CN115656712A - 电压传感器的时间序列数据中出现异常状态的预警方法 - Google Patents
电压传感器的时间序列数据中出现异常状态的预警方法 Download PDFInfo
- Publication number
- CN115656712A CN115656712A CN202211301122.5A CN202211301122A CN115656712A CN 115656712 A CN115656712 A CN 115656712A CN 202211301122 A CN202211301122 A CN 202211301122A CN 115656712 A CN115656712 A CN 115656712A
- Authority
- CN
- China
- Prior art keywords
- escale
- data
- trend
- eltable
- temporary storage
- 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
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种电压传感器的时间序列数据中出现异常状态的预警方法，属于电网数据分析领域，该方法利用假想缺失数据补充模型列表假想一段电压时间序列数据中的每一个元素是缺失的并进行补充，比对补充数据与真实数据的差异程度来进行电压传感器的时间序列数据中出现异常状态的预警。通过本发明的方法一方面容忍一定程度和范围的缺失数据，另一方面，使得正常与异常的判断不依赖于实现准备的异常样本，使得本发明方法的异常状态的预警准确性较高，从而具备更加广泛的应用价值。
Description
技术领域
本发明涉及电网数据分析领域，尤其是涉及一种电压传感器的时间序列数据中出现异常状态的预警方法。
背景技术
目前在电力领域广泛应用了电压传感器来收集电压的时间序列信息，这些信息来反映电力设备运行状态。从这些时间序列中发现异常状态可以及时有效的发现设备故障和特定事故，对于电力设备的管理和安全运行十分重要。因此十分有必要进行电压传感器时间序列数据中的异常状态的预警。
目前用于发现电压传感器的时间序列数据中的异常状态所采用的主流方式是：收集已有正常运行状态和异常运行状态下的时间序列数据，建立正常/异常二元分析预测模型，对未来收集到的数据进行预测。这种方式在实际使用中会遇到如下问题：(1)数据收集存在一定偏差，一些传感器地处偏远网络传输环境较差，在数据传输过程中会存在部分时间点数据的遗漏现象，而对于遗漏信息，一般采用默认值、均值或置空数据进行替换；与此同时，一些传感器探头处于高电磁辐射环境，特定条件下会出现偶发异常的跳变数据；这会使得构建异常识别模型对特定的异常状态敏感的同时会降低容忍数据收集时的偏差的能力，从而导致大量的误报或漏报现象；(2)无法穷举所有异常状态，在实验室的模拟环境中不可能穷举所有的异常故障，所以可能使得预测模型仅能偏向几种特定的异常状态识别，从而使得异常识别能力较低，在实际应用中漏报设备可能出现的问题。
因此，需要针对电压传感器的时间序列数据的特点，能够容忍特定数据的收集的偏差以及不能穷举所有异常状态的问题，更加准确的对电压传感器的时间序列数据中出现异常状态进行预警。
发明内容
针对现有技术存在的问题，本发明的目的是提供一种电压传感器的时间序列数据中出现异常状态的预警方法，该方法利用假想缺失数据补充模型列表假想一段电压时间序列数据中的每一个元素是缺失的并进行补充，比对补充数据与真实数据的差异程度来进行电压传感器的时间序列数据中出现异常状态的预警。
为达到上述目的，本发明采用如下技术方案：电压传感器的时间序列数据中出现异常状态的预警方法，其特征在于，该方法包括如下步骤：
S1、获得电力设备正常运行状态下的时间序列数据EHis，获得序列分析尺度EScale；获得历史数据元素个数EHNum，建立时间尺度数据表ELTable，获得时间尺度数据条目数ELNum；
S2、建立时间序列趋势转换算子QOpt，QOpt的输入为时间序列趋势转换输入变量QOptInput，QOpt的输出为时间序列趋势转换输出变量QOptOutput；
S3、利用QOpt处理ELTable的所有内容；
S4、利用ELTable构建假想缺失数据补充模型列表ModelList；
S5、构建电压趋势变化距离算子DOpt，DOpt的输入为趋势第一输入变量DOptInput1和趋势第二输入变量DOptInput2，输出为趋势变化距离结果DOResult；
S6、输入电压传感器的时间序列数据TestC，通过ModelList和DOpt对异常状态进行预警。
进一步，所述S1步骤具体包括：
S101、获得电力设备正常运行状态下的时间序列数据EHis，EHis是一个按照时间先后顺序排列的一维数组，数组的每一个元素对应一个电压值；
S102、获得序列分析尺度EScale，EScale是一个整型数，默认值是150；
S103、获得历史数据元素个数EHNum＝EHis的元素个数；
S104、建立时间尺度数据表ELTable，ELTable包含EScale个字段；
S105、初始化时间尺度数据表计数器ELTableCounter＝1；
S106、时间尺度暂存数组ELTableArray＝取出EHis中第ELTableCounter至第ELTableCounter+(Escle-1)个数据；
S107、时间尺度暂存行ELTableRow＝新建一行数据，这行数据的格式与ELTable表的一行数据格式一致；
S108、将ELTableArray的第1至第Escle个元素存储到ELTableRow的第1至第EScale个字段当中；
S109、将ELTableRow加入到ELTable之中；
S110、执行ELTableCounter＝ELTableCounter+1操作指令；
S111、如果ELTableCounter<＝(EHNum-EScale+1)则转到S106，否则转到S112
S112、时间尺度数据条目数ELNum＝ELTable的数据条目数。
进一步，所述S2步骤具体包括：
S201、建立时间序列趋势转换算子QOpt，QOpt的输入为时间序列趋势转换输入变量QOptInput，QOptInput为一个EScale个元素的数组；
S202、时间序列趋势转换算子第一暂存变量QOptTemp1＝QOptInput中的最大值；
S203、时间序列趋势转换算子第二暂存变量QOptTemp2＝QOptInput中的最小值；
S204、建立时间序列趋势转换输出变量QOptOutput＝建立一个EScale个元素的数组；
S205、QOptOutput[1]＝(QOptInput[1]-QOptTemp2)/(QOptTemp1-QOptTemp2)；其中，QOptOutput[1]表示访问QOptOutput数组的第1个元素
S206、初始化时间序列趋势转换算子计数器QC＝1；
S207、QOptOutput[QC]＝(QOptInput[QC]-QOptTemp2)/(QOptTemp1-QOptTemp2)-QOptOutput[QC-1]；符号“[]”均表示访问一个数组中的特定元素，比如QOptOutput[QC]表示访问QOptOutput的第QC个元素；
S208、执行QC＝QC+1操作指令；
S209、如果QC>EScale则转到S207，否则转到S210；
S210、将QOptOutput作为QOpt的结果输出。
进一步，所述S3步骤具体包括：
S301、初始化数据处理计数器DMC＝1；
S302、数据处理第一暂存变量DMTemp1＝取出ELTable的第DMC条记录，并将该记录转为EScale个元素的数组；
S303、数据处理第二暂存变量DMTemp2＝使用QOpt进行处理，QOpt的输入QOptInput＝DMTemp1；即：使用QOpt进行处理，QOpt的输入QOptInput＝DMTemp1，然后将QOpt的返回结果存入数据处理第二暂存变量DMTemp2之中；
S304、数据处理暂存条DMTempRow＝将DMTemp2转换为ELTable的一行记录；
S305、将DMTempRow存储至ELTable的第DMC条记录位置；
S306、执行DMC＝DMC+1操作指令；
S307、如果DMC<＝ELNum则转到S302，否则转到S308；
S308、第S3步骤处理结束。
进一步，所述S4步骤具体包括：
S401、构建假想缺失数据补充模型列表ModelList，ModelList在初始化时是一个空列表；
S402、模型初始化计数器MOC＝1；
S403、构建模型学习暂存表MTempTable，MTempTable是一个EScale+1个字段的数据表；
S404、MTempTable的第1至第EScale字段＝ELTable的所有内容；
S405、MTempTable的第EScale+1字段＝ELTable的第MOC字段的所有内容；
S406、MTempTable的第MOC字段的所有内容设置为0；
S407、构建一个神经网络模型NModel，NModel的输入属性对应MTempTable的第1至第EScale字段，NModel的输出属性对应MTempTable的第MOC字段；输入MTempTable的所有数据训练NModel；
S408、将NModel追加到ModelList之中；
S409、执行MOC＝MOC+1操作指令；
S410、如果MOC<＝EScale则转到S403，否则转到S411；
S411、第S4步骤结束。
进一步，所述S5步骤具体包括：
S501、构建电压趋势变化距离算子DOpt，DOpt的输入为趋势第一输入变量DOptInput1和趋势第二输入变量DOptInput2，DOptInput1和DOptInput2都是EScale个元素的数组；
S502、初始化趋势变化距离结果DOResult＝0；前次循环差距变量DOPrev＝0；
S502、初始化趋势变化算子计数器DOC＝1；
S503、趋势变化第一暂存变量DOTemp1＝DOptInput1[DOC]-DOptInput2[DOC]；符号“[]”均表示访问一个数组中的特定元素，如：DOptInput1[DOC]表示访问DOptInput1中的第DOC个元素；
S504、趋势变化第二暂存变量DOTemp2＝DOPrev-DOTemp1；
S505、DOResult＝DOResult+ABS(DOTemp2)；其中ABS为计算绝对值；
S506、DOPrev＝DOTemp1；
S507、执行DOC＝DOC+1操作指令；
S508、如果DOC<＝EScale则转到S503，否则转到S509；
S509、执行DOResult＝DOResult/EScale操作指令；
S510、将DOResult作为DOpt的结果输出。
进一步，所述S6步骤具体包括：
S601、输入电压传感器的时间序列数据TestC，TestC是一个EScale个元素的数组；
S602、TestC＝利用QOpt进行计算，QOpt的QOptInput＝TestC；(即：利用QOpt进行计算，QOpt的QOptInput＝TestC；将QOpt的结果存贮在TestC之中；)
S603、建立预测第一暂存变量PreTemp1＝建立一个EScale个元素的数组，数组每个元素值为0；(即：建立一个具有EScale个元素的数组，数组每个元素值为0；并将这个数组存在预测第一暂存变量PreTemp1之中；)
S604、初始化预测暂存变量PreC＝1；
S605、建立预测第二暂存变量PreTemp2＝TestC；
S606、PreTemp2[PreC]＝0；
S607、PreTemp1[PreC]＝利用ModelList的第PreC个模型进行预测，模型的输入为PreTemp2；(即：利用ModelList的第PreC个模型进行预测，模型的输入为PreTemp2，模型的输出存储到PreTemp1[PreC]之中；)
S608、执行PreC＝PreC+1操作指令；
S609、如果PreC<＝EScale则转到S605，否则转到S610；
S610、预测结果暂存变量PreResultTemp＝利用DOpt进行计算，其中DOptInput1＝TestC，DOptInput2＝PreTemp1；(即：利用DOpt进行计算，其中DOptInput1＝TestC，DOptInput2＝PreTemp1；DOpt的结果存储在预测结果暂存变量PreResultTemp之中；)
S611、如果PreResultTemp<＝0.5则转到S613；
S612、发现异常状态，进行预警；转到S614；
S613、当前数据处于正常状态不进行预警；
S614、整个过程结束。
通过上述设计方案，本发明可以带来如下有益效果：本发明提供了一种电压传感器的时间序列数据中出现异常状态的预警方法，该方法利用假想缺失数据补充模型列表假想一段电压时间序列数据中的每一个元素是缺失的并进行补充，比对补充数据与真实数据的差异程度来进行电压传感器的时间序列数据中出现异常状态的预警。通过本发明提出的方法，将一段时间序列数据中所有的元素均假想为缺失或受干扰数据并进行预测，获得预测的结果就是在正常状态下时间序列数据最可能出现的情况，将这一预测与真实数据进行基于趋势变化的比对，可以综合的判断真实数据与历史上正常数据之间的差距；从而一方面容忍一定程度和范围的缺失数据，另一方面，使得正常与异常的判断不依赖于实现准备的异常样本，使得本发明方法的异常状态的预警准确性较高，从而具备更加广泛的应用价值。
附图说明
图1为电压传感器的时间序列数据中出现异常状态的预警方法流程图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面对本发明中的技术方案进行清楚完整地描述。显然，本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。为了避免混淆本发明的实质，公知的方法、过程和流程并没有详细叙述。
如图1所示，本发明提供了一种电压传感器的时间序列数据中出现异常状态的预警方法，包括如下步骤：
S1、获得电力设备正常运行状态下的时间序列数据EHis，获得序列分析尺度EScale；获得历史数据元素个数EHNum，建立时间尺度数据表ELTable，获得时间尺度数据条目数ELNum；
进一步，所述步骤S1具体包括：
S101、获得电力设备正常运行状态下的时间序列数据EHis，EHis是一个按照时间先后顺序排列的一维数组，数组的每一个元素对应一个电压值；
S102、获得序列分析尺度EScale，EScale是一个整型数，默认值是150；
S103、获得历史数据元素个数EHNum＝EHis的元素个数；
S104、建立时间尺度数据表ELTable，ELTable包含EScale个字段；
S105、初始化时间尺度数据表计数器ELTableCounter＝1；
S106、时间尺度暂存数组ELTableArray＝取出EHis中第ELTableCounter至第ELTableCounter+(Escle-1)个数据；
S107、时间尺度暂存行ELTableRow＝新建一行数据，这行数据的格式与ELTable表的一行数据格式一致；
S108、将ELTableArray的第1至第Escle个元素存储到ELTableRow的第1至第EScale个字段当中；
S109、将ELTableRow加入到ELTable之中；
S110、执行ELTableCounter＝ELTableCounter+1操作指令；
S111、如果ELTableCounter<＝(EHNum-EScale+1)则转到S106，否则转到S112
S112、时间尺度数据条目数ELNum＝ELTable的数据条目数。
S2、建立时间序列趋势转换算子QOpt，QOpt的输入为时间序列趋势转换输入变量QOptInput，QOpt的输出为时间序列趋势转换输出变量QOptOutput；
进一步，所述步骤S2具体包括：
S201、建立时间序列趋势转换算子QOpt，QOpt的输入为时间序列趋势转换输入变量QOptInput，QOptInput为一个EScale个元素的数组；
S202、时间序列趋势转换算子第一暂存变量QOptTemp1＝QOptInput中的最大值；
S203、时间序列趋势转换算子第二暂存变量QOptTemp2＝QOptInput中的最小值；
S204、建立时间序列趋势转换输出变量QOptOutput＝建立一个EScale个元素的数组；
S205、QOptOutput[1]＝(QOptInput[1]-QOptTemp2)/(QOptTemp1-QOptTemp2)；其中，QOptOutput[1]表示访问QOptOutput数组的第1个元素
S206、初始化时间序列趋势转换算子计数器QC＝1；
S207、QOptOutput[QC]＝(QOptInput[QC]-QOptTemp2)/(QOptTemp1-QOptTemp2)-QOptOutput[QC-1]；符号“[]”均表示访问一个数组中的特定元素，比如QOptOutput[QC]表示访问QOptOutput的第QC个元素；
S208、执行QC＝QC+1操作指令；
S209、如果QC>EScale则转到S207，否则转到S210；
S210、将QOptOutput作为QOpt的结果输出。
S3、利用QOpt处理ELTable的所有内容；
进一步，所述步骤S3具体包括：
S301、初始化数据处理计数器DMC＝1；
S302、数据处理第一暂存变量DMTemp1＝取出ELTable的第DMC条记录，并将该记录转为EScale个元素的数组；
S303、数据处理第二暂存变量DMTemp2＝使用QOpt进行处理，QOpt的输入QOptInput＝DMTemp1；即：使用QOpt进行处理，QOpt的输入QOptInput＝DMTemp1，然后将QOpt的返回结果存入数据处理第二暂存变量DMTemp2之中；
S304、数据处理暂存条DMTempRow＝将DMTemp2转换为ELTable的一行记录；
S305、将DMTempRow存储至ELTable的第DMC条记录位置；
S306、执行DMC＝DMC+1操作指令；
S307、如果DMC<＝ELNum则转到S302，否则转到S308；
S308、第S3步骤处理结束。
S4、利用ELTable构建假想缺失数据补充模型列表ModelList；
进一步，所述步骤S4具体包括：
S401、构建假想缺失数据补充模型列表ModelList，ModelList在初始化时是一个空列表；
S402、模型初始化计数器MOC＝1；
S403、构建模型学习暂存表MTempTable，MTempTable是一个EScale+1个字段的数据表；
S404、MTempTable的第1至第EScale字段＝ELTable的所有内容；
S405、MTempTable的第EScale+1字段＝ELTable的第MOC字段的所有内容；
S406、MTempTable的第MOC字段的所有内容设置为0；
S407、构建一个神经网络模型NModel，NModel的输入属性对应MTempTable的第1至第EScale字段，NModel的输出属性对应MTempTable的第MOC字段；输入MTempTable的所有数据训练NModel；
S408、将NModel追加到ModelList之中；
S409、执行MOC＝MOC+1操作指令；
S410、如果MOC<＝EScale则转到S403，否则转到S411；
S411、第S4步骤结束。
S5、构建电压趋势变化距离算子DOpt，DOpt的输入为趋势第一输入变量DOptInput1和趋势第二输入变量DOptInput2，输出为趋势变化距离结果DOResult；
进一步，所述步骤S5具体包括：
S501、构建电压趋势变化距离算子DOpt，DOpt的输入为趋势第一输入变量DOptInput1和趋势第二输入变量DOptInput2，DOptInput1和DOptInput2都是EScale个元素的数组；
S502、初始化趋势变化距离结果DOResult＝0；前次循环差距变量DOPrev＝0；
S502、初始化趋势变化算子计数器DOC＝1；
S503、趋势变化第一暂存变量DOTemp1＝DOptInput1[DOC]-DOptInput2[DOC]；符号“[]”均表示访问一个数组中的特定元素，如：DOptInput1[DOC]表示访问DOptInput1中的第DOC个元素；
S504、趋势变化第二暂存变量DOTemp2＝DOPrev-DOTemp1；
S505、执行DOResult＝DOResult+ABS(DOTemp2)操作指令；其中ABS为计算绝对值；
S506、DOPrev＝DOTemp1；
S507、执行DOC＝DOC+1操作指令；
S508、如果DOC<＝EScale则转到S503，否则转到S509；
S509、执行DOResult＝DOResult/EScale操作指令；
S510、将DOResult作为DOpt的结果输出。
S6、输入电压传感器的时间序列数据TestC，通过ModelList和DOpt对异常状态进行预警；
进一步，所述步骤S6具体包括：
S601、输入电压传感器的时间序列数据TestC，TestC是一个EScale个元素的数组；
S602、TestC＝利用QOpt进行计算，QOpt的QOptInput＝TestC；(即：利用QOpt进行计算，QOpt的QOptInput＝TestC；将QOpt的结果存贮在TestC之中。)
S603、建立预测第一暂存变量PreTemp1＝建立一个EScale个元素的数组，数组每个元素值为0；(即：建立一个EScale个元素的数组，数组每个元素值为0；并将这个数组存在预测第一暂存变量PreTemp1之中；)
S604、初始化预测暂存变量PreC＝1；
S605、建立预测第二暂存变量PreTemp2＝TestC；
S606、PreTemp2[PreC]＝0；
S607、PreTemp1[PreC]＝利用ModelList的第PreC个模型进行预测，模型的输入为PreTemp2；(即：利用ModelList的第PreC个模型进行预测，模型的输入为PreTemp2，模型的输出存储到PreTemp1[PreC]之中；)
S608、执行PreC＝PreC+1操作指令；
S609、如果PreC<＝EScale则转到S605，否则转到S610；
S610、预测结果暂存变量PreResultTemp＝利用DOpt进行计算，其中DOptInput1＝TestC，DOptInput2＝PreTemp1；(即：利用DOpt进行计算，其中DOptInput1＝TestC，DOptInput2＝PreTemp1；DOpt的结果存储在预测结果暂存变量PreResultTemp之中；)
S611、如果PreResultTemp<＝0.5则转到S613；
S612、发现异常状态，进行预警；转到S614；
S613、当前数据处于正常状态不进行预警；
S614、整个过程结束。
本实施例引入东北某地区电网中的电压传感器的时间序列数据，并引入1000段正常状态和200段异常状态的实际序列数据进行预警能力的对比，与传统方法对比如下：
从上面表格可以看出，本发明提出的方法误报率明显低于其他三种方法，说明对于时间序列数据中可能存在的遗漏元素和干扰元素，本发明提出的方法有更好的适应能力，能够更好的防止出现误报的情况。与此同时，具有更好的识别能力漏报数量仅为9个，能够更好的发现异常状态。
Claims (7)
1.一种电压传感器的时间序列数据中出现异常状态的预警方法，其特征在于，该方法包括如下步骤：
S1、获取电力设备正常运行状态下的时间序列数据EHis，预先设定序列分析尺度EScale和历史数据元素个数EHNum，建立时间尺度数据表ELTable，从而得到时间尺度数据条目数ELNum；
S2、建立时间序列趋势转换算子QOpt，QOpt的输入为时间序列趋势转换输入变量QOptInput，QOpt的输出为时间序列趋势转换输出变量QOptOutput；
S3、利用所述QOpt处理所述ELTable中的所有内容；
S4、利用ELTable构建假想缺失数据补充模型列表ModelList；
S5、构建电压趋势变化距离算子DOpt，DOpt的输入为趋势第一输入变量DOptInput1和趋势第二输入变量DOptInput2，DOpt的输出为趋势变化距离结果DOResult；
S6、输入电压传感器的时间序列数据TestC，通过所述ModelList和DOpt对异常状态进行预警，至此，整个过程结束。
2.根据权利要求1所述的电压传感器的时间序列数据中出现异常状态的预警方法，其特征在于，所述S1步骤具体包括：
S101、获取电力设备正常运行状态下的时间序列数据EHis，EHis是一个按照时间先后顺序排列的一维数组，数组的每一个元素对应一个电压值；
S102、设定序列分析尺度EScale，EScale是一个整型数，默认值是150；
S103、历史数据元素个数EHNum＝EHis的元素个数；
S104、建立时间尺度数据表ELTable，ELTable包含EScale个字段；
S105、初始化时间尺度数据表计数器ELTableCounter＝1；
S106、取出EHis中的第ELTableCounter至第ELTableCounter+(EScale-1)个数据形成时间尺度暂存数组ELTableArray；
S107、时间尺度暂存行ELTableRow＝新建一行数据，这行数据的格式与ELTable表的一行数据格式一致；
S108、将所述ELTableArray的第1至第EScale个元素存储到ELTableRow的第1至第EScale个字段当中；
S109、将ELTableRow加入到ELTable之中；
S110、执行ELTableCounter＝ELTableCounter+1操作指令；
S111、如果ELTableCounter<＝(EHNum-EScale+1)则转到S106，否则转到S112；
S112、时间尺度数据条目数ELNum＝ELTable的数据条目数。
3.根据权利要求2所述的电压传感器的时间序列数据中出现异常状态的预警方法，其特征在于，所述S2步骤具体包括：
S201、建立时间序列趋势转换算子QOpt，QOpt的输入为时间序列趋势转换输入变量QOptInput，QOptInput为一个具有EScale个元素的数组；
S202、设定时间序列趋势转换算子第一暂存变量QOptTemp1为QOptInput中的最大值；
S203、设定时间序列趋势转换算子第二暂存变量QOptTemp2为QOptInput中的最小值；
S204、创建一个名称为时间序列趋势转换输入变量QOptInput的空白数组，该空白数组的元素个数＝EScale个；
S205、执行QOptOutput[1]＝(QOptInput[1]-QOptTemp2)/(QOptTemp1-QOptTemp2)操作指令；
S206、初始化时间序列趋势转换算子计数器QC＝1；
S207、执行QOptOutput[QC]＝(QOptInput[QC]-QOptTemp2)/(QOptTemp1-QOptTemp2)-QOptOutput[QC-1]命令；
S208、执行QC＝QC+1操作指令；
S209、如果QC>EScale则转到S207，否则转到S210；
S210、将QOptOutput作为QOpt的结果输出。
4.根据权利要求3所述的电压传感器的时间序列数据中出现异常状态的预警方法，其特征在于，所述S3步骤具体包括：
S301、初始化数据处理计数器DMC＝1；
S302、取出ELTable的第DMC条记录，并将该记录转为EScale个元素的数组形成数据处理第一暂存变量；
S303、数据处理第二暂存变量DMTemp2＝使用QOpt进行处理，QOpt的输入QOptInput＝DMTemp1；
S304、将DMTemp2转换为ELTable的一行记录，并作为数据处理暂存条DMTempRow；
S305、将DMTempRow存储至ELTable的第DMC条记录位置；
S306、执行DMC＝DMC+1操作指令；
S307、如果DMC<＝ELNum则转到S302，否则转到S308；
S308、至此，第S3步骤处理结束。
5.根据权利要求4所述的电压传感器的时间序列数据中出现异常状态的预警方法，其特征在于，所述S4步骤具体包括：
S401、构建假想缺失数据补充模型列表ModelList，ModelList在初始化时是一个空列表；
S402、模型初始化计数器MOC＝1；
S403、构建模型学习暂存表MTempTable，MTempTable是一个具有EScale+1个字段的数据表；
S404、模型学习暂存表MTempTable的第1至第EScale字段＝时间尺度数据表ELTable的所有内容；
S405、模型学习暂存表MTempTable的第EScale+1字段＝ELTable的第MOC字段的所有内容；
S406、MTempTable的第MOC字段的所有内容设置为0；
S407、构建一个神经网络模型NModel，NModel的输入属性对应MTempTable的第1至第EScale字段，NModel的输出属性对应MTempTable的第MOC字段；输入MTempTable的所有数据训练NModel；
S408，将NModel追加到ModelList之中；
S409、执行MOC＝MOC+1操作指令；
S410、如果MOC<＝EScale则转到S403，否则转到S411；
S411、至此，第S4步骤结束。
6.根据权利要求5所述的电压传感器的时间序列数据中出现异常状态的预警方法，其特征在于，所述S5步骤具体包括：
S501、构建电压趋势变化距离算子DOpt，DOpt的输入为趋势第一输入变量DOptInput1和趋势第二输入变量DOptInput2，DOptInput1和DOptInput2都是EScale个元素的数组；
S502、初始化趋势变化距离结果DOResult＝0；前次循环差距变量DOPrev＝0；
S503、初始化趋势变化算子计数器DOC＝1；
S504、趋势变化第一暂存变量DOTemp1＝DOptInput1[DOC]-DOptInput2[DOC]；
S505、趋势变化第二暂存变量DOTemp2＝DOPrev-DOTemp1；
S506、执行DOResult＝DOResult+ABS(DOTemp2)操作指令；其中ABS为计算绝对值；
S507、执行DOPrev＝DOTemp1操作指令；
S508、执行DOC＝DOC+1操作指令；
S509、如果DOC<＝EScale则转到S504，否则转到S510；
S510、执行DOResult＝DOResult/EScale操作指令；
S511、将DOResult作为DOpt的结果输出。
7.根据权利要求6所述的电压传感器的时间序列数据中出现异常状态的预警方法，其特征在于，所述S6步骤具体包括：
S601、输入电压传感器的时间序列数据TestC，TestC是一个具有EScale个元素的数组；
S602、TestC＝利用QOpt进行计算，QOpt的QOptInput＝TestC；
S603、建立预测第一暂存变量PreTemp1＝建立一个EScale个元素的数组，数组每个元素值为0；
S604、初始化预测暂存变量PreC＝1；
S605、建立预测第二暂存变量PreTemp2＝TestC；
S606、PreTemp2[PreC]＝0；
S607、利用ModelList的第PreC个模型进行预测，模型的输入为PreTemp2，模型的输出存储到PreTemp1[PreC]之中；
S608、执行PreC＝PreC+1操作指令；
S609、如果PreC<＝EScale则转到S605，否则转到S610；
S610、利用DOpt进行计算，其中DOptInput1＝TestC，DOptInput2＝PreTemp1；DOpt的结果存储在预测结果暂存变量PreResultTemp之中；
S611、如果PreResultTemp<＝0.5则转到S613；
S612、发现异常状态，进行预警；转到S614；
S613、当前数据处于正常状态不进行预警；
S614、至此，整个过程结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211301122.5A CN115656712A (zh) | 2022-10-24 | 2022-10-24 | 电压传感器的时间序列数据中出现异常状态的预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211301122.5A CN115656712A (zh) | 2022-10-24 | 2022-10-24 | 电压传感器的时间序列数据中出现异常状态的预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115656712A true CN115656712A (zh) | 2023-01-31 |
Family
ID=84991773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211301122.5A Pending CN115656712A (zh) | 2022-10-24 | 2022-10-24 | 电压传感器的时间序列数据中出现异常状态的预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115656712A (zh) |
-
2022
- 2022-10-24 CN CN202211301122.5A patent/CN115656712A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
| CN113935562A (zh) | 一种电力设备健康状况智能评级与自动预警方法 | |
| Zhang et al. | A study on the method for cleaning and repairing the probe vehicle data | |
| CN106897774A (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
| CN110543907A (zh) | 一种基于微机监测功率曲线的故障分类方法 | |
| Tang et al. | Fault diagnosis of rolling bearing based on probability box theory and GA-SVM | |
| CN110956281A (zh) | 一种基于Log分析的电力设备异常检测报警系统 | |
| CN103344740B (zh) | 基于多输入维纳模型的谷氨酸产物浓度在线软测量方法 | |
| CN103390103A (zh) | 基于子空间独立成分回归模型的熔融指数在线检测方法 | |
| CN115656712A (zh) | 电压传感器的时间序列数据中出现异常状态的预警方法 | |
| CN110411724B (zh) | 一种旋转机械故障诊断方法、装置、系统及可读存储介质 | |
| Sim et al. | Missing Data Imputation Algorithm for Transmission Systems Based on Multivariate Imputation With Principal Component Analysis | |
| Cohen et al. | Machine learning for diagnosis of event synchronization faults in discrete manufacturing systems | |
| CN113806615B (zh) | 一种智能it运维系统的kpi异常预警方法 | |
| CN116245212A (zh) | 基于pca-lstm的电力数据异常检测与预测方法及系统 | |
| CN112765219B (zh) | 一种跳过平稳区域的流数据异常检测方法 | |
| Olaru et al. | Data mining tools and application in power system engineering | |
| CN113985156A (zh) | 一种基于变压器声纹大数据的智能故障识别方法 | |
| CN117113261B (zh) | 一种电力物联网异常检测方法及系统 | |
| Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
| Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
| Klees et al. | Building a smart database for predictive maintenance in already implemented manufacturing systems | |
| Eciolaza et al. | Gaussian process latent variable models for fault detection | |
| Miao et al. | Research on Operation Status Prediction of Production Equipment Based on Digital Twins and Multidimensional Time Series | |
| CN117454212B (zh) | 一种基于数据聚类的遥测数据互检测方法 |
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 |