行训练学习,获得最优训练参数,则训练后的栈式降噪自编码器输出训练样本的重构表示;(3)基于所述训练样本的重构表示与训练样本得到训练样本的重构误差,确定重构误差的上限阈值Thd;(4)将测试样本的重构误差与所述上限阈值Thd进行比较,基于比较结果输出输变电设备状态的辨识结果。
Description
技术领域
本发明涉及一种检测方法和系统,尤其涉及一种对输变电设备异常的检测方法和系统
背景技术
输变电设备在实际运行过程中会受到过异常事件例如电压、过负荷、内部绝缘老化、自然环境影响,这些异常事件会导致输变电设备缺陷或者故障的发生,因此非常有必要对设备状态进行异常检测。
在实际的设备运维中,现有技术通常采用通过简单阈值判定的方法对单一系统的部分设备信息进行异常检测。然而,该利用阈值进行判定的方法具有一定的局限性,一方面其对于状态评价的正确率和设备信息利用率都偏低,另一方面该方法很难检测出设备的故障类别及潜伏性故障,而且相关规范标准中的固定阈值很难和设备运行工况的差异性相结合。
基于此,期望获得一种输变电站设备状态异常检测方法,其可以有效辨识出输变电设备异常运行状态。
发明内容
本发明的目的之一在于提供一种基于栈式降噪自编码器的输变电设备状态异常检测方法,该输变电设备状态异常检测方法根据所获得的强相关监测数据序列利用栈式降噪自编码器进行训练学习获取最优训练参数以及重构表示,随后计算获得重构误差通过核密度估计确定重构误差的上限阈值Thd,基于最优训练参数对需要测试的数据(即测试样本)进行测试,通过测试样本的重构误差与上限阈值进行辨识,从而实现输变电设备状态异常检测。
基于上述目的,本发明提出了一种基于栈式降噪自编码器的输变电设备状态异常检测方法,其包括步骤:
(1)获取输变电设备状态在线监测数据,采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量,根据强相关状态参量的时间序列获得强相关监测数据序列;
(2)将强相关监测数据序列划分为训练样本和测试样本,采用训练样本对栈式降噪自编码器进行训练学习,获得栈式降噪自编码器的最优训练参数,则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示;
(3)基于训练样本的重构表示与所述训练样本得到训练样本的重构误差,对训练样本的重构误差进行核密度估计得到误差概率分布情况,以确定重构误差的上限阈值Thd;
(4)将所述测试样本输入具有所述最优训练参数的栈式降噪自编码器,输出得到测试样本的重构误差,将测试样本的重构误差与所述上限阈值Thd进行比较,基于比较结果输出输变电设备状态的辨识结果。
需要说明的是,考虑到输变电设备在线监测数据为连续变化的数据,因而在采用关联规则挖掘时,可以先对数据预处理,其包括:先将连续的输变电设备在线监测数据离散化,从而实现输变电设备在线监测数据的区段化映射,随后计算所有表征输变电设备状态的状态参数经过划分后的支持度S。支持度S定义为事务X与事务Y同时出现在一次事务中的可能性,由事务X和事务Y在事务数据库I中同时出现的事务数占总事务的比例估计,反映事务X与事务Y同时出现的可能性,而在本案中,事务X表示输变电设备缺陷和故障发生的事件,而事务Y则表示某一个表征输变电设备状态的状态参数,通过支持度S用来分析输变电设备缺陷和故障发生原因同状态参数之间的相关性,进而分析故障发展的客观规律,得到频繁序列,由频繁序列提取故障发展的关联规则,其具体过程如下所述:
设D是包含多元时间序列的数据集,D={A,B,C…N},在本案中,D是由N个表征输变电设备状态的状态参数的时间序列构成,而A,B,C……N则表示某个输变电设备状态的状态参数的时间序列,其由输变设备状态在线监测数据按照时间排列获得。
对D进行等长度的划分,形成q个有限长度的滑动窗口t=<t1,t2,…,tq>,则t1={A1,B1,C1,…},设最小支持度阈值为minsup,单个频繁序列组合记为k-序列,代表序列个数为k个,其算法流程如下:
(1)设k初始值为k=1.
(2)从第i个滑动窗口ti开始找出所有的频繁1-序列
(3)K=k+1,产生候选K-序列
(4)识别包含在ti中的所有候选,产生的候选K-序列的集合为sunsequence(CK,ti),即Cti=sunsequence(CK,ti)
(5)计算每个候选K-序列的支持度计数增值;
(6)遍历每个滑动窗口中的数据序列,即i从1至q,计算每个候选K-序列对于所有滑动窗口的平均支持度。若频繁序列Fk为空集则算法终止,否则将平均支持度超过minsup的频繁序列Fk提取出来,获得频繁序列K-序列。
(7)当某个频繁序列是另一频繁序列的子集时,则将两个序列合并,成为新的频繁序列,最终获得的频繁序列即为强相关监测数据序列。
进一步地,在本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法中,在所述步骤(3)中,当测试样本的重构误差≤上限阈值Thd时,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差≤上限阈值Thd,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且该测试样本的检测数据值为0或固定不变的值时,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差>上限阈值Thd,则辨识结果为输变电设备状态异常。
需要说明的是,当测试样本的重构误差≤上限阈值Thd时,即测试样本的数据不包含呈现异常的数据例如奇异点或缺失值,因而,测试样本的数据为无损数据,因此,辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且同时段或滞后或超前一定时段的强相关状态量的重构误差≤上限阈值Thd,即测试样本的数据中,呈现异常的数据为奇异点或短时缺失值,因此,辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且该测试样本的检测数据值为0或固定不变的值时,即测试样本的数据中呈现异常的数据为缺失值,因此,辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且同时段或滞后或超前一定时段的强相关状态量的重构误差>上限阈值Thd,即测试样本的数据在该时段内出现突变量,导致所获得的强相关状态量受到影响,因而,此时输变电设备发生异常或故障,因此,辨识结果为输变电设备状态异常。
此外,强相关监测数据序列中与测试样本数据强相关的协同状态数据是指强相关监测数据序列中与测试样本关联性较强的状态参数的时间序列中的数据,例如测试样本为2018年5月1日10时-11时的CO检测数据,而与CO关联性较强的状态参数的时间序列为CO2时间序列,则协同因素状态数据可以为测试样本同一时间段的CO2检测数据,也可以为2018年5月1日11时-12时的CO2检测数据,也可以为2018年5月1日9时-10时的CO2检测数据。
强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差的获得过程与测试样本的获得过程相同,因而,在此不再赘述。
进一步地,在本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法的步骤(3)中,在基于训练样本的重构表示与所述训练样本得到训练样本的重构误差时,采用平均绝对误差来计算获得所述重构误差。
进一步地,在本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法的步骤(3)中,在对训练样本的重构误差进行核密度估计得到误差概率分布情况时,以高斯函数为核函数,以重构误差作为核函数的输入,对重构误差进行近似估计,以得到误差概率分布情况。
在一些实施方式中,核密度估计采用的核函数为高斯函数,高斯函数的窗宽为2.5801×10-4。
进一步地,在本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法的步骤(3)中,在确定重构误差的上限阈值Thd时,根据误差概率分布情况所制得的函数图像中对应点对应的纵坐标值为重构误差的上限阈值Thd。
进一步地,在本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法中,所述的强相关状态参量包括设备中溶解的气体含量、设备油温、设备运行电力数据以及设备环境数据的至少其中之一。
更进一步地,在本发明权所述的基于栈式降噪自编码器的输变电设备状态异常检测方法中,所述的设备中溶解的气体含量包括CO、CO2、H2、CH4、C2H4的至少其中之一的气体含量。
更进一步地,在本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法中,所述的设备油温包括顶层油温、底层油温或绕组温度的至少其中之一。
更进一步地,在本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法中,所述的设备运行电力数据包括负荷、铁芯接地电流、套管介损的至少其中之一。
更进一步地,在本发所述的基于栈式降噪自编码器的输变电设备状态异常检测方法中,所述的设备环境数据包括环境湿度和/或环境温度。
相应地,本发明的另一目的在于提供一种基于栈式降噪自编码器的输变电设备状态异常检测系统,通过该输变电设备状态异常检测系统可以有效辨识出输变电设备异常运行状态。
基于上述目的,本发明提出了一种基于栈式降噪自编码器的输变电设备状态异常检测系统,其包括:
数据库,其存储有输变电设备状态在线监测数据;
栈式降噪自编码器,从数据库中获取输变电设备状态在线监测数据,采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量,根据强相关状态参量的时间序列获得强相关监测数据序列,将强相关监测数据序列划分为训练样本和测试样本;
其中,采用训练样本对栈式降噪自编码器进行训练学习,获得栈式降噪自编码器的最优训练参数,则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示;基于所述训练样本的重构表示与训练样本得到训练样本的重构误差,对训练样本的重构误差进行核密度估计得到误差概率分布情况,以确定重构误差的上限阈值Thd;将所述测试样本输入具有所述最优训练参数的栈式降噪自编码器,输出得到测试样本的重构误差,将测试样本的重构误差与所述上限阈值Thd进行比较,基于比较结果输出输变电设备状态的辨识结果。
进一步地,在本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测系统中,当测试样本的重构误差≤上限阈值Thd时,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差≤上限阈值Thd,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且该测试样本的检测数据值为0或某定值时,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差>上限阈值Thd,则辨识结果为输变电设备状态异常。
本发明所述的基于栈式降噪自编码器的输变电设备状态检测方法和系统根据所获得的强相关监测数据序列利用栈式降噪自编码器进行训练学习获取最优训练参数以及重构表示,随后计算获得重构误差通过核密度估计确定重构误差的上限阈值Thd,基于最优训练参数对需要测试的数据(即测试样本)进行测试,通过测试样本的重构误差与上限阈值进行辨识,从而实现对输变电设备状态异常检测的有效辨识。
附图说明
图1为本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法在一种实施方式下的方法示意图。
图2为本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法在一种实施方式下的工作流程示意图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法和系统做进一步的解释和说明,然而该解释和说明并不对本发明的技术方案构成不当限定。
在本实施方式中,基于栈式降噪自编码器的输变电设备状态异常系统包括数据库以及栈式降噪自编码器,其中,数据库存储有输变电设备状态在线监测数据。而栈式降噪自编码器从数据库中获取输变电设备状态在线监测数据,采用关联规则挖掘方法获得输变电设备状态在线监测数据中关联性较强的强相关状态参量,根据强相关状态参量的时间序列获得强相关监测数据序列。
其中,采用训练样本对栈式降噪自编码器进行训练学习,获得栈式降噪自编码器的最优训练参数,则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示;基于所述训练样本的重构表示与训练样本得到训练样本的重构误差,对训练样本的重构误差进行核密度估计得到误差概率分布情况,以确定重构误差的上限阈值Thd;将所述测试样本输入具有所述最优训练参数的栈式降噪自编码器,输出得到测试样本的重构误差,将测试样本的重构误差与所述上限阈值Thd进行比较,基于比较结果输出输变电设备状态的辨识结果。
该输变电设备状态异常系统所采用的方法包括步骤:
(1)获取输变电设备状态在线监测数据,采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量,根据强相关状态参量的时间序列获得强相关监测数据序列;
(2)将强相关监测数据序列划分为训练样本和测试样本,采用训练样本对栈式降噪自编码器进行训练学习,获得栈式降噪自编码器的最优训练参数,则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示;
(3)将训练样本的重构表示与训练样本进行计算得到训练样本的重构误差,根据训练样本的重构误差进行核密度估计得到误差概率分布情况,从而确定重构误差的上限阈值Thd,其中,核密度估计采用的核函数为高斯函数,采用平均绝对误差来计算重构误差,根据误差概率分布情况所制得的函数图像中对应点对应的纵坐标值为重构误差的上限阈值Thd,高斯函数的窗宽为2.5801×10-4。;
(4)基于最优训练参数对测试样本进行测试,输出得到测试样本的重构误差,将测试样本的重构误差与上限阈值Thd进行辨识,并输出辨识结果。
在上述方法中,栈式降噪自编码器将训练样本和测试样本作为输入数据x输入时,随机对x添加噪声,噪声可以为0或白噪声,使得数据x中含有一定比例的染躁数据进行破获污染得到,该比例成为数据破坏率,而栈式降噪自编码器中的隐藏层特征y可用下式表示:
式中:θ=(W,b)为编码模型参数;W为d'*d维的编码权值矩阵;b为d'维的偏置向量;σ函数表示激活函数。
经过解码,隐藏层特征y的重构表示z如下式所示:
z=gθ'(y)=σ(W'y+b')
式中:θ'=(W',b')为解码模型参数;W'为d*d'维解码权值矩阵,b'为d维的偏置向量。
通过输入训练样本对栈式降噪自编码器,可以获得编码模型参数θ和解码模型参数θ’,而通过最小化重构误差训练获得最佳训练参数。
而重构误差则通过计算输入数据x与重构表示z获得,如下式所示
L2(x,z)=||x-z||2,xi∈R
而核密度估计中,核函数为高斯函数,窗宽为2.5801*10-4,为了评估栈式降噪自编码器模型的训练性能,使用平均绝对误差(mean absolute deviation,MAE)来计算训练样本的重构误差,如下式所示:
其中m是输入数据的总数,n是每个输入数据的维数。经训练,得到训练样本的输入数据与重构表示的MAE,在核密度估计的误差概率分布情况所制得的函数图像中,横坐标上(1-MAE)对应的纵坐标值为上限阈值Thd。
图1为本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法在一种实施方式下的方法示意图。
如图1所示,考虑到输变电设备在线监测数据为连续变化的数据,因而在采用关联规则挖掘时,可以先对数据预处理,其包括:先将连续的输变电设备在线监测数据离散化,从而实现输变电设备在线监测数据的区段化映射,随后计算所有表征输变电设备状态的状态参数经过划分后的支持度S。支持度S定义为事务X与事务Y同时出现在一次事务中的可能性,由事务X和事务Y在事务数据库I中同时出现的事务数占总事务的比例估计,反映事务X与事务Y同时出现的可能性,而在本案中,事务X表示输变电设备缺陷和故障发生的事件,而事务Y则表示某一个表征输变电设备状态的状态参数,通过支持度S用来分析输变电设备缺陷和故障发生原因同状态参数之间的相关性,进而分析故障发展的客观规律,得到频繁序列,由频繁序列提取故障发展的关联规则,其具体过程如下所述:
设D是包含多元时间序列的数据集,D={A,B,C…N},在本案中,D是由N个表征输变电设备状态的状态参数的时间序列构成,而A,B,C……N则表示某个输变电设备状态的状态参数的时间序列,其由输变设备状态在线监测数据按照时间排列获得。
对D进行等长度的划分,形成q个有限长度的滑动窗口t=<t1,t2,…,tq>,则t1={A1,B1,C1,…},设最小支持度阈值为minsup,单个频繁序列组合记为k-序列,代表序列个数为k个,其算法流程如下:
(1)设k初始值为k=1.
(2)从第i个滑动窗口ti开始找出所有的频繁1-序列
(3)K=k+1,产生候选K-序列
(4)识别包含在ti中的所有候选,产生的候选K-序列的集合为sunsequence(CK,ti),即Cti=sunsequence(CK,ti)
(5)计算每个候选K-序列的支持度计数增值;
(6)遍历每个滑动窗口中的数据序列,即i从1至q,计算每个候选K-序列对于所有滑动窗口的平均支持度。若频繁序列Fk为空集则算法终止,否则将平均支持度超过minsup的频繁序列Fk提取出来,获得频繁序列K-序列。
(7)当某个频繁序列是另一频繁序列的子集时,则将两个序列合并,成为新的频繁序列,最终获得的频繁序列即为强相关监测数据序列。
其中,各个表征输变电设备状态的状态参数最终确定关联性较强的状态参数,即为强相关状态参数,在本实施方式中,强相关状态参量包括设备中溶解的气体含量、设备油温、设备运行电力数据以及设备环境数据,而设备中溶解的气体含量包括CO、CO2、H2、CH4、C2H4,而设备油温包括顶层油温、底层油温或绕组温度,而设备运行电力数据包括负荷、铁芯接地电流、套管介损,并且设备环境数据包括环境湿度和环境温度。需要说明的是,在这种实施方式中,以上只列出了变压器的状态监测数据而没有列出输电设备的状态监测数据,其仅是作为说明本技术方案的例子,本领域内的技术人员知晓,在其他的实施方式中,状态监测数据还可以包括输电设备的状态监测数据。
表1.显示了采用关联规则挖掘方法获得强相关状态参量的挖掘结果。
表1.
图2为本发明所述的基于栈式降噪自编码器的输变电设备状态异常检测方法在一种实施方式下的工作流程示意图。
结合图1和图2可以看出,当测试样本的重构误差≤上限阈值Thd时,即测试样本的数据不包含呈现异常的数据例如奇异点或缺失值,因而,测试样本的数据为无损数据,因此,辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差≤上限阈值Thd,即测试样本的数据中,呈现异常的数据为奇异点或短时缺失值,因此,辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且该测试样本的检测数据值为0或固定不变的值时,即测试样本的数据中呈现异常的数据为缺失值,因此,辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差>上限阈值Thd,即测试样本的数据在该时段内出现突变量,导致所获得的强相关状态量受到影响,因而,此时输变电设备发生异常或故障,因此,辨识结果为输变电设备状态异常。
由此可以看出,本案的基于栈式降噪自编码器的输变电设备状态检测方法和系统根据所获得的强相关监测数据序列利用栈式降噪自编码器进行训练学习获取最优训练参数以及重构表示,随后计算获得重构误差通过核密度估计确定重构误差的上限阈值Thd,基于最优训练参数对需要测试的数据(即测试样本)进行测试,通过测试样本的重构误差与上限阈值进行辨识,从而实现对输变电设备状态异常检测的有效辨识。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
Claims (9)
1.一种基于栈式降噪自编码器的输变电设备状态异常检测方法,其特征在于,包括步骤:
(1)获取输变电设备状态在线监测数据,采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量,根据强相关状态参量的时间序列获得强相关监测数据序列;
(2)将强相关监测数据序列划分为训练样本和测试样本,采用训练样本对栈式降噪自编码器进行训练学习,获得栈式降噪自编码器的最优训练参数,则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示;
(3)基于训练样本的重构表示与所述训练样本得到训练样本的重构误差,对训练样本的重构误差进行核密度估计得到误差概率分布情况,以确定重构误差的上限阈值Thd;
(4)将所述测试样本输入具有所述最优训练参数的栈式降噪自编码器,输出得到测试样本的重构误差,将测试样本的重构误差与所述上限阈值Thd进行比较,基于比较结果输出输变电设备状态的辨识结果。
2.如权利要求1所述的基于栈式降噪自编码器的输变电设备状态异常检测方法,其特征在于,在所述步骤(3)中,当测试样本的重构误差≤上限阈值Thd时,则所述辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差≤上限阈值Thd,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且该测试样本的检测数据值为0或固定不变的值时,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差>上限阈值Thd,则辨识结果为输变电设备状态异常。
3.如权利要求1或2所述的基于栈式降噪自编码器的输变电设备状态异常检测方法,其特征在于,在所述步骤(3)中,在基于训练样本的重构表示与所述训练样本得到训练样本的重构误差时,采用平均绝对误差来计算获得所述重构误差。
4.如权利要求1或2所述的基于栈式降噪自编码器的输变电设备状态异常检测方法,其特征在于,在所述步骤(3)中,在对训练样本的重构误差进行核密度估计得到误差概率分布情况时,以高斯函数为核函数,以重构误差作为核函数的输入,对重构误差进行近似估计,以得到误差概率分布情况。
5.如权利要求1或2所述的基于栈式降噪自编码器的输变电设备状态异常检测方法,其特征在于,在所述步骤(3)中,在确定重构误差的上限阈值Thd时,根据误差概率分布情况所制得的函数图像中对应点对应的纵坐标值为重构误差的上限阈值Thd。
6.如权利要求1或2所述的基于栈式降噪自编码器的输变电设备状态异常检测方法,其特征在于,所述的强相关状态参量包括设备中溶解的气体含量、设备油温、设备运行电力数据以及设备环境数据的至少其中之一。
7.如权利要求6所述的基于栈式降噪自编码器的输变电设备状态异常检测方法,其特征在于,所述的设备中溶解的气体含量包括CO、CO2、H2、CH4、C2H4的至少其中之一的气体含量;并且/或者所述的设备油温包括顶层油温、底层油温或绕组温度的至少其中之一;并且/或者所述设备运行电力数据包括负荷、铁芯接地电流、套管介损的至少其中之一;并且/或者所述设备环境数据包括环境湿度和/或环境温度。
8.一种基于栈式降噪自编码器的输变电设备状态异常检测系统,其特征在于,包括:
数据库,其存储有输变电设备状态在线监测数据;
栈式降噪自编码器,其从数据库中获取输变电设备状态在线监测数据,采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量,根据强相关状态参量的时间序列获得强相关监测数据序列,将强相关监测数据序列划分为训练样本和测试样本;
其中,采用训练样本对栈式降噪自编码器进行训练学习,获得栈式降噪自编码器的最优训练参数,则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示;基于所述训练样本的重构表示与训练样本得到训练样本的重构误差,对训练样本的重构误差进行核密度估计得到误差概率分布情况,以确定重构误差的上限阈值Thd;将所述测试样本输入具有所述最优训练参数的栈式降噪自编码器,输出得到测试样本的重构误差,将测试样本的重构误差与所述上限阈值Thd进行比较,基于比较结果输出输变电设备状态的辨识结果。
9.如权利要求8所述的基于栈式降噪自编码器的输变电设备状态异常检测系统,其特征在于,当测试样本的重构误差≤上限阈值Thd时,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差≤上限阈值Thd,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且该测试样本的检测数据值为0或固定不变的值时,则辨识结果为输变电设备状态正常;当测试样本的重构误差>上限阈值Thd且同强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差>上限阈值Thd,则辨识结果为输变电设备状态异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582336.1A CN109101986A (zh) | 2018-06-07 | 2018-06-07 | 基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582336.1A CN109101986A (zh) | 2018-06-07 | 2018-06-07 | 基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109101986A true CN109101986A (zh) | 2018-12-28 |
Family
ID=64796715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810582336.1A Pending CN109101986A (zh) | 2018-06-07 | 2018-06-07 | 基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101986A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471049A (zh) * | 2019-01-09 | 2019-03-15 | 南京航空航天大学 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
CN109978079A (zh) * | 2019-04-10 | 2019-07-05 | 东北电力大学 | 一种改进的堆栈降噪自编码器的数据清洗方法 |
CN110058098A (zh) * | 2019-04-29 | 2019-07-26 | 南方电网科学研究院有限责任公司 | 直流控制保护系统的状态监测方法、装置、设备及介质 |
CN110119545A (zh) * | 2019-04-24 | 2019-08-13 | 西安理工大学 | 一种基于栈式自编码器的非侵入式电力负荷识别方法 |
CN112131272A (zh) * | 2020-09-22 | 2020-12-25 | 平安科技(深圳)有限公司 | 多元kpi时间序列的检测方法、装置、设备及存储介质 |
CN112202625A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 网元异常诊断方法、装置、计算设备及计算机存储介质 |
CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
CN112580699A (zh) * | 2020-12-04 | 2021-03-30 | 中国船舶重工集团公司第七一一研究所 | 一种传感器数据异常检测的方法及其应用 |
CN112598130A (zh) * | 2020-12-09 | 2021-04-02 | 华东交通大学 | 基于自编码器和奇异值阈值的土壤湿度数据重构方法和计算机可读存储介质 |
CN113537528A (zh) * | 2021-07-28 | 2021-10-22 | 贵州电网有限责任公司 | 一种输变电设备状态监测数据的预处理方法及系统 |
CN114666117A (zh) * | 2022-03-17 | 2022-06-24 | 国网浙江省电力有限公司信息通信分公司 | 一种面向电力互联网的网络安全态势度量和预测方法 |
CN116662920A (zh) * | 2023-07-31 | 2023-08-29 | 深圳大学 | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463706A (zh) * | 2014-12-10 | 2015-03-25 | 深圳供电局有限公司 | 一种用于电网检测电压暂降事件原因的方法和系统 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
US20150242415A1 (en) * | 2014-02-26 | 2015-08-27 | Phantom Technologies, Inc. | Detecting and managing abnormal data behavior |
CN104951851A (zh) * | 2015-07-08 | 2015-09-30 | 华侨大学 | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 |
CN105528638A (zh) * | 2016-01-22 | 2016-04-27 | 沈阳工业大学 | 灰色关联分析法确定卷积神经网络隐层特征图个数的方法 |
CN105550700A (zh) * | 2015-12-08 | 2016-05-04 | 国网山东省电力公司电力科学研究院 | 一种基于关联分析和主成分分析的时间序列数据清洗方法 |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
CN106019084A (zh) * | 2016-06-16 | 2016-10-12 | 上海交通大学 | 基于配用电数据关联的中压配电网断线故障诊断方法 |
-
2018
- 2018-06-07 CN CN201810582336.1A patent/CN109101986A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150242415A1 (en) * | 2014-02-26 | 2015-08-27 | Phantom Technologies, Inc. | Detecting and managing abnormal data behavior |
CN104463706A (zh) * | 2014-12-10 | 2015-03-25 | 深圳供电局有限公司 | 一种用于电网检测电压暂降事件原因的方法和系统 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN104951851A (zh) * | 2015-07-08 | 2015-09-30 | 华侨大学 | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 |
CN105550700A (zh) * | 2015-12-08 | 2016-05-04 | 国网山东省电力公司电力科学研究院 | 一种基于关联分析和主成分分析的时间序列数据清洗方法 |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
CN105528638A (zh) * | 2016-01-22 | 2016-04-27 | 沈阳工业大学 | 灰色关联分析法确定卷积神经网络隐层特征图个数的方法 |
CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
CN106019084A (zh) * | 2016-06-16 | 2016-10-12 | 上海交通大学 | 基于配用电数据关联的中压配电网断线故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
ANDRES G.ABAD 等: "Collaborative Filtering using Denoising Auto-Encoders for Market Basket Data", 《ARXIV》 * |
代杰杰 等: "基于栈式降噪自编码器的输变电设备状态数据清洗方法", 《电力系统自动化》 * |
司马莉萍 等: "基于灰关联和模糊支持向量机的变压器油中溶解气体浓度的预测", 《电力系统保护与控制》 * |
林峻 等: "考虑时间序列关联的变压器在线监测数据清洗", 《电网技术》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471049A (zh) * | 2019-01-09 | 2019-03-15 | 南京航空航天大学 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
CN109471049B (zh) * | 2019-01-09 | 2021-09-17 | 南京航空航天大学 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
CN109978079A (zh) * | 2019-04-10 | 2019-07-05 | 东北电力大学 | 一种改进的堆栈降噪自编码器的数据清洗方法 |
CN110119545B (zh) * | 2019-04-24 | 2022-11-04 | 西安理工大学 | 一种基于栈式自编码器的非侵入式电力负荷识别方法 |
CN110119545A (zh) * | 2019-04-24 | 2019-08-13 | 西安理工大学 | 一种基于栈式自编码器的非侵入式电力负荷识别方法 |
CN110058098A (zh) * | 2019-04-29 | 2019-07-26 | 南方电网科学研究院有限责任公司 | 直流控制保护系统的状态监测方法、装置、设备及介质 |
CN112202625A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 网元异常诊断方法、装置、计算设备及计算机存储介质 |
CN112202625B (zh) * | 2019-07-08 | 2023-08-15 | 中国移动通信集团浙江有限公司 | 网元异常诊断方法、装置、计算设备及计算机存储介质 |
CN112131272A (zh) * | 2020-09-22 | 2020-12-25 | 平安科技(深圳)有限公司 | 多元kpi时间序列的检测方法、装置、设备及存储介质 |
CN112131272B (zh) * | 2020-09-22 | 2023-11-10 | 平安科技(深圳)有限公司 | 多元kpi时间序列的检测方法、装置、设备及存储介质 |
CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
CN112580699A (zh) * | 2020-12-04 | 2021-03-30 | 中国船舶重工集团公司第七一一研究所 | 一种传感器数据异常检测的方法及其应用 |
CN112598130A (zh) * | 2020-12-09 | 2021-04-02 | 华东交通大学 | 基于自编码器和奇异值阈值的土壤湿度数据重构方法和计算机可读存储介质 |
CN112598130B (zh) * | 2020-12-09 | 2024-04-09 | 华东交通大学 | 基于自编码器和奇异值阈值的土壤湿度数据重构方法和计算机可读存储介质 |
CN113537528B (zh) * | 2021-07-28 | 2022-05-03 | 贵州电网有限责任公司 | 一种输变电设备状态监测数据的预处理方法及系统 |
CN113537528A (zh) * | 2021-07-28 | 2021-10-22 | 贵州电网有限责任公司 | 一种输变电设备状态监测数据的预处理方法及系统 |
CN114666117A (zh) * | 2022-03-17 | 2022-06-24 | 国网浙江省电力有限公司信息通信分公司 | 一种面向电力互联网的网络安全态势度量和预测方法 |
CN116662920A (zh) * | 2023-07-31 | 2023-08-29 | 深圳大学 | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 |
CN116662920B (zh) * | 2023-07-31 | 2023-10-24 | 深圳大学 | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101986A (zh) | 基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 | |
CN110988422B (zh) | 一种窃电识别方法、装置及电子设备 | |
CN103328990B (zh) | 用于变压器诊断的方法和装置 | |
CN106022951A (zh) | 一种用电异常分析的方法及装置 | |
Su et al. | Electricity theft detection in low voltage networks with smart meters using state estimation | |
CN112836738B (zh) | 基于bp神经网络的窃电行为检测方法 | |
CN112381351A (zh) | 一种基于奇异谱分析的用电行为变化检测方法及系统 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN115796708A (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
CN111178690A (zh) | 基于风控评分卡模型的用电客户窃电风险评估方法 | |
CN113095739A (zh) | 一种电网数据异常检测方法及装置 | |
CN113313144A (zh) | 一种基于大数据的电力变压器故障诊断系统及方法 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
CN110852906A (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
Zhuang et al. | Data completion for power load analysis considering the low-rank property | |
Zhuang et al. | Power load data completion method considering low rank property | |
CN115982591A (zh) | 变压器健康状态的检测方法及装置、设备及存储介质 | |
CN114355004A (zh) | 一种基于编码相关性的中压反窃电分析方法 | |
Dian-Gang et al. | Anomaly behavior detection based on ensemble decision tree in power distribution network | |
Li et al. | Nonparametric kernel density estimation model of transformer health based on dissolved gases in oil | |
Altamimi et al. | Energy Theft Detection Using the Wasserstein Distance on Residuals | |
Høiem | Predicting fault events in the Norwegian electrical power system using deep learning: A sequential approach | |
Yang et al. | Evaluating the effectiveness of conservation voltage reduction with multilevel robust regression | |
CN115829543B (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 | |
CN117763435A (zh) | 一种基于瞬时扰动多特征量的配电网风险评估方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181228 |