CN113554229A - 三相电压不平衡异常检测方法及装置 - Google Patents
三相电压不平衡异常检测方法及装置 Download PDFInfo
- Publication number
- CN113554229A CN113554229A CN202110839818.2A CN202110839818A CN113554229A CN 113554229 A CN113554229 A CN 113554229A CN 202110839818 A CN202110839818 A CN 202110839818A CN 113554229 A CN113554229 A CN 113554229A
- Authority
- CN
- China
- Prior art keywords
- phase voltage
- time
- target
- series data
- 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.)
- Pending
Links
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
Abstract
本申请公开了一种三相电压不平衡异常检测方法及装置。其中,该方法包括:在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻。本申请解决了由于相关技术中基于孤立的数据进行异常检测造成的检测结果不准确以及实时性较差的技术问题。
Description
技术领域
本申请涉及电力检测领域,具体而言,涉及一种三相电压不平衡异常检测方法及装置。
背景技术
高级量测系统AMI作为电力系统采集的基础设施,其采集的电力数据及系统状态为判断系统运行提供了基础支撑。为了高效地对AMI采集的海量电能量数据进行管理,需要对不同时间、不同地点的电能量数据进行统一的、标准化的管理。目前电能量数据呈现出明显的大数据特征,对电能量数据的分析和挖掘,对电力企业提高服务水平和经济效益有明显的指导意义。面临的一个关键问题是如何提高电能量数据的质量。
电压三相不平衡异常检测是电力企业对电能量数据进行分析处理的一个重要部分。三相不平衡是电能质量的一个重要指标,电压三相不平衡是指电力系统中三相电压幅值不一致,且幅值差超过规定范围。三相不平衡与用户负荷特性有关,同时与电力系统的规划、负荷分配有关。引起三相不平衡的原因有多种,例如断线故障,接地故障,因基频谐振或分频谐振引起供电电压波动或闪变,三相负荷分配不合理等原因。三相不平衡的危害包括:增加线路和配电变压器的电能损耗,配变出力减少及产生零序电流,电动机效率降低和影响用电设备安全运行等。对三相电压数据的异常检测和挖掘,有助于提高电力企业智能化服务水平,对电网维护和故障定位提供参考依据。
目前,电能量数据产生的速度不断提高,特别是高频采集的三相电压数据。一方面,数据是实时产生的,对数据进行批处理耗费的成本过高,传统的基于数据集的异常检测已经难以满足实时检测的需求;另一方面,电能量数据是一种时间序列数据,由于异常是与时间和上下文相关的,对于时间序列的异常检测并不能孤立考察每一个采集得到的数据,即,传统的基于各个孤立的数据组成的数据集的检测,检测结果不准确。即,相关技术中,对数据集的异常检测存在实时性较差,且处理数据集的耗费资源过高,且检测结果不准确的技术问题,因此需要寻求一种面向数据流的异常检测方法,去解决三相电压的异常检测问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种三相电压不平衡异常检测方法及装置,以至少解决由于相关技术中基于孤立的数据进行异常检测造成的检测结果不准确以及实时性较差的技术问题。
根据本申请实施例的一个方面,提供了一种三相电压不平衡异常检测方法,包括:在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻。
可选地,基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值,包括:基于三相电压时间序列数据与三相电压预测时间序列数据中各个目标时刻的差值确定各个目标时刻的误差值。
可选地,基于三相电压时间序列数据与三相电压预测时间序列数据中各个目标时刻的差值确定各个目标时刻的误差值之后,还包括:获取滑动窗口的长度;基于滑动窗口的长度和指数加权移动平均法对各个目标时刻的误差值进行平滑,得到平滑误差时间序列数据;其中,平滑误差时间序列数据包括:各个目标时刻对应的平滑误差。
可选地,在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻,包括:根据滑动窗口中多个目标时刻的平滑误差的均值与标准差确定异常区间;将各个目标时刻的平滑误差与异常区间进行比较,筛选出平滑误差在异常区间之内的目标时刻,将平滑误差在异常区间之内的目标时刻确定为异常时刻;输出异常时刻。
可选地,根据滑动窗口中多个目标时刻的平滑误差的均值与标准差确定异常区间,包括:将平滑误差的均值与二倍的标准差的之和确定为基准区间的最大值,其中,基准区间的最小值为零;将不属于基准区间范围之内的平滑误差对应的集合确定为异常区间。
可选地,将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据,包括:按照预定比例将三相电压时间序列数据划分训练数据与测试数据;将训练数据输入至长短期神经网络LSTM模型;基于反向传播算法对LSTM模型进行训练,得到目标神经网络模型;将测试数据是输入至目标神经网络模型,基于前向传播公式计算得到三相电压预测时间序列数据。
根据本申请实施例的另一方面,还提供了一种三相电压不平衡异常检测装置,包括:采集模块,用于在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;分析模块,用于将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;第一确定模块,用于基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;第二确定模块,用于在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻。
可选地,第一确定模块,包括:确定单元,用于基于三相电压时间序列数据与三相电压预测时间序列数据中各个目标时刻的差值确定各个目标时刻的误差值。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种三相电压不平衡异常检测方法。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种三相电压不平衡异常检测方法。
在本申请实施例中,采用基于LSTM神经网络预测三相电压数据流的方式,通过在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻,达到了基于采集到的三相电压时间序列数据预测目标时段内的三相电压数据流,进而准确预测是否存在三相电压异常的技术效果,进而解决了由于相关技术中基于孤立的数据进行异常检测造成的检测结果不准确以及实时性较差的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的三相电压不平衡异常检测方法的流程示意图;
图2是本申请实施例另一种可选的三相电压不平衡异常检测方法流程示意图;
图3是使用LSTM对时间序列预测示意图;
图4是LSTM的神经元的结构示意图;
图5是根据本申请实施例的一种可选的三相电压不平衡异常检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于本领域技术人员更好的理解本申请相关实施例,现将本申请相关实施例可能涉及的技术术语或者部分名词解释如下:
长短期神经网络(Long Short-Term Memory,LSTM)是一种改进后的循环神经网络,其目的是为了解决一般循环神经网络(RNN)存在的长期依赖问题而专门设计出来的神经网络。基于LSTM可以进行长短期记忆的特性,常用于时间序列的预测。LSTM能够用于学习的预测体现了数据流的特征,能够通过其预测结果判断数据流的异常。
根据本申请实施例,提供了一种三相电压不平衡异常检测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的三相电压不平衡异常检测方法,如图1所示,该方法包括如下步骤:
步骤S102,在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;
步骤S104,将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;
步骤S106,基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;
步骤S108,在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻。
该三相电压不平衡异常检测方法中,在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻,达到了基于采集到的三相电压时间序列数据预测目标时段内的三相电压数据流,进而准确预测是否存在三相电压异常的技术效果,进而解决了由于相关技术中基于孤立的数据进行异常检测造成的检测结果不准确以及实时性较差的技术问题。
需要说明的是,基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值,包括:基于三相电压时间序列数据与三相电压预测时间序列数据中各个目标时刻的差值确定各个目标时刻的误差值。
本申请一些可选的实施例中,基于三相电压时间序列数据与三相电压预测时间序列数据中各个目标时刻的差值确定各个目标时刻的误差值之后,可获取滑动窗口的长度;基于滑动窗口的长度和指数加权移动平均法对各个目标时刻的误差值进行平滑,得到平滑误差时间序列数据;其中,平滑误差时间序列数据包括:各个目标时刻对应的平滑误差。
本申请一些实施例中,可在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻,具体地,根据滑动窗口中多个目标时刻的平滑误差的均值与标准差确定异常区间;将各个目标时刻的平滑误差与异常区间进行比较,筛选出平滑误差在异常区间之内的目标时刻,将平滑误差在异常区间之内的目标时刻确定为异常时刻;输出异常时刻。
本申请一些可选的实施例中,可根据滑动窗口中多个目标时刻的平滑误差的均值与标准差确定异常区间,具体地,将平滑误差的均值与二倍的标准差的之和确定为基准区间的最大值,其中,基准区间的最小值为零;将不属于基准区间范围之内的平滑误差对应的集合确定为异常区间。
本申请一些实施例中,将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据,包括:按照预定比例将三相电压时间序列数据划分训练数据与测试数据;将训练数据输入至长短期神经网络LSTM模型;基于反向传播算法对LSTM模型进行训练,得到目标神经网络模型;将测试数据是输入至目标神经网络模型,基于前向传播公式计算得到三相电压预测时间序列数据。
针对高频三相电压数据不平衡异常的检测问题,本申请提出了一种基于LSTM神经网络和时间序列分析预测技术的检测方法和/装置。利用LSTM神经网络学习并预测三相电压数据流的特征,充分体现时间序列数据的相关性;对于时间序列数据利用滑动窗口判别异常,无需遍历所有数据,克服传统的对于数据集异常检测的缺陷,降低异常处理的时间成本和存储空间消耗;异常的判断充分考虑了三相电压数据的时间相关性,为了降低异常检测方法对于三相电压正常波动的敏感程度,使用指数加权移动平均对误差进行平滑,以保证方法的可行性与有效性。
图2是本申请一种可选的三相电压不平衡异常检测方法流程示意图,如图2所示,该方法包括:步骤一:预处理高频采集三相电压数据
(1)对来自电能采集装置的高频三相电压数据进行预处理,使用线性插值法对缺失数据进行插值处理,提高数据质量;对原始三相电压数据标准化为服从标准正态部分的标准分数,提高LSTM的预测性能。
步骤二:LSTM神经网络预测与误差计算
(1)反向传播训练算法训练模型:取标准化三相电压数据的前30%的数据作为训练集,使用反向传播训练算法训练LSTM神经网络,得到权重矩阵和偏置项参数的取值,以形成标准化电压三相数据特征的模型;
(2)前向传播算法计算预测值:利用步骤(1)得到的LSTM神经网络模型,使用标准化三相电压数据的后70%作为测试集,基于前向传播公式计算预测值;
(3)误差计算:计算预测值与标准化三相电压数据的差值。
步骤三:滑动窗口的划分与误差的指数加权移动平均
(1)确定时间窗口大小:通过高频电压采集的频率计算滑动窗口的大小,将步骤二得到的误差时间序列数据划分为若干滑动窗口;
(2)指数加权移动平均平滑误差:在滑动窗口的范围内,使用指数加权移动平均算法平滑误差。
步骤四:计算异常范围与异常判断
(1)在滑动窗口内,计算均值和标准差以确定异常范围,判断平滑误差是否在异常区间内,若是,则输出出现异常。如此循环往复,检查所有滑动窗口内的异常情况,并输出异常检测结果。
现结合具体实施例,对本申请相关实施例进行说明:
1.预处理高频采集三相电压数据
通过采集装置,采集高频三相电压数据,数据记录产生的速度为每15min采集1次。导出某台区某段时间的高频三相电压时间序列数据,主要数据项包括A,B,C三相电压实际值,每条记录包括时间戳。
在进行异常检测前,需要对数据质量进行评估,原始数据通常会出现若干缺失值。对于时间序列数据,使用线性插值法(Linear Interpolation)对缺失值的记录进行插值补充。
为了体现原始电压时间序列数据的模式特征,增强下一步骤的LSTM神经网络的训练效果,需要对数据进行标准化处理。分别将A,B,C三相电压值转化为服从标准正态部分的标准分数,计算方法如式(1)。
其中xt是标准化三相电压值,Xt是原始电压值,μ和σ分别是原始电压数据总体的均值和标准差。经过上述预处理和标准化,得到标准化三相电压时间序列数据xt。
2.LSTM神经网络预测与误差计算
长短期神经网络(Long Short-Term Memory,LSTM)是一种改进后的循环神经网络。LSTM在RNN神经网络的基础上增加了一个长期状态C,能够解决RNN存在的长期依赖问题,因此LSTM适合处理和预测时间序列。
在t时刻,LSTM神经网络的输入有3个,当前时刻网络的输入值xt,上一时刻LSTM的输出值ht-1,上一时刻的单元状态Ct-1。如图3所示,将神经元按时间维度展开,对标准化三相电压时间序列数据xt进行预测,其中LSTM每一个神经元的结构如图4所示。LSTM神经网络在t时刻的前向传播公式如式(2)。
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
Ct=tanh(Wc·[ht-1,xt]+bc)
ot=σ(Wo·[ht-1,xt]+bo)
其中Wf,Wi,Wc,Wo分别为遗忘门,输入门,输出门,计算当前状态的权重矩阵,bf,bi,bc,bo分别为对应的偏置项,σ(·)表示sigmoid函数,tanh(·)表示双曲正切函数,[·,·]表示向量的连接,符号表示向量对应分量相乘得到一个新的向量。
(1)反向传播训练算法训练模型
使用LSTM对时间序列数据进行预测前,需要对LSTM进行训练,确定上述8个参数的取值。使用反向传播训练算法进行训练。其主要步骤如下:
①前向计算每个神经元的输出值,即按照公式(2)计算ft,it,Ct,ot,ht的值;
②反向计算每个神经元的误差项δt,沿2个方向传播LSTM误差项:
a.沿时间的反向传播,即从当前t时刻开始计算每个时刻的误差项;
b.向上一层传播;
③根据相应误差项,计算每个参数的梯度,通过梯度下降法迭代更新所有的参数。
本发明确定的训练集和测试集的比例分别是30%和70%。
(2)前向传播算法计算预测值
对上一步骤中,预处理和标准化后的三相电压时间序列数据xt,划分为训练集和测试集。使用训练集,利用反向传播算法对LSTM神经网络进行训练,得到标准化电压三相数据特征的模型,使用该模型利用前向传播公式(式(2))得到基于该模型的三相电压数据预测时间序列数据ht。
(3)误差计算
将预测得到的时间序列数据ht与标准化三相电压时间序列数据xt作差,得到误差et。
3.滑动窗口的划分与误差的指数加权移动平均
对于步骤2得到的LSTM神经网络预测值与实际值的误差et,由于三相电压存在正常的波动,直接用于使用该误差进行异常判断会导致将大量正常样本判定为异常样本,因此需要对误差et进行平滑。由于本发明是数据流驱动的,因此需要充分考虑时间序列数据的相关性。
本发明使用指数加权移动平均(Exponential Weighted Moving Average,EWMA)针对时间序列数据进行平滑。
(1)滑动窗口大小的确定
三相电压数据通常每15min采集1次,在24h内共计采集96次。考虑到电力企业实际应用需要,通常以1d为周期进行分析,因此设定滑动窗口长度N=96。
(2)指数加权移动平均平滑误差
对时刻t的误差et,其平滑误差st定义如式(3)。
st=βst-1+(1-β)et (3)
其中st-1是前一时刻(即时刻t-1)的平滑误差,参数β是权重,其取值由滑动窗口大小N进行确定,确定方法如式(4)。
指数加权移动平均中,时刻t的预测值由上一期的预测值和前N期的实际值共同确定,相当于维护一个长度为N的滑动窗口。使用式(3)对误差的时间序列数据et进行平滑得到平滑误差时间序列数据st。
4.计算异常范围与异常判断
对于步骤3得到的平滑误差st与若干长度为N的滑动窗口,在这个滑动窗口范围内,平滑误差的绝对值|st|体现了这段时间内三相电压数据的异常程度,平滑误差越大,则说明样本点的异常程度越大。因此在滑动窗口的范围内,若存在超过某一范围的样本点,则说明该时间段存在异常,这一个范围称之为异常区间。对于电压三相不平衡的异常检测,本方法设定的异常区间如式(5)。
其中和σt分别是时刻t对应滑动窗口中N个样本点平滑误差st的均值和标准差。即正常样本的平滑误差应当分布在以滑动窗口的均值为中心,正负2个标准差的范围内。该范围的确定依据经验法则,即样本值超过该范围将会被认定为具有显著差异。
对于时刻t,根据其平滑误差st和对应窗口的均值和标准差σt,计算异常区间,判断平滑误差是否在异常区间内,若是,则输出出现异常并显示异常发生的时刻(时间窗口对应的时刻)。如此循环往复,检查所有时间窗口内的异常情况并输出。
图5根据本申请实施例的一种三相电压不平衡异常检测装置,如图5所示,该装置包括:
采集模块40,用于在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;
分析模块42,用于将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;
第一确定模块44,用于基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;
第二确定模块46,用于在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻。
该三相电压不平衡异常检测装置中,采集模块40,用于在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;分析模块42,用于将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;第一确定模块44,用于基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;第二确定模块46,用于在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻,达到了基于采集到的三相电压时间序列数据预测目标时段内的三相电压数据流,进而准确预测是否存在三相电压异常的技术效果,进而解决了由于相关技术中基于孤立的数据进行异常检测造成的检测结果不准确以及实时性较差的技术问题。
可选地,第一确定模块,包括:确定单元,用于基于三相电压时间序列数据与三相电压预测时间序列数据中各个目标时刻的差值确定各个目标时刻的误差值。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种三相电压不平衡异常检测方法。
具体地,上述存储介质用于存储执行以下功能的程序指令,实现以下功能:
在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种三相电压不平衡异常检测方法。
具体地,上述处理器用于调用存储器中的程序指令,实现以下功能:
在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;将三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;基于三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;在误差值属于异常区间的情况下,确定误差值对应的目标时刻为三相电压发生不平衡的异常时刻。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种三相电压不平衡异常检测方法,其特征在于,包括:
在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;
将所述三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;
基于所述三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;
在所述误差值属于异常区间的情况下,确定所述误差值对应的目标时刻为三相电压发生不平衡的异常时刻。
2.根据权利要求1所述的方法,其特征在于,基于所述三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值,包括:
基于所述三相电压时间序列数据与三相电压预测时间序列数据中各个所述目标时刻的差值确定各个目标时刻的误差值。
3.根据权利要求2所述的方法,其特征在于,基于所述三相电压时间序列数据与三相电压预测时间序列数据中各个所述目标时刻的差值确定各个目标时刻的误差值之后,还包括:
获取滑动窗口的长度;
基于所述滑动窗口的长度和指数加权移动平均法对所述各个目标时刻的误差值进行平滑,得到平滑误差时间序列数据;其中,所述平滑误差时间序列数据包括:所述各个目标时刻对应的平滑误差。
4.根据权利要求3所述的方法,其特征在于,在所述误差值属于异常区间的情况下,确定所述误差值对应的目标时刻为三相电压发生不平衡的异常时刻,包括:
根据所述滑动窗口中多个所述目标时刻的所述平滑误差的均值与标准差确定所述异常区间;
将所述各个目标时刻的平滑误差与所述异常区间进行比较,筛选出平滑误差在异常区间之内的目标时刻,将平滑误差在异常区间之内的目标时刻确定为异常时刻;
输出所述异常时刻。
5.根据权利要求4所述的方法,其特征在于,根据所述滑动窗口中多个所述目标时刻的所述平滑误差的均值与标准差确定所述异常区间,包括:
将所述平滑误差的均值与二倍的所述标准差的之和确定为基准区间的最大值,其中,所述基准区间的最小值为零;
将不属于所述基准区间范围之内的所述平滑误差对应的集合确定为异常区间。
6.根据权利要求1所述的方法,其特征在于,将所述三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据,包括:
按照预定比例将所述三相电压时间序列数据划分训练数据与测试数据;
将训练数据输入至长短期神经网络LSTM模型;
基于反向传播算法对所述LSTM模型进行训练,得到所述目标神经网络模型;
将测试数据是输入至所述目标神经网络模型,基于前向传播公式计算得到所述三相电压预测时间序列数据。
7.一种三相电压不平衡异常检测装置,其特征在于,包括:
采集模块,用于在各个目标时刻采集来自电能采集装置的三相电压数据,得到三相电压时间序列数据,其中,各个目标时刻之间间隔的时长相等;
分析模块,用于将所述三相电压时间序列数据输入至目标神经网络模型进行分析,得到目标时间段内的三相电压预测时间序列数据;
第一确定模块,用于基于所述三相电压时间序列数据与三相电压预测时间序列数据确定各个目标时刻的误差值;
第二确定模块,用于在所述误差值属于异常区间的情况下,确定所述误差值对应的目标时刻为三相电压发生不平衡的异常时刻。
8.根据权利要求7所述的装置,其特征在于,所述第一确定模块,包括:
确定单元,用于基于所述三相电压时间序列数据与三相电压预测时间序列数据中各个所述目标时刻的差值确定各个目标时刻的误差值。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至6中任意一项所述三相电压不平衡异常检测方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述三相电压不平衡异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839818.2A CN113554229A (zh) | 2021-07-23 | 2021-07-23 | 三相电压不平衡异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839818.2A CN113554229A (zh) | 2021-07-23 | 2021-07-23 | 三相电压不平衡异常检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554229A true CN113554229A (zh) | 2021-10-26 |
Family
ID=78104420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110839818.2A Pending CN113554229A (zh) | 2021-07-23 | 2021-07-23 | 三相电压不平衡异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554229A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881167A (zh) * | 2022-05-24 | 2022-08-09 | 北京百度网讯科技有限公司 | 异常检测方法、装置、电子设备和介质 |
CN117332215A (zh) * | 2023-12-01 | 2024-01-02 | 深圳市大易电气实业有限公司 | 一种高低压配电柜异常故障信息远程监测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130234672A1 (en) * | 2010-11-17 | 2013-09-12 | Nissan Motor Co., Ltd. | Device for controlling assembled battery |
CN107086944A (zh) * | 2017-06-22 | 2017-08-22 | 北京奇艺世纪科技有限公司 | 一种异常检测方法和装置 |
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
CN110531266A (zh) * | 2019-10-14 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种同步电机励磁绕组匝间短路故障预警方法 |
CN112685273A (zh) * | 2020-12-29 | 2021-04-20 | 京东数字科技控股股份有限公司 | 异常检测方法、装置、计算机设备和存储介质 |
CN112819373A (zh) * | 2021-02-25 | 2021-05-18 | 云南电网有限责任公司电力科学研究院 | 一种配网电压异常数据检测方法及装置 |
CN112946558A (zh) * | 2021-01-29 | 2021-06-11 | 国网福建省电力有限公司营销服务中心 | 一种专变用户计量异常监测方法及系统 |
-
2021
- 2021-07-23 CN CN202110839818.2A patent/CN113554229A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130234672A1 (en) * | 2010-11-17 | 2013-09-12 | Nissan Motor Co., Ltd. | Device for controlling assembled battery |
CN107086944A (zh) * | 2017-06-22 | 2017-08-22 | 北京奇艺世纪科技有限公司 | 一种异常检测方法和装置 |
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
CN110531266A (zh) * | 2019-10-14 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种同步电机励磁绕组匝间短路故障预警方法 |
CN112685273A (zh) * | 2020-12-29 | 2021-04-20 | 京东数字科技控股股份有限公司 | 异常检测方法、装置、计算机设备和存储介质 |
CN112946558A (zh) * | 2021-01-29 | 2021-06-11 | 国网福建省电力有限公司营销服务中心 | 一种专变用户计量异常监测方法及系统 |
CN112819373A (zh) * | 2021-02-25 | 2021-05-18 | 云南电网有限责任公司电力科学研究院 | 一种配网电压异常数据检测方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881167A (zh) * | 2022-05-24 | 2022-08-09 | 北京百度网讯科技有限公司 | 异常检测方法、装置、电子设备和介质 |
CN117332215A (zh) * | 2023-12-01 | 2024-01-02 | 深圳市大易电气实业有限公司 | 一种高低压配电柜异常故障信息远程监测系统 |
CN117332215B (zh) * | 2023-12-01 | 2024-03-15 | 深圳市大易电气实业有限公司 | 一种高低压配电柜异常故障信息远程监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Time series anomaly detection for smart grids: A survey | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
CN107832927B (zh) | 基于灰色关联分析法的10kV线路线变关系评价方法 | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
Shi et al. | Online event detection in synchrophasor data with graph signal processing | |
Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN110472671A (zh) | 基于多阶段的油浸式变压器故障数据预处理方法 | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
He et al. | Intelligent Fault Analysis With AIOps Technology | |
CN116561519A (zh) | 基于电网大数据的电碳排放过程监测方法和系统 | |
CN116341788A (zh) | 一种配电网线损分析的电力指纹精准治理方法 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN111832703A (zh) | 一种基于采样间隔感知长短期记忆网络的流程制造工业不规则采样动态序列建模方法 | |
CN112580254A (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
CN114118587B (zh) | 分布式光伏的电能质量评估方法及系统、设备、存储介质 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
Deng et al. | A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN113627539A (zh) | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 | |
CN112653158B (zh) | 一种用于含附加频率控制的双馈风电场频率响应特性辨识方法 | |
CN117767579B (zh) | 基于AutoML的电网大数据分析方法及自动化建模系统 | |
CN117706462A (zh) | 一种电力计量装置评价方法及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |
|
RJ01 | Rejection of invention patent application after publication |