CN113590392A - 换流站设备异常检测方法、装置、计算机设备和存储介质 - Google Patents

换流站设备异常检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113590392A
CN113590392A CN202110740283.3A CN202110740283A CN113590392A CN 113590392 A CN113590392 A CN 113590392A CN 202110740283 A CN202110740283 A CN 202110740283A CN 113590392 A CN113590392 A CN 113590392A
Authority
CN
China
Prior art keywords
target event
converter station
preset decision
decision function
event
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
Application number
CN202110740283.3A
Other languages
English (en)
Other versions
CN113590392B (zh
Inventor
李少森
黄宇
庞晓健
孙豪
黄剑湘
禹晋云
王玉俊
朱盛强
任君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Kunming Bureau of Extra High Voltage Power Transmission Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming Bureau of Extra High Voltage Power Transmission Co filed Critical Kunming Bureau of Extra High Voltage Power Transmission Co
Priority to CN202110740283.3A priority Critical patent/CN113590392B/zh
Publication of CN113590392A publication Critical patent/CN113590392A/zh
Application granted granted Critical
Publication of CN113590392B publication Critical patent/CN113590392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2273—Test methods

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及一种换流站设备异常检测方法、装置、计算机设备和存储介质。所述方法包括：获取换流站设备的事件顺序记录SOE事件数据，根据所述SOE事件数据确定目标事件；统计所述目标事件出现的时长；在存在所述目标事件对应的预设决策函数的情况下，根据所述目标事件出现的时长和所述目标事件对应的预设决策函数，确定所述换流站设备的异常检测结果。采用本方法能够提高换流站设备异常检测工作效率并提高检测准确率的。

Description

换流站设备异常检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及工控系统设备异常检测技术领域，特别是涉及一种换流站设备异常检测方法、装置、计算机设备和存储介质。
背景技术
特高压直流输电系统中包含大量的换流变压器、断路器、隔离开关等一次设备和测控装置、保护装置等二次设备。这些一次设备、二次设备实现了电能的分配、转换和控制，是特高压直流输电系统正常运行的基石。目前主要是通过提前更换老化、异常设备的方式降低设备意外故障概率，保障系统可靠性。因此，提前预判设备是否老化、异常显得尤为重要。
目前对设备老化和异常的预判手段包括人工巡视和运行数据趋势分析。人工巡视即人工检查设备的外观、指示信号及其运行数据是否越限等；运行数据趋势分析需要专家人为根据不同设备特性分别设置告警阈值条件和调整趋势分析判据，分析设备的运行数据是否有恶化趋势和越告警值的可能性，以此评估设备老化程度和异常程度。
然而，现有技术存在工作效率低下、分析误差大的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高换流站设备异常检测工作效率并提高检测准确率的换流站设备异常检测方法、装置、计算机设备和存储介质。
第一方面，本申请提供一种换流站设备异常检测方法，该方法包括：
获取换流站设备的事件顺序记录SOE事件数据，根据SOE事件数据确定目标事件；
统计目标事件出现的时长；
在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果。
在其中一个实施例中，换流站设备异常检测方法还包括：
根据目标事件在预设时间段内每一次出现的时长，确定时长样本集；
对时长样本集进行可行性分析，若时长样本集具有可分析的价值，则执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤。
在其中一个实施例中，对时长样本集进行可行性分析，若时长样本集具有可分析的价值，则执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤，包括：
获取时长样本集的离散度；
若离散度大于离散度阈值，则丢弃时长样本集；
若离散度小于等于离散度阈值，执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤。
在其中一个实施例中，获取时长样本集的离散度，包括：
根据目标事件在预设时间段内每一次出现的时长在时长样本集中出现的概率，计算时长样本集的信息熵作为时长样本集的离散度。
在其中一个实施例中，换流站设备异常检测方法还包括：
根据时长样本集，构建第一维度的超球体的体积最小化模型；
利用核函数对第一维度的超球体的体积最小化模型进行映射，构建第二维度的超球体的体积最小化模型；第一维度的维度低于第二维度的维度；
利用拉格朗日乘子法，对第二维度的超球体的体积最小化模型进行求解，得到第二维度的超球体的圆心和半径；
根据第二维度的超球体的圆心和半径，构建预设决策函数。
在其中一个实施例中，根据第二维度的超球体的圆心和半径，构建预设决策函数包括：
根据第二维度的超球体的圆心和半径，构建第一决策模型；
利用给定高斯核对第一决策模型进行平滑处理，得到预设决策函数。
在其中一个实施例中，将待测样本代入至目标事件对应的预设决策函数中，确定换流站设备的异常检测结果，包括：
将目标事件出现的时长代入至目标事件对应的预设决策函数中进行计算，得到预设决策函数的值；
将预设决策函数的值与预设决策阈值进行比较；
若预设决策函数的值大于预设决策阈值，则换流站设备的异常检测结果为正常；
若预设决策函数的值不大于预设决策阈值，则换流站设备的异常检测结果为异常。
第二方面，本申请提供一种换流站设备异常检测装置，装置包括：
获取模块，用于获取换流站设备的事件顺序记录SOE事件数据，根据SOE 事件数据确定目标事件；
统计模块，用于统计目标事件出现的时长；
确定模块，用于在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果。
第三方面，本申请提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面任一项实施例中方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一项实施例中方法的步骤。
上述换流站设备异常检测方法、装置、计算机设备和存储介质，通过获取换流站设备的事件顺序记录SOE事件数据，根据SOE事件数据确定目标事件；统计目标事件出现的时长；在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果。能够通过获取到的SOE事件数据，得到换流站内一次、二次设备的开、关、启动、停止等动作事件信息，再根据这些事件的产生和消失时间，推算出设备的动作时刻、动作时长和停止时刻，还原成设备的时序动作特性数据，并将SOE事件数据通过模型算法，进行快速计算确定换流站一次设备、二次设备的运行异常结果，节省了人力物力，降低了成本，并且提高了检测的准确率。
附图说明
图1为一个实施例中换流站设备异常检测方法的应用环境图；
图2为一个实施例中换流站设备异常检测方法的流程示意图；
图2-1为一个实施例中SOE事件数据示意图；
图3为另一个实施例中换流站设备异常检测方法的流程示意图；
图4为另一个实施例中换流站设备异常检测方法的流程示意图；
图5为另一个实施例中换流站设备异常检测方法的流程示意图；
图6为另一个实施例中换流站设备异常检测方法的流程示意图；
图7为另一个实施例中换流站设备异常检测方法的流程示意图；
图8为一个实施例中换流站设备异常检测装置的结构框图；
图9为另一个实施例中换流站设备异常检测装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
特高压直流输电系统(换流站)包含大量的换流变压器、断路器、隔离开关等一次设备和测控装置、保护装置等二次设备，这些一次、二次设备实现了电能的分配、转换和控制，是特高压直流输电系统正常运行的基石。目前对设备老化和异常的预判手段包括人工巡视和运行数据趋势分析。人工巡视即人工检查设备的外观、指示信号及其运行数据是否越限等，人工巡视受巡视人员心情、精神状态、技术技能水平影响，对设备工况的判断准确度难以保证，此外，人工巡视对设备的观察时长有限，对于瞬时动作、随机动作的设备，难以通过巡视观察到其运行全过程中的异常。运行数据趋势分析即人为分析设备的运行数据尤其是时序动作特性数据是否有恶化趋势和越告警值的可能性，以此评估设备老化程度和异常程度。数据趋势分析需要根据不同设备特性分别设置告警阈值条件和调整趋势分析判据，高度依赖专家调试，工作量巨大。同时，趋势分析难以根据换流站多种运行方式下的设备不同运行特性作出自动调整，分析误差很大。此外，受制于成本因素，特高压直流输电系统仅为关键电气设备配置了丰富的传感器以及暂态故障录波记录系统，用以记录设备的开、关、启动、停止等时序动作特性数据供分析设备工况，其余大部分设备难以采集同样丰富的时序动作特性数据，难以分析这些设备的工况。因此，如何从这些设备的运行数据中发现设备异常表现的蛛丝马迹，提前预判设备老化和异常并进行更换，是本技术方案致力于解决的问题。
基于此，本申请提供的换流站设备异常检测方法，可以应用于如图1所示的应用环境中。该应用环境包括终端11和换流站一次设备12、换流站二次设备 13。其中，换流站一次设备12、换流站二次设备13与终端11之间通过网络进行通信。终端11可以实时获取换流站一次设备12、换流站二次设备13的事件顺序记录SOE事件数据等，根据事件顺序记录SOE事件数据确定换流站一次设备、二次设备是否存在异常。其中，终端11可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。换流站一次设备12可以包括：换流变压器、断路器、隔离开关等。换流站二次设备13可以包括：测控装置、保护装置等。
在一个实施例中，如图2所示，提供了一种换流站设备异常检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S202，获取换流站设备的事件顺序记录SOE事件数据，根据SOE事件数据确定目标事件。
其中，SOE全称为Sequence Of Event，指事件顺序记录，是工控系统记录设备产生事件的时间和事件内容的功能。一条SOE事件记录通常包含事件发生时间、事件来源设备、事件编号、事件解释文本、事件来/去状态、事件持续时长等，可以参见图2-1。
具体地，当获取到多条SOE事件数据后，可以选择其中一条SOE事件数据作为目标事件(设为事件X，例如某断路器储能动作事件)。
S204，统计目标事件出现的时长。
具体地，持续监视特高压直流输电系统(换流站)的控制系统获取SOE事件数据，一旦获取到目标事件X经历了一次“产生——消失”的完整过程，则统计目标事件X此次持续出现的时长x(精确到整数秒)。
S206，在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果。
具体地，在统计了一次目标事件出现的时长后，可以将该时长输入至预设决策模型中，得到一个计算值，并根据对计算值和预设阈值进行比较大小，确定换流站设备的异常检测结果、或者将计算值和预设阈值进行做差，做差后的结果与0进行比较，还可以将计算值与预设阈值做商，将做商结果与1进行比较。其中，预设决策模型可以为分布函数。
上述换流站设备异常检测方法中，通过获取换流站设备的事件顺序记录 SOE事件数据，根据SOE事件数据确定目标事件；统计目标事件出现的时长；在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果。能够通过获取到的SOE事件数据，得到换流站内一次、二次设备的开、关、启动、停止等动作事件信息，再根据这些事件的产生和消失时间，推算出设备的动作时刻、动作时长和停止时刻，还原成设备的时序动作特性数据，并将SOE事件数据通过模型算法，进行快速计算确定换流站一次设备、二次设备的运行异常结果，提前预判设备老化和异常并提示工作人员进行更换，节省了人力物力，降低了成本，并且提高了检测的准确率。
上述实施例对换流站设备异常检测方法进行了说明，当进行对事件顺序记录SOE事件数据进行分析之前，需要先确定目标事件的可分析性，现以一个实施例对如何确定目标事件的可分析性进行说明，在一个实施例中，如图3所示，换流站设备异常检测方法还包括：
S302，根据目标事件在预设时间段内每一次出现的时长，确定时长样本集。
具体地，统计目标事件在预设时间段内出现过多少次，并且统计每次出现的时长可以作为训练样本，将所有时长构成时长样本集dataset_X：{x1…xi…xn}。其中，预设时间段可以为历史预设时间段，例如，当前时刻之前的24小时、当前时刻前3天等等，在此不加以限制。
S304，对时长样本集进行可行性分析，若时长样本集具有可分析的价值，则执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤。
具体地，可以通过确定时长样本集的熵值，利用该熵值和预设阈值进行比较确定是时长样本集的可行性，也可以通过判断分析法对时长样本集进行可行性分析，在此不加以限制。在时长样本集具有可分析的价值时，执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤。
进一步地，在一个实施例中，如图4所示，对时长样本集进行可行性分析，若时长样本集具有可分析的价值，则执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤，包括：
S402，获取时长样本集的离散度。
具体地，根据目标事件在预设时间段内每一次出现的时长在时长样本集中出现的概率，计算时长样本集的信息熵作为时长样本集的离散度。将训练样本xi的信息I(xi)为：I(xi)＝-log2P(xi)；其中P(xi)表示训练样本xi在训练样本集dataset_X 中出现的概率。然后求出该训练样本集的信息熵H(dataset_X)：
Figure BDA0003141174380000071
信息熵的大小反映出训练样本集的离散程度，过于离散的训练样本集说明目标事件X的持续出现时长没有明显规律，没有分析其规律的必要。
S404，若离散度大于离散度阈值，则丢弃时长样本集。
具体地，信息熵的大小反映出训练样本集的离散程度，若离散度大于离散度阈值，即该训练样本集过于离散，说明目标事件X的持续出现时长没有明显规律，没有分析其规律的必要，则丢弃该时长样本集。其中，离散度阈值为预先设置的离散阈值。
S406，若离散度小于等于离散度阈值，执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤。
具体地，在离散度小于等于离散度阈值时，执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤。
本实施例中，通过根据目标事件在预设时间段内每一次出现的时长，确定时长样本集，对时长样本集进行可行性分析，若时长样本集具有可分析的价值，则执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤，能够实现对各个目标事件的时长样本集进行可行性分析，在具备分析价值时，进行换流站设备的异常检测，更具合理性，同时提高了监测的准确率。
上述实施例对如何确定目标事件的可分析性进行了说明，在换流站设备异常检测方法中需要利用预设决策函数确定换流站设备的异常检测结果，现以一个实施例对如何构建预设决策函数进行说明，在一个实施例中，如图5所示，换流站设备异常检测方法还包括：
S502，根据时长样本集，构建第一维度的超球体的体积最小化模型。
具体地，将时长样本集dataset_X：{x1…xi…xn}作为SVDD算法的训练样本，其中xi∈Rd(1≤i≤N)，训练目标是为了在样本特征空间找到一个球心为c，半径为R的超球B(c，R)，使得超球B(c，R)尽可能紧地包络训练样本集。因此该优化问题变为：
Figure BDA0003141174380000081
其中，ζi为松弛因子，N为训练样本总数，当xi在超球B(c，R)内或面上时，ζi＝0，否则ζi＞0。C＞0为调节超球外的样本数和R大小的控制参数，根据实际应用调节。
S504，利用核函数对第一维度的超球体的体积最小化模型进行映射，构建第二维度的超球体的体积最小化模型；第一维度的维度低于第二维度的维度。
具体地，引用核函数来改善算法适应性，即用合适映射φ将样本特征空间
Figure BDA0003141174380000091
映射到高维特征空间
Figure BDA0003141174380000092
中，即φ：
Figure BDA0003141174380000093
用此核诱导下的内积表示
Figure BDA0003141174380000094
空间中的SVDD模型为：
Figure BDA0003141174380000095
其中，上述模型对应超球记为
Figure BDA0003141174380000096
S506，利用拉格朗日乘子法，对第二维度的超球体的体积最小化模型进行求解，得到第二维度的超球体的圆心和半径。
具体地，引入α＝(α1,…,αN)T≥0，β＝(β1,…,βN)T≥0是拉格朗日乘子向量，构造上述模型的拉格朗日方程：
Figure BDA0003141174380000097
分别对优化问题的原始变量R，
Figure BDA0003141174380000098
和ζi求偏导数并置为0，得出新约束条件：
Figure BDA0003141174380000099
Figure BDA00031411743800000910
C-αi-βi＝0式(6)。将式(4)～(6)代入式(3)，得到原始问题的对偶形式：
Figure BDA00031411743800000911
将时长样本集用SVDD进行训练学习并实现分类，根据KKT (Karush-Kuhn-Tucker)原理，当拉格朗日乘子＞0时，式(2)中的不等式约束变为等式约束，即：当βi＞0(此时αi＜C)时，ζi＝0；当αi＞0时，
Figure BDA00031411743800000912
则有如下结论：
①当αi＝0时，φ(xi)在
Figure BDA0003141174380000101
内；
②当0＜αi＜C时，φ(xi)在
Figure BDA0003141174380000102
球面上；
③当αi＝C时，φ(xi)在
Figure BDA0003141174380000103
球外；
根据结论②和式(5)可得：
Figure BDA0003141174380000104
式(8)；其中，xk对应的拉格朗日乘子0＜αi＜C，给定待测样本x∈Rd。即对该对偶形式进行求解，确定超球体的圆心
Figure BDA0003141174380000105
和半径R。
S508，根据第二维度的超球体的圆心和半径，构建预设决策函数。
具体地，将求解得出的超球体的圆心
Figure BDA0003141174380000106
和半径R代入预设决策函数；作为预设决策函数的参数。其中，预设决策函数可以为分布函数，为了确定目标事件经历的时长样本点是否在超球体内。
进一步地，在一个实施例中，如图6所示，根据第二维度的超球体的圆心和半径，构建预设决策函数包括：
S602，根据第二维度的超球体的圆心和半径，构建第一决策模型。
具体地，将第二维度的超球体的圆心和半径代入分布函数
Figure BDA0003141174380000107
式(9)中，确定第一决策模型。
S604，利用给定高斯核对第一决策模型进行平滑处理，得到预设决策函数。
具体地，利用给定高斯核
Figure BDA0003141174380000108
作为核函数，其中h为高斯核的带宽参数，||·||是欧式2范数。将高斯核代入式(9)中，可以对第一决策模型进行平滑处理，简化为：
Figure BDA0003141174380000109
其中，
Figure BDA00031411743800001010
是可计算的某一常量。
在本实施例中，通过根据时长样本集，构建第一维度的超球体的体积最小化模型；利用核函数对第一维度的超球体的体积最小化模型进行映射，构建第二维度的超球体的体积最小化模型；第一维度的维度低于第二维度的维度；利用拉格朗日乘子法，对第二维度的超球体的体积最小化模型进行求解，得到第二维度的超球体的圆心和半径；根据第二维度的超球体的圆心和半径，构建预设决策函数。能够构建预设决策函数，便于对换流站设备的异常检测，且采用机器学习算法One-Class SVM(SVDD)对该SOE事件数据进行分类学习，形成设备正常时序动作特性边界，并根据该边界来判别该设备后续时序动作特性是否有异常。算法能自动学习设备的历史动作特性数据掌握换流站不同运行方式下该设备的全部动作特点，无需动态调整和专家调试即可准确掌握设备正常运行工况画像。此外，One-ClassSVM(SVDD)算法属于无监督学习算法，无需为数据打标签，因此无需额外提供设备异常工况数据即可进行学习和分类，适用于换流站这种容易获得大量正常工况数据、难以获得故障工况数据的场合，降低了设备工况分析的难度。
上述实施例对如何构建决策函数进行了说明，现以一个实施例对如何确定换流站设备的异常检测结果进一步说明，在一个实施例中，如图7所示，将待测样本代入至目标事件对应的预设决策函数中，确定换流站设备的异常检测结果，包括：
S702，将目标事件出现的时长代入至目标事件对应的预设决策函数中进行计算，得到预设决策函数的值。
具体地，将目标事件出现的时长代入至目标事件对应的预设决策函数中，进行计算，确定预测函数的结果值。
S704，将预设决策函数的值与预设决策阈值进行比较。
具体地，可以比较预设决策函数的值和预设决策阈值的大小；也可以将预设决策函数的值和预设决策阈值进行做差，得到差值后比较与0的大小关系；还可以将预设决策函数的值和预设决策阈值做商，比较做商值与1的关系，在此不加以限制。
S706，若预设决策函数的值大于预设决策阈值，则换流站设备的异常检测结果为正常。
具体地，若预设决策函数的值和预设决策阈值比较时，预设决策函数的值大于等于预设决策阈值，则换流站设备的异常检测结果为正常。可选地，预设决策阈值可以包括0。
S708，若预设决策函数的值不大于预设决策阈值，则换流站设备的异常检测结果为异常。
具体地，若预设决策函数的值和预设决策阈值比较时，预设决策函数的值小于预设决策阈值，则换流站设备的异常检测结果为异常。可选地，预设决策阈值可以包括0。
在本实施例中，通过将目标事件出现的时长代入至目标事件对应的预设决策函数中进行计算，得到预设决策函数的值；将预设决策函数的值与预设决策阈值进行比较；若预设决策函数的值大于预设决策阈值，则换流站设备的异常检测结果为正常；若预设决策函数的值不大于预设决策阈值，则换流站设备的异常检测结果为异常。能够仅通过将获取的目标事件的时长输入至预测决策函数中，即可进行分析，得到换流站设备的异常结果，避免因人工检测换流站设备的异常情况的误差大，效率低，节约人力物力，且准确率高。
应该理解的是，虽然图2-图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种换流站设备异常检测装置，包括：
获取模块801，用于获取换流站设备的事件顺序记录SOE事件数据，根据 SOE事件数据确定目标事件；
统计模块802，用于统计目标事件出现的时长；
确定模块803，用于在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果。
在本实施例中，由于获取模块获取换流站设备的事件顺序记录SOE事件数据，根据SOE事件数据确定目标事件；统计模块统计目标事件出现的时长；确定模块在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果。能够通过获取到的SOE事件数据，得到换流站内一次、二次设备的开、关、启动、停止等动作事件信息，再根据这些事件的产生和消失时间，推算出设备的动作时刻、动作时长和停止时刻，还原成设备的时序动作特性数据，并将SOE事件数据通过模型算法，进行快速计算确定换流站一次设备、二次设备的运行异常结果，节省了人力物力，降低了成本，并且提高了检测的准确率。
在一个实施例中，如图9所示，换流站设备异常检测装置还包括：
时长样本集确定模块804，用于根据目标事件在预设时间段内每一次出现的时长，确定时长样本集；
分析模块805，用于对时长样本集进行可行性分析，若时长样本集具有可分析的价值，则执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤。
在一个实施例中，参见图9所示，分析模块805包括：
获取单元8051，用于获取时长样本集的离散度；
丢弃单元8052，用于若离散度大于离散度阈值，则丢弃时长样本集；
执行单元8053，用于若离散度小于等于离散度阈值，执行在存在目标事件对应的预设决策函数的情况下，根据目标事件出现的时长和目标事件对应的预设决策函数，确定换流站设备的异常检测结果的步骤。
在一个实施例中，获取单元具体用于根据目标事件在预设时间段内每一次出现的时长在时长样本集中出现的概率，计算时长样本集的信息熵作为时长样本集的离散度。
在一个实施例中，参见图9所示，换流站设备异常检测装置还包括：
第一构建模块806，用于根据时长样本集，构建第一维度的超球体的体积最小化模型；
映射模块807，用于利用核函数对第一维度的超球体的体积最小化模型进行映射，构建第二维度的超球体的体积最小化模型；第一维度的维度低于第二维度的维度；
求解模块808，用于利用拉格朗日乘子法，对第二维度的超球体的体积最小化模型进行求解，得到第二维度的超球体的圆心和半径；
第二构建模块809，根据第二维度的超球体的圆心和半径，构建预设决策函数。
在一个实施例中，第二构建模块具体用于根据第二维度的超球体的圆心和半径，构建第一决策模型；利用给定高斯核对第一决策模型进行平滑处理，得到预设决策函数。
在一个实施例中，参见图9所示，确定模块803包括：
计算单元8031，用于将目标事件出现的时长代入至目标事件对应的预设决策函数中进行计算，得到预设决策函数的值；
比较单元8032，用于将预设决策函数的值与预设决策阈值进行比较；
第一检测单元8033，用于若预设决策函数的值大于预设决策阈值，则换流站设备的异常检测结果为正常；
第二检测单元8034，用于若预设决策函数的值不大于预设决策阈值，则换流站设备的异常检测结果为异常。
关于换流站设备异常检测装置的具体限定可以参见上文中对于换流站设备异常检测方法的限定，在此不再赘述。上述换流站设备异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种换流站设备异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任一项实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory， SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上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申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种换流站设备异常检测方法，其特征在于，所述方法包括：
获取换流站设备的事件顺序记录SOE事件数据，根据所述SOE事件数据确定目标事件；
统计所述目标事件出现的时长；
在存在所述目标事件对应的预设决策函数的情况下，根据所述目标事件出现的时长和所述目标事件对应的预设决策函数，确定所述换流站设备的异常检测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述目标事件在预设时间段内每一次出现的时长，确定时长样本集；
对所述时长样本集进行可行性分析，若所述时长样本集具有可分析的价值，则执行所述在存在所述目标事件对应的预设决策函数的情况下，根据所述目标事件出现的时长和所述目标事件对应的预设决策函数，确定所述换流站设备的异常检测结果的步骤。
3.根据权利要求2所述方法，其特征在于，所述对所述时长样本集进行可行性分析，若所述时长样本集具有可分析的价值，则执行所述在存在所述目标事件对应的预设决策函数的情况下，根据所述目标事件出现的时长和所述目标事件对应的预设决策函数，确定所述换流站设备的异常检测结果的步骤，包括：
获取所述时长样本集的离散度；
若所述离散度大于所述离散度阈值，则丢弃所述时长样本集；
若所述离散度小于等于所述离散度阈值，执行所述在存在所述目标事件对应的预设决策函数的情况下，根据所述目标事件出现的时长和所述目标事件对应的预设决策函数，确定所述换流站设备的异常检测结果的步骤。
4.根据权利要求3所述方法，其特征在于，所述获取所述时长样本集的离散度，包括：
根据所述目标事件在预设时间段内每一次出现的时长在所述时长样本集中出现的概率，计算所述时长样本集的信息熵作为所述时长样本集的离散度。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述时长样本集，构建第一维度的超球体的体积最小化模型；
利用核函数对所述第一维度的超球体的体积最小化模型进行映射，构建第二维度的超球体的体积最小化模型；所述第一维度的维度低于所述第二维度的维度；
利用拉格朗日乘子法，对所述第二维度的超球体的体积最小化模型进行求解，得到所述第二维度的超球体的圆心和半径；
根据所述第二维度的超球体的圆心和半径，构建所述预设决策函数。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第二维度的超球体的圆心和半径，构建所述预设决策函数包括：
根据所述第二维度的超球体的圆心和半径，构建第一决策模型；
利用给定高斯核对所述第一决策模型进行平滑处理，得到所述预设决策函数。
7.根据权利要求1所述的方法，其特征在于，所述将所述待测样本代入至所述目标事件对应的预设决策函数中，确定所述换流站设备的异常检测结果，包括：
将所述目标事件出现的时长代入至所述目标事件对应的预设决策函数中进行计算，得到所述预设决策函数的值；
将所述预设决策函数的值与预设决策阈值进行比较；
若所述预设决策函数的值大于所述预设决策阈值，则所述换流站设备的异常检测结果为正常；
若所述预设决策函数的值不大于所述预设决策阈值，则所述换流站设备的异常检测结果为异常。
8.一种换流站设备异常检测装置，其特征在于，所述装置包括：
获取模块，用于获取换流站设备的事件顺序记录SOE事件数据，根据所述SOE事件数据确定目标事件；
统计模块，用于统计所述目标事件出现的时长；
确定模块，用于在存在所述目标事件对应的预设决策函数的情况下，根据所述目标事件出现的时长和所述目标事件对应的预设决策函数，确定所述换流站设备的异常检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110740283.3A 2021-06-30 2021-06-30 换流站设备异常检测方法、装置、计算机设备和存储介质 Active CN113590392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110740283.3A CN113590392B (zh) 2021-06-30 2021-06-30 换流站设备异常检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110740283.3A CN113590392B (zh) 2021-06-30 2021-06-30 换流站设备异常检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113590392A true CN113590392A (zh) 2021-11-02
CN113590392B CN113590392B (zh) 2024-04-02

Family

ID=78245275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110740283.3A Active CN113590392B (zh) 2021-06-30 2021-06-30 换流站设备异常检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113590392B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114095265A (zh) * 2021-11-24 2022-02-25 中国南方电网有限责任公司超高压输电公司昆明局 Icmp隐蔽隧道检测方法、装置及计算机设备
CN115409210A (zh) * 2022-08-22 2022-11-29 中国南方电网有限责任公司超高压输电公司昆明局 监测装备的控制方法、装置、计算机设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102487293A (zh) * 2010-12-06 2012-06-06 中国人民解放军理工大学 基于网控的卫星通信网异常检测方法
CN109992600A (zh) * 2019-03-28 2019-07-09 佛山市百斯特电器科技有限公司 一种设备故障的响应方法及设备
WO2019160003A1 (ja) * 2018-02-16 2019-08-22 日本電信電話株式会社 モデル学習装置、モデル学習方法、プログラム
CN110377447A (zh) * 2019-07-17 2019-10-25 腾讯科技（深圳）有限公司 一种异常数据检测方法、装置及服务器
CN110888788A (zh) * 2019-10-16 2020-03-17 平安科技（深圳）有限公司 异常检测方法、装置、计算机设备及存储介质
CN111163092A (zh) * 2019-12-30 2020-05-15 深信服科技股份有限公司 流量异常检测方法、装置、设备及存储介质
CN111813618A (zh) * 2020-05-28 2020-10-23 平安科技（深圳）有限公司 数据异常检测方法、装置、设备及存储介质
US20210081501A1 (en) * 2019-09-17 2021-03-18 Fractal Analytics Private Limited System and method for automated insight curation and alerting
CN112712348A (zh) * 2021-01-08 2021-04-27 中国南方电网有限责任公司超高压输电公司昆明局 换流站的日志关联分析方法及诊断装置
CN112804248A (zh) * 2021-01-28 2021-05-14 湖南大学 一种基于频域特征融合的LDoS攻击检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102487293A (zh) * 2010-12-06 2012-06-06 中国人民解放军理工大学 基于网控的卫星通信网异常检测方法
WO2019160003A1 (ja) * 2018-02-16 2019-08-22 日本電信電話株式会社 モデル学習装置、モデル学習方法、プログラム
CN109992600A (zh) * 2019-03-28 2019-07-09 佛山市百斯特电器科技有限公司 一种设备故障的响应方法及设备
CN110377447A (zh) * 2019-07-17 2019-10-25 腾讯科技（深圳）有限公司 一种异常数据检测方法、装置及服务器
US20210081501A1 (en) * 2019-09-17 2021-03-18 Fractal Analytics Private Limited System and method for automated insight curation and alerting
CN110888788A (zh) * 2019-10-16 2020-03-17 平安科技（深圳）有限公司 异常检测方法、装置、计算机设备及存储介质
CN111163092A (zh) * 2019-12-30 2020-05-15 深信服科技股份有限公司 流量异常检测方法、装置、设备及存储介质
CN111813618A (zh) * 2020-05-28 2020-10-23 平安科技（深圳）有限公司 数据异常检测方法、装置、设备及存储介质
CN112712348A (zh) * 2021-01-08 2021-04-27 中国南方电网有限责任公司超高压输电公司昆明局 换流站的日志关联分析方法及诊断装置
CN112804248A (zh) * 2021-01-28 2021-05-14 湖南大学 一种基于频域特征融合的LDoS攻击检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114095265A (zh) * 2021-11-24 2022-02-25 中国南方电网有限责任公司超高压输电公司昆明局 Icmp隐蔽隧道检测方法、装置及计算机设备
CN114095265B (zh) * 2021-11-24 2024-04-05 中国南方电网有限责任公司超高压输电公司昆明局 Icmp隐蔽隧道检测方法、装置及计算机设备
CN115409210A (zh) * 2022-08-22 2022-11-29 中国南方电网有限责任公司超高压输电公司昆明局 监测装备的控制方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN113590392B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
AU2019413432B2 (en) Scalable system and engine for forecasting wind turbine failure
US20200293032A1 (en) Extremely fast substation asset monitoring system and method
US10001518B2 (en) System and method for power transmission and distribution asset condition prediction and diagnosis
CN113590392A (zh) 换流站设备异常检测方法、装置、计算机设备和存储介质
US8898525B2 (en) Method and system for use in condition monitoring
CN105182161A (zh) 一种变压器监测系统和方法
CN101999101B (zh) 系统运行预测的确定方法
CN105241497A (zh) 一种变压器监测系统和故障诊断方法
CN117407679B (zh) 智能末屏传感器的数据采集方法及系统
Zhan et al. Development of a low-cost self-diagnostic module for oil-immerse forced-air cooling transformers
CN115238831B (zh) 故障预测方法、装置、计算机设备和存储介质
CN117031182B (zh) 配电站所终端遥测值异常检测方法及系统
Sun et al. A temperature-based fault pre-warning method for the dry-type transformer in the offshore oil platform
KR20210083418A (ko) 건물의 화재 예측 분석 장치 및 방법
CN114580973B (zh) 一种变压器生产过程的质量监测方法及系统
WO2023184237A1 (zh) 计算电子系统的剩余使用寿命的方法、装置及计算机介质
CN116896064A (zh) 一种用电负载的用电特征分析系统及方法
CN115656747A (zh) 基于异构数据的变压器缺陷诊断方法、装置和计算机设备
CN113689042B (zh) 监测节点的故障源预测方法
CN114239636A (zh) 缺陷类型识别方法、装置、计算机设备、存储介质
CN114943297A (zh) 发电机出口断路器的智能运维方法、装置、计算机设备
Wang et al. Application of chebyshev’s inequality in online anomaly detection driven by streaming pmu data
Yao et al. GIS insulation state evaluation based on multi-source information Fusion
CN118566796B (zh) 一种换流变压器绕组故障状态检测方法
CN118449279B (zh) 基于云服务的智慧安全用电管理系统

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
GR01 Patent grant
GR01 Patent grant