CN115267409A - 一种电力设备故障检测方法、装置及设备 - Google Patents

一种电力设备故障检测方法、装置及设备 Download PDF

Info

Publication number
CN115267409A
CN115267409A CN202211169857.7A CN202211169857A CN115267409A CN 115267409 A CN115267409 A CN 115267409A CN 202211169857 A CN202211169857 A CN 202211169857A CN 115267409 A CN115267409 A CN 115267409A
Authority
CN
China
Prior art keywords
fault detection
model
data
fault
equipment
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
CN202211169857.7A
Other languages
English (en)
Inventor
范金锋
王思宁
李炎
祝文军
王文升
诸金洪
高晓欣
魏岳
袁文娜
薛天天
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.)
Beijing China Power Information Technology Co Ltd
Original Assignee
Beijing China Power Information Technology Co Ltd
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 Beijing China Power Information Technology Co Ltd filed Critical Beijing China Power Information Technology Co Ltd
Priority to CN202211169857.7A priority Critical patent/CN115267409A/zh
Publication of CN115267409A publication Critical patent/CN115267409A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种电力设备故障检测方法、装置及设备，该方法包括云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据。获取边缘节点预先存储的历史设备数据作为第二设备数据，并利用主成分分析模型以及多变量状态估计模型对第二设备数据进行训练得到故障检测模型。将所述故障检测模型下发至各个所述边缘节点以对第一设备数据进行故障检测。本申请结合边缘计算技术、主成分分析模型以及多变量状态估计模型建立故障检测模型，因此本申请仅需要从电力设备的正常工作状态中抽取历史数据不需要建立完整的故障知识库，且具有快速建模的能力、高效的执行速率以及精确的判断能力，同时适用于电力设备故障的早期预警。

Description

一种电力设备故障检测方法、装置及设备
技术领域
本申请涉及故障检测的技术领域，特别是涉及一种电力设备故障检测方法、装置及设备。
背景技术
随着电力物联网技术的不断发展，电力设备突发故障可能导致非计划停运，不仅会造成电力企业的经济损失，而且会影响电网的安全稳定运行。因此智能电厂极其需要故障预警技术。此技术能够将电力设备的故障消灭在萌芽状态。随着人工智能技术的不断发展，将人工智能技术应用到故障预警中，能够对电力设备状态进行预测，早期发现故障特征，及时反馈故障信息，从而采取相应的预防措施。以上所采用的故障建模方法往往需要大量的故障数据，在实际应用中，难以建立完整的故障知识库，而且大量数据集中在云中心处理，容易造成数据拥塞。并且有限的通信和云中心存储资源的不足，将会导致实时处理问题的能力不足，以至无法及时完成关键操作，错过预警最佳时机。
因此，如何提供一种不需要建立完整的故障知识库，且具有快速建模的能力、高效的执行速率以及精确的判断能力的故障检测方法以实现电力设备的早期预警，是本领域技术人员急需解决的技术问题。
发明内容
基于上述问题，本申请提供了一种电力设备故障检测方法、装置及设备，以提供一种不需要建立完整的故障知识库，且具有快速建模的能力、高效的执行速率以及精确的判断能力的故障检测方法。
为解决上述问题，本申请实施例提供的技术方案如下：
一种电力设备故障检测方法，所述方法包括：
云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据；
获取第二设备数据，并利用主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型；其中，所述第二设备数据为边缘节点预先存储的历史设备数据；
将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对所述第一设备数据进行故障检测得到检测结果。
可选地，还包括：
所述云中心获取所述边缘节点上传的检测结果，对所述检测结果进行监控，若发现所述检测结果有误，及时更新正确的检测结果。
可选地，所述云中心中包括主成分分析模型和多变量状态估计模型；所述获取第二设备数据，并利用进行主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型，包括：
获取第二设备数据；
利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要检测参数；
利用所述多变量状态估计模型根据所述主要检测参数构建故障检测模型。
可选地，所述利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要监测参数，包括：
利用所述主成分分析模型构建所述第二设备数据电力设备历史监测点的矩阵作为测点矩阵Xmxn：
Figure 940476DEST_PATH_IMAGE001
其中，n为所述电力设备历史监测点个数，m为不同的监测时间；每一行代表相同时刻不同监测点的测点值，每一列代表相同监测点在不同时刻的测点值；
利用所述主成分分析模型对所述测点矩阵Xmxn中的每一个测点进行Z-score标准化处理得到标准化后的数据Z ij :
Figure 239740DEST_PATH_IMAGE002
其中，i=1,2...m；j=1,2...n；x ij 为监测点的测点值；所述测点值的平均值
Figure 840485DEST_PATH_IMAGE003
；
Figure 38248DEST_PATH_IMAGE004
；
根据标准化后的数据Z ij 构建标准化样本集合矩阵Z：
Figure 179380DEST_PATH_IMAGE005
利用所述主成分分析模型计算所述标准化样本集合矩阵Z的相关系数r kl ：
Figure 677357DEST_PATH_IMAGE006
其中，
Figure 917846DEST_PATH_IMAGE007
；
Figure 806167DEST_PATH_IMAGE008
；r kl=r lk ；k，l分别为所述标准化样本集合 矩阵Z中的第k列和第l列；i=1,2...m；k，l=1，2…n；
利用所述主成分分析模型根据所述标准化样本集合矩阵Z的相关系数r kl 构建相关系数矩阵R：
Figure 423093DEST_PATH_IMAGE009
计算所述相关系数矩阵R的特征值λ和特征向量v：
令所述相关系数矩阵R的特征方程|λI-R|=0，采用雅克比方法对所述相关系数矩阵R进行正交相似变换得到正交相似变换矩阵，当所述正交相似变换矩阵的全部非对角元素的值都等于零或者接近于零，此时对角元素为所述相关系数矩阵R的特征值λ，所述正交相似变换矩阵的乘积即为所述相关系数矩阵R的特征向量v；
利用所述主成分分析模型计算电力设备各个参数变量的贡献率c j ，且进行λ j 的大小排序，使得λ 1≥λ 2…λ n ；
其中，
Figure 572315DEST_PATH_IMAGE010
；λ j 为所述相关系数矩阵R的特征值；
利用所述主成分分析模型根据所述贡献率c j 确定电力设备的累积贡献率C k ：
Figure 249284DEST_PATH_IMAGE011
其中，k为主元个数；
根据所述电力设备的累积贡献率C k 来确定电力设备的主要监测参数。
可选地，所述利用所述多变量状态估计模型根据所述主要检测参数构建故障检测模型，包括：
利用所述多变量状态估计模型计算所述第二设备数据主要监测参数的观测向量X（tm）：
X（tm）= [X1（tm）, X2（tm），…，Xn（tm）]T
其中，tm为采样时间；Xn（tm）采样时刻为tm时，变量Xn的观测值；n为电力设备的监测参数的个数；
利用所述多变量状态估计模型根据所述观测向量X（tm）构建历史记忆矩阵Dmxn：
Figure 421639DEST_PATH_IMAGE012
利用所述多变量状态估计模型计算得到估计向量Xest：
Xest=Dmxn·ω
其中，ω为权值向量ω=（Dmxn T⊗Dmxn）·（Dmxn T⊗Xobs）；
其中，Xobs为任一时刻观测向量；
利用所述多变量状态估计模型将所述估计向量Xest与任一时刻观测向量Xobs作差得到第一残差ε：
ε= [ε1ε2…εn]
利用所述多变量状态估计模型基于所述第一残差ε利用滑动窗口法确定故障检测的故障阈值；基于所述故障检测的故障阈值建立故障检测模型。
可选地，利用所述多变量状态估计模型基于所述第一残差ε利用滑动窗口法确定故障检测的故障阈值，包括：
利用所述多变量状态估计模型利用滑动窗口法计算所述第一残差ε的残差均值
Figure 29207DEST_PATH_IMAGE013
：
Figure 767356DEST_PATH_IMAGE014
其中，L为滑动窗口的宽度；ε i 为任一时间段的第一残差，i=1,2…n；
利用所述多变量状态估计模型根据残差均值
Figure 880805DEST_PATH_IMAGE015
计算所述故障阈值E：
E=±kE max
其中，k为故障阈值E的现场系数；E max 为所有时间段的所述残差均值绝对值的最大值。
可选地，所述云中心将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对所述第一设备数据进行故障检测得到检测结果，包括：
所述云中心将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点将所述估计向量Xest与所述第一设备数据作差得到第二残差；
利用所述故障检测模将所述第二残差与所述故障阈值进行比较，得到比较结果；
若所述比较结果为所述第二残差大于或等于所述故障阈值，则所述检测结果为输出故障预警信号；
若所述比较结果为所述第二残差小于所述故障阈值，则所述检测结果为继续执行所述利用边缘计算法在边缘节点处采集电力设备正常运行的历史数据。
一种电力设备故障检测装置，所述装置包括：
第一获取模块，用于获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据；
第二获取模块，用于获取第二设备数据；
训练模块，用于利用主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型；其中，所述第二设备数据为边缘节点预先存储的历史设备数据；
发送模块，用于将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对所述第一设备数据进行故障检测得到检测结果。
一种电力设备故障检测设备，其特征在于，所述设备包括存储器和处理器，所述存储器用于存储程序或代码，所述处理器用于运行所述存储器中存储的程序或代码，以实现如上述所述的电力设备故障检测方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现如上述所述的电力设备故障检测方法。
相较于现有技术，本申请具有以下有益效果：
在本申请实施例中，云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据。云中心获取边缘节点预先存储的历史设备数据作为第二设备数据，并利用主成分分析模型以及多变量状态估计模型对第二设备数据进行训练得到故障检测模型。并将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对第一设备数据进行故障检测得到检测结果。本申请结合边缘计算框架技术、主成分分析模型以及多变量状态估计模型建立故障检测模型，因此本申请仅需要从电力设备的正常工作状态中抽取历史数据，不需要建立完整的故障知识库，且具有快速建模的能力，适用于电力设备故障的早期预警。
附图说明
图1为本申请实施例提供的一种电力设备故障检测方法的流程图；
图2为本申请实施例提供的又一种电力设备故障检测方法的流程图；
图3为本申请实施例提供的一种电力设备故障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，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。
为便于理解本申请实施例提供的技术方案，下面将先对本申请实施例涉及的背景技术进行说明。
随着电力物联网技术的不断发展，电力设备突发故障可能导致非计划停运，不仅会造成电力企业的经济损失，而且会影响电网的安全稳定运行。因此智能电厂极其需要故障预警技术。此技术能够将电力设备的故障消灭在萌芽状态。随着人工智能技术的不断发展，将人工智能技术应用到故障预警中，能够对电力设备状态进行预测，已有学者提出了基于人工神经网络的监督故障诊断框架，该故障检测系统能够检测出故障发生的位置以及发生了何种故障。还有学者提出将信息融合技术应用于故障诊断中，信息融合技术是指运用现代计算机技术对传感器搜集到的数据进行分析、处理及运算，以达到最后的处理结果。在故障预警中，基于信息融合的故障预警技术包括了特征融合和决策融合。特征融合是指通过对数据层间的融合进行分析，从而对其进行特征抽取，并将其与其它的特征信息进行结合，从而达到高效的故障判断。决策融合是根据不同的诊断目标，运用智能诊断技术和模糊技术，并综合考虑神经网络自身固有的非线性特性，实现对各种类型的故障诊断。以上所采用的故障建模方法往往需要大量的故障数据，在实际应用中，难以建立完整的故障知识库，而且大量数据集中在云中心处理，容易造成数据拥塞。并且有限的通信和云中心存储资源的不足，将会导致实时处理问题的能力不足，以至无法及时完成关键操作，错过预警最佳时机。
为了解决这一问题，在本申请实施例提供了一种电力设备故障检测方法、装置及设备，本申请中云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据，并获取边缘节点预先存储的历史设备数据作为第二设备数据，利用主成分分析模型以及多变量状态估计模型对第二设备数据进行训练得到故障检测模型。并将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对第一设备数据进行故障检测得到检测结果。本申请结合边缘计算框架技术、主成分分析模型以及多变量状态估计模型建立故障检测模型，因此本申请仅需要从电力设备的正常工作状态中抽取历史数据，不需要建立完整的故障知识库，且具有快速建模的能力，适用于电力设备故障的早期预警。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。
参见图1，该图为本申请实施例提供的一种电力设备故障检测方法的流程图，如图1所示，该支票交易数据的校验方法可以包括步骤S101-S103：
S101：云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据。
为了对电力设备正常运行的实时数据进行校验，故障检测校验系统需要通过边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据进行故障检测。
其中，云中心是指基于超级计算机系统对外提供计算资源、存储资源等服务的机构或单位，以高性能计算机为基础面向各界提供高性能计算服务。
边缘节点是指那些离电力设备很近的、不在主干电力设备上的节点。边缘节点位置介于电力设备和云中心之间，相比较传统的云中心边缘节点更接近电力设备正常运行的实时数据源，具有小型化、多接入分布式更贴近电力设的特性，海量的电力设备正常运行的实时数据无需再上传至云中心进行处理，实现在网络边缘侧对电力设备正常运行的实时数据进行处理，减少请求响应时间的同时保证了数据的安全性和私密性。
边缘计算法就是在边缘节点上展开计算。在此之前，如果有计算工作，需要边缘节点将请求转发到核心节点上进行。有了边缘计算，则计算工作可以在靠近电力设备的边缘节点上开展，不需要再到核心节点开展。也就是说，边缘计算法是将网络、计算、存储和应用的核心能力结合起来，提供就近的边缘智能服务。随着电网的不断扩张和数据量的激增，边缘计算技术逐渐受到人们的重视。在电力大数据背景下，利用边缘计算可以减少云中心数据的负荷，提高数据的处理效率。该技术可以实现边缘计算的可向下延伸，实现局部业务的局部化，并能有效地利用大量的分布数据，降低数据的时延，减轻传统架构中的网络压力。因此，在电网中采用边缘计算技术是非常必要的。
S102：云中心获取第二设备数据，并利用主成分分析模型以及多变量状态估计模型对第二设备数据进行训练得到故障检测模型。
为构建不需要建立完整的故障知识库，且具有快速建模的能力、高效的执行速率以及精确的判断能力的故障检测模型以实现电力设备的早期预警，因此，使得云中心获取第二设备数据，将第二设备数据进行主成分分析以及多变量状态估计得到故障检测模型。
其中，第二设备数据为边缘节点预先存储的历史设备数据。
主成分分析是线性降维方法中应用最为广泛的一种。其基本思想为将旧的变量利用一系列方法，将其重新组合成一组互不相关的变量。根据需要能够从中选出几个较少的变量并且可以更多地传递旧的变量信息。
多变量状态估计是Singer等人所提出的一种非线性的多变量预测诊断方法，它是根据实际的监测参数与设备在正常工作时的健康状况进行比较，计算和估算各种参数，从而得出相应的结果。多变量状态估计仅需要从电力设备的正常工作状态中抽取历史数据，不需要建立完整的故障知识库，且具有快速建模的能力，适用于电力设备故障的早期预警。
S103：云中心将所述故障检测模型下发至各个边缘节点，以使边缘节点利用故障检测模型对所述第一设备数据进行故障检测得到检测结果。
在云中心获取第二设备数据，并利用主成分分析模型以及多变量状态估计模型对第二设备数据进行训练得到故障检测模型之后，为避免第一设备数据堆积在云中心的监测模型中逐个去进行检测，从而导致检测时延和堆积爆炸现象，因此云中心将故障检测模型下发至各个边缘节点，以使边缘节点利用故障检测模型对第一设备数据进行故障检测得到检测结果。
基于S101-S103的内容可知，云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据。云中心获取边缘节点预先存储的历史设备数据作为第二设备数据，并利用主成分分析模型以及多变量状态估计模型对第二设备数据进行训练得到故障检测模型。并将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对第一设备数据进行故障检测得到检测结果。本申请结合边缘计算框架技术、主成分分析模型以及多变量状态估计模型建立故障检测模型，因此本申请仅需要从电力设备的正常工作状态中抽取历史数据，不需要建立完整的故障知识库，且具有快速建模的能力，适用于电力设备故障的早期预警。
在一种可能的实现方式中，云中心中包括主成分分析模型和多变量状态估计模型。那么S102云中心获取第二设备数据，并利用进行主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型，具体可以包括A1-A3：
A1：云中心获取第二设备数据。
其中，第二设备数据为边缘节点预先存储的历史设备数据。
A2：利用所述主成分分析模型对第二设备数据进行主成分分析得到主要检测参数。
在云中心获取第二设备数据之后，云中心再利用所述主成分分析模型对第二设备数据进行主成分分析得到主要检测参数。主要检测参数是将电力设备的各项性能参数值（如温度、湿度等）进行处理得到的。主成分分析是线性降维方法中应用最为广泛的一种。其基本思想为将旧的变量利用一系列方法，将其重新组合成一组互不相关的变量。根据需要能够从中选出几个较少的变量并且可以更多地传递旧的变量信息。
A3：利用多变量状态估计模型根据主要检测参数构建故障检测模型。
在云中心得到主要检测参数之后，云中心利用多变量状态估计模型将主要检测参数同基准参考值相比较，得出分析结果以构建故障检测模型。多变量状态估计是Singer等人所提出的一种非线性的多变量预测诊断方法，它是根据实际的监测参数与设备在正常工作时的健康状况进行比较，计算和估算各种参数，从而得出相应的结果。多变量状态估计仅需要从电力设备的正常工作状态中抽取历史数据，不需要建立完整的故障知识库，且具有快速建模的能力，适用于电力设备故障的早期预警。
在一种可能的实现方式中，A2：利用主成分分析模型对第二设备数据进行主成分分析得到主要监测参数，具体可以包括B1-B9：
B1：利用主成分分析模型构建第二设备数据电力设备历史监测点的矩阵作为测点矩阵Xmxn：
Figure 540457DEST_PATH_IMAGE001
云中心需要利用主成分分析模型对第二设备数据进行主成分分析得到主要监测参数事先要建立第二设备数据电力设备历史监测点的矩阵作为测点矩阵Xmxn。n为所述电力设备历史监测点个数，m为不同的监测时间；每一行代表相同时刻不同监测点的测点值，每一列代表相同监测点在不同时刻的测点值。第二设备数据电力设备历史监测点为电力设备正常运行的历史数据构成的点。测点矩阵为电力设备正常运行的历史数据构成点构成的矩阵。
B2：利用所述主成分分析模型对所述测点矩阵Xmxn中的每一个测点进行Z-score标准化处理得到标准化后的数据Z ij ：
Figure 436869DEST_PATH_IMAGE002
在得到测点矩阵Xmxn后，云中心需要利用主成分分析模型需要对测点矩阵Xmxn中的 每一个测点进行标准化处理得到标准化后的数据Z ij 。i=1,2...m。j=1,2...n。x ij 为监测点 的测点值。测点值的平均值
Figure 498366DEST_PATH_IMAGE003
；
Figure 782716DEST_PATH_IMAGE004
；
B3：根据标准化后的数据Z ij 构建标准化样本集合矩阵Z：
Figure 726402DEST_PATH_IMAGE005
在对测点矩阵Xmxn中的每一个测点进行标准化处理得到标准化后的数据Z ij 之后，需要把标准化后的数据Z ij 整合成标准化样本集合矩阵Z。
B4：利用所述主成分分析模型计算所述标准化样本集合矩阵Z的相关系数r kl ：
Figure 488821DEST_PATH_IMAGE006
在得到标准化样本集合矩阵Z之后，云中心需要利用主成分分析模型计算所述标 准化样本集合矩阵Z的相关系数r kl 。
Figure 670404DEST_PATH_IMAGE007
。r kl=r lk 。
Figure 781448DEST_PATH_IMAGE008
。k，l分别为所述标准化样本集合矩阵Z中的第k列和第l列。i=1, 2...m。k，l=1，2…n。
B5：利用所述主成分分析模型根据所述标准化样本集合矩阵Z的相关系数r kl 构建相关系数矩阵R：
Figure 681271DEST_PATH_IMAGE009
在得到标准化样本集合矩阵Z的相关系数r kl 之后，需要把标准化样本集合矩阵Z的相关系数r kl 整合成相关系数矩阵R。
B6：计算所述相关系数矩阵R的特征值λ和特征向量v：
令所述相关系数矩阵R的特征方程|λI-R|=0，采用雅克比方法对所述相关系数矩阵R进行正交相似变换得到正交相似变换矩阵，当所述正交相似变换矩阵的全部非对角元素的值都等于零或者接近于零，此时对角元素为所述相关系数矩阵R的特征值λ，所述正交相似变换矩阵的乘积即为所述相关系数矩阵R的特征向量v。
在得到相关系数矩阵R之后，需要计算相关系数矩阵R的特征值λ和特征向量v。所 述雅可比方法是求全积分的一种方法，把拉格朗日－查皮特方法推广到求n个自变量一阶 非线性方程的全积分的方法称为雅可比方法。拉格朗日查－皮特方法是求两个自变量一阶 非线性偏微分方程的全积分的一种方法。同时满足相似与相合变换的条件，称为正交相似 变换。正交相似变换同时维持相似和相合中的不变量。正交相似变换定义：
Figure 44119DEST_PATH_IMAGE016
，同 时P是一个正交矩阵即PT=P-1那么A和
Figure 80208DEST_PATH_IMAGE017
就互为正交相似。正交矩阵的所有列向量互相垂直， 且所有列向量的长度为1。特征值是指，设A是n阶方阵，如果存在数m和非零n维列向量x，使 得Ax=mx成立，则称m是
Figure 830996DEST_PATH_IMAGE018
的一个特征值，相应的特征向量可以通过求解特征方程（A-λI）v= 0，其中v为待求特征向量，I为单位阵。
B7：利用所述主成分分析模型计算电力设备各个参数变量的贡献率c j ，且进行λ j 的大小排序，使得λ 1≥λ 2…λ n 。
在得到相关系数矩阵R的特征值λ和特征向量v之后，利用主成分分析模型计算电 力设备各个参数变量的贡献率c j ，同时λ j 进行的大小排序，使得λ 1≥λ 2…λ n 。贡献率
Figure 952535DEST_PATH_IMAGE010
。λ j 为所述相关系数矩阵R的特征值。贡献率是分析经济效益的一个指 标，它是指有效或有用的参数变量占总参数变量的比例，即产出量与投入量之比，或所得量 与所费量之比。
B8：利用主成分分析模型根据贡献率c j 确定所述电力设备的累积贡献率C k ：
Figure 56758DEST_PATH_IMAGE011
在得到贡献率c j 之后，可以利用贡献率c j 确定电力设备的累积贡献率C k 。主要检测参数是将电力设备的各项性能参数值（如温度、湿度等）进行处理得到的。k为主元个数。
B9：根据所述电力设备的累积贡献率C k 来确定电力设备的主要监测参数。
当电力设备的累积贡献率C k ≥85%时便可认为前 k 个主元保留了原始数据的大部分信息，为电力设备主要的状态监测参数。
在一种可能的实现方式中，A3利用多变量状态估计模型根据主要检测参数构建故障检测模型具体可以包括C1-C5：
C1：利用所述多变量状态估计模型计算所述第二设备数据主要监测参数的观测向量X（tm）：
X（tm）= [X1（tm）, X2（tm），…，Xn（tm）]T
为了利用多变量状态估计模型根据主要检测参数构建故障检测模型，云中心首先要利用多变量状态估计模型计算来第二设备数据主要监测参数的观测向量X（tm）。tm为采样时间；Xn（tm）为采样时刻为tm时，变量Xn的观测值，n为电力设备的监测参数的个数。观测向量X（tm）是采样时刻为tm时变量X1~Xn观测值构成的矩阵的转置。多变量状态估计是Singer等人所提出的一种非线性的多变量预测诊断方法，它是根据实际的监测参数与设备在正常工作时的健康状况进行比较，计算和估算各种参数，从而得出相应的结果。多变量状态估计仅需要从电力设备的正常工作状态中抽取历史数据，不需要建立完整的故障知识库，且具有快速建模的能力，适用于电力设备故障的早期预警。主要检测参数是将电力设备的各项性能参数值（如温度、湿度等）进行处理得到的。
C2：利用所述多变量状态估计模型根据所述观测向量X（tm）构建历史记忆矩阵Dmxn：
Figure 885036DEST_PATH_IMAGE019
在得到观测向量X（tm）后，利用多变量状态估计模型根据观测向量
X（tm）构建t1~ tm时刻观测向量X（tm）的历史记忆矩阵Dmxn。
C3：利用所述多变量状态估计模型计算得到估计向量Xest：
Xest=Dmxn·ω
在得到历史记忆矩阵Dmxn之后，利用多变量状态估计模型进行计算得到估计向量Xest其中，ω为所述权值向量，ω=（Dmxn T⊗Dmxn）·（Dmxn T⊗Xobs），Xobs为任一时刻观测向量。
C4：利用所述多变量状态估计模型将所述估计向量Xest与任一时刻观测向量Xobs作差得到第一残差ε：
ε= [ε1ε2…εn]
在得到估计向量Xest之后，利用多变量状态估计模型将估计向量Xest与任一时刻观测向量Xobs作差得到第一残差ε。
C5：利用所述多变量状态估计模型基于所述第一残差ε利用滑动窗口法确定故障检测的故障阈值；基于所述故障检测的故障阈值建立故障检测模型。
在得到第一残差ε之后，利用多变量状态估计模型基于所述第一残差ε利用滑动窗口法确定故障检测的故障阈值。所述故障检测模型可以包括所述故障阈值，用来检测所述估计向量Xest与所述第一设备数据的差值是否大于所述故障阈值。
在一种可能的实现方式中，C5利用所述多变量状态估计模型基于所述第一残差ε利用滑动窗口法确定故障检测的故障阈值具体可以包括D1-D2：
D1：利用所述多变量状态估计模型利用滑动窗口法计算所述第一残差ε的残差均 值
Figure 947670DEST_PATH_IMAGE013
：
Figure 477878DEST_PATH_IMAGE014
为了利用故障检测模型对第一设备数据进行故障检测得到检测结果，云中心首先 要利用多变量状态估计模型利用滑动窗口法计算第一残差ε的残差均值
Figure 120212DEST_PATH_IMAGE015
。L为滑动窗口的 宽度。ε i 为任一时间段的第一残差，i=1,2…n。
D2：利用所述多变量状态估计模型根据残差均值
Figure 130893DEST_PATH_IMAGE015
计算所述故障阈值E：
E=±kE max
在得到第一残差ε的残差均值
Figure 36532DEST_PATH_IMAGE015
之后，云中心还需要利用多变量状态估计模型根据 残差均值
Figure 929402DEST_PATH_IMAGE015
所有时间段的所述残差均值绝对值的最大值E max ，并将E max 与现场系数k相乘得到 故障阈值E。k为故障阈值E的现场系数，由工作人员根据现场经验确定。±表示故障阈值E的 结果要取正数。
在一种可能的实现方式中，S103云中心将所述故障检测模型下发至各个边缘节点，以使边缘节点利用故障检测模型对所述第一设备数据进行故障检测得到检测结果具体可以包括E1-E3：
E1：所述云中心将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点将所述估计向量Xest与所述第一设备数据作差得到第二残差。
为了将所述故障检测模型下发至各个边缘节点，以使边缘节点利用故障检测模型对所述第一设备数据进行故障检测得到检测结果，首先可以将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点将所述估计向量Xest与所述第一设备数据作差得到第二残差。估计向量Xest=Dmxn·ω，ω为所述权值向量，ω=（Dmxn T⊗Dmxn）·（Dmxn T⊗Xobs），Xobs为任一时刻观测向量。第一设备数据为云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据。
E2：利用所述故障检测模将所述第二残差与所述故障阈值进行比较，得到比较结果；若所述比较结果为所述第二残差大于或等于所述故障阈值，则所述检测结果为输出故障预警信号；若所述比较结果为所述第二残差小于所述故障阈值，则所述检测结果为继续执行所述利用边缘计算法在边缘节点处采集电力设备正常运行的历史数据。
在得到第二残差之后，需要利用所述故障检测模将第二残差与故障阈值做比较以此得到比较结果；若比的较结果是第二残差大于或等于故障阈值，那么检测结果为输出故障预警信号；若比较结果是第二残差小于故障阈值，那么检测结果为继续执行利用边缘计算法在边缘节点处采集电力设备正常运行的历史数据即第一设备数据。
本申请利用边缘计算框架实现边云协同，在云中心完成故障预警模型的训练，完成模型训练后，把模型下发到边缘节点，由边缘节点进行监测任务，从而大大地提升了系统的执行速度。同时不需要建立完整的故障数据库，只需要电力设备在正常运行时的历史数据就能够完成建模。
参见图2所示，基于上述图1对应的实施例，本申请实施例提供的电力设备故障检测方法还可以包括S201-S202：
S201：所述云中心获取所述边缘节点上传的检测结果。
在将故障检测模型下发至各个边缘节点，以使边缘节点利用故障检测模型对第一设备数据进行故障检测得到检测结果之后，还可以把进行故障检测得到检测结果从边缘节点上传到云中心。
S202：所述云中心对所述检测结果进行监控，若发现所述检测结果有误，及时更新正确的检测结果。
在获取到边缘节点上传的检测结果之后，需要对检测结果进行监控，如果发现检测结果出现错误，要及时更新正确的检测结果。
将边缘节点的检测结果上传到云中心，并对所述检测结果进行监控，可以及时发现错误的判断结果，以提高故障检测模型的判读正确率。
参见图3，该图为本申请实施例提供的一种电力设备故障检测装置的结构示意图。如图3所示
第一获取模块301，用于获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据。
其中，云中心是指基于超级计算机系统对外提供计算资源、存储资源等服务的机构或单位，以高性能计算机为基础面向各界提供高性能计算服务。
边缘节点是指那些离电力设备很近的、不在主干电力设备上的节点。边缘节点位置介于电力设备和云中心之间，相比较传统的云中心边缘节点更接近电力设备正常运行的实时数据源，具有小型化、多接入分布式更贴近电力设的特性，海量的电力设备正常运行的实时数据无需再上传至云中心进行处理，实现在网络边缘侧对电力设备正常运行的实时数据进行处理，减少请求响应时间的同时保证了数据的安全性和私密性。
边缘计算法就是在边缘节点上展开计算。在此之前，如果有计算工作，需要边缘节点将请求转发到核心节点上进行。有了边缘计算，则计算工作可以在靠近电力设备的边缘节点上开展，不需要再到核心节点开展。也就是说，边缘计算法是将网络、计算、存储和应用的核心能力结合起来，提供就近的边缘智能服务。随着电网的不断扩张和数据量的激增，边缘计算技术逐渐受到人们的重视。在电力大数据背景下，利用边缘计算可以减少云中心数据的负荷，提高数据的处理效率。该技术可以实现边缘计算的可向下延伸，实现局部业务的局部化，并能有效地利用大量的分布数据，降低数据的时延，减轻传统架构中的网络压力。因此，在电网中采用边缘计算技术是非常必要的。
第二获取模块302，用于获取第二设备数据。
其中，第二设备数据为边缘节点预先存储的历史设备数据。
训练模块303，用于利用主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型。
发送模块304，用于将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对所述第一设备数据进行故障检测得到检测结果。
在一种可能的实现方式中，所述训练模块303具体用于：
利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要检测参数。并利用所述多变量状态估计模型根据所述主要检测参数构建故障检测模型。在第二获取模块302获取第二设备数据之后，训练模块303再利用所述主成分分析模型对第二设备数据进行主成分分析得到主要检测参数。主要检测参数是将电力设备的各项性能参数值（如温度、湿度等）进行处理得到的。主成分分析是线性降维方法中应用最为广泛的一种。其基本思想为将旧的变量利用一系列方法，将其重新组合成一组互不相关的变量。根据需要能够从中选出几个较少的变量并且可以更多地传递旧的变量信息。在利用所述主成分分析模型对第二设备数据进行主成分分析得到主要检测参数之后，训练模块303利用多变量状态估计模型将主要检测参数同基准参考值相比较，得出分析结果以构建故障检测模型。多变量状态估计是Singer等人所提出的一种非线性的多变量预测诊断方法，它是根据实际的监测参数与设备在正常工作时的健康状况进行比较，计算和估算各种参数，从而得出相应的结果。多变量状态估计仅需要从电力设备的正常工作状态中抽取历史数据，不需要建立完整的故障知识库，且具有快速建模的能力，适用于电力设备故障的早期预警。
在一种可能的实现方式中，所述装置还包括：
第三获取模块，用于获取所述边缘节点上传的检测结果。在发送模块304将故障检测模型下发至各个边缘节点，以使边缘节点利用故障检测模型对第一设备数据进行故障检测得到检测结果之后，还可以把进行故障检测得到检测结果从边缘节点上传到云中心。
监控模块，用于对所述检测结果进行监控，若发现所述检测结果有误，及时更新正确的检测结果。在第三获取模块获取到边缘节点上传的检测结果之后，需要对检测结果进行监控，如果发现检测结果出现错误，要及时更新正确的检测结果。
在一种可能的实现方式中，所述装置还包括：
主成分分析模块，用于利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要检测参数。在第二获取模块302获取第二设备数据之后，主成分分析模块利用主成分分析模型对第二设备数据进行主成分分析以得到主要检测参数。
多变量状态估计模块，用于根据所述主要检测参数构建故障检测模型。为构建不需要建立完整的故障知识库，且具有快速建模的能力、高效的执行速率以及精确的判断能力的故障检测模型以实现电力设备的早期预警，因此，使得第二获取模块302获取第二设备数据，将主成分分析模块得到的主要检测参数进行多变量状态估计得到故障检测模型。
在一种可能的实现方式中，所述装置还包括：
第一构建模块，用于利用所述主成分分析模型构建所述第二设备数据电力设备历史监测点的矩阵作为测点矩阵Xmxn：
Figure 641006DEST_PATH_IMAGE001
其中，n为所述电力设备历史监测点个数，m为不同的监测时间；每一行代表相同时刻不同监测点的测点值，每一列代表相同监测点在不同时刻的测点值。
第二构建模块，用于利用所述主成分分析模型对所述测点矩阵Xmxn中的每一个测点进行Z-score标准化处理得到标准化后的数据Z ij ：
Figure 506194DEST_PATH_IMAGE002
其中，i=1,2...m；j=1,2...n；x ij 为监测点的测点值；所述测点值的平均值
Figure 566422DEST_PATH_IMAGE003
；
Figure 618692DEST_PATH_IMAGE004
。
第三构建模块，用于根据标准化后的数据Z ij 构建标准化样本集合矩阵Z：
Figure 665145DEST_PATH_IMAGE005
第四构建模块，用于利用所述主成分分析模型计算所述标准化样本集合矩阵Z的相关系数r kl ：
Figure 322523DEST_PATH_IMAGE006
其中，
Figure 170566DEST_PATH_IMAGE007
；
Figure 631503DEST_PATH_IMAGE008
；k，l分别为所述标准化样本集合矩阵Z 中的第k列和第l列；i=1,2...m；k，l=1，2…n。
第五构建模块，用于利用所述主成分分析模型根据所述标准化样本集合矩阵Z的相关系数r kl 构建相关系数矩阵R：
Figure 216068DEST_PATH_IMAGE009
第一计算模块，用于计算所述相关系数矩阵R的特征值λ和特征向量v：
令所述相关系数矩阵R的特征方程|λI-R|=0，采用雅克比方法对所述相关系数矩阵R进行正交相似变换得到正交相似变换矩阵，当所述正交相似变换矩阵的全部非对角元素的值都等于零或者接近于零，此时对角元素为所述相关系数矩阵R的特征值λ，所述正交相似变换矩阵的乘积即为所述相关系数矩阵R的特征向量v。
第二计算模块，用于利用所述主成分分析模型计算电力设备各个参数变量的贡献率c j ，且进行λ j 的大小排序，使得λ 1≥λ 2…λ n 。
第三计算模块，用于利用主成分分析模型根据贡献率c j 计算所述电力设备的累积贡献率C k ：
Figure 727952DEST_PATH_IMAGE011
其中，k为主元个数。
第四获取模块，用于根据所述电力设备的累积贡献率C k 来确定电力设备的主要监测参数。
在一种可能的实现方式中，所述装置还包括：
第四计算模块，用于利用所述多变量状态估计模型计算所述第二设备数据主要监测参数的观测向量X（tm）：
X（tm）= [X1（tm）, X2（tm），…，Xn（tm）]T
其中，tm为采样时间；Xn（tm）采样时刻为tm时，变量Xn的观测值；n为电力设备的监测参数的个数。
第六构建模块，用于利用所述多变量状态估计模型根据所述观测向量
X（tm）构建历史记忆矩阵Dmxn：
Figure 943033DEST_PATH_IMAGE020
利用所述多变量状态估计模型计算得到估计向量Xest：
Xest=Dmxn·ω
其中，ω为权值向量；ω=（Dmxn T⊗Dmxn）·（Dmxn T⊗Xobs），Xobs为任一时刻观测向量。
第五计算模块，用于利用所述多变量状态估计模型将所述估计向量Xest与任一时刻观测向量Xobs作差得到第一残差ε：
ε= [ε1ε2…εn]
第六构建模块，用于利用所述多变量状态估计模型基于所述第一残差
Figure 297791DEST_PATH_IMAGE021
利用滑动 窗口法确定故障检测的故障阈值，并基于所述故障检测的故障阈值建立故障检测模型。
在一种可能的实现方式中，所述装置还包括：
第六计算模块，用于利用所述多变量状态估计模型利用滑动窗口法计算所述第一 残差
Figure 623730DEST_PATH_IMAGE022
的残差均值
Figure 504967DEST_PATH_IMAGE013
：
Figure 156528DEST_PATH_IMAGE014
其中，L为滑动窗口的宽度；ε i 为任一时间段的第一残差，i=1,2…n。
第七计算模块，用于利用所述多变量状态估计模型根据残差均值
Figure 670686DEST_PATH_IMAGE015
计算所述故障 阈值E：
E=±kE max
其中，
Figure 862633DEST_PATH_IMAGE023
为故障阈值
Figure 411426DEST_PATH_IMAGE024
的现场系数；E max 为所有时间段的所述残差均值绝对值的最 大值。
在一种可能的实现方式中，所述装置还包括：
第七计算模块，用于计向量Xest与所述第一设备数据作差得到第二残差。
比较模块，用于将所述第二残差与所述故障阈值进行比较，得到比较结果。
输出模块，用于若比较模块得到的比较结果为所述第二残差大于或等于所述故障阈值，输出模块则输出故障预警信号。
另外，本申请实施例还提供了电力设备故障检测设备，所述设备包括存储器和处理器，所述存储器用于存储程序或代码，所述处理器用于运行所述存储器中存储的程序或代码，以实现上述的电力设备故障检测方法。
另外，本申请实施例还提供了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存储有代码，当所述代码被运行时，运行所述代码的设备实现上述的电力设备故障检测方法。
本申请实施例提供了电力设备故障检测装置，第一获取模块预先获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据。第二获取模块获取第二设备数据，接着训练模块利用主成分分析模型以及多变量状态估计模型对第二设备数据进行训练得到故障检测模型，其中，所述第二设备数据为边缘节点预先存储的历史设备数据。然后发送模块将故障检测模型下发至各个所述边缘节点，以使边缘节点利用故障检测模型对第一设备数据进行故障检测得到检测结果。本申请结合边缘计算框架技术、主成分分析模型以及多变量状态估计模型建立故障检测模型，因此本申请仅需要从电力设备的正常工作状态中抽取历史数据，不需要建立完整的故障知识库，且具有快速建模的能力，适用于电力设备故障的早期预警。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电力设备故障检测方法，其特征在于，所述方法包括：
云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据；
获取第二设备数据，并利用主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型；其中，所述第二设备数据为边缘节点预先存储的历史设备数据；
将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对所述第一设备数据进行故障检测得到检测结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
所述云中心获取所述边缘节点上传的检测结果，对所述检测结果进行监控，若发现所述检测结果有误，及时更新正确的检测结果。
3.根据权利要求1所述的方法，其特征在于，所述云中心中包括主成分分析模型和多变量状态估计模型；所述获取第二设备数据，并利用进行主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型，包括：
获取第二设备数据；
利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要检测参数；
利用所述多变量状态估计模型根据所述主要检测参数构建故障检测模型。
4.根据权利要求3所述的方法，其特征在于，所述利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要监测参数，包括：
利用所述主成分分析模型构建所述第二设备数据电力设备历史监测点的矩阵作为测点矩阵Xmxn：
Figure 735249DEST_PATH_IMAGE001
其中，n为所述电力设备历史监测点个数，m为不同的监测时间；每一行代表相同时刻不同监测点的测点值，每一列代表相同监测点在不同时刻的测点值；
利用所述主成分分析模型对所述测点矩阵Xmxn中的每一个测点进行Z-score标准化处理得到标准化后的数据Z ij :
Figure 183548DEST_PATH_IMAGE002
其中，i=1,2...m；j=1,2...n；x ij 为监测点的测点值；所述测点值的平均值
Figure 963285DEST_PATH_IMAGE003
Figure 30598DEST_PATH_IMAGE004
；
根据标准化后的数据Z ij 构建标准化样本集合矩阵Z：
Figure 313812DEST_PATH_IMAGE005
利用所述主成分分析模型计算所述标准化样本集合矩阵Z的相关系数r kl ：
Figure 401853DEST_PATH_IMAGE006
其中，
Figure 465624DEST_PATH_IMAGE007
；
Figure 398945DEST_PATH_IMAGE008
；k，l分别为所述标准化样本集合矩阵Z中的 第k列和第l列；i=1,2...m；k，l=1，2…n；
利用所述主成分分析模型根据所述标准化样本集合矩阵Z的相关系数r kl 构建相关系数矩阵R：
Figure 802245DEST_PATH_IMAGE009
计算所述相关系数矩阵R的特征值λ和特征向量v：
令所述相关系数矩阵R的特征方程|λI-R|=0，采用雅克比方法对所述相关系数矩阵R进行正交相似变换得到正交相似变换矩阵，当所述正交相似变换矩阵的全部非对角元素的值都等于零或者接近于零，此时对角元素为所述相关系数矩阵R的特征值λ，所述正交相似变换矩阵的乘积即为所述相关系数矩阵R的特征向量v；
利用所述主成分分析模型计算电力设备各个参数变量的贡献率c j ，且进行λ j 的大小排序，使得λ 1≥λ 2…λ n ；
其中，
Figure 61188DEST_PATH_IMAGE010
；λ j 为所述相关系数矩阵R的特征值；
利用所述主成分分析模型根据所述贡献率c j 确定电力设备的累积贡献率C k ：
Figure 471309DEST_PATH_IMAGE011
其中，k为主元个数；
根据所述电力设备的累积贡献率C k 来确定电力设备的主要监测参数。
5.根据权利要求4所述的方法，其特征在于，所述利用所述多变量状态估计模型根据所述主要检测参数构建故障检测模型，包括：
利用所述多变量状态估计模型计算所述第二设备数据主要监测参数的观测向量X（tm）：X（tm）= [X1（tm）, X2（tm），…，Xn（tm）]T
其中，tm为采样时间；Xn（tm）采样时刻为tm时，变量Xn的观测值；n为电力设备的监测参数的个数；
利用所述多变量状态估计模型根据所述观测向量X（tm）构建历史记忆矩阵Dmxn：
Figure 208321DEST_PATH_IMAGE012
利用所述多变量状态估计模型计算得到估计向量Xest：
Xest=Dmxn·ω
其中，ω为权值向量ω=（Dmxn T⊗Dmxn）·（Dmxn T⊗Xobs）；
其中，Xobs为任一时刻观测向量；
利用所述多变量状态估计模型将所述估计向量Xest与任一时刻观测向量Xobs作差得到第一残差ε：
ε= [ε1ε2…εn]
利用所述多变量状态估计模型基于所述第一残差ε利用滑动窗口法确定故障检测的故障阈值；基于所述故障检测的故障阈值建立故障检测模型。
6.根据权利要求5所述的方法，其特征在于，利用所述多变量状态估计模型基于所述第一残差ε利用滑动窗口法确定故障检测的故障阈值，包括：
利用所述多变量状态估计模型利用滑动窗口法计算所述第一残差ε的残差均值
Figure 731707DEST_PATH_IMAGE013
：
Figure 692709DEST_PATH_IMAGE014
其中，L为滑动窗口的宽度；ε i 为任一时间段的第一残差，i=1,2…n；
利用所述多变量状态估计模型根据残差均值
Figure 668756DEST_PATH_IMAGE015
计算所述故障阈值E：
E=±kE max
其中，k为故障阈值E的现场系数；E max 为所有时间段的所述残差均值绝对值的最大值。
7.根据权利要求5所述的方法，其特征在于，所述云中心将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对所述第一设备数据进行故障检测得到检测结果，包括：
所述云中心将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点将所述估计向量Xest与所述第一设备数据作差得到第二残差；
利用所述故障检测模将所述第二残差与所述故障阈值进行比较，得到比较结果；
若所述比较结果为所述第二残差大于或等于所述故障阈值，则所述检测结果为输出故障预警信号；
若所述比较结果为所述第二残差小于所述故障阈值，则所述检测结果为继续执行所述利用边缘计算法在边缘节点处采集电力设备正常运行的历史数据。
8.一种电力设备故障检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据；
第二获取模块，用于获取第二设备数据；
训练模块，用于利用主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型；其中，所述第二设备数据为边缘节点预先存储的历史设备数据；
发送模块，用于将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对所述第一设备数据进行故障检测得到检测结果。
9.一种电力设备故障检测设备，其特征在于，所述设备包括存储器和处理器，所述存储器用于存储程序或代码，所述处理器用于运行所述存储器中存储的程序或代码，以实现如权利要求1-7任一项所述的电力设备故障检测方法。
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存储有代码，当所述代码被运行时，运行所述代码的设备实现如权利要求1-7任一项所述的电力设备故障检测方法。
CN202211169857.7A 2022-09-26 2022-09-26 一种电力设备故障检测方法、装置及设备 Pending CN115267409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211169857.7A CN115267409A (zh) 2022-09-26 2022-09-26 一种电力设备故障检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211169857.7A CN115267409A (zh) 2022-09-26 2022-09-26 一种电力设备故障检测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN115267409A true CN115267409A (zh) 2022-11-01

Family

ID=83757774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211169857.7A Pending CN115267409A (zh) 2022-09-26 2022-09-26 一种电力设备故障检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115267409A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116467102A (zh) * 2023-05-12 2023-07-21 杭州天卓网络有限公司 一种基于边缘算法的故障检测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805195A (zh) * 2018-04-03 2018-11-13 北京理工大学 一种基于二值深层神经网络的电机群故障诊断方法
CN111830408A (zh) * 2020-06-23 2020-10-27 朗斯顿科技(北京)有限公司 一种基于边缘计算和深度学习的电机故障诊断系统及方法
CN112504505A (zh) * 2020-08-31 2021-03-16 中国能源建设集团安徽省电力设计院有限公司 一种基于多变量状态估计的高压隧道电缆过热预警方法
CN112527613A (zh) * 2020-11-30 2021-03-19 北京航天智造科技发展有限公司 基于云边协同的设备故障维护方法及装置
CN112884089A (zh) * 2021-04-12 2021-06-01 国网上海市电力公司 一种基于数据挖掘的电力变压器故障预警系统
WO2022046062A1 (en) * 2020-08-28 2022-03-03 Siemens Corporation Failure prediction in surface treatment processes using artificial intelligence
CN114997309A (zh) * 2022-06-01 2022-09-02 珠海市钰海电力有限公司 给水泵故障预警方法及装置
CN115098330A (zh) * 2022-06-27 2022-09-23 重庆大学 基于云边协同模式的设备异常检测系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805195A (zh) * 2018-04-03 2018-11-13 北京理工大学 一种基于二值深层神经网络的电机群故障诊断方法
CN111830408A (zh) * 2020-06-23 2020-10-27 朗斯顿科技(北京)有限公司 一种基于边缘计算和深度学习的电机故障诊断系统及方法
WO2022046062A1 (en) * 2020-08-28 2022-03-03 Siemens Corporation Failure prediction in surface treatment processes using artificial intelligence
CN112504505A (zh) * 2020-08-31 2021-03-16 中国能源建设集团安徽省电力设计院有限公司 一种基于多变量状态估计的高压隧道电缆过热预警方法
CN112527613A (zh) * 2020-11-30 2021-03-19 北京航天智造科技发展有限公司 基于云边协同的设备故障维护方法及装置
CN112884089A (zh) * 2021-04-12 2021-06-01 国网上海市电力公司 一种基于数据挖掘的电力变压器故障预警系统
CN114997309A (zh) * 2022-06-01 2022-09-02 珠海市钰海电力有限公司 给水泵故障预警方法及装置
CN115098330A (zh) * 2022-06-27 2022-09-23 重庆大学 基于云边协同模式的设备异常检测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116467102A (zh) * 2023-05-12 2023-07-21 杭州天卓网络有限公司 一种基于边缘算法的故障检测方法及装置
CN116467102B (zh) * 2023-05-12 2023-11-14 杭州天卓网络有限公司 一种基于边缘算法的故障检测方法及装置

Similar Documents

Publication Publication Date Title
CN106644162B (zh) 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法
CN107153874B (zh) 水质预测方法及系统
CN109818349B (zh) 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及系统
CN113126019A (zh) 一种智能电表误差远程估计方法、系统、终端和存储介质
US20200234165A1 (en) Prediction method for aero-engine starting exhaust temperature
CN113239132A (zh) 一种电压互感器的超差在线辨识方法
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN115267409A (zh) 一种电力设备故障检测方法、装置及设备
CN110472822A (zh) 一种智能配电网供电可靠性评估系统及方法
CN110739692B (zh) 一种基于概率图模型的配电网结构识别方法
Devaraj et al. Uncertainty propagation in analytic availability models
CN110414086B (zh) 一种基于灵敏度的综合应力加速因子计算方法
CN108845285B (zh) 电能计量装置检测方法和系统
CN114583767A (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
CN114116832A (zh) 一种基于数据驱动的配电网异常识别方法
CN111915121A (zh) 一种基于广义典型变量分析的化工过程故障检测方法
CN107025500A (zh) 主动配电网量测设备关键部署位置的识别方法
CN113704942B (zh) 供水管网未知节点压力估计方法、装置及计算机系统
CN111914384A (zh) 一种基于自相关潜变量模型的化工过程状态监测方法
CN115603320A (zh) 一种基于广域量测数据的实时感知与在线评估方法及系统
CN108761258A (zh) 基于人工智能和大数据技术的变压器短期过载能力评估系统
JP3304452B2 (ja) 送電線電流センサ故障時の電流・位相分布の復元方法
CN113642240A (zh) 基于数据-机理联合驱动的配电网可靠性评估方法及系统
CN113468797A (zh) 一种电-气综合能源系统状态估计方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221101

RJ01 Rejection of invention patent application after publication