CN109583599A - 异常状态检测方法 - Google Patents
异常状态检测方法 Download PDFInfo
- Publication number
- CN109583599A CN109583599A CN201811405245.7A CN201811405245A CN109583599A CN 109583599 A CN109583599 A CN 109583599A CN 201811405245 A CN201811405245 A CN 201811405245A CN 109583599 A CN109583599 A CN 109583599A
- Authority
- CN
- China
- Prior art keywords
- status data
- data
- sequences
- abnormal state
- state detection
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 35
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 208000002693 Multiple Abnormalities Diseases 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 241001025261 Neoraja caerulea Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008054 signal transmission Effects 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种异常状态检测方法，包括：获取电子设备的状态数据；将状态数据等分为多个序列并进行序列异常度运算，获取异常序列的个数；对状态数据进行聚类运算，并获取多个簇；计算状态数据中的数据点与所有簇的交集为空集的个数的和值，所述和值大于第一预设值，且异常序列的个数大于第二预设值时，判定状态数据异常；向监控设备发送状态异常响应。上述异常状态检测方法，通过对多个序列的相似度运算，获取异常序列的个数；对当前状态数据进行聚类运算以形成多个簇。只有当前状态数据与所有簇交集为空集的数据点个数以及异常序列的个数均达到一定的数量，确定当前组的状态数据存在异常，便于提前确定异常状态，从而便于提供早期预警。
Description
技术领域
本发明涉及电网安全技术领域，特别是涉及一种异常状态检测方法。
背景技术
电力设备健康运行是电网安全运行的基础，对于电力设备的检测成为其安全运行的必要条件，传统的电力设备状态异常的检测采用阈值法。
但是，由于电力设备类型、运行工况和运行环境具有多样性，使得电力设备的各项参数随着时间的变化而变化，固定的阈值检测判断方法无法保证对不同类型、不同地区设备的普遍适用性，无法满足对电网安全运行的高要求。尤其是当电力设备状态由于绝缘老化等原因发生异常时，若设备状态数据变化还没能超过规定阈值，可能会导致检测结果严重滞后，无法提前检测出异常状态，使得无法为电力设备提供早期预警。
发明内容
基于此，有必要提供一种步骤简单且快速检测出状态数据中存在异常的异常状态检测方法。
一种异常状态检测方法，包括：获取电子设备的状态数据；将状态数据等分为多个序列并进行序列异常度运算，获取异常序列的个数；对状态数据进行聚类运算，并获取多个簇；计算状态数据中的数据点与所有簇的交集为空集的个数的和值，当所述和值大于第一预设值，且异常序列的个数大于第二预设值时，状态数据异常；向监控设备发送状态异常响应。
在其中一个实施例中，所述第一预设值包括状态数据中数据点个数的占比值。
在其中一个实施例中，所述占比值为50％～90％。
在其中一个实施例中，所述占比值为80％。
在其中一个实施例中，所述第二预设值包括状态数据中异常序列与所有序列的比值。
在其中一个实施例中，所述状态数据中异常序列与所有序列的比值为0.3：1～0.5：1。
在其中一个实施例中，所述状态数据中异常序列与所有序列的比值为0.4：1。
在其中一个实施例中，所述对一组状态数据进行序列异常度运算，并获取异常序列的个数包括：选取其中一序列与其他各序列进行相似度运算，并获取最大相似度；根据最大相似度进行序列异常度运算，获取当前序列的异常度；当序列的异常度大于第三预设值时，异常序列的个数加1。
在其中一个实施例中，所述第三预设值为0.4～0.6。
在其中一个实施例中，所述第三预设值为0.5。
上述异常状态检测方法，对当前状态数据进行等分处理，形成多个序列，通过对多个序列的相似度运算，获取异常序列的个数；对当前状态数据进行聚类运算以形成多个簇。只有当前状态数据与所有簇交集为空集的数据点个数以及异常序列的个数均达到一定的数量，即可确定当前组的状态数据存在异常，便于提前确定电子设备的异常状态，从而便于提供早期预警。
附图说明
图1为一实施例的异常状态检测方法的流程图；
图2为另一实施例的异常状态检测方法的流程图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
需要说明的是，当元件被称为“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明涉及一种异常状态检测方法。例如，所述异常状态检测方法包括：将一组状态数据等分为多个序列并进行序列异常度运算，获取异常序列的个数；对状态数据进行聚类运算，并获取多个簇；计算状态数据中的数据点与所有簇的交集为空集的个数的和值，当所述和值大于第一预设值，且异常序列的个数大于第二预设值时，判定状态数据异常。上述异常状态检测方法，对当前状态数据进行等分处理，形成多个序列，通过对多个序列的相似度运算，获取异常序列的个数；对当前状态数据进行聚类运算以形成多个簇。只有当前状态数据与所有簇交集为空集的数据点个数以及异常序列的个数均达到一定的数量，即可确定当前组的状态数据存在异常，便于提前确定电子设备异常状态，从而便于提供早期预警。
请参阅图1，其为本发明一实施例的异常状态检测方法的流程图。
在其中一个实施例中，一种异常状态检测方法，包括如下步骤的部分或全部。
S100：获取电子设备的状态数据。
电子设备的状态数据包括电子设备的多个时刻的状态数据，其中，状态数据又包括电子设备的多种状态，例如，状态数据包括电子设备的工作电流；又如，状态数据包括电子设备的电压；又如，状态数据包括电子设备的液态压力。通过获取不同时间的多种状态，以便于获取多个时刻的状态，避免了时间跨度较短造成的不准确，同时也避免了电子设备的状态数据过于单一，从而使得电子设备的状态数据不仅在时间上有较大跨度，而且在状态数据的组成元素上多元化，便于更加准确地提前判定电子设备的异常。
S200：将状态数据等分为多个序列并进行序列异常度运算，获取异常序列的个数。
所述状态数据为包括当前电子设备的状态数据，即所述状态数据为包括电子设备的最新运行状态数据，也即所述状态数据包括电子设备当前运行状态数据以及在此之前的电子设备运行状态数据，使得所述状态数据不仅包括电子设备的最新运行状态数据，还包括电子设备以前的运行状态数据。对所述状态数据的等分，即对所述状态数据进行等时间划分，使得每一个序列中包括数量相等的状态数据，而且，其中有一序列的状态数据为电子设备最近一段时间内的运行状态数据。这样，使得每一序列的状态数据为多个时刻的状态数据，且上述多个时刻具有时间先后顺序。
对于上述对个等分的序列，采用区间集理论形成连续区间，即每一序列对应有一连续区间，之后在对获取的连续区间进行异常度运算，从而判断每一连续区间与其他各连续区间的异常程度，即判断每一序列与其他各序列之间的异常程度，最后将其中的异常序列的个数进行统计，以便于后续对整个一组状态数据是否异常的判断，即异常序列的个数影响当前组的状态数据的异常情况。
在本实施例中，采用区间集理论求取异常序列个数，具体包括如下步骤，请一并参阅图1以及图2。
S210：选取一序列与其他各序列进行相似度运算，并获取最大相似度；
S220：根据最大相似度计算对应的异常度；
S230：当序列的异常度大于第三预设值时，异常序列的个数加1。
在上述步骤中，选取的序列为依次选取，使得每一个序列对应获取一个异常度，当最后一个序列计算完异常度之后，统计异常序列的个数，作为后续判断所述状态数据异常的一个条件。
在本实施例中，所述状态数据包括多个数据点，使得所述状态数据有多个离散数据点组成，其中，状态数据构造多个序列即为状态数据的子数据集，同时使得多个序列为包括多个离散数据点的子数据集，例如，将所述状态数据记为X(n)＝{x1，x2，…，xn}，xk∈R，其中，x1，x2，…，xn均为所述状态数据中的离散数据点，且x1，x2，…，xn中相邻两个数据点所对应的时间节点的时间间隔相等，即x1，x2，…，xn对应的时间节点依次排序，也即x1，x2，…，xn按照时间间隔依次排序。这样，所述状态数据的各个数据点为电子设备不同时刻的状态参数，即所述状态数据形成的数据集为离散数据集。
根据当前状态数据构造的序列为连续序列，使得将所述状态数据中的离散数据点映射至连续序列的连续数据集内，例如，定义所述状态数据对应的数据集为X(n)＝{x1，x2，…，xn}，xk∈R，构造所述状态数据X(n)的序列A＝[a，b]，其满足如下条件：
V(b)＝g1(num{xk∈X(n)|E(X(n))<xk≤b})*g2(b) (1)
V(a)＝g1(num{xk∈X(n)|a≤xk<E(X(n))})*g2(a) (2)
g1(u)＝u2+u+c (3)
其中，公式(1)以及公式(2)中，num(X(n))表示为X(n)落入区间A中的元素个数，E(X(n))为X(n)的数学期望；公式(3)中的c为常数，通常选取0.4～0.6，在本实施例中，通常c的取值为0.5；公式(4)中的σ2为X(n)的方差。
当公式(1)和(2)的变量达到最大时，即当V(a)和V(b)取最大值时，对应的自变量a和b作为最优边界，即获得对应的abest和bbest。其中，abest和bbest分别作为序列A的两个端点，即所述状态数据对应的序列A＝[a，b]＝[abest，bbest]。这样，使得所述状态数据X(n)的离散数据映射至序列A的连续区间内。
为了便于对状态数据进行异常检测，将所述状态数据等分为多个子数据集，每一个子数据集的长度为m，即每一个子数据集包括m个数据点，例如，所述状态数据中的第k个子数据集，记为Xk(m)＝{xp，xp+1，…，xp+m-1}，且xp，xp+1，…，xp+m-1相邻两个数据点所对应的时间节点的时间间隔相等，即xp，xp+1，…，xp+m-1对应的时间节点依次排序，也即xp，xp+1，…，xp+m-1按照时间间隔依次排序。
由于将所述状态数据划分为多个子数据集，每一个子数据集对应于一个连续子序列，根据公式(1)至(4)，所述状态数据中的第k个子数据集对应的第k个子序列Ak＝[ak，bk]，满足如下条件：
V(bk)＝g1(num{xk∈Xk(m)|E(Xk(m))<xk≤bk})*g2(bk) (5)
V(ak)＝g1(num{xk∈Xk(m)|ak≤xk<E(Xk(m))})*g2(ak) (6)
g1(uk)＝uk 2+uk+ck (7)
其中，公式(5)以及公式(6)中，num(Xk(m))表示为Xk(m)落入区间Ak中的元素个数，E(Xk(m))为Xk(m)的数学期望；公式(7)中的ck为常数，通常选取0.4～0.6，在本实施例中，ck的取值为0.5；公式(8)中的σk 2为Xk(m)的方差。
当公式(5)和(6)的变量达到最大时，即当V(ak)和V(bk)取最大值时，对应的自变量ak和bk作为最优边界，即获得对应的akbest和bkbest。其中，akbest和bkbest分别作为子序列Ak的两个端点，即所述状态数据对应的序列Ak＝[ak，bk]＝[akbest，bkbest]。这样，使得数据Xk(m)的离散数据映射至子序列Ak的连续区间内。这样，使得每一个子数据集一一对应于一个子序列，从而使得每一个离散的子数据集映射至一个包括连续元素的序列。
当所述状态数据的数据点数量有限时，使得子数据集的数量较少，采用两两做相关系数运算求取子数据集的相似度，即在子数据集的数量有限时，通过逐一做相关系数运算求取相似度，也即选取其中一个子数据集与其他各个子数据集做相关系数运算，从而获取每一个数据集与其他各数据集之间的相似度。在本实施例中，任意两个子数据集Xi和Xj分别对应的子序列为Ai和Aj，两个子数据集Xi和Xj对应的相似度SAij满足以下条件：
其中，公式(9)计算结果为一数值，分子表示子序列Ai和子序列Aj的交集的模，分母表示子序列Ai和子序列Aj的并集的模，即公式(9)是一个求模公式，分别求取子序列Ai和子序列Aj的交集以及并集的模，使得相似度SAij客观地展示出子序列Ai和子序列Aj的相关程度。
当所述状态数据的数据点的数量容量较大时，使得子数据集的数量增多，需要对多个子数据集进行聚拢合并处理，即将多个子数据集平均划分为数量较少的数据集单元，其中，每一个数据集单元包括多个子数据集，且每一个数据集单元内包含的子数据集的数量相等。例如，选取两个包括s个连续的子数据集，分别记为第i个数据集单元和第j个数据集单元，计算第i个数据集单元和第j个数据集单元的相似度，满足以下条件：
根据公式(10)，计算出每一个数据集单元与其他所有数据集单元的相似度，即每一个数据集单元的相似度是相对于其他数据集单元的，也即每一个数据集单元与不包含自身的数据集单元之间的相关程度。在本实施例中，由于所述状态数据包括多个数据集单元，每一个数据集单元与其他的数据集单元之间的相关系数同样有多个，将每一个数据集单元与其他的数据集单元之间的多个相关系数中的最大的一个相关系数定义为该数据集单元的相似度，即每一个数据集单元的相似度满足以下条件：
SCi＝max Sij(|i-j|＞s) (11)
其中，公式(11)中的SCi表示为对应的数据集单元的相似度，这样，通过上述运算，每一个数据集单元与其他不包含自身的数据集单元之间存在唯一的相关系数，即每一个数据集单元的相似度。
为了体现出每一个数据集单元的异常程度，通过对数据集单元的相似度的运算，求取每一个数据集单元的异常度，其中每一个数据集单元的异常度满足以下条件：
其中，公式(12)中的ASi表示为对应的数据集单元的异常度，从公式(12)不难得出，每一个数据集单元的相似度越低，其自身的异常度越高，使得每一个数据集单元的异常度和相似度呈反向线性关系，从而使得每一个数据集单元的异常程度由异常度直接反映出来。这样，所述状态数据经过上述公式(1)至(12)的运算，获取所述状态数据的多个异常度，便于后续作为判断所述状态数据是否异常的依据。
而在本实施例中，对于所述状态数据，通过公式(1)至(12)的运算，获取所述状态数据的多个异常度，每一个异常度对应于一个数据集单元，即每一个数据集单元具有一个异常度。其中，所述状态数据包括多个数据集单元，使得所述状态数据包括多个数据集单元对应的异常度。而在上述多个异常度中，存在与异常度大于阈值的情况，将其中大于这一阈值的异常度对应的数据单元定义为异常序列。对于其中的阈值为所述第三预设值，可以根据电子设备的运行状态决定，例如，所述第三预设值为0.4～0.6；又如，所述第三预设值为0.5。
S300：对状态数据进行聚类运算，并获取多个簇；
在本实施例中，通过聚类的方法对所述状态数据进行检测，例如，采用数据处理单元接收所述状态数据并进行聚类运算；又如，采用单片机并结合系统软件对所述状态数据进行聚类运算；又如，采用存储单元接收所述状态数据，通过计算机进行聚类运算。这样，初始的电子设备状态数据以及处理后得到的簇均可以保存，避免了所述状态数据在聚类运算之后被覆盖，从而使得所述状态数据作为分析后续电子设备是否异常的对比数据。其中，S300的具体步骤如下，请一并参阅图1以及图2。
S310：从状态数据中选择一个未被聚类的核心对象点；
S320：从所述核心对象点出发进行拓展，并获取对应的一个簇；
S330：将获取的簇的数据点从当前状态数据中去除；
在上述步骤中，所述核心对象点是状态数据中的任意一个，形成的簇是与所述核心对象点相关的，即形成的簇的各数据点与所述核心对象点是密度相连的，簇的各数据点与所述核心对象点是密度相连是簇的各数据点与所述核心对象点之间的距离小于距离常数，例如，假设当前状态数据的核心对象点为xi,距离常数为eps，与所述核心对象点xi密度相连的对象数据点为{p1，p2，...，pm}，上述对象数据点满足公式||xi-pk||<eps，k＝1,2,…,m。其中，距离常数是根据电子设备实际运行状态确定的，即对于同一类型的电子设备，状态数据进行聚类检测的距离常数是相同的。
其中，S330每进行一次，即将形成的簇取出之后，并返回S310。当选取的所述核心对象点出发进行拓展无法满足上述公式，即无法形成新的簇，则拓展结束，即从所述核心对象点出发进行的搜寻结束，使得通过上述的搜寻获取一个对象数据点集，所述对象数据点集即为所述状态数据对应的所述簇，即所述簇内包括多个从所述核心对象点出发进行拓展的数据点，而上述的一个簇作为后续判断所述状态数据中各个数据点的状态的依据。
其中，在执行S310之前，还包括如下步骤：
判断状态数据中是否存在未被聚类的核心对象点；
若是，则执行S310；若否，则结束。
当最后一组簇从所述状态数据中去除之后，如果还存在未被聚类的数据点，则可作为核心对象点，并执行S310至S330,；如果不存在未被聚类的数据点，即无法找寻到核心对象点，则S300全部结束，并执行后续步骤。当S300结束之后，通过对所述状态数据的聚类运算，得到至少一个簇，且簇中的每一个数据点均有其对应的核心对象点，即使得簇中的每一个数据点满足公式||xi-pk||<eps，k＝1,2,…,m，从而使得簇中的每一个数据点都与其对应的核心对象点密度相连。
S400：计算状态数据中的数据点与所有簇的交集为空集的个数的和值，所述和值大于第一预设值，且异常序列的个数大于第二预设值时，状态数据异常。
在本实施例中，所述状态数据中包括多个数据点，即所述状态数据作为一个数据集，数据集中的每一个数据点分别代表一个状态参数，而所述簇是通过聚类形成的数据集，使得所有的簇所包括的数据点属于所述状态数据，即所有的簇组成的数据集包含于所述状态数据，也即所有簇组成的数据集中的数据点一一对应于所述状态数据中的数据点。但是，电子设备的状态出现异常时，所述状态数据中必然存在异常数据点，由于异常数据点与之前的状态数据中的数据点存在较大差异，即所述状态数据中存在不属于所有簇组成的数据集的数据点为异常数据点，也即将所述状态数据中与所有簇交集为空集的数据点为异常数据点。这样，通过将所述状态数据进行聚类以形成多个簇，从而获取所述状态数据中的异常数据点，其中，异常数据点的数量成为后续判断当前状态数据是否异常的一个因素，而且，异常数据点的数量需要达到一定量级，才能对当前状态数据判断是否异常起到一定的影响。
除了上述异常数据点作为判断当前状态数据是否异常的一个因素，另一个影响因素是当前状态数据中的异常序列的个数。
在本实施例中，对于所述状态数据，通过公式(1)至(12)的运算，获取所述状态数据的多个异常度，每一个异常度对应于一个数据集单元，即每一个数据集单元具有一个异常度。其中，所述状态数据包括多个数据集单元，使得所述状态数据包括多个数据集单元对应的异常度。而在上述多个异常度中，存在异常度大于所述第三预设值的数据集单元，将上述数据集单元定义为异常序列，并统计异常序列的数量。
为了便于获取判断状态数据异常的条件，所述第一预设值包括当前一组状态数据中数据点个数的占比值。在本实施例中，所述状态数据中与所有簇的交集为空集的数据点定义为异常数据点，所述状态数据中的异常数据点直观地表现局部数据之间的差异，即所述异常数据点反映出所述状态数据中数据点之间的相异程度。由于电子设备受到的干扰会比较多，而且干扰时间较短，即电子设备受到随机干扰，这一部分的随机干扰会在所述状态数据中体现，且表现为随机出现。而真正对电子设备造成干扰，即对电子设备的运行状态造成得干扰是持续的，即干扰时间较长，使得所述状态中的异常数据点连续出现，而且数量较多。根据这一特性，将异常数据点的数量作为判断所述状态数据是否异常的一个标准，所述第一预设值包括当前一组状态数据中数据点个数的占比值，例如，所述占比值为50％～90％；又如，所述占比值为当80％。这样，通过计算异常数据点在所述状态数据中的数据点的占比，从而获取判断状态数据异常的一个标准。
为了获取另一个判断状态数据异常的条件，所述第二预设值包括当前一组状态数据中异常序列与所有序列的比值。在本实施例中，所述状态数据包括多个数据集单元，每一个数据集单元包括多个子数据集，将这些数据集单元定义为序列，即每一序列中包括多个子数据集，而且，将其中异常度大于所述第三预设值的数据集单元定义为异常序列。通过对异常序列在所述状态数据对应的所有序列的占比，判断所述状态数据的异常情况，例如，所述当前一组状态数据中异常序列与所有序列的比值为0.3：1～0.5：1，即所述当前一组状态数据中异常序列与所有序列的比值范围在(0.3：1)～(0.5：1)之间；又如，所述当前一组状态数据中异常序列与所有序列的比值为0.4：1。这样，当所述状态数据中的异常序列与所有序列的比值大于所述第二预设值时，则确定所述状态数据存在异常，即便于断定电子设备当前状态出现异常，便于提前确定异常状态，从而便于提供早期预警。
S500：向监测设备发送状态异常响应。
当满足S400的条件时，通过信号发送装置向监控设备发送异常响应信号，例如，通过数据线缆将监控设备与电子设备的检测单元连接，两者之间通过线缆实现信号传输，从而便于电子设备的检测单元相监控设备发送异常信号；又如，监控设备与电子设备的检测单元无线连接，即通过无线电连接，使得两者之间的距离增加，从而实现远程监控的功能，无需操作人员进行现场操作。
在本实施例中，状态异常响应对应于不同的响应，例如，当状态数据异常时，检测单元向电子设备或者监控设备的预警单元发送警报，使得预警单元及时发送警报信号，便于操作人员提前发现电子设备存在的异常情况。其中，预警单元包括预警灯以及预警蜂鸣器中的至少一种，例如，当判断状态数据异常时，预警灯开启照明，即从休眠状态进入工作状态，也即预警灯从不亮的状态转变为照亮状态，这样，操作人员可以根据预警灯的点亮状态提前发现电子设备的异常状态；又如，当判断状态数据异常时，预警蜂鸣器发出蜂鸣声，即从待机状态进入工作状态，也即由不发声状态转变为高频蜂鸣状态，这样，通过预警蜂鸣器的发声情况准确知悉电子设备的当前异常状态；又如，当判断状态数据异常时，预警灯和预警蜂鸣器同时由待机状态进入工作状态，即预警灯为点亮状态，同时预警蜂鸣器发送出蜂鸣声，这样，使得预警灯和预警蜂鸣器中的一个损坏，另一个还可以继续进行预警工作，而且，光线和声音中只要有一个被操作人员发现，即可及时发现电子设备的异常状态，便于后续对电子设备的维护。
其中，预警灯和预警蜂鸣器可以根据自身不同的属性进行分级别预警，例如，预警灯的亮度反应电子设备的异常程度，即当电子设备异常程度较低时，预警灯的亮度为一级低亮度，当电子设备异常程度较高时，预警灯的亮度为五级高亮度，使得操作人员根据预警灯的亮度分辨出电子设备的异常程度，便于后续判断电子设备的检修重要程度；又如，预警灯采用三色灯，当电子设备异常程度较低时，预警灯发射出蓝色光线，当电子设备异常程度较高时，预警灯发射出红色光线，中间异常程度的采用其他颜色的光线，这样，通过预警灯发射光线的颜色改变，使得操作人员快速发现电子设备的异常程度；又如，预警蜂鸣器通过改变音频信号频率反应电子设备的异常程度，即当电子设备异常程度较低时，预警蜂鸣器的音频信号频率为1.5KHZ，当电子设备异常程度较高时，预警蜂鸣器的音频信号频率为2.5KHZ，这样，通过预警蜂鸣器发出的不同频率的蜂鸣声，使得操作人员及时获知电子设备的异常程度。
在另一实施例中，状态异常响应为状态评价信号，不同的评价信号对应于异常情况的严重程度，例如，状态异常响应发送至监控系统，监控系统通过计算机转换为对应的状态评价信号，通过状态评价信号使得监控人员提前发现电子设备的异常状态，并根据异常情况便于对电子设备的维护，为后期的电子设备是否使用以及维护成本提供一个决策支持。其中，状态异常响应通过无线或有线传输至监控系统，监控系统将状态异常信号转换为对应的状态评价信号，状态评价信号评判电子设备的当期状态，例如，状态评价信号使用自然数进行表述，当电子设备异常程度较低时，监控系统上显示的状态评价信号为数字“0001”，当电子设备异常程度较高时，监控系统上显示的状态评价信号为数字“1111”，这样，通过监控系统上显示的状态评价信号，将电子设备的异常程度划分为15个不同级别，根据不同的级别，便于对电子设备的异常程度的体现，同时根据不同的异常级别，便于对电子设备是否使用以及维护成本提供一个决策支持。
上述异常状态检测方法，对当前状态数据进行等分处理，形成多个序列，通过对多个序列的相似度运算，获取异常序列的个数；对当前状态数据进行聚类运算以形成多个簇。只有当前状态数据与所有簇交集为空集的数据点个数以及异常序列的个数均达到一定的数量，即可确定当前组的状态数据存在异常，便于提前确定异常状态，从而便于提供早期预警。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常状态检测方法，其特征在于，包括：
获取电子设备的状态数据；
将状态数据等分为多个序列并进行序列异常度运算，获取异常序列的个数；
对状态数据进行聚类运算，并获取多个簇；
计算状态数据中的数据点与所有簇的交集为空集的个数的和值，当所述和值大于第一预设值，且异常序列的个数大于第二预设值时，状态数据异常；
向监控设备发送状态异常响应。
2.根据权利要求1所述异常状态检测方法，其特征在于，所述第一预设值包括状态数据中数据点个数的占比值。
3.根据权利要求2所述异常状态检测方法，其特征在于，所述占比值为50％～90％。
4.根据权利要求3所述异常状态检测方法，其特征在于，所述占比值为80％。
5.根据权利要求1所述异常状态检测方法，其特征在于，所述第二预设值包括状态数据中异常序列与所有序列的比值。
6.根据权利要求5所述异常状态检测方法，其特征在于，所述状态数据中异常序列与所有序列的比值为0.3：1～0.5：1。
7.根据权利要求6所述异常状态检测方法，其特征在于，所述状态数据中异常序列与所有序列的比值为0.4：1。
8.根据权利要求1至7中任一项所述异常状态检测方法，其特征在于，所述将状态数据等分为多个序列并进行序列异常度运算，并获取异常序列的个数包括：
选取其中一序列与其他各序列进行相似度运算，并获取最大相似度；
根据最大相似度进行序列异常度运算，获取当前序列的异常度；
当序列的异常度大于第三预设值时，异常序列的个数加1。
9.根据权利要求8所述异常状态检测方法，其特征在于，所述第三预设值为0.4～0.6。
10.根据权利要求9所述异常状态检测方法，其特征在于，所述第三预设值为0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811405245.7A CN109583599A (zh) | 2018-11-23 | 2018-11-23 | 异常状态检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811405245.7A CN109583599A (zh) | 2018-11-23 | 2018-11-23 | 异常状态检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109583599A true CN109583599A (zh) | 2019-04-05 |
Family
ID=65924086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811405245.7A Pending CN109583599A (zh) | 2018-11-23 | 2018-11-23 | 异常状态检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583599A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415494A (zh) * | 2019-07-25 | 2019-11-05 | 西安因联信息科技有限公司 | 一种基于历史运行数据的设备报警阈值计算方法 |
| CN111538755A (zh) * | 2020-03-12 | 2020-08-14 | 浙江大学 | 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103389427A (zh) * | 2013-07-31 | 2013-11-13 | 广州华工科技开发有限公司 | Gis设备运行状态在线检测方法与系统 |
| CN103561418A (zh) * | 2013-11-07 | 2014-02-05 | 东南大学 | 基于时间序列的异常检测方法 |
| CN106127249A (zh) * | 2016-06-24 | 2016-11-16 | 深圳市颐通科技有限公司 | 一种单时间序列异常子序列检测方法 |
| CN108230183A (zh) * | 2018-01-06 | 2018-06-29 | 浙江涵普电力科技有限公司 | 一种基于时标量测的电网设备多维度综合告警的处理方法 |
| CN108761227A (zh) * | 2018-04-02 | 2018-11-06 | 深圳市益鑫智能科技有限公司 | 一种高铁电能质量数据处理系统 |
-
2018
- 2018-11-23 CN CN201811405245.7A patent/CN109583599A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103389427A (zh) * | 2013-07-31 | 2013-11-13 | 广州华工科技开发有限公司 | Gis设备运行状态在线检测方法与系统 |
| CN103561418A (zh) * | 2013-11-07 | 2014-02-05 | 东南大学 | 基于时间序列的异常检测方法 |
| CN106127249A (zh) * | 2016-06-24 | 2016-11-16 | 深圳市颐通科技有限公司 | 一种单时间序列异常子序列检测方法 |
| CN108230183A (zh) * | 2018-01-06 | 2018-06-29 | 浙江涵普电力科技有限公司 | 一种基于时标量测的电网设备多维度综合告警的处理方法 |
| CN108761227A (zh) * | 2018-04-02 | 2018-11-06 | 深圳市益鑫智能科技有限公司 | 一种高铁电能质量数据处理系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415494A (zh) * | 2019-07-25 | 2019-11-05 | 西安因联信息科技有限公司 | 一种基于历史运行数据的设备报警阈值计算方法 |
| CN111538755A (zh) * | 2020-03-12 | 2020-08-14 | 浙江大学 | 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法 |
| CN111538755B (zh) * | 2020-03-12 | 2022-06-24 | 浙江大学 | 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287552B (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及系统 | |
| CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
| US10186146B2 (en) | Abnormality detection device, abnormality detection system, and method | |
| CN108733966A (zh) | 一种基于决策树群的多维电能表现场状态检验方法 | |
| CN106371052A (zh) | 智能电表的安全监控方法、装置及系统 | |
| CN109583599A (zh) | 异常状态检测方法 | |
| CN105654229A (zh) | 一种电网自动化系统及设备运行状态风险评估算法 | |
| CN115640860B (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
| US7324109B2 (en) | Method for superimposing statistical information on tubular data | |
| CN115441456A (zh) | 一种电网调度支持系统故障诊断方法及装置 | |
| CN109947815A (zh) | 一种基于离群点算法的窃电辨识方法 | |
| CN111314113A (zh) | 物联网节点故障检测方法、装置、存储介质及计算机设备 | |
| CN113889252A (zh) | 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统 | |
| CN112635048B (zh) | 一种视觉任务脑力负荷量化评估方法及系统 | |
| CN108814584A (zh) | 心电信号检测方法、终端和计算机可读存储介质 | |
| CN117371607A (zh) | 基于物联网技术的锅炉汽水流程再造监测系统 | |
| CN114417741B (zh) | 一机一档设备数据管理及处理系统 | |
| CN115270998B (zh) | 时间序列的有序分类方法、装置、计算机设备及存储介质 | |
| CN115207909B (zh) | 一种台区拓扑识别方法、装置、设备及存储介质 | |
| CN102486502B (zh) | 电力特征辨识装置及其方法 | |
| CN111780936B (zh) | 一种桥梁多参数融合可视化监测方法 | |
| CN206818417U (zh) | 一种轴承运行状态监测工具 | |
| CN117353462B (zh) | 一种基于人工智能的电网运营监控分析方法及平台 | |
| CN118378791B (zh) | 基于人工智能的智能设备数据信息管理系统及方法 | |
| CN116756619B (zh) | 一种基于大数据的设备智能诊断方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200918 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |