CN114328075A - 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 - Google Patents
一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114328075A CN114328075A CN202111058325.1A CN202111058325A CN114328075A CN 114328075 A CN114328075 A CN 114328075A CN 202111058325 A CN202111058325 A CN 202111058325A CN 114328075 A CN114328075 A CN 114328075A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- abnormal event
- distribution room
- power distribution
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质,方法包括:S1:获取配电房正常多维传感数据,建立正常样本数据库;S2:对正常样本数据库中的多维数据进行预处理,建立多维数据相关性特征模型;S3:将配电房实时运行数据预处理后输入至多维数据相关性特征模型,并对实时运行数据进行分析,判断实时运行数据是否异常,若数据异常则转至步骤S4,若数据正常,则结束当前检测流程,进行下一时刻数据的检测;S4:将异常数据与预设的异常事件库进行比较判断,若异常数据属于异常事件,则输出异常事件类型,若不属于则更新模型。本发明充分利用了多维数据的关联性,提高了数据的利用率和异常事件的检测效率。
Description
技术领域
本发明涉及配电房智能检测技术领域,更具体地,涉及一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质。
背景技术
配电房在电网系统中不可或缺重要部分,同时配电房在电网中的分布广、数量大,增加了配电房的管理难度。人工巡检耗费时间长、效率低、工作量大。因此智能在线监测系统和巡检机器人已在配电房内得到了较多的研发和应用。但是在线监测系统收集获得的数据极少被有效利用,大量的多维监测数据只是形成相互不关联的数据,或只是简单的对测量数据设置正常工作上下限,对于多个传感器的多维数据间的相关信息极少被有效利用,对于配电房中的异常现象难以及时发现。
现有技术中,公开号为CN110690763A中国发明专利,于2021年1月14日公开了一种电力系统智能监控装置及其监控方法,该装置包含:信号采集前端、信号处理系统、中央主控制系统、数据存储单元、网络单元、电源管理单元;其中,所述信号采集前端包含:分体式局部放电传感器、环境湿度传感器、环境温度传感器。该方案虽然实现了对多种传感器数据的采集,但没有将获取的数据进行关联或融合,没能有效利用多维数据。
发明内容
本发明为克服上述现有的配电房检测没有对多维监测数据进行有效利用,没有实现多维数据的关联,数据利用率低、检测效率低的缺陷,提供一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
本发明第一方面提供了一种智能配电房传感器多维数据融合异常事件检测方法,包括以下步骤:
S1:获取配电房正常多维传感数据,建立正常样本数据库;
S2:对所述正常样本数据库中的多维数据进行预处理,建立多维数据相关性特征模型;
S3:将配电房实时运行数据预处理后输入至所述的多维数据相关性特征模型,并对实时运行数据进行分析,判断实时运行数据是否异常,若实时运行数据异常则转至步骤S4,若实时运行数据正常,则结束当前检测流程,进行下一时刻数据的检测;
S4:将异常数据与预设的异常事件库进行比较判断,若异常数据属于异常事件,则输出判定的异常事件类型,若异常数据不属于异常事件则更新多维数据相关性特征模型。
进一步地,步骤S2所述的多维数据相关性特征模型的构建过程为:
将多维数据划定固定时间窗口长度L,计算每个时间窗口长度L内多维变量间的相关性系数;
利用计算得到的相关性系数建立相关系数矩阵,并确定正常数据时各相关系数阈值;
根据相关系数矩阵和所述相关系数阈值建立多维数据相关性特征模型。
进一步地,所述相关系数为pearson相关系数。
进一步地,步骤S3所述的对实时运行数据进行分析,判断实时运行数据是否异常具体为:
将实时运行数据采用滑动时间窗口方法依次计算该窗口内多维数据的相关系数;
若多维数据间的相关系数大于模型中的相关系数阈值,则为异常数据点;
若多维数据间的相关系数小于或等于模型中的相关系数阈值,则对下一个时间窗口进行判断。
进一步地,步骤S4所述的预设的异常事件库根据专家经验建立,其中所述异常事件库包括的事件类型有:被检测设备异常、检测设备异常。
进一步地,步骤S4还包括若异常数据在异常事件库中没有对应的异常事件,则进行人工判断是否为异常数据点;若为异常数据点,则该异常数据点定义为新的异常事件保存至异常事件库,完成对异常事件库的更新;若不是异常数据点,对多维数据相关性特征模型进行更新。
进一步地,在人工判断中若判定异常数据不是异常数据点,则对多维数据相关性特征模型进行更新具体过程为:
将异常数据判断错误的时间序列窗口加入监测正常数据库,更新正常数据样本库;
重新计算多维样本间的相关性系数;
重新确定相关性系数阈值。
本发明第二方面提供了一种智能配电房传感器多维数据融合异常事件检测系统,其特征在于,包括:数据获取模块、数据处理模块、建模模块、在线研判模块、异常事件库、评估模块,所述数据获取模块用于获取配电房多维传感数据,所述数据处理模块用于对获取到的配电房多维传感数据进行处理;所述建模模块用于实现多维数据相关性特征模型的建立和更新,所述在线研判模块用于在线检测异常数据点及判断异常事件类型,所述异常事件库包含初始构建时加入的异常事件及模型更新过程中加入的异常事件,所述评估模块用于评估多维数据相关性特征模型准确度及异常事件模式判断准确度。
进一步地,所述数据处理模块对数据的处理方式有:分类、清洗、转换、时间序列对齐、标准化、集成。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括智能配电房传感器多维数据融合异常事件检测方法程序,所述智能配电房传感器多维数据融合异常事件检测方法程序被处理器执行时,实现所述的一种智能配电房传感器多维数据融合异常事件检测方法的步骤。
与现有技术相比,本发明技术方案的有益效果是:
本发明通过获取配电房传感器的多维数据,利用构建的多维数据相关性特征模型进行异常事件检测,充分利用了多维数据的关联性,提高了数据的利用率和异常事件的检测效率。
附图说明
图1为本发明一种智能配电房传感器多维数据融合异常事件检测方法流程图。
图2为本发明一种智能配电房传感器多维数据融合异常事件检测系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示,本发明第一方面提供了一种智能配电房传感器多维数据融合异常事件检测方法,包括以下步骤:
S1:获取配电房正常多维传感数据,建立正常样本数据库;
需要说明的是,本发明中所述配电房正常多维传感数据是指配电房中传感器一段连续的正常运行数据,传感器类型主要包括温湿度传感器、噪声传感器、臭氧传感器、四氟化硫触感器,氧气传感器等。所述正常样本数据库即配电房正常多维传感数据的集合。
S2:对所述正常样本数据库中的多维数据进行预处理,建立多维数据相关性特征模型;
S3:将配电房实时运行数据预处理后输入至所述的多维数据相关性特征模型,并对实时运行数据进行分析,判断实时运行数据是否异常,若实时运行数据异常则转至步骤S4,若实时运行数据正常,则结束当前检测流程,进行下一时刻数据的检测;
S4:将异常数据与预设的异常事件库进行比较判断,若异常数据属于异常事件,则输出判定的异常事件类型,若异常数据不属于异常事件则更新多维数据相关性特征模型。
需要说明的是,在本发明中对正常样本数据库中的多维数据进行预处理和配电房实时运行数据预处理,上述预处理均包括以下流程:分类、清洗、转换、时间序列对齐、标准化。具体处理过程如下:
分类:按照来自不同传感器终端的数据,将数据归类并进行编号。如噪声数据1为A1、噪声数据2为A2、噪声数据3为A3、温度1为A4、温度2为A5、温度3为A6等。
清洗:对传感器确缺失、重复数据进行清洗。对缺失值认为暂时异常,若连续缺失一定时间,认定为事件异常;对重复数据进行删除。
转换:将传感器数据转换为相同格式。时间标签转换为相同格式,如01/01/202111:59:00。
时间序列对齐:将格式统一后的数据根据时间标签对齐。
标准化:不同传感器量程不同,对所有数据进行标准化处理。标准化方法为min-max标准化。
进一步地,步骤S2所述的多维数据相关性特征模型的构建过程为:
将多维数据划定固定时间窗口长度L,计算每个时间窗口长度L内多维变量间的相关性系数;
利用计算得到的相关性系数建立相关系数矩阵,并确定正常数据时各相关系数阈值;
根据相关系数矩阵和所述相关系数阈值建立多维数据相关性特征模型。
其中AmAn为编号为Am及An的传感器数据间的相关系数;
通过上述公式计算正常样本数据库中所有样本相关系数矩阵,确定相关系数矩阵阈值。
进一步地,所述相关系数为pearson相关系数。
进一步地,步骤S3所述的对实时运行数据进行分析,判断实时运行数据是否异常具体为:
将实时运行数据采用滑动时间窗口方法依次判断该窗口内多维数据的相关系数;
若多维数据间的相关系数大于模型中的相关系数阈值,则为异常数据点;
若多维数据间的相关系数小于或等于模型中的相关系数阈值,则对下一个时间窗口进行判断。
进一步地,步骤S4所述的预设的异常事件库根据专家经验建立,其中所述异常事件库包括的事件类型有:被检测设备异常、检测设备异常。
需要说明的是,所述被检测设备异常,例如配电房中的开关设备异常,所述检测设备异常,例如传感器本身异常。所述的传感器可以为温度传感器、噪声传感器、臭氧传感器、四氟化硫触感器,氧气传感器等通过上述传感器能够获取配电房中相应气体的浓度或或者环境的温度参数、湿度参数,本发明中的多维数据相关性特征模型可以对传感数据时间变化趋势的异常进行检测,也可以对传感数据间的关联异常进行检测。
进一步地,步骤S4还包括若异常数据在异常事件库中没有对应的异常事件,则进行人工判断是否为异常数据点;若为异常数据点,则该异常数据点定义为新的异常事件保存至异常事件库,完成对异常事件库的更新;若不是异常数据点,对多维数据相关性特征模型进行更新。
需要说明的是,在一个具体实施例中,被检测设备异常和检测设备异常都会产生异常数据,通过进一步人工判断,使得异常处理更加准确。
进一步地,在人工判断中若判定异常数据不是异常数据点,则对多维数据相关性特征模型进行更新具体过程为:
将异常数据判断错误的时间序列窗口加入监测正常数据库,更新正常数据样本库;
重新计算多维样本间的相关性系数;
重新确定相关性系数阈值。
如图2所示,本发明第二方面提供了一种智能配电房传感器多维数据融合异常事件检测系统,其特征在于,包括:数据获取模块、数据处理模块、建模模块、在线研判模块、异常事件库、评估模块,所述数据获取模块用于获取配电房多维传感数据,所述数据处理模块用于对获取到的配电房多维传感数据进行处理;所述建模模块用于实现多维数据相关性特征模型的建立和更新,所述在线研判模块用于在线检测异常数据点及判断异常事件类型,所述异常事件库包含初始构建时加入的异常事件及模型更新过程中加入的异常事件,所述评估模块用于评估多维数据相关性特征模型准确度及异常事件模式判断准确度。
进一步地,所述数据处理模块对数据的处理方式有:分类、清洗、转换、时间序列对齐、标准化、集成。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括智能配电房传感器多维数据融合异常事件检测方法程序,所述智能配电房传感器多维数据融合异常事件检测方法程序被处理器执行时,实现所述的一种智能配电房传感器多维数据融合异常事件检测方法的步骤。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种智能配电房传感器多维数据融合异常事件检测方法,其特征在于,包括以下步骤:
S1:获取配电房正常多维传感数据,建立正常样本数据库;
S2:对所述正常样本数据库中的多维数据进行预处理,建立多维数据相关性特征模型;
S3:将配电房实时运行数据预处理后输入至所述的多维数据相关性特征模型,并对实时运行数据进行分析,判断实时运行数据是否异常,若实时运行数据异常则转至步骤S4,若实时运行数据正常,则结束当前检测流程,进行下一时刻数据的检测;
S4:将异常数据与预设的异常事件库进行比较判断,若异常数据属于异常事件,则输出判定的异常事件类型,若异常数据不属于异常事件则更新多维数据相关性特征模型。
2.根据权利要求1所述的一种智能配电房传感器多维数据融合异常事件检测方法,其特征在于,步骤S2所述的多维数据相关性特征模型的构建过程为:
将多维数据划定固定时间窗口长度L,计算每个时间窗口长度L内多维变量间的相关性系数;
利用计算得到的相关性系数建立相关系数矩阵,并确定正常数据时各相关系数阈值;
根据相关系数矩阵和所述相关系数阈值建立多维数据相关性特征模型。
3.根据权利要求2所述的一种智能配电房传感器多维数据融合异常事件检测方法,其特征在于,所述相关系数为pearson相关系数。
4.根据权利要求1所述的一种智能配电房传感器多维数据融合异常事件检测方法,其特征在于,步骤S3所述的对实时运行数据进行分析,判断实时运行数据是否异常具体为:
将实时运行数据采用滑动时间窗口方法依次计算该窗口内多维数据的相关系数;
若多维数据间的相关系数大于模型中的相关系数阈值,则为异常数据点;
若多维数据间的相关系数小于或等于模型中的相关系数阈值,则对下一个时间窗口进行判断。
5.根据权利要求1所述的一种智能配电房传感器多维数据融合异常事件检测方法,其特征在于,步骤S4所述的预设的异常事件库根据专家经验建立,其中所述异常事件库包括的事件类型有:被检测设备异常、检测设备异常。
6.根据权利要求1所述的一种智能配电房传感器多维数据融合异常事件检测方法,其特征在于,步骤S4还包括若异常数据在异常事件库中没有对应的异常事件,则进行人工判断是否为异常数据点;若为异常数据点,则该异常数据点定义为新的异常事件保存至异常事件库,完成对异常事件库的更新;若不是异常数据点,对多维数据相关性特征模型进行更新。
7.根据权利要求6所述的一种智能配电房传感器多维数据融合异常事件检测方法,其特征在于,在人工判断中若判定异常数据不是异常数据点,则对多维数据相关性特征模型进行更新具体过程为:
将异常数据判断错误的时间序列窗口加入监测正常数据库,更新正常数据样本库;
重新计算多维样本间的相关性系数;
重新确定相关性系数阈值。
8.一种智能配电房传感器多维数据融合异常事件检测系统,其特征在于,包括:数据获取模块、数据处理模块、建模模块、在线研判模块、异常事件库、评估模块,所述数据获取模块用于获取配电房多维传感数据,所述数据处理模块用于对获取到的配电房多维传感数据进行处理;所述建模模块用于实现多维数据相关性特征模型的建立和更新,所述在线研判模块用于在线检测异常数据点及判断异常事件类型,所述异常事件库包含初始构建时加入的异常事件及模型更新过程中加入的异常事件,所述评估模块用于评估多维数据相关性特征模型准确度及异常事件模式判断准确度。
9.根据权利要求8所述的一种智能配电房传感器多维数据融合异常事件检测系统,其特征在于,所述数据处理模块对数据的处理方式有:分类、清洗、转换、时间序列对齐、标准化、集成。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括智能配电房传感器多维数据融合异常事件检测方法程序,所述智能配电房传感器多维数据融合异常事件检测方法程序被处理器执行时,实现如权利要求1至7中任一项所述的一种智能配电房传感器多维数据融合异常事件检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058325.1A CN114328075A (zh) | 2021-09-09 | 2021-09-09 | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058325.1A CN114328075A (zh) | 2021-09-09 | 2021-09-09 | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114328075A true CN114328075A (zh) | 2022-04-12 |
Family
ID=81044573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111058325.1A Pending CN114328075A (zh) | 2021-09-09 | 2021-09-09 | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114328075A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292387A (zh) * | 2022-08-18 | 2022-11-04 | 北京志翔科技股份有限公司 | 一种基于多维数据分析的能源超量程使用监测方法 |
CN115664038A (zh) * | 2022-12-27 | 2023-01-31 | 山东科华电力技术有限公司 | 一种用于电气安全管理的智能配电运维监控系统 |
CN116595425A (zh) * | 2023-07-13 | 2023-08-15 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于电网调度多源数据融合的缺陷识别方法 |
CN116894037A (zh) * | 2023-07-14 | 2023-10-17 | 深圳市房地产和城市建设发展研究中心 | 一种基于时空数据字典库的多维特征更新方法 |
CN117574291A (zh) * | 2023-11-07 | 2024-02-20 | 广州恒沙数字科技有限公司 | 一种基于子空间簇的多维数据异常值识别方法及系统 |
-
2021
- 2021-09-09 CN CN202111058325.1A patent/CN114328075A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292387A (zh) * | 2022-08-18 | 2022-11-04 | 北京志翔科技股份有限公司 | 一种基于多维数据分析的能源超量程使用监测方法 |
CN115664038A (zh) * | 2022-12-27 | 2023-01-31 | 山东科华电力技术有限公司 | 一种用于电气安全管理的智能配电运维监控系统 |
CN115664038B (zh) * | 2022-12-27 | 2023-03-10 | 山东科华电力技术有限公司 | 一种用于电气安全管理的智能配电运维监控系统 |
CN116595425A (zh) * | 2023-07-13 | 2023-08-15 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于电网调度多源数据融合的缺陷识别方法 |
CN116595425B (zh) * | 2023-07-13 | 2023-11-10 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于电网调度多源数据融合的缺陷识别方法 |
CN116894037A (zh) * | 2023-07-14 | 2023-10-17 | 深圳市房地产和城市建设发展研究中心 | 一种基于时空数据字典库的多维特征更新方法 |
CN117574291A (zh) * | 2023-11-07 | 2024-02-20 | 广州恒沙数字科技有限公司 | 一种基于子空间簇的多维数据异常值识别方法及系统 |
CN117574291B (zh) * | 2023-11-07 | 2024-06-28 | 广州恒沙数字科技有限公司 | 一种基于子空间簇的多维数据异常值识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 | |
JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
CN109781934A (zh) | 环境传感器检测数据的处理装置、处理方法、计算机可读存储介质、以及环境传感器系统 | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN109905489B (zh) | 基于数据融合算法的多传感器数据关联性处理方法及系统 | |
CN112378445A (zh) | 一种基于大数据分析的建筑施工环境智能实时监测系统 | |
CN113783272B (zh) | 一种基于超级电容监控管理系统的安全控制方法 | |
CN110990393A (zh) | 一种行业企业数据异常行为的大数据识别方法 | |
KR20170122043A (ko) | 실시간 실내 공기질 이상치 제거 방법 및 장치 | |
AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
CN116522096B (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
CN113535765A (zh) | 一种基于工业互联网的智慧工厂远程实时监测调控云平台 | |
CN117932501B (zh) | 一种电能表运行状态管理方法和系统 | |
CN112308436A (zh) | 一种配电网评估诊断分析方法、装置、设备及存储介质 | |
CN116627079B (zh) | 用于实验室通风设备的运行监控管理系统 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN117783745B (zh) | 用于换电柜的数据在线监测方法及系统 | |
CN113988723A (zh) | 一种基于用电数据异常分析的用户行为锁定方法和系统 | |
CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN116028887A (zh) | 一种连续性工业生产数据的分析方法 | |
CN114235653A (zh) | 基于端云协同的大气颗粒污染物时空预测云平台 | |
CN116047313B (zh) | 一种用于锂电池储能箱的质量检测和维护方法及系统 | |
CN116910655A (zh) | 一种基于装置量测数据的智能电能表故障预测方法 | |
CN113836813A (zh) | 一种基于数据分析的高炉风口漏水检测方法 |
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 |