CN114970759A - 一种变压器状态监测数据的异常检测方法和装置 - Google Patents

一种变压器状态监测数据的异常检测方法和装置 Download PDF

Info

Publication number
CN114970759A
CN114970759A CN202210705871.8A CN202210705871A CN114970759A CN 114970759 A CN114970759 A CN 114970759A CN 202210705871 A CN202210705871 A CN 202210705871A CN 114970759 A CN114970759 A CN 114970759A
Authority
CN
China
Prior art keywords
state monitoring
sequence
sequences
value
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
Application number
CN202210705871.8A
Other languages
English (en)
Inventor
王川
张颖
杨成刚
董仲凯
卢秋锦
唐军
李长福
黄兼备
朱洪
沈小勇
胡杨
刘博�
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.)
Tulufan Power Supply Co Of State Grid Xinjiang Electric Power Co ltd
State Grid Corp of China SGCC
Original Assignee
Tulufan Power Supply Co Of State Grid Xinjiang Electric Power Co ltd
State Grid Corp of China SGCC
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 Tulufan Power Supply Co Of State Grid Xinjiang Electric Power Co ltd, State Grid Corp of China SGCC filed Critical Tulufan Power Supply Co Of State Grid Xinjiang Electric Power Co ltd
Priority to CN202210705871.8A priority Critical patent/CN114970759A/zh
Publication of CN114970759A publication Critical patent/CN114970759A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

公开一种变压器状态监测数据的异常检测方法和装置，所述异常检测方法包括：获取变压器状态监测数据，其中，所述变压器状态监测数据包括多个第一状态监测序列，每个第一状态监测序列包括同一时刻的第一数量个状态监测参数；在每个第一状态监测序列中添加对应的时间参数，并将添加时间参数后的第一状态监测序列作为第二状态监测序列，从而得到多个第二状态监测序列；将所述多个第二状态监测序列输入训练好的检测模型，得到所述训练好的检测模型生成的多个预测的状态监测序列；基于所述多个预测的状态监测序列与所述多个第二状态监测序列的差异情况，确定所述变压器状态监测数据的异常检测结果。

Description

一种变压器状态监测数据的异常检测方法和装置
技术领域
本公开总体说来涉及变压器监测领域，更具体地讲，涉及一种变压器状态监测数据的异常检测方法和装置。
背景技术
变压器是电力系统中的核心设备，无论是对电力企业安全生产还是对社会居民用电而言，保持变压器高效持久的稳定运行工作，都有着举足轻重的意义。随着现今各种传感器技术的应用普及，针对变压器可采集的监测数据的数据量和数据维度，都呈现爆发式增长，逐渐显现出多源异构的数据特性，大大增加了对变压器状态监测数据进行异常检测的难度，通过传统的设置阈值的方式来检测变压器状态监测数据已经无法满足要求。而目前常用的聚类方法，对监测数据之间的处理顺序十分敏感，将同样的监测数据输入聚类模型，不同的输入顺序常常导致不同的聚类结果，在监测数据的数据量和数据维度都呈现爆发式增长的情况下，各种聚类方法不仅无法有效挖掘监测数据的时间特性，也常常无法满足对监测数据进行异常检测的准确度要求。
发明内容
本公开提供一种变压器状态监测数据的异常检测方法和装置，从而在考虑到变压器状态监测数据的时间变化特征的同时，准确且高效地对变压器状态监测数据进行异常检测。
在一个总的方面，提供一种变压器状态监测数据的异常检测方法，所述异常检测方法包括：获取变压器状态监测数据，其中，所述变压器状态监测数据包括多个第一状态监测序列，每个第一状态监测序列包括同一时刻的第一数量个状态监测参数；在每个第一状态监测序列中添加对应的时间参数，并将添加时间参数后的第一状态监测序列作为第二状态监测序列，从而得到多个第二状态监测序列；将所述多个第二状态监测序列输入训练好的检测模型，得到所述训练好的检测模型生成的多个预测的状态监测序列；基于所述多个预测的状态监测序列与所述多个第二状态监测序列的差异情况，确定所述变压器状态监测数据的异常检测结果。
可选地，所述检测模型通过以下步骤训练好：获取变压器状态监测样本数据，其中，所述变压器状态监测样本数据包括多个第一状态监测样本序列，每个第一状态监测样本序列包括同一时刻的第一数量个状态监测参数；在每个第一状态监测样本序列中添加对应的时间参数，并将添加时间参数后的第一状态监测样本序列作为第二状态监测样本序列，从而得到多个第二状态监测样本序列；基于预调试模型，将每个第二状态监测样本序列分别转换为状态监测向量序列，从而得到多个状态监测向量序列，其中，每个状态监测向量序列包括第二数量个状态监测向量，所述第二数量为所述第一数量加一；基于预设规则，将每个状态监测向量序列分别转换为状态值序列，从而得到多个状态值序列，其中，每个状态值序列包括所述第二数量个状态值；将所述多个状态值序列输入生成对抗网络，并根据所述生成对抗网络的生成器和判别器之间的博弈结果，对所述预调试模型和所述生成对抗网络进行联合训练，以将最终训练好的生成对抗网络的生成器作为所述训练好的检测模型。
可选地，所述将每个第二状态监测样本序列分别转换为状态监测向量序列，包括：针对任意一个第二状态监测样本序列，将该第二状态监测样本序列中的时间参数和每个状态监测参数分别转换为状态监测向量，从而将该第二状态监测样本序列转换为状态监测向量序列。
可选地，所述将每个状态监测向量序列分别转换为状态值序列，包括：针对任意一个状态监测向量序列，将该状态监测向量序列中的每个状态监测向量分别转换为状态值，从而将该状态监测向量序列转换为状态值序列。
可选地，每个状态监测向量包括第三数量个分量值，所述第三数量基于所述预调试模型中针对所述状态监测向量设置的长度来确定，其中，所述将该状态监测向量序列中的每个状态监测向量分别转换为状态值，包括：针对该状态监测向量序列中的任意一个状态监测向量，将该状态监测向量中的每个分量值与预设阈值进行比较；基于该状态监测向量中的每个分量值与所述预设阈值的比较结果，对该状态监测向量中的每个分量值进行重新设置；计算重新设置分量值后的状态监测向量的模长，并将所述模长作为该状态监测向量对应的状态值。
可选地，所述预设阈值包括第一阈值和第二阈值，所述第一阈值小于所述第二阈值，其中，所述基于该状态监测向量中的每个分量值与预设阈值的比较结果，对该状态监测向量中的每个分量值进行重新设置，包括：针对该状态监测向量中的任意一个分量值，在该分量值小于或者等于所述第一阈值的情况下，将该分量值重新设置为第一数值；在该分量值大于所述第一阈值，并且小于所述第二阈值的情况下，将该分量值重新设置为第二数值；在该分量值大于或者等于所述第二阈值的情况下，将该分量值重新设置为第三数值，其中，所述第一数值小于所述第二数值，所述第二数值小于所述第三数值，并且所述第一数值、所述第二数值和所述第三数值不为零。
可选地，所述将所述多个状态值序列输入生成对抗网络，并根据所述生成对抗网络的生成器和判别器之间的博弈结果，对所述第一模型和所述生成对抗网络进行联合训练，包括：将所述多个状态值序列作为真样本输入所述生成对抗网络；通过所述生成器生成预测样本，并通过所述判别器判断所述预测样本属于真样本还是假样本；在所述判别器判断出所述预测样本属于假样本的情况下，对所述第一模型和所述生成对抗网络的参数进行调整，以使所述判别器最终无法判断所述预测样本是真样本还是假样本。
可选地，所述基于所述多个预测的状态监测序列与所述多个第二状态监测序列的差异情况，确定所述变压器状态监测数据的异常检测结果，包括：在所述多个预测的状态监测序列与所述多个第二状态监测序列一致的情况下，确定所述变压器状态监测数据是正常数据；在所述多个预测的状态监测序列与所述多个第二状态监测序列不一致的情况下，确定所述变压器状态监测数据是异常数据。
可选地，所述在所述多个预测的状态监测序列与所述多个第二状态监测序列不一致的情况下，确定所述变压器状态监测数据是异常数据，包括：在所述多个预测的状态监测序列与所述多个第二状态监测序列不一致的情况下，将所述多个第二状态监测序列中与对应的预测的状态监测序列不一致的至少一个第二状态监测序列确定为异常序列；将所述异常序列中的时间参数对应的时刻确定为异常时刻，并将所述异常序列中的各个状态监测参数确定为异常数据。
在另一总的方面，提供一种变压器状态监测数据的异常检测装置，所述异常检测装置包括：数据获取单元，被配置为获取变压器状态监测数据，其中，所述变压器状态监测数据包括多个第一状态监测序列，每个第一状态监测序列包括同一时刻的第一数量个状态监测参数；序列调整单元，被配置为在每个第一状态监测序列中添加对应的时间参数，并将添加时间参数后的第一状态监测序列作为第二状态监测序列，从而得到多个第二状态监测序列；序列预测单元，被配置为将所述多个第二状态监测序列输入训练好的检测模型，得到所述训练好的检测模型生成的多个预测的状态监测序列；异常确定单元，被配置为基于所述多个预测的状态监测序列与所述多个第二状态监测序列的差异情况，确定所述变压器状态监测数据的异常检测结果。
根据本公开示例性实施例的变压器状态监测数据的异常检测方法和装置可以通过在需要进行异常检测的变压器状态监测数据中添加与各个状态监测参数对应的时间参数，来挖掘变压器状态监测数据的时间变化特征，以更好地对变压器状态监测数据进行异常检测，并且通过检测模型来处理添加了时间参数的变压器状态监测数据，能够准确且高效地对变压器状态监测数据进行异常检测。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示出实施例的附图进行的描述，本公开的实施例的上述和其他目的和特点将会变得更加清楚，其中：
图1是示出根据本公开示例性实施例的变压器状态监测数据的异常检测方法的流程图；
图2是示出根据本公开示例性实施例的训练检测模型的流程图。
具体实施方式
提供下面的具体实施方式以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而，在理解本申请的公开之后，在此描述的方法、设备和/或系统的各种改变、修改和等同物将是清楚的。例如，在此描述的操作的顺序仅是示例，并且不限于在此阐述的那些顺序，而是除了必须以特定的顺序发生的操作之外，可如在理解本申请的公开之后将是清楚的那样被改变。此外，为了更加清楚和简明，本领域已知的特征的描述可被省略。
在此描述的特征可以以不同的形式来实现，而不应被解释为限于在此描述的示例。相反，已提供在此描述的示例，以仅示出实现在此描述的方法、设备和/或系统的许多可行方式中的一些可行方式，所述许多可行方式在理解本申请的公开之后将是清楚的。
除非另有定义，否则在此使用的所有术语(包括技术术语和科学术语)具有与由本公开所属领域的普通技术人员在理解本公开之后通常理解的含义相同的含义。除非在此明确地如此定义，否则术语(诸如，在通用词典中定义的术语)应被解释为具有与它们在相关领域的上下文和本公开中的含义一致的含义，并且不应被理想化或过于形式化地解释。
此外，在示例的描述中，当认为公知的相关结构或功能的详细描述将引起对本公开的模糊解释时，将省略这样的详细描述。
下面将参照图1至图2对根据本公开示例性实施例的变压器状态监测数据的异常检测方法进行详细描述。
图1是示出根据本公开示例性实施例的变压器状态监测数据的异常检测方法的流程图。
参照图1，在步骤S101中，可获取变压器状态监测数据。这里，变压器状态监测数据可包括多个第一状态监测序列
Figure BDA0003705272920000051
每个第一状态监测序列可包括同一时刻ti的第一数量n个状态监测参数xi1,xi2,…,xin。进一步地，变压器状态监测数据中的第一状态监测序列的数量可由本领域的技术人员根据最终获取到的数据总量来确定，第一数量n可由本领域的技术人员根据获取的变压器状态监测数据中的实际参数维度来确定。作为示例，在变压器状态监测数据包括变压器负荷、环境温度、顶层油温、一次绕组温度、二次绕组温度、甲烷含量、乙烯含量这7个维度的状态监测参数的情况下，可将第一数量n的数值确定为7，从而第一状态监测序列
Figure BDA0003705272920000052
Figure BDA0003705272920000053
中的xi1可表示ti时刻的变压器负荷，xi2可表示ti时刻的环境温度，xi3可表示ti时刻的顶层油温，xi4可表示ti时刻的一次绕组温度，xi5可表示ti时刻的二次绕组温度，xi6可表示ti时刻的甲烷含量，xi7可表示ti时刻的乙烯含量。
接下来，在步骤S102中，可在每个第一状态监测序列
Figure BDA0003705272920000054
中添加对应的时间参数ti，并将添加时间参数后的第一状态监测序列作为第二状态监测序列，从而得到多个第二状态监测序列
Figure BDA0003705272920000055
这里，每个第二状态监测序列不仅包括时刻ti的n个状态监测参数，还包括作为时间参数的时刻ti。由于变压器所处的环境和变压器自身的运行状况随着时间的推移常常呈现出一定的趋势性和周期性，所以变压器状态监测数据也通常具有一定的趋势性和周期性，通过在状态监测序列中添加与各个状态监测参数对应的时间参数，能够在检测数据时有效地考虑到变压器状态监测数据的时间变化特征，从而更好地进行数据异常检测。
接下来，在步骤S103中，可将多个第二状态监测序列输入训练好的检测模型，得到训练好的检测模型生成的多个预测的状态监测序列。下面参照图2对根据本公开示例性实施例的训练检测模型的流程进行详细描述。
图2是示出根据本公开示例性实施例的训练检测模型的流程图。
参照图2，在步骤S201中，可获取变压器状态监测样本数据。这里，变压器状态监测样本数据可包括多个第一状态监测样本序列
Figure BDA0003705272920000061
Figure BDA0003705272920000062
每个第一状态监测样本序列可包括同一时刻ti的第一数量n个状态监测参数xi1,xi2,…,xin。进一步地，变压器状态监测样本数据可以是上述变压器状态监测数据的历史数据，即变压器状态监测样本数据可以与上述变压器状态监测数据具有相同的参数维度。
接下来，在步骤S202中，可在每个第一状态监测样本序列
Figure BDA0003705272920000063
中添加对应的时间参数ti，并将添加时间参数后的第一状态监测样本序列作为第二状态监测样本序列，从而得到多个第二状态监测样本序列
Figure BDA0003705272920000064
通过在状态监测样本序列中添加与各个状态监测参数对应的时间参数，能够在模型训练时有效地挖掘变压器状态监测数据的时间变化特征，从而训练好的检测模型能够更好地进行异常检测。
接下来，在步骤S203中，可基于预调试模型，将每个第二状态监测样本序列分别转换为状态监测向量序列，从而得到多个状态监测向量序列
Figure BDA0003705272920000065
Figure BDA0003705272920000066
这里，每个状态监测向量序列可包括第二数量k个状态监测向量Mi1,Mi2,…,Mik，第二数量k为第一数量n加一，即k＝n+1。作为示例，预调试模型可以是BERT模型，用于将数据表示成向量。进一步地，针对任意一个第二状态监测样本序列
Figure BDA0003705272920000067
可将该第二状态监测样本序列中的时间参数ti和每个状态监测参数xi1,xi2,…,xin分别转换为状态监测向量Mi1,Mi2,…,Mik，从而将该第二状态监测样本序列转换为状态监测向量序列
Figure BDA0003705272920000068
接下来，在步骤S204中，可基于预设规则，将每个状态监测向量序列
Figure BDA0003705272920000069
分别转换为状态值序列，从而得到多个状态值序列
Figure BDA00037052729200000610
这里，每个状态值序列可包括第二数量k个状态值vi1,vi2,…,vik。这里，针对任意一个状态监测向量序列
Figure BDA0003705272920000071
可将该状态监测向量序列中的每个状态监测向量Mi1,Mi2,…,Mik分别转换为状态值vi1,vi2,…,vik，从而将该状态监测向量序列
Figure BDA0003705272920000072
转换为状态值序列
Figure BDA0003705272920000073
根据本公开的示例性实施例，每个状态监测向量Mik＝[mik1,mik2,...,mikl]可包括第三数量l个分量值mik1,mik2,…,mikl，第三数量l可基于预调试模型中针对状态监测向量设置的长度来确定。这里，针对该状态监测向量序列
Figure BDA0003705272920000074
中的任意一个状态监测向量Mik，可将该状态监测向量中的每个分量值mik1,mik2,…,mikl与预设阈值进行比较；然后，可基于该状态监测向量中的每个分量值与预设阈值的比较结果，对该状态监测向量中的每个分量值进行重新设置；然后，可计算重新设置分量值后的状态监测向量的模长，并将模长作为该状态监测向量Mik对应的状态值vik。根据本公开的示例性实施例，预设阈值可包括第一阈值和第二阈值，并且第一阈值小于第二阈值。这里，针对该状态监测向量中的任意一个分量值，可在该分量值小于或者等于第一阈值的情况下，将该分量值重新设置为第一数值；可在该分量值大于第一阈值，并且小于第二阈值的情况下，将该分量值重新设置为第二数值；可在该分量值大于或者等于第二阈值的情况下，将该分量值重新设置为第三数值。进一步地，第一数值小于第二数值，第二数值小于第三数值，并且第一数值、第二数值和第三数值不为零。应理解，第一阈值、第二阈值、第一数值、第二数值和第三数值在符合上述描述的情况下，可由本领域技术人员根据实际情况来具体设置。通过将状态监测向量转换为状态值后再参与后续的模型训练，能够大幅减少检测模型的收敛时间，提高了检测模型的训练效率，并且通过设置多个阈值和重设数值来对向量中的各个分量值进行重新设置，有效缓解了检测模型的过拟合情况，避免了检测模型训练的局部最优问题。
接下来，在步骤S205中，可将多个状态值序列输入生成对抗网络(GenerativeAdversarialNetworks，GAN)，并根据生成对抗网络的生成器和判别器之间的博弈结果，对预调试模型和生成对抗网络进行联合训练，以将最终训练好的生成对抗网络的生成器作为训练好的检测模型。这里，可将多个状态值序列作为真样本输入生成对抗网络；然后，可通过生成器生成预测样本，并通过判别器判断预测样本属于真样本还是假样本；然后，可在判别器判断出预测样本属于假样本的情况下，对第一模型和生成对抗网络的参数进行调整，以使判别器最终无法判断预测样本是真样本还是假样本。一般地，生成对抗网络包括一个生成器和一个判别器，生成器用于产生和真实样本相似的预测样本，以让判别器对这些预测样本产生误判；判别器则是针对一个样本，判断它是属于真实样本，还是属于生成器产生的预测样本。在生成对抗网络的训练过程中，生成器与判别器进行相互博弈，最终达到纳什均衡的稳定状态，此时的生成器能够产生和真实样本一致的样本。生成对抗网络适用于仅有正常数据或者仅有少量异常数据的情况，通过学习正常数据的数据分布，最终得到的生成器能够生成正常数据，可满足于变压器状态监测数据的异常检测。
返回参照图1，在步骤S104中，可基于多个预测的状态监测序列与多个第二状态监测序列的差异情况，确定变压器状态监测数据的异常检测结果。这里，可在多个预测的状态监测序列与多个第二状态监测序列一致的情况下，确定变压器状态监测数据是正常数据；可在多个预测的状态监测序列与多个第二状态监测序列不一致的情况下，确定变压器状态监测数据是异常数据。进一步地，可在多个预测的状态监测序列与多个第二状态监测序列不一致的情况下，将多个第二状态监测序列中与对应的预测的状态监测序列不一致的至少一个第二状态监测序列确定为异常序列；然后，可将异常序列中的时间参数对应的时刻确定为异常时刻，并将异常序列中的各个状态监测参数确定为异常数据。通过对预测的状态监测序列与第二状态监测序列进行一致性比对来确定变压器状态监测数据是否是异常数据，面对变压器状态监测数据的数据量和数据维度呈现爆发式增长并且逐渐显现出多源异构的数据特性的现状，能够大大降低变压器状态监测数据的异常检测复杂度，并且检测结果还具有高准确性，从而使异常检测的效率得到提升。
本公开的示例性实施例还提供一种变压器状态监测数据的异常检测装置，可以在具有足够运算能力的计算装置中实现。变压器状态监测数据的异常检测装置可包括：数据获取单元，序列调整单元，序列预测单元和异常确定单元。
数据获取单元可获取变压器状态监测数据。如上所述，变压器状态监测数据可包括多个第一状态监测序列，每个第一状态监测序列可包括同一时刻的第一数量个状态监测参数。
序列调整单元可在每个第一状态监测序列中添加对应的时间参数，并将添加时间参数后的第一状态监测序列作为第二状态监测序列，从而得到多个第二状态监测序列。
序列预测单元可将多个第二状态监测序列输入训练好的检测模型，得到训练好的检测模型生成的多个预测的状态监测序列。
异常确定单元可基于多个预测的状态监测序列与多个第二状态监测序列的差异情况，确定变压器状态监测数据的异常检测结果。
根据本公开示例性实施例的变压器状态监测数据的异常检测方法和装置可以通过在需要进行异常检测的变压器状态监测数据中添加与各个状态监测参数对应的时间参数，来挖掘变压器状态监测数据的时间变化特征，以更好地对变压器状态监测数据进行异常检测，并且通过检测模型来处理添加了时间参数的变压器状态监测数据，能够准确且高效地对变压器状态监测数据进行异常检测。
本公开的示例性实施例还提供一种计算装置。计算装置可包括处理器和存储器。处理器可包括(但不限于)中央处理器(CPU)、数字信号处理器(DSP)、微型计算机、现场可编程门阵列(FPGA)、片上系统(SoC)、微处理器、专用集成电路(ASIC)等。存储器存储将由处理器执行的计算机程序。存储器包括高速随机存取存储器和/或非易失性计算机可读存储介质。当处理器执行存储器中存储的计算机程序时，可实现如上所述的变压器状态监测数据的异常检测方法。
根据本公开示例性实施例的变压器状态监测数据的异常检测方法可被编写为计算机程序并被存储在计算机可读存储介质上。当所述计算机程序被处理器执行时，可实现如上所述的变压器状态监测数据的异常检测方法。计算机可读存储介质的示例包括：只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-RLTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如，多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置，所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。在一个示例中，计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上，使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
虽然已表示和描述了本公开的一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改。

Claims (10)

1.一种变压器状态监测数据的异常检测方法，其特征在于，所述异常检测方法包括：
获取变压器状态监测数据，其中，所述变压器状态监测数据包括多个第一状态监测序列，每个第一状态监测序列包括同一时刻的第一数量个状态监测参数；
在每个第一状态监测序列中添加对应的时间参数，并将添加时间参数后的第一状态监测序列作为第二状态监测序列，从而得到多个第二状态监测序列；
将所述多个第二状态监测序列输入训练好的检测模型，得到所述训练好的检测模型生成的多个预测的状态监测序列；
基于所述多个预测的状态监测序列与所述多个第二状态监测序列的差异情况，确定所述变压器状态监测数据的异常检测结果。
2.如权利要求1所述的异常检测方法，其特征在于，所述检测模型通过以下步骤训练好：
获取变压器状态监测样本数据，其中，所述变压器状态监测样本数据包括多个第一状态监测样本序列，每个第一状态监测样本序列包括同一时刻的第一数量个状态监测参数；
在每个第一状态监测样本序列中添加对应的时间参数，并将添加时间参数后的第一状态监测样本序列作为第二状态监测样本序列，从而得到多个第二状态监测样本序列；
基于预调试模型，将每个第二状态监测样本序列分别转换为状态监测向量序列，从而得到多个状态监测向量序列，其中，每个状态监测向量序列包括第二数量个状态监测向量，所述第二数量为所述第一数量加一；
基于预设规则，将每个状态监测向量序列分别转换为状态值序列，从而得到多个状态值序列，其中，每个状态值序列包括所述第二数量个状态值；
将所述多个状态值序列输入生成对抗网络，并根据所述生成对抗网络的生成器和判别器之间的博弈结果，对所述预调试模型和所述生成对抗网络进行联合训练，以将最终训练好的生成对抗网络的生成器作为所述训练好的检测模型。
3.如权利要求2所述的异常检测方法，其特征在于，所述将每个第二状态监测样本序列分别转换为状态监测向量序列，包括：
针对任意一个第二状态监测样本序列，将该第二状态监测样本序列中的时间参数和每个状态监测参数分别转换为状态监测向量，从而将该第二状态监测样本序列转换为状态监测向量序列。
4.如权利要求3所述的异常检测方法，其特征在于，所述将每个状态监测向量序列分别转换为状态值序列，包括：
针对任意一个状态监测向量序列，将该状态监测向量序列中的每个状态监测向量分别转换为状态值，从而将该状态监测向量序列转换为状态值序列。
5.如权利要求4所述的异常检测方法，其特征在于，每个状态监测向量包括第三数量个分量值，所述第三数量基于所述预调试模型中针对所述状态监测向量设置的长度来确定，
其中，所述将该状态监测向量序列中的每个状态监测向量分别转换为状态值，包括：
针对该状态监测向量序列中的任意一个状态监测向量，将该状态监测向量中的每个分量值与预设阈值进行比较；
基于该状态监测向量中的每个分量值与所述预设阈值的比较结果，对该状态监测向量中的每个分量值进行重新设置；
计算重新设置分量值后的状态监测向量的模长，并将所述模长作为该状态监测向量对应的状态值。
6.如权利要求5所述的异常检测方法，其特征在于，所述预设阈值包括第一阈值和第二阈值，所述第一阈值小于所述第二阈值，
其中，所述基于该状态监测向量中的每个分量值与预设阈值的比较结果，对该状态监测向量中的每个分量值进行重新设置，包括：
针对该状态监测向量中的任意一个分量值，在该分量值小于或者等于所述第一阈值的情况下，将该分量值重新设置为第一数值；
在该分量值大于所述第一阈值，并且小于所述第二阈值的情况下，将该分量值重新设置为第二数值；
在该分量值大于或者等于所述第二阈值的情况下，将该分量值重新设置为第三数值，
其中，所述第一数值小于所述第二数值，所述第二数值小于所述第三数值，并且所述第一数值、所述第二数值和所述第三数值不为零。
7.如权利要求6所述的异常检测方法，其特征在于，所述将所述多个状态值序列输入生成对抗网络，并根据所述生成对抗网络的生成器和判别器之间的博弈结果，对所述第一模型和所述生成对抗网络进行联合训练，包括：
将所述多个状态值序列作为真样本输入所述生成对抗网络；
通过所述生成器生成预测样本，并通过所述判别器判断所述预测样本属于真样本还是假样本；
在所述判别器判断出所述预测样本属于假样本的情况下，对所述第一模型和所述生成对抗网络的参数进行调整，以使所述判别器最终无法判断所述预测样本是真样本还是假样本。
8.如权利要求2所述的异常检测方法，其特征在于，所述基于所述多个预测的状态监测序列与所述多个第二状态监测序列的差异情况，确定所述变压器状态监测数据的异常检测结果，包括：
在所述多个预测的状态监测序列与所述多个第二状态监测序列一致的情况下，确定所述变压器状态监测数据是正常数据；
在所述多个预测的状态监测序列与所述多个第二状态监测序列不一致的情况下，确定所述变压器状态监测数据是异常数据。
9.如权利要求8所述的异常检测方法，其特征在于，所述在所述多个预测的状态监测序列与所述多个第二状态监测序列不一致的情况下，确定所述变压器状态监测数据是异常数据，包括：
在所述多个预测的状态监测序列与所述多个第二状态监测序列不一致的情况下，将所述多个第二状态监测序列中与对应的预测的状态监测序列不一致的至少一个第二状态监测序列确定为异常序列；
将所述异常序列中的时间参数对应的时刻确定为异常时刻，并将所述异常序列中的各个状态监测参数确定为异常数据。
10.一种变压器状态监测数据的异常检测装置，其特征在于，所述异常检测装置包括：
数据获取单元，被配置为获取变压器状态监测数据，其中，所述变压器状态监测数据包括多个第一状态监测序列，每个第一状态监测序列包括同一时刻的第一数量个状态监测参数；
序列调整单元，被配置为在每个第一状态监测序列中添加对应的时间参数，并将添加时间参数后的第一状态监测序列作为第二状态监测序列，从而得到多个第二状态监测序列；
序列预测单元，被配置为将所述多个第二状态监测序列输入训练好的检测模型，得到所述训练好的检测模型生成的多个预测的状态监测序列；
异常确定单元，被配置为基于所述多个预测的状态监测序列与所述多个第二状态监测序列的差异情况，确定所述变压器状态监测数据的异常检测结果。
CN202210705871.8A 2022-06-21 2022-06-21 一种变压器状态监测数据的异常检测方法和装置 Pending CN114970759A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210705871.8A CN114970759A (zh) 2022-06-21 2022-06-21 一种变压器状态监测数据的异常检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210705871.8A CN114970759A (zh) 2022-06-21 2022-06-21 一种变压器状态监测数据的异常检测方法和装置

Publications (1)

Publication Number Publication Date
CN114970759A true CN114970759A (zh) 2022-08-30

Family

ID=82964675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210705871.8A Pending CN114970759A (zh) 2022-06-21 2022-06-21 一种变压器状态监测数据的异常检测方法和装置

Country Status (1)

Country Link
CN (1) CN114970759A (zh)

Similar Documents

Publication Publication Date Title
US10289478B2 (en) System fault diagnosis via efficient temporal and dynamic historical fingerprint retrieval
KR20200057903A (ko) 인공지능 모델 플랫폼 및 인공지능 모델 플랫폼 운영 방법
CN112148768A (zh) 一种指标时间序列异常检测方法、系统及存储介质
US11640459B2 (en) Abnormality detection device
CN112739572A (zh) 检测在处所处充电的电动车辆
US10571515B2 (en) Frequency guard band validation of processors
CN111767162B (zh) 一种面向不同型号硬盘的故障预测方法及电子装置
US20190235452A1 (en) Power System Status Estimation Device and Status Estimation Method
WO2008127535A1 (en) Machine condition monitoring using pattern rules
CN113792820B (zh) 用户行为日志异常检测模型的对抗训练方法和装置
JPWO2018154845A1 (ja) 管理装置、管理方法及びプログラム
CN111221849A (zh) 一种卫星故障定位方法、装置、终端及计算机可读介质
Wei et al. Identification of the zeroth‐order coefficient and fractional order in a time‐fractional reaction‐diffusion‐wave equation
US20220413032A1 (en) Machine learning based method and device for disturbance classification in a power transmission line
Stefanidou-Voziki et al. Feature selection and optimization of a ML fault location algorithm for low voltage grids
CN114970759A (zh) 一种变压器状态监测数据的异常检测方法和装置
CN110673997B (zh) 磁盘故障的预测方法及装置
CN117031294A (zh) 一种电池多故障检测方法、装置及存储介质
Murshed et al. Monitoring of solid oxide fuel cell systems
JP2014059664A (ja) フォールトツリー生成プログラム、方法及び装置
CN113420777A (zh) 异常日志检测方法、装置存储介质及设备
JP6365144B2 (ja) 時系列データの解析方法及び時系列データの異常監視装置
Maquin et al. Some ideas about the design of measurement system
CN117572159B (zh) 基于大数据分析的电力故障检测方法及系统
Xu et al. Multi-objective nonlinear observer design for multi-fault detection of lithium-ion battery in electric vehicles

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