CN116183058B - 一种智能电容器的监测方法 - Google Patents

一种智能电容器的监测方法 Download PDF

Info

Publication number
CN116183058B
CN116183058B CN202310430405.8A CN202310430405A CN116183058B CN 116183058 B CN116183058 B CN 116183058B CN 202310430405 A CN202310430405 A CN 202310430405A CN 116183058 B CN116183058 B CN 116183058B
Authority
CN
China
Prior art keywords
temperature
temperature data
abnormality
degree
line segment
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.)
Active
Application number
CN202310430405.8A
Other languages
English (en)
Other versions
CN116183058A (zh
Inventor
何凯强
何祉辰
何佳泓
何俞瑾
郑微丹
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.)
Shide Electric Group Co ltd
Original Assignee
Shide Electric Group 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 Shide Electric Group Co ltd filed Critical Shide Electric Group Co ltd
Priority to CN202310430405.8A priority Critical patent/CN116183058B/zh
Publication of CN116183058A publication Critical patent/CN116183058A/zh
Application granted granted Critical
Publication of CN116183058B publication Critical patent/CN116183058B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明涉及温度数据测量技术领域，具体涉及一种智能电容器的监测方法，包括：根据待监测电容在预设时段内的每个温度数据，确定局部异常程度；利用局部异常程度对各个目标温度序列进行初次分段处理，确定初次分段得到的各个温度线段；确定每个温度数据的一次分段异常程度和一次分段异常影响程度；根据一次分段异常程度、一次分段异常影响程度以及预设时段内的电压数据的数据特征，获得最终异常程度；进而判断是否存在异常温度数据。本发明通过一次分段异常程度和一次分段异常影响程度，获得了准确程度更高的最终异常程度，有效提高了温度数据的异常分析结果的准确性，应用于电容温度异常监测领域。

Description

一种智能电容器的监测方法
技术领域
本发明涉及温度数据测量技术领域，具体涉及一种智能电容器的监测方法。
背景技术
智能电容器集成智能控制模块、快速投切开关和电容器保护，设计结构精巧，可以灵活配置以满足用户对无功补偿的需求。对于自愈式低压补偿电容器，电容器内部安装有温度传感器，通过温度传感器采集的温度数据可以确定电容器内部发热程度，从而反映电容器目前的运行状态，以实现电容器过温保护。经研究发现，电容爆炸的前期往往都会出现发热现象，因而，温度是预判电容是否会发生爆炸的关键性指标。此时，采集的温度数据的准确性决定了电容器运行状态监测的准确性，所以需要对采集获得的温度数据进行预处理，实现电容内部温度监测，获得更准确的温度数据，避免发生电容监测出现误差的特殊情况。
对于电容温度监测，主要对采集过程中外部其它因素导致的异常温度数据进行筛选。现有温度数据预处理方法，根据温度数据的局部差异和变化趋势进行异常温度数据分析，但在基于当前数据确定的变化趋势进行异常数据分析时，忽略了多个连续异常数据对数据趋势的影响，导致每个温度数据对应的异常程度分析结果的准确性差，导致异常温度数据检测准确性差，无法获得可以更准确反映电容运行状态的温度数据，进而使电容运行异常监测存在偏差。
发明内容
为了解决上述现有电容温度监测方法中，温度数据的异常分析结果准确性差的技术问题，本发明的目的在于提供一种智能电容器的监测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种智能电容器的监测方法，该方法包括以下步骤：
实时获取待监测电容在预设时段内的各个目标温度序列，所述目标温度序列中包含趋势相同的、且按采集时间先后顺序排列的温度数据；
根据各个目标温度序列中的每个温度数据，确定每个温度数据的局部异常程度；
根据所述局部异常程度，对各个目标温度序列进行初次分段处理，确定初次分段得到的各个温度线段；
根据初次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，确定每个温度数据的一次分段异常程度；所述各个温度线段对应的各温度数据为各个温度线段对应时段内每个时刻的电容温度数据；
根据初次分段得到的各个温度线段的两个端点的局部异常程度、各个温度线段对应的各电压数据，确定每个温度数据的一次分段异常影响程度；所述各个温度线段对应的各电压数据为各个温度线段对应时段内每个时刻的电容电压数据；
根据每个温度数据的一次分段异常程度和一次分段异常影响程度、预设时段内每个时刻的电压数据，获得每个温度数据对应的最终异常程度；
根据所述最终异常程度，判断待监测电容在预设时段内是否存在异常温度数据。
进一步地，根据各个目标温度序列中的每个温度数据，确定每个温度数据的局部异常程度，包括：
将与任意一个温度数据相邻的第一预设数目个温度数据确定为该温度数据的相关温度数据，进而获得每个温度数据的各个相关温度数据；
将每个温度数据与其后一个温度数据的差值绝对值确定为对应温度数据的第一局部异常因子，将每个温度数据的各个相关温度数据与其后一个温度数据的差值绝对值确定为对应相关温度数据的第一局部异常因子；
将每个温度数据的第一局部异常因子与对应各个相关温度数据的第一局部异常因子之间的差值绝对值，确定为对应温度数据的各第二局部异常因子；将每个温度数据与其各个相关温度数据之间的时序距离的负相关映射值确定为对应温度数据的各第三局部异常因子；
计算每个温度数据的各第二局部异常因子与对应温度数据的第三局部异常因子的乘积的累加和，将所述累加和确定为对应温度数据的局部异常程度。
进一步地，根据所述局部异常程度，对各个目标温度序列进行初次分段处理，确定初次分段得到的各个温度线段，包括：
将各个目标温度序列中的首个温度数据确定为对应目标温度序列中第一个温度线段的前端点，将各个目标温度序列中的最后一个温度数据确定为对应目标温度序列中最后一个温度线段的后端点；
根据各个目标温度序列中每个温度数据的局部异常程度，将各个目标温度序列中除首个温度数据和最后一个温度数据以外的温度数据按照从小到大的顺序进行排列，获得排列后的温度序列，将所述排列后的温度序列中局部异常程度较小的前第二预设数目个温度数据确定为待选端点，将待选端点映射到对应目标温度序列中；
从各个目标温度序列中第一个温度线段的前端点的后一个待选端点开始，依次判断各个待选端点是否满足预设间隔条件，若满足，则将待选端点确定为温度线段的端点，若不满足，则剔除对应待选端点；其中，所述预设间隔条件为与前一个端点之间的温度数据数目小于等于第一间隔阈值且大于等于第二间隔阈值；
将各个目标温度序列中的相邻端点相连，确定初次分段得到的各个温度线段。
进一步地，根据初次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，确定每个温度数据的一次分段异常程度，包括：
计算各个温度线段对应的各温度数据到对应温度线段的距离，进而将温度线段对应的最大距离确定为目标距离；将每个温度数据到对应温度线段的距离与目标距离的比值确定为对应温度数据的第一异常指标；
对于某个温度线段对应的任意一个温度数据，在该温度线段对应的各温度数据到对应温度线段的距离中，统计与该温度数据到对应温度线段的距离相差小于距离阈值的距离数量，将所述距离数量的负相关映射值确定为该温度数据的第二异常指标，从而获得各个温度线段对应的各温度数据的第二异常指标；
将各个温度线段对应的各温度数据的第一异常指标和对应温度数据的第二异常指标的乘积，确定为对应温度数据的一次分段异常程度，从而获得每个温度数据的一次分段异常程度。
进一步地，根据初次分段得到的各个温度线段的两个端点的局部异常程度、各个温度线段对应的各电压数据，确定每个温度数据的一次分段异常影响程度，包括：
根据初次分段得到的各个温度线段对应的各温度数据的采集时间和前端点的采集时间，确定各温度数据的第一比值，将所述第一比值与对应温度线段的前端点的局部异常程度的乘积确定为对应温度数据的第一异常影响因子；所述第一比值为温度数据和对应温度线段的前端点之间的时序距离与对应温度线段的前后端点之间的时序距离的比值；
根据初次分段得到的各个温度线段对应的各温度数据的采集时间和后端点的采集时间，确定各温度数据的第二比值，将所述第二比值与对应温度线段的后端点的局部异常程度的乘积确定为对应温度数据的第二异常影响因子；所述第二比值为温度数据和对应温度线段的后端点之间的时序距离与对应温度线段的前后端点之间的时序距离的比值；
计算各个温度线段中的各数据与对应温度线段对应的各电压数据之间的相关系数，获得各个温度线段的相关系数，根据各个温度线段的相关系数，确定各个温度线段对应的第三异常影响因子；
使每个温度数据的第一异常影响因子和对应温度数据的第二异常影响因子相加，将相加后的数值与对应温度数据所属温度线段对应的第三异常影响因子相乘，将相乘后的数值确定为对应温度数据的一次分段异常影响程度。
进一步地，根据各个温度线段的相关系数，确定各个温度线段对应的第三异常影响因子，包括：
对于任意一个目标温度序列对应的初次分段得到的任意一个温度线段，在该目标温度序列对应的初次分段得到的各个温度线段的相关系数中，统计与该温度线段的相关系数相差小于系数阈值的相关系数的个数；
将所述与该温度线段的相关系数相差小于系数阈值的相关系数的个数和对应目标温度序列对应的初次分段对应的温度线段的个数的比值，确定为对应温度线段的第三比值；
将该温度线段的相关系数的负相关映射值与所述第三比值的乘积，确定为该温度线段对应的第三异常影响因子。
进一步地，根据每个温度数据的一次分段异常程度和一次分段异常影响程度、预设时段内每个时刻的电压数据，获得每个温度数据对应的最终异常程度，包括：
根据每个温度数据的一次分段异常程度，对各个目标温度序列进行二次分段处理，确定二次分段得到的各个温度线段；根据二次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，确定每个温度数据的二次分段异常程度；根据二次分段得到的各个温度线段的两个端点的一次分段异常程度和一次分段异常影响程度、二次分段得到的各个温度线段对应的各电压数据，确定每个温度数据的二次分段异常影响程度；不断重复根据上次分段时每个温度数据的异常程度和异常影响程度、预设时段内每个时刻的电压数据，得到下次分段时每个温度数据的异常程度和异常影响程度的过程，直至分段处理次数达到第三预设数目，从而获得每个温度数据对应的第三预设数目个异常程度和异常影响程度；根据每个温度数据对应的第三预设数目个异常程度和异常影响程度，确定每个温度数据对应的最终异常程度；其中，已经确定为端点的温度数据不再参与后续选取温度线段的端点的过程。
进一步地，根据二次分段得到的各个温度线段的两个端点的一次分段异常程度和一次分段异常影响程度、二次分段得到的各个温度线段对应的各电压数据，确定每个温度数据的二次分段异常影响程度，包括：
将二次分段得到的各个温度线段的两个端点的一次分段异常程度和一次分段异常影响程度的乘积，确定为对应端点的端点传递异常值，从而获得二次分段得到的各个温度线段的每个端点的端点传递异常值；
将二次分段得到的各个温度线段的每个端点的一次分段异常程度与对应端点的端点传递异常值相加，将相加后的数值确定为对应端点的二次分段异常程度；
根据二次分段得到的各个温度线段的每个端点的二次分段异常程度和二次分段得到的各个温度线段对应的各电压数据，确定每个温度数据的二次分段异常影响程度。
进一步地，根据每个温度数据对应的第三预设数目个异常程度和异常影响程度，确定每个温度数据对应的最终异常程度，包括：
对于每个温度数据的任意一个异常程度和该异常程度对应的异常影响程度，将每个温度数据的该异常程度和该异常程度对应的异常影响程度的乘积确定为对应温度数据的第一乘积，从而获得每个温度数据对应的第三预设数目个第一乘积；将每个温度数据对应的第三预设数目个第一乘积的累加和确定为对应温度数据的最终异常程度。
进一步地，根据所述最终异常程度，判断待监测电容在预设时段内是否存在异常温度数据，包括：
若任意一个温度数据对应的最终异常程度大于预设异常程度阈值，则判定待监测电容在预设时段内存在异常温度数据，并将最终异常程度大于预设异常程度阈值的温度数据确定为异常温度数据，对异常温度数据进行校正处理，并将异常温度数据更新为校正处理后的温度数据，否则，则判定待监测电容在预设时段内不存在异常温度数据。
本发明具有如下有益效果：
本发明提供了一种智能电容器的监测方法，首先，通过对预设时段内每个时刻的温度数据进行数据处理，获得预设时段内的各个目标温度序列，其有利于后续进行异常程度分析，减少了计算温度数据对应的最终异常程度时的计算量。然后，通过分析各个目标温度序列中的每个温度数据的数据特征信息，获得每个温度数据的局部异常程度，其有利于后续基于局部异常程度进行数据分段处理，确定初次分段得到的各个温度线段；相比现有的logistic回归确定的趋势线段，利用局部异常程度确定的各个温度线段，可以有效克服多个连续分布的异常温度数据产生的不良影响，准确反映当前温度数据的局部变化情况，有利于实现数据快速处理。其次，通过各个温度线段对应的各温度数据与对应温度线段的位置关系，进行温度数据异常分析，该温度数据异常分析可以基于趋势偏差，分析温度数据与其相邻大多数温度数据之间的差异程度，使获得每个温度数据的一次分段异常程度的参考价值更高。接着，利用初次分段得到的各个温度线段的端点的局部异常程度和电压数据分布特征，分析初次分段得到的温度线段对每个温度数据的一次分段异常程度的影响情况，即确定每个温度数据的一次分段异常影响程度，一次分段异常影响程度有助于分析一次分段异常程度的可靠性；从两个角度分析一次分段异常影响程度，即端点的局部异常程度和电压数据分布特征，有利于提高一次分段异常影响程度的精准性。最后，实现对目标温度序列的多次分段，确定每个温度数据对应的第三预设数目个异常程度和异常影响程度，减少假设端点异常程度对温度数据的异常程度的影响，其有助于增强最终异常程度的准确度和可信度。本发明通过更加准确的最终异常程度，判断待监测电容在预设时段内是否存在异常温度数据，有利于提高判断结果的准确性，进而获得可以更准确反映电容运行状态的温度数据，降低电容运行异常监测存在偏差的可能性，主要应用于电容温度异常监测领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种智能电容器的监测方法的流程图；
图2为本发明实施例中的温度线段示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例所针对的情景可以为：在电容温度监测过程中，采集的电容温度数据的准确性直接影响电容运行状态监测的准确性。由于温度传感器本身存在偶然偏差，导致所采集的温度数据可能存在异常温度数据，故在进行电容运行状态监测之前，需要对温度数据进行数据预处理，即对采集的温度数据中的异常温度数据进行识别处理。
为了提高电容温度监测方法中温度数据的异常分析结果的准确性，本实施例提供了一种智能电容器的监测方法，如图1所示，包括以下步骤：
S1，实时获取待监测电容在预设时段内的各个目标温度序列，其步骤内容包括：
第一步，获取在预设时段内每个时刻的待监测电容的温度数据。
在本实施例中，智能电容器内置温度传感器，在智能电容器运行过程中温度传感器开启，根据温度传感器的采集频率实时采集电容器温度，即通过温度传感器，获取在预设时段内每个时刻的待监测电容的温度数据。然后，将所采集的温度数据传输到电容器数据分析系统中，进行后续的温度数据预处理。其中，预设时段可以设置为1个小时，采集温度数据的预设时段可以由实施者根据具体实际情况自行设置，不做具体限定。
需要说明的是，电容器工作过程中采集的温度数据为时序分布数据，故温度数据预处理的异常分析过程中，进行异常温度数据识别的基准数据为一段时序连续数据。
第二步，获取待监测电容在预设时段内的各个目标温度序列。
首先，需要说明的是，受温度数据变化趋势的影响，预设时段内每个时刻的待监测电容的温度数据存在不同的温度变化趋势，而不同温度变化趋势的温度数据序列无法反应温度数据的正常分布情况，进而导致无法进行后续的异常温度数据分析。存在不同的温度变化趋势的原因在于，电容器在运行过程中，电容器的电流、电压等存在的变化会对于温度数据变化产生影响。例如，电容器的电流为3安培，某一个时刻的电流发生变化，对应时刻的电容器温度对该时刻的电流变化具有响应，导致温度数据存在较大变化。因此，所采集的电容器温度数据会随着电压、电流等变化形成较为明显的分段现象，需要对预设时段内每个时刻的待监测电容的温度数据组成的温度时间序列进行趋势分段处理。
为了实现温度数据的异常程度的准确分析，需要根据温度时间序列中温度数据的变化趋势，进行数据趋势化分段处理，使一个温度序列仅存在一种趋势变化。首先，利用现有的时序数据分析方法，比如STL（Seasonal-Trend decomposition procedure based onLoess，时序分解算法）分解，对温度时间序列进行趋势分段处理，获得趋势项数据。然后，在连续分布的趋势项数据中，从趋势相同且连续分布的一组温度数据中选取最大温度数据和最小温度数据，最大温度数据和最小温度数据即为局部极值点，将局部极值点确定为趋势端点，趋势端点是指划分温度时间序列时的分割点。最后，利用趋势端点对预设时段内的所有温度数据进行分段，将分段后对应的温度数据确定为目标温度序列，从而获得待监测电容在预设时段内的各个目标温度序列。STL分解的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
值得说明的是，目标温度序列中包含趋势相同的、且按采集时间先后顺序排列的温度数据。电容器温度数据具备缓慢变化的数据特征，所以一个目标温度序列中可以包含大量的温度数据。这里的趋势相同是指目标温度序列内的温度数据分布趋势为一种数据变化趋势，例如，递增分布或递减分布。
至此，本实施例获得了待监测电容在预设时段内的各个目标温度序列。
S2，根据各个目标温度序列中的每个温度数据，确定每个温度数据的局部异常程度，其步骤内容包括：
将与任意一个温度数据相邻的第一预设数目个温度数据确定为该温度数据的相关温度数据，进而获得每个温度数据的各个相关温度数据；将每个温度数据与其后一个温度数据的差值绝对值确定为对应温度数据的第一局部异常因子，将每个温度数据的各个相关温度数据与其后一个温度数据的差值绝对值确定为对应相关温度数据的第一局部异常因子；将每个温度数据的第一局部异常因子与对应各个相关温度数据的第一局部异常因子之间的差值绝对值，确定为对应温度数据的各第二局部异常因子；将每个温度数据与其各个相关温度数据之间的时序距离的负相关映射值确定为对应温度数据的各第三局部异常因子；计算每个温度数据的各第二局部异常因子与对应温度数据的第三局部异常因子的乘积的累加和，将累加和确定为对应温度数据的局部异常程度。对于相关温度数据的个数，第一预设数目取经验值为4，本实施例不对相关温度数据的个数做具体限定，实施者可以根据具体实际情况自行设置。
具体的，对于每个温度数据的各个相关温度数据，若温度数据为目标温度序列中的第一个温度数据，则将在第一个温度数据之后的4个温度数据确定为第一个温度数据的相关温度数据；若温度数据为目标温度序列中的第二个温度数据，则将第一个温度数据和在第二个温度数据之后的3个温度数据确定为第二个温度数据的相关温度数据；若温度数据为目标温度序列中的第三个温度数据，则将在第三个温度数据前后各获取2个相邻的温度数据确定为第三个温度数据的相关温度数据，相关温度数据是指与在局部范围内与某个温度数据相邻的其他温度数据，这里的局部范围是指一定的时间范围内，例如5秒内。关于获取每个温度数据的相关温度数据的具体实现方式，本实施例不做具体限定，实施者可以根据具体实际情况自行确定相关温度数据的获取方式。
在本实施例中，主要通过各个目标温度序列对应的温度数据的数据趋势特征和局部差异特征，分析每个温度数据的异常程度，体现在数据趋势特征越偏离、局部差异特征越大，温度数据的异常程度越大。因此，通过各个目标温度序列中的各个温度数据之间的数据特征信息，可以确定每个温度数据的局部异常程度，局部异常程度可以表征每个温度数据与其相邻的多个温度数据之间的数值差异情况。
例如，每个温度数据的局部异常程度的计算公式可以为：
Figure SMS_1
其中，
Figure SMS_3
为各个目标温度序列中第i个温度数据的局部异常程度，
Figure SMS_7
为各个目标温 度序列中第i个温度数据的第一局部异常因子，
Figure SMS_9
为各个目标温度序列中第i个温度数据 对应的第v个相关温度数据的第一局部异常因子，
Figure SMS_4
为对
Figure SMS_5
求绝对值，
Figure SMS_8
为各个目标温度序列中第i个温度数据的第二局部异常因子，
Figure SMS_10
为各个目标温度 序列中第i个温度数据与其对应的第v个相关温度数据之间的时序距离，
Figure SMS_2
为各个目标温度 序列中第i个温度数据的第三局部异常因子，
Figure SMS_6
为各个目标温度序列中第i个温度数据对应 的相关温度数据的个数，i为温度数据的序号，v为各个目标温度序列中第i个温度数据对应 的相关温度数据的序号。
在局部异常程度的计算公式中，
Figure SMS_21
可以表征两个相邻温度差之间的差异情 况，第二局部异常因子
Figure SMS_12
与局部异常程度
Figure SMS_17
为正相关，第二局部异常因子
Figure SMS_25
越大，局部异常程度
Figure SMS_29
越大；
Figure SMS_27
可以表征第i个温度数据与其对应的第v个相关温度数据之 间的时序距离，
Figure SMS_31
与局部异常程度
Figure SMS_19
为负相关，
Figure SMS_23
越小，局部异常程度
Figure SMS_11
越大，越能反映温 度数据的局部差异，故需要对
Figure SMS_15
时序距离进行负相关映射，负相关映射可以为计算
Figure SMS_13
时序 距离的倒数，即
Figure SMS_18
，也可以为计算以自然常数为底的
Figure SMS_22
次方，即
Figure SMS_26
，负相关映射的计算 过程不作具体限定；
Figure SMS_24
可以表征
Figure SMS_28
与
Figure SMS_30
个
Figure SMS_32
之间的整体差异，其可以反 映第i个温度数据在目标温度序列中的局部差异情况，局部异常程度
Figure SMS_14
可以表征第i个温度 数据的离群程度，局部异常程度
Figure SMS_16
越大，第i个温度数据越离群；对于第i个温度数据对应的 相关温度数据的个数
Figure SMS_20
，本实施例取经验值为4，其取值范围可以为大于数值1且小于或等 于对应目标温度序列的温度数据数目，实施者可以根据具体实际情况设置相关温度数据的 个数。
至此，本实施例获得了各个目标温度序列中的每个温度数据的局部异常程度。
S3，根据局部异常程度，对各个目标温度序列进行初次分段处理，确定初次分段得到的各个温度线段，其步骤内容包括：
将各个目标温度序列中的首个温度数据确定为对应目标温度序列中第一个温度线段的前端点，将各个目标温度序列中的最后一个温度数据确定为对应目标温度序列中最后一个温度线段的后端点；根据各个目标温度序列中每个温度数据的局部异常程度，将各个目标温度序列中除首个温度数据和最后一个温度数据以外的温度数据按照从小到大的顺序进行排列，获得排列后的温度序列，将所述排列后的温度序列中局部异常程度较小的前第二预设数目个温度数据确定为待选端点，将待选端点映射到对应目标温度序列中；从各个目标温度序列中第一个温度线段的前端点的后一个待选端点开始，依次判断各个待选端点是否满足预设间隔条件，若满足，则将待选端点确定为温度线段的端点，若不满足，则剔除对应待选端点；预设间隔条件为与前一个端点之间的温度数据数目小于等于第一间隔阈值且大于等于第二间隔阈值；将各个目标温度序列中的相邻端点相连，确定初次分段得到的各个温度线段。
需要说明的是，基于目标温度序列中连续分布的温度数据的局部信息，可以获得每个温度数据的局部异常程度，但上述局部异常程度仅依据温度数据的局部数据特征信息，忽略了连续异常温度数据对异常程度的影响，例如，某个温度数据及其对应的多个相关温度数据均为异常温度数据，根据该温度数据及其对应相关温度数据的数据特征信息，计算的该温度数据的局部异常程度的准确性差。为了提高异常温度数据识别的准确性，本实施例通过折线段对各个目标温度序列进行数据分析。关于折线段，折线段是指在温度数据中基于具有线性变化关系的连续多个数据确定的、可以反应线性变化关系的线段，利用线段与线段对应时间间隔的各个温度数据之间的关系可以实现进一步的异常程度分析。现有logistic回归通过最小二乘法拟合确定趋势线段，但当连续存在多个异常点时，该实现方法影响最终的拟合结果，导致所获得趋势线段无法准确反映当前数据的局部变化情况，并且该拟合过程本身需要较大的计算量，不利于实现数据的快速处理。
在本实施例中，为了克服现有最小二乘法拟合确定的趋势线段的缺陷，以目标温度序列中的温度数据为端点，将目标温度序列划分为不同的温度线段，后续可以根据温度线段与对应温度数据之间的位置关系，实现每个温度数据的异常程度分析，温度线段示意图如图2所示。在图2中，坐标系的横坐标为时间序列，数值刻度表示为时间刻度，即为t1、t2、t3、t4、t5、t6…；坐标系的纵坐标为温度值，数值刻度为温度刻度，即为T1、T2、T3、T4、T5、T6…。A点和B点对应的温度数据为温度线段的端点，其中A点为温度线段的前端点，B点为温度线段的后端点，基于温度线段上下两侧区域的温度数据点与温度线段的位置关系，即温度线段对应时段内每个时刻的温度数据与对应温度线段之间的位置关系，可以反映线段端点和上下两侧区域的各个温度数据点的异常状况，具体表现在，任意一个温度数据点到温度线段的距离越离群，该温度数据点的异常程度越大。
在温度线段中进行温度数据异常分析，需要确定目标温度序列的划分情况，即目标温度序列中确定温度线段的端点。具体过程可以为：在目标温度序列中，首先，为了使各个温度线段能够包含目标温度序列中的所有温度数据点，将各个目标温度序列中的首个温度数据确定为对应目标温度序列中第一个温度线段的前端点，将各个目标温度序列中的最后一个温度数据确定为对应目标温度序列中最后一个温度线段的后端点。然后，为了降低温度线段的异常程度对温度数据的异常程度分析的影响，根据目标温度序列中每个温度数据的局部异常程度，按照从小到大的顺序对目标温度序列中的各个温度数据进行排列，获得排列后的温度数据序列。其次，为了获得更加符合温度数据分布的温度线段，需要对目标温度序列进行多次分段处理，也就是选择多个温度数据作为温度线段的端点，在排列后的温度数据序列中选择靠前的第二预设数目个温度数据确定为待选端点，并将待选端点映射到原始目标温度序列中；最后，从多个待选端点中，选取在原始目标温度序列中与前一个端点之间的温度数据数目不小于第二间隔阈值且不大于第一间隔阈值的待选端点确定为温度线段的端点。第一间隔阈值取经验值为50，第二间隔阈值取经验值为30，将目标温度序列中相邻端点相连，确定初次分段得到的各个温度线段。
需要说明的是，对于温度线段的端点选择，需要保证端点的异常程度相对较低，对于端点的异常程度，需要保证温度线段对应的各个温度数据的异常程度受端点异常程度影响相对较低，使异常程度分析的准确性与温度数据分布趋势的相关性较大。目标温度序列中待选端点的个数，第二预设数目可以为目标温度序列中所有温度数据个数的一半，实施者可根据具体情况设置待选端点的个数（第二预设数目）。对于排列后的温度序列中局部异常程度较小的前第二预设数目个温度数据确定为待选端点，也就是选取排列后的温度序列中第二预设数目个局部异常程度最小的温度数据作为待选端点。
至此，本实施例确定了初次分段得到的各个温度线段。
S4，根据初次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，确定每个温度数据的一次分段异常程度，其步骤内容包括：
计算各个温度线段对应的各温度数据到对应温度线段的距离，进而将温度线段对应的最大距离确定为目标距离；将每个温度数据到对应温度线段的距离与目标距离的比值确定为对应温度数据的第一异常指标；对于某个温度线段对应的任意一个温度数据，在该温度线段对应的各温度数据到对应温度线段的距离中，统计与该温度数据到对应温度线段的距离相差小于距离阈值的距离数量，将距离数量的负相关映射值确定为该温度数据的第二异常指标，从而获得各个温度线段对应的各温度数据的第二异常指标；将各个温度线段对应的各温度数据的第一异常指标和对应温度数据的第二异常指标的乘积，确定为对应温度数据的一次分段异常程度，从而获得每个温度数据的一次分段异常程度。
首先，需要说明的是，初次分段得到的各个温度线段的端点的局部异常程度较低，但存在为异常温度数据的可能性，而初次分段得到的各个温度线段的数据特征完全由前端点和后端点确定，故端点的异常程度直接影响到温度线段对应时段内各温度数据与对应温度线段之间的位置关系的准确性。此时，若利用温度线段对应时段内每个时刻的温度数据与对应温度线段之间的位置关系进行异常分析，则会大幅度降低目标温度序列中各个温度数据的异常程度分析的准确性。
在本实施例中，假设初次分段得到的各个温度线段的两个端点的异常程度为0，也就是假设初次分段得到的各个温度线段的两个端点为正常温度数据，此时，根据温度线段与其对应的各个温度数据点之间的位置关系，进行异常程度分析，可以确定每个温度数据的一次分段异常程度，即初次分段得到的各个温度线段对应的各温度数据的一次分段异常程度，其计算公式可以为：
Figure SMS_33
其中，
Figure SMS_34
为初次分段得到的各个温度线段对应的第i个温度数据的一次分段异常 程度，
Figure SMS_35
为初次分段得到的各个温度线段对应的第i个温度数据到对应温度线段的距离，该 距离可以为点到线之间的欧氏距离，
Figure SMS_36
为初次分段得到的各个温度线段对应的目标距 离，目标距离可以为温度线段对应的最大距离，
Figure SMS_37
为初次分段得到的各个温度线段对应 的第i个温度数据的第一异常指标，
Figure SMS_38
为在每个温度数据到对应温度线段的距离中，与第i 个温度数据到对应温度线段的距离相差小于距离阈值的距离数量，距离阈值取经验值可以 设置为0.2，
Figure SMS_39
为初次分段得到的各个温度线段对应的第i个温度数据的第二异常指标，i为 温度数据的序号。
在温度数据的一次分段异常程度的计算公式中，第一异常指标
Figure SMS_50
可以表征
Figure SMS_43
趋 近于
Figure SMS_46
的程度，第一异常指标
Figure SMS_47
与一次分段异常程度
Figure SMS_51
为正相关，第一异常指标
Figure SMS_49
越大，初次分段得到的各个温度线段对应的第i个温度数据的一次分段异常程度
Figure SMS_53
越高；
Figure SMS_48
可以表征当前温度线段对应的各温度数据的距离中与
Figure SMS_52
相差小于0.2的距离数量，
Figure SMS_40
与
Figure SMS_44
为负相关，
Figure SMS_54
越大，第i个温度数据相对于温度线段的分布越集中，第i个温度数据的一 次分段异常程度
Figure SMS_56
越小，故需要对
Figure SMS_55
进行负相关映射，负相关映射可以为计算
Figure SMS_57
的倒数， 即
Figure SMS_41
，负相关映射还可以为以自然常数为底的
Figure SMS_45
次幂，即
Figure SMS_42
，e为自然常数。
值得说明的是，从两个角度分析初次分段对应的各温度数据的一次分段异常程度，即温度数据点距离对应温度线段的远近程度和温度数据点相对于温度线段的离散程度，有助于提高温度数据的一次分段异常程度的准确度。对于温度线段的两个端点的一次分段异常程度，两个端点的一次分段异常程度假设为0，故每个温度数据均有其对应的一次分段异常程度。
至此，本实施例获得了每个温度数据的一次分段异常程度。
S5，根据初次分段得到的各个温度线段的两个端点的局部异常程度、各个温度线段对应的各电压数据，确定每个温度数据的一次分段异常影响程度，其步骤内容包括：
第一步，确定每个温度数据的第一异常影响因子和第二异常影响因子。
首先，确定初次分段得到的各个温度线段对应的各温度数据和对应温度线段的前端点之间的时序距离、和对应温度线段的后端点之间的时序距离以及各个温度线段的前端点和后端点之间的时序距离。然后，将初次分段得到的各个温度线段对应的各温度数据和对应温度线段的前端点之间的时序距离与各个温度线段的前端点和后端点之间的时序距离的比值，确定为对应温度数据的第一比值，将第一比值与对应温度线段的前端点的局部异常程度的乘积确定为对应温度数据的第一异常影响因子，从而获得每个温度数据的第一异常影响因子。最后，将初次分段得到的各个温度线段对应的各温度数据和对应温度线段的后端点之间的时序距离与各个温度线段的前端点和后端点之间的时序距离的比值，确定为对应温度数据的第二比值，将第二比值与对应温度线段的后端点的局部异常程度的乘积确定为对应温度数据的第二异常影响因子，从而获得每个温度数据的第二异常影响因子。
需要说明的是，实际情况下的温度线段的两个端点存在为异常温度数据的可能，若某一时刻的温度数据受到温度传感器偶然误差的影响，且该时刻的温度数据为温度线段的端点，则说明此时获得的温度线段无法准确反映对应温度数据的数据变化特征，故每个温度数据的一次分段异常程度会受到端点的异常程度的影响。为了确定每个温度数据受端点异常程度的影响情况，需要引入端点本身在数据分布中的局部异常程度，两者之间的影响关系可以为：端点的局部异常程度越高，端点对应的温度线段越不能反映当前的温度数据特征，端点异常程度为0的假设越不成立，每个温度数据的一次分段异常程度受端点局部异常程度的影响越大；同时，对于初次分段得到的各个温度线段，温度线段的端点与对应时段内每个时刻的温度数据之间的时序距离越大，温度线段的数据特征对一次分段异常程度的影响越小。
在本实施例中，基于上述温度线段的数据特征和端点的局部异常程度，对温度数据的异常影响程度进行分析，确定每个温度数据的第一异常影响因子，其计算公式可以为：
Figure SMS_58
其中，
Figure SMS_59
为初次分段得到的各个温度线段对应的第i个温度数据的第一异常影响 因子，i为温度数据的序号，
Figure SMS_60
为初次分段得到的各个温度线段对应的第i个温度数据所在 温度线段的前端点的局部异常程度，
Figure SMS_61
为初次分段得到的各个温度线段对应的第i个温度 数据与对应温度线段的前端点之间的时序距离，
Figure SMS_62
为初次分段对应的第i个温度数据所在温 度线段的前端点和后端点之间的时序距离，
Figure SMS_63
为初次分段得到的各个温度线段对应的第i 个温度数据的第一比值。
每个温度数据的第二异常影响因子的计算公式可以为：
Figure SMS_64
其中，
Figure SMS_65
为初次分段得到的各个温度线段对应的第i个温度数据的第二异常影响 因子，i为温度数据的序号，
Figure SMS_66
为初次分段得到的各个温度线段对应的第i个温度数据所在 温度线段的后端点的局部异常程度，
Figure SMS_67
为初次分段得到的各个温度线段对应的第i个温度 数据与对应温度线段的后端点之间的时序距离，
Figure SMS_68
为初次分段对应的第i个温度数据所在温 度线段的前端点和后端点之间的时序距离，
Figure SMS_69
为初次分段得到的各个温度线段对应的第i 个温度数据的第二比值。
在第一异常影响因子和第二异常影响因子的计算公式中，
Figure SMS_70
可以表征温度线段的 左端点的局部异常程度，左端点即为前端点，
Figure SMS_71
可以表征第i个温度数据与对应温度线段 左端点的距离，这里的距离为与左端点之间的时序距离，
Figure SMS_72
可以表征温度线段的长度，即温 度线段两端点对应的时序距离，
Figure SMS_73
可以表征第i个温度数据与对应温度线段的左端点的时 序距离在前后端点之间的时序距离中的占比情况，
Figure SMS_74
可以表征当前的第i个温度数据 的异常程度受左端点的局部异常的影响程度；
Figure SMS_75
可以表征温度线段的右端点的局部异常程 度，右端点即为后端点，
Figure SMS_76
可以表征当前的第i个温度数据的异常程度受右端点的局 部异常的影响程度。
值得说明的是，第一异常影响因子、第二异常影响因子与一次分段异常影响程度均为正相关，第一异常影响因子和第二异常影响因子越大，说明两端点的局部异常程度对温度数据的一次分段异常程度的影响越大，确定的温度数据的一次分段异常影响程度的准确度越低。
第二步，确定每个温度数据的第三异常影响因子。
首先，计算各个温度线段中的各数据与对应温度线段对应的各电压数据之间的相关系数，获得各个温度线段的相关系数。然后，根据各个温度线段的相关系数，确定各个温度线段对应的第三异常影响因子。其中，根据各个温度线段的相关系数，确定各个温度线段对应的第三异常影响因子，其步骤可以包括：对于任意一个目标温度序列对应的初次分段得到的任意一个温度线段，在该目标温度序列对应的初次分段得到的各个温度线段的相关系数中，统计与该温度线段的相关系数相差小于系数阈值的相关系数的个数。将与该温度线段的相关系数相差小于系数阈值的相关系数的个数和对应目标温度序列对应的初次分段对应的温度线段的个数的比值，确定为对应温度线段的第三比值，进而将该温度线段的相关系数的负相关映射值与所述第三比值的乘积，确定为该温度线段对应的第三异常影响因子。
需要说明的是，假设线段端点的一次分段异常程度为0，掺杂了温度线段对应的各温度数据的变化趋势符合实际温度变化趋势的可能性，此时分析温度线段对应的各温度数据的一次分段异常程度时，温度线段的趋势变化会对一次分段异常程度产生一定影响。为了准确分析温度线段对应的各温度数据的趋势变化对一次分段异常程度的影响情况，基于初次分段得到的各个温度线段和各个温度线段对应的各电压数据之间的相关关系，来确定每个温度数据的第三异常影响因子。
在本实施例中，电容内部的温度数据变化与电压数据变化存在相关关系，电压数据越高，温度数据越高，故温度数据变化与电压数据变化存在正相关关系。对于初次分段得到的任意一个温度线段，获得该温度线段中的各个数据，计算该温度线段中的各个数据与该温度线段对应时段内每个时刻的电压数据之间的皮尔逊相关系数的绝对值，将皮尔逊相关系数的绝对值确定为对应温度线段的正相关系数，实施例中的相关系数即为正相关系数，正相关系数可以表征温度线段的数据变化情况与该温度线段对应的时段内电压数据的变化情况之间的关联程度。例如，每个温度线段的第三异常影响因子的计算公式可以为：
Figure SMS_77
其中，
Figure SMS_78
为初次分段对应的第j个温度线段的第三异常影响因子，
Figure SMS_79
为初次分段对 应的第j个温度线段的相关系数，
Figure SMS_80
为在目标温度序列对应的初次分段得到的各个温度线 段的相关系数中，与第j个温度线段的相关系数相差小于系数阈值的相关系数的个数，
Figure SMS_81
为目标温度序列对应的初次分段对应的温度线段的个数，j为温度线段的序号，
Figure SMS_82
为初次 分段对应的第j个温度线段的第三比值，
Figure SMS_83
为初次分段对应的第j个温度线段的相关 系数的负相关映射值。
在第三异常影响因子的计算公式中，系数阈值取经验值为0.2；相关系数可以通过 现有皮尔逊相关系数的计算过程获得，其实现过程不在本发明保护范围内，此处不再详细 阐述，相关系数
Figure SMS_86
可以反映温度线段所表示的数据变化趋势与对应时段内每个时刻的电压 数据对应的数据变化趋势的符合程度，其值越大，第j个温度线段所表示的温度变化趋势越 符合电压变化趋势，第j个温度线段受假设温度趋势变化的影响越小，故使用数值1减去
Figure SMS_90
， 以确保
Figure SMS_93
与
Figure SMS_87
为负相关；
Figure SMS_91
为可以表征获得的相关系数的个数，
Figure SMS_94
可以表征
Figure SMS_96
在
Figure SMS_84
中的 占比情况，可以实现对
Figure SMS_88
的归一化处理，
Figure SMS_92
越大，说明相关系数
Figure SMS_95
相对于其他温度线段关 于电压的相关系数越集中，即
Figure SMS_85
越能反映温度线段中多个数据与对应时段内的多个电压数 据之间的相关关系；
Figure SMS_89
可以表示温度线段的数据变化情况对温度数据的异常程 度的影响情况，即受假设线段趋势的影响程度；同一温度线段对应的各温度数据的第三异 常影响因子相同。
值得说明的是，第三异常影响因子从温度线段的假设趋势变化的角度，分析温度线段对一次分段异常程度的影响情况。第三异常影响因子从两个角度分析趋势变化，即温度线段的相关系数和温度线段的相关系数相对于其他温度线段的相关系数的集中情况，其有效提高了第三异常影响因子的准确度，便于后续计算异常影响程度。
第三步，根据每个温度数据的第一异常影响因子、第二异常影响因子以及第三异常影响因子，确定每个温度数据的一次分段异常影响程度。
本实施例在获得第一异常影响因子、第二异常影响因子以及第三异常影响因子后，为了结合多个方面的影响因素，计算每个温度数据的一次分段异常影响程度，使每个温度数据的第一异常影响因子和对应温度数据的第二异常影响因子相加，将相加后的数值与对应温度数据所属温度线段对应的第三异常影响因子相乘，将相乘后的数值确定为对应温度数据的一次分段异常影响程度。这里的一次分段异常影响程度也就是初次分段得到的各个温度线段对应的各温度数据的异常影响程度，一次分段异常影响程度的计算公式可以为：
Figure SMS_97
其中，
Figure SMS_98
为初次分段得到的各个温度线段对应的第i个温度数据的一次分段异常 影响程度，
Figure SMS_99
为初次分段得到的各个温度线段对应的第i个温度数据的第一异常影响因子
Figure SMS_100
为初次分段得到的各个温度线段对应的第i个温度数据的第二异常影响因子，
Figure SMS_101
为初 次分段得到的各个温度线段对应的第i个温度数据所属温度线段的第三异常影响因子，i为 温度数据的序号。
在一次分段异常影响程度的计算公式中，
Figure SMS_102
可以表征当前的第i个温度数 据的异常程度受两端点局部异常的影响程度，一次分段异常影响程度
Figure SMS_103
可以表征初次分段 对应的不同温度线段的各个温度数据的一次分段异常程度受假设线段端点的异常程度为0 的影响情况，一次分段异常影响程度
Figure SMS_104
越大，说明温度数据的一次分段异常程度受假设线 段端点异常程度为0的影响越大，温度数据的一次分段异常程度越不准确，温度数据的一次 分段异常影响程度与一次分段异常程度为负相关关系，一次分段异常影响程度越小，对应 温度数据的一次分段异常程度的准确度越高。每个温度数据的异常程度均有对应的异常影 响程度。
至此，本实施例获得了每个温度数据的一次分段异常影响程度。
S6，根据每个温度数据的一次分段异常程度和一次分段异常影响程度、预设时段内每个时刻的电压数据，获得每个温度数据对应的最终异常程度。
在本实施例中，目标温度序列中的各个温度数据仅受其对应的温度线段的两个端点的影响，相比现有logistic回归需要涉及所有温度数据，可以通过改变温度线段的两个端点，快速完成目标温度序列再次分段，实现对再次分段得到的各个温度线段对应的温度数据的重新分析。由于每个温度数据的一次分段异常程度是在假设温度线段端点不存在异常的前提下实现的，故通过计算得到的温度数据的异常程度会受到假设基础的影响，为了减少假设基础的影响，每个温度数据的一次分段异常程度，实现目标温度序列的再次分段处理，基于再次分段得到的各个温度线段对应的各温度数据的数据特征，确定再次分段得到的各个温度线段对应的各温度数据的异常程度和异常影响程度，通过多次分段处理，可以使每个温度数据对应多个异常程度和多个异常影响程度。
基于每个温度数据的一次分段异常程度和一次分段异常影响程度、预设时段内每个时刻的电压数据，可以获得每个温度数据对应的最终异常程度，其步骤包括：
根据每个温度数据的一次分段异常程度，对各个目标温度序列进行二次分段处理，确定二次分段得到的各个温度线段；根据二次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，确定每个温度数据的二次分段异常程度；根据二次分段得到的各个温度线段的两个端点的一次分段异常程度和一次分段异常影响程度、二次分段得到的各个温度线段对应的各电压数据，确定每个温度数据的二次分段异常影响程度；不断重复根据上次分段时每个温度数据的异常程度和异常影响程度、预设时段内每个时刻的电压数据，得到下次分段时每个温度数据的异常程度和异常影响程度的过程，直至分段处理次数达到第三预设数目，从而获得每个温度数据对应的第三预设数目个异常程度和异常影响程度；根据每个温度数据对应的第三预设数目个异常程度和异常影响程度，确定每个温度数据对应的最终异常程度；其中，已经确定为端点的温度数据不再参与后续选取温度线段的端点的过程。
第一步，根据每个温度数据的一次分段异常程度，对各个目标温度序列进行二次分段处理，确定二次分段得到的各个温度线段。
在本实施例中，基于每个温度数据的一次分段异常程度，参考初次分段得到的各个温度线段的实现步骤，可以获得二次分段得到的各个温度线段。已经确定为端点的温度数据不再参与后续选取温度线段的端点的过程，也就是每次分段对应的温度线段的端点不同，其原因在于：为了减少端点异常程度假设的影响，即通过改变端点使得每一次分析的假设不同，从而减少一次假设对最终异常结果的影响，提高最终异常程度的精准性。
第二步，根据二次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，确定每个温度数据的二次分段异常程度。
在本实施例中，基于二次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，参考步骤S3确定初次分段得到的各个温度线段对应的各温度数据的一次分段异常程度的实现过程，可以获得每个温度数据的二次分段异常程度，即可以获得二次分段得到的各个温度线段对应的各温度数据的异常程度。
第三步，根据二次分段得到的各个温度线段的两个端点的一次分段异常程度和一次分段异常影响程度、二次分段得到的各个温度线段对应的各电压数据，确定每个温度数据的二次分段异常影响程度，其步骤内容包括：
第一子步骤，将二次分段得到的各个温度线段的两个端点的一次分段异常程度和一次分段异常影响程度的乘积，确定为对应端点的端点传递异常值，从而获得二次分段得到的各个温度线段的每个端点的端点传递异常值。
第二子步骤，将二次分段得到的各个温度线段的每个端点的一次分段异常程度与对应端点的端点传递异常值相加，将相加后的数值确定为对应端点的二次分段异常程度。
需要说明的是，二次分段同样假设温度线段的两个端点的异常程度为0，二次分段对应的各温度数据的异常程度同样受端点异常的影响，对于端点的异常程度，可以利用端点的一次分段异常程度表征二次分段时端点的异常影响。由于二次分段得到的各个温度线段的两个端点的异常程度是通过端点改变之前获得的，其计算过程是在假设端点异常程度为0的前提实现端点异常传递。因此，在计算二次分段时的各个温度线段的两个端点的异常程度时，需要顾虑到一次分段时端点的异常影响程度的影响。而对于一次分段异常影响程度的计算过程，不存在上一次分段时端点的异常影响程度的影响，即一次分段异常影响程度的计算过程与二次分段、三次分段以及四次分段等后续多次分段对应的异常影响程度的计算过程不同。
在本实施例中，确定二次分段得到的各个温度线段的前端点的异常程度的计算公式可以为：
Figure SMS_105
其中，
Figure SMS_106
为二次分段得到的各个温度线段的前端点的异常程度，即二次分段得到 的各个温度线段的前端点的二次分段异常程度，
Figure SMS_107
为二次分段得到的各个温度线段的前 端点的一次分段异常程度，
Figure SMS_108
二次分段得到的各个温度线段的前端点的一次分段异常影响 程度，
Figure SMS_109
为二次分段得到的各个温度线段的前端点的端点传递异常值。
需要说明的是，
Figure SMS_110
可以表征
Figure SMS_111
对温度数据的假设影响程度，
Figure SMS_112
可以表征端 点传递异常，
Figure SMS_113
可以表征二次分段得到的各个温度线段的前端点在二次分段 异常分析过程中的异常程度，即为实际温度线段端点的异常表现。相比直接使用
Figure SMS_114
，端点 传递异常值
Figure SMS_115
可以有效提高
Figure SMS_116
的准确性，便于后续计算每个温度数据的二次分段 异常影响程度。同时，根据二次分段得到的各个温度线段的前端点的异常程度的获取过程， 可以确定二次分段得到的各个温度线段的后端点的异常程度，此处不再进行详细阐述。
第三子步骤，根据二次分段得到的各个温度线段的每个端点的二次分段异常程度和二次分段得到的各个温度线段对应的各电压数据，确定每个温度数据的二次分段异常影响程度。
在本实施例中，确定每个温度数据的二次分段异常影响程度的计算公式可以为：
Figure SMS_117
其中，
Figure SMS_120
为第i个温度数据的二次分段异常影响程度，
Figure SMS_123
为二次分段得到的各个 温度线段的前端点的二次分段异常程度，
Figure SMS_126
为二次分段得到的各个温度线段对应的第i个 温度数据与对应温度线段的前端点之间的时序距离，
Figure SMS_119
为二次分段对应的第i个温度数据 所在温度线段的前端点和后端点之间的时序距离，
Figure SMS_122
为二次分段得到的各个温度线段的 后端点的异常程度，
Figure SMS_125
为二次分段得到的各个温度线段对应的第i个温度数据与对应温 度线段的后端点之间的时序距离，
Figure SMS_127
为二次分段得到的各个温度线段对应的第i个温度数 据所在温度线段的第三异常影响因子，
Figure SMS_118
为二次分段得到的各个温度线段对应的第 i个温度数据的第一异常影响因子，
Figure SMS_121
为二次分段得到的各个温度线段对应的第i 个温度数据的第二异常影响因子，i为温度数据的序号。
值得说明的是，二次分段得到的各个温度线段的端点的异常程度，相当于初次分段得到的各个温度线段的端点的局部异常程度，两者实现的作用保持一致。
在获得每个温度数据的二次分段异常程度和二次分段异常影响程度后，根据每个温度数据的二次分段异常程度和二次分段异常影响程度、预设时段内每个时刻的电压数据，参考二次分段异常程度和二次分段异常影响程度，可以获得每个温度数据的三次分段异常程度和三次分段异常影响程度，不断重复，实现对目标温度序列的多次分段处理，可以获得每个温度数据对应的第三预设数目个异常程度和异常影响程度。
第四步，根据每个温度数据对应的第三预设数目个异常程度和异常影响程度，确定每个温度数据对应的最终异常程度。
对于每个温度数据的任意一个异常程度和该异常程度对应的异常影响程度，将每个温度数据的该异常程度和该异常程度对应的异常影响程度的乘积确定为对应温度数据的第一乘积，从而获得每个温度数据对应的第三预设数目个第一乘积；将每个温度数据对应的第三预设数目个第一乘积的累加和确定为对应温度数据的最终异常程度。
在本实施例中，可以获得第三预设数目次分段处理后的每个温度数据的异常程度 和异常影响程度，异常程度可以记为
Figure SMS_128
，异常影响程度可以记为
Figure SMS_129
，其中，
Figure SMS_130
可以表征第 k次分段得到的各个温度线段的第i个温度数据的异常程度，即第i个温度数据的k次分段异 常程度，k次分段异常程度也就是第k个异常程度，
Figure SMS_131
可以表征第k次分段得到的各个温度线 段的第i个温度数据的异常影响程度，即第i个温度数据的k次分段异常影响程度，k次分段 异常影响程度也就是第k个异常影响程度。基于各个目标温度序列中每个温度数据对应的 多个异常程度和异常影响程度，可以获得每个温度数据的最终异常程度，其计算公式可以 为：
Figure SMS_132
其中，
Figure SMS_133
为各个目标温度序列中第i个温度数据的最终异常程度，
Figure SMS_134
为各个目标 温度序列中第i个温度数据的第k个异常影响程度，
Figure SMS_135
为各个目标温度序列中第i个温度数 据的第k个异常程度，k为温度数据的异常程度或异常影响程度的序号，n为目标温度序列的 分段处理次数，n也可以为温度数据对应的异常程度和异常影响程度的个数，i为温度数据 的序号，
Figure SMS_136
为各个目标温度序列中第i个温度数据的第k个第一乘积。
需要说明的是，异常影响程度
Figure SMS_139
与最终异常程度
Figure SMS_143
为负相关关系，异常影响程度
Figure SMS_146
越大，说明异常程度
Figure SMS_140
的可信度越低，最终异常程度
Figure SMS_141
越小，故需要对
Figure SMS_144
进行负相关 映射，负相关映射可以为
Figure SMS_147
的倒数，即
Figure SMS_137
，也可以为以自然常数为底的
Figure SMS_142
次幂，即
Figure SMS_145
；分 段处理次数n同样可以表征端点的改变次数，取经验值为5；每个温度数据均会对应5个异常 程度和5个异常影响程度，但每个温度数据有且仅有一个最终异常程度；最终异常程度
Figure SMS_148
可以表征温度数据为异常温度数据的可能性，最终异常程度
Figure SMS_138
越大，说明该温度数据为异 常温度数据的可能性越大。分段处理次数可以由实施者根据具体实际情况自行设置，本实 施例不做具体限定。
至此，本实施例获得了每个温度数据的最终异常程度。
S7，根据最终异常程度，判断待监测电容在预设时段内是否存在异常温度数据。
若任意一个温度数据的最终异常程度大于预设异常程度阈值，则判定待监测电容在预设时段内存在异常温度数据，对异常温度数据进行校正处理，并将异常温度数据更新为校正处理后的温度数据，否则，则判定待监测电容在预设时段内不存在异常温度数据。
在本实施例中，使各个目标温度序列中的各个温度数据的最终异常程度均与预设异常程度阈值作比对，并将最终异常程度大于预设异常程度阈值的温度数据确定为异常温度数据，若任意一个温度数据的最终异常程度大于预设异常程度阈值，则判定待监测电容在预设时段内存在异常温度数据，进而筛选出全部的异常温度数据。为了减少异常温度数据对电容温度监测的影响，利用线性插值算法，对异常温度数据进行校正，并将异常温度数据更新为校正处理后的温度数据，以获得更加准确的温度数据。若各个目标温度序列中的各个温度数据的最终异常程度均小于或等于预设异常程度阈值，则判定待监测电容在预设时段内不存在异常温度数据。在获得更准确反映电容运行状态的温度数据后，根据预设时段内每个时刻的电容温度数据，进行电容运行监测，发现超温或异常运行就进行预警，其可以有效避免电容运行异常监测存在偏差的情况。线性插值算法的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
其中，对于预设异常程度阈值，预设异常程度阈值的计算公式可以为
Figure SMS_149
，
Figure SMS_150
为预设异常程度阈值，
Figure SMS_151
为各个目标温度序列中的各个温度数据的最 终异常程度对应的均值，
Figure SMS_152
为各个目标温度序列中的各个温度数据的最终异常程度对应的 标准差。预设异常程度阈值可以由实施者根据具体实际情况自行设置，这里不做具体限定。
至此，本实施例获得了预设时段内可以更准确反映电容运行状态的温度数据。
本发明提供了一种智能电容器的监测方法，通过假设正常温度线段与对应各个温度数据点的位置关系，进行温度数据的异常程度分析，结合假设正常温度线段的异常影响程度，通过多次分段处理，使每个温度数据对应多个异常程度和异常影响程度，进而获得最终异常程度。使最终异常程度的分析不仅考虑温度数据的局部异常程度，还考虑可能存在多个连续分布的异常温度数据对数据趋势的影响，其有效提高了温度数据的最终异常程度的可靠性。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (4)

1.一种智能电容器的监测方法，其特征在于，包括以下步骤：
实时获取待监测电容在预设时段内的各个目标温度序列，所述目标温度序列中包含趋势相同的、且按采集时间先后顺序排列的温度数据；
根据各个目标温度序列中的每个温度数据，确定每个温度数据的局部异常程度；
根据所述局部异常程度，对各个目标温度序列进行初次分段处理，确定初次分段得到的各个温度线段；
根据初次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，确定每个温度数据的一次分段异常程度；所述各个温度线段对应的各温度数据为各个温度线段对应时段内每个时刻的电容温度数据；
根据初次分段得到的各个温度线段的两个端点的局部异常程度、各个温度线段对应的各电压数据，确定每个温度数据的一次分段异常影响程度；所述各个温度线段对应的各电压数据为各个温度线段对应时段内每个时刻的电容电压数据；
根据每个温度数据的一次分段异常程度和一次分段异常影响程度、预设时段内每个时刻的电压数据，获得每个温度数据对应的最终异常程度；
根据所述最终异常程度，判断待监测电容在预设时段内是否存在异常温度数据；
根据各个目标温度序列中的每个温度数据，确定每个温度数据的局部异常程度，包括：
将与任意一个温度数据相邻的第一预设数目个温度数据确定为该温度数据的相关温度数据，进而获得每个温度数据的各个相关温度数据；
将每个温度数据与其后一个温度数据的差值绝对值确定为对应温度数据的第一局部异常因子，将每个温度数据的各个相关温度数据与其后一个温度数据的差值绝对值确定为对应相关温度数据的第一局部异常因子；
将每个温度数据的第一局部异常因子与对应各个相关温度数据的第一局部异常因子之间的差值绝对值，确定为对应温度数据的各第二局部异常因子；将每个温度数据与其各个相关温度数据之间的时序距离的负相关映射值确定为对应温度数据的各第三局部异常因子；
计算每个温度数据的各第二局部异常因子与对应温度数据的第三局部异常因子的乘积的累加和，将所述累加和确定为对应温度数据的局部异常程度；
根据初次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，确定每个温度数据的一次分段异常程度，包括：
计算各个温度线段对应的各温度数据到对应温度线段的距离，进而将温度线段对应的最大距离确定为目标距离；将每个温度数据到对应温度线段的距离与目标距离的比值确定为对应温度数据的第一异常指标；
对于某个温度线段对应的任意一个温度数据，在该温度线段对应的各温度数据到对应温度线段的距离中，统计与该温度数据到对应温度线段的距离相差小于距离阈值的距离数量，将所述距离数量的负相关映射值确定为该温度数据的第二异常指标，从而获得各个温度线段对应的各温度数据的第二异常指标；
将各个温度线段对应的各温度数据的第一异常指标和对应温度数据的第二异常指标的乘积，确定为对应温度数据的一次分段异常程度，从而获得每个温度数据的一次分段异常程度；
根据初次分段得到的各个温度线段的两个端点的局部异常程度、各个温度线段对应的各电压数据，确定每个温度数据的一次分段异常影响程度，包括：
根据初次分段得到的各个温度线段对应的各温度数据的采集时间和前端点的采集时间，确定各温度数据的第一比值，将所述第一比值与对应温度线段的前端点的局部异常程度的乘积确定为对应温度数据的第一异常影响因子；所述第一比值为温度数据和对应温度线段的前端点之间的时序距离与对应温度线段的前后端点之间的时序距离的比值；
根据初次分段得到的各个温度线段对应的各温度数据的采集时间和后端点的采集时间，确定各温度数据的第二比值，将所述第二比值与对应温度线段的后端点的局部异常程度的乘积确定为对应温度数据的第二异常影响因子；所述第二比值为温度数据和对应温度线段的后端点之间的时序距离与对应温度线段的前后端点之间的时序距离的比值；
计算各个温度线段中的各数据与对应温度线段对应的各电压数据之间的相关系数，获得各个温度线段的相关系数，根据各个温度线段的相关系数，确定各个温度线段对应的第三异常影响因子；
使每个温度数据的第一异常影响因子和对应温度数据的第二异常影响因子相加，将相加后的数值与对应温度数据所属温度线段对应的第三异常影响因子相乘，将相乘后的数值确定为对应温度数据的一次分段异常影响程度；
根据各个温度线段的相关系数，确定各个温度线段对应的第三异常影响因子，包括：
对于任意一个目标温度序列对应的初次分段得到的任意一个温度线段，在该目标温度序列对应的初次分段得到的各个温度线段的相关系数中，统计与该温度线段的相关系数相差小于系数阈值的相关系数的个数；
将所述与该温度线段的相关系数相差小于系数阈值的相关系数的个数和对应目标温度序列对应的初次分段对应的温度线段的个数的比值，确定为对应温度线段的第三比值；
将该温度线段的相关系数的负相关映射值与所述第三比值的乘积，确定为该温度线段对应的第三异常影响因子；
根据每个温度数据的一次分段异常程度和一次分段异常影响程度、预设时段内每个时刻的电压数据，获得每个温度数据对应的最终异常程度，包括：
根据每个温度数据的一次分段异常程度，对各个目标温度序列进行二次分段处理，确定二次分段得到的各个温度线段；根据二次分段得到的各个温度线段对应的各温度数据与对应温度线段的位置关系，确定每个温度数据的二次分段异常程度；根据二次分段得到的各个温度线段的两个端点的一次分段异常程度和一次分段异常影响程度、二次分段得到的各个温度线段对应的各电压数据，确定每个温度数据的二次分段异常影响程度；不断重复根据上次分段时每个温度数据的异常程度和异常影响程度、预设时段内每个时刻的电压数据，得到下次分段时每个温度数据的异常程度和异常影响程度的过程，直至分段处理次数达到第三预设数目，从而获得每个温度数据对应的第三预设数目个异常程度和异常影响程度；根据每个温度数据对应的第三预设数目个异常程度和异常影响程度，确定每个温度数据对应的最终异常程度；其中，已经确定为端点的温度数据不再参与后续选取温度线段的端点的过程；
根据所述局部异常程度，对各个目标温度序列进行初次分段处理，确定初次分段得到的各个温度线段，包括：
将各个目标温度序列中的首个温度数据确定为对应目标温度序列中第一个温度线段的前端点，将各个目标温度序列中的最后一个温度数据确定为对应目标温度序列中最后一个温度线段的后端点；
根据各个目标温度序列中每个温度数据的局部异常程度，将各个目标温度序列中除首个温度数据和最后一个温度数据以外的温度数据按照从小到大的顺序进行排列，获得排列后的温度序列，将所述排列后的温度序列中局部异常程度较小的前第二预设数目个温度数据确定为待选端点，将待选端点映射到对应目标温度序列中；
从各个目标温度序列中第一个温度线段的前端点的后一个待选端点开始，依次判断各个待选端点是否满足预设间隔条件，若满足，则将待选端点确定为温度线段的端点，若不满足，则剔除对应待选端点；其中，所述预设间隔条件为与前一个端点之间的温度数据数目小于等于第一间隔阈值且大于等于第二间隔阈值；
将各个目标温度序列中的相邻端点相连，确定初次分段得到的各个温度线段。
2.根据权利要求1所述的一种智能电容器的监测方法，其特征在于，根据二次分段得到的各个温度线段的两个端点的一次分段异常程度和一次分段异常影响程度、二次分段得到的各个温度线段对应的各电压数据，确定每个温度数据的二次分段异常影响程度，包括：
将二次分段得到的各个温度线段的两个端点的一次分段异常程度和一次分段异常影响程度的乘积，确定为对应端点的端点传递异常值，从而获得二次分段得到的各个温度线段的每个端点的端点传递异常值；
将二次分段得到的各个温度线段的每个端点的一次分段异常程度与对应端点的端点传递异常值相加，将相加后的数值确定为对应端点的二次分段异常程度；
根据二次分段得到的各个温度线段的每个端点的二次分段异常程度和二次分段得到的各个温度线段对应的各电压数据，确定每个温度数据的二次分段异常影响程度。
3.根据权利要求1所述的一种智能电容器的监测方法，其特征在于，根据每个温度数据对应的第三预设数目个异常程度和异常影响程度，确定每个温度数据对应的最终异常程度，包括：
对于每个温度数据的任意一个异常程度和该异常程度对应的异常影响程度，将每个温度数据的该异常程度和该异常程度对应的异常影响程度的乘积确定为对应温度数据的第一乘积，从而获得每个温度数据对应的第三预设数目个第一乘积；将每个温度数据对应的第三预设数目个第一乘积的累加和确定为对应温度数据的最终异常程度。
4.根据权利要求1所述的一种智能电容器的监测方法，其特征在于，根据所述最终异常程度，判断待监测电容在预设时段内是否存在异常温度数据，包括：
若任意一个温度数据对应的最终异常程度大于预设异常程度阈值，则判定待监测电容在预设时段内存在异常温度数据，并将最终异常程度大于预设异常程度阈值的温度数据确定为异常温度数据，对异常温度数据进行校正处理，并将异常温度数据更新为校正处理后的温度数据，否则，则判定待监测电容在预设时段内不存在异常温度数据。
CN202310430405.8A 2023-04-21 2023-04-21 一种智能电容器的监测方法 Active CN116183058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310430405.8A CN116183058B (zh) 2023-04-21 2023-04-21 一种智能电容器的监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310430405.8A CN116183058B (zh) 2023-04-21 2023-04-21 一种智能电容器的监测方法

Publications (2)

Publication Number Publication Date
CN116183058A CN116183058A (zh) 2023-05-30
CN116183058B true CN116183058B (zh) 2023-07-07

Family

ID=86433067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310430405.8A Active CN116183058B (zh) 2023-04-21 2023-04-21 一种智能电容器的监测方法

Country Status (1)

Country Link
CN (1) CN116183058B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116414076B (zh) * 2023-06-12 2023-08-15 济宁长兴塑料助剂有限公司 一种回收醇生产数据智能监控系统
CN116595426B (zh) * 2023-07-17 2023-09-26 济南大陆机电股份有限公司 一种工业物联网数据智能采集管理系统
CN116680446B (zh) * 2023-08-03 2023-09-29 山东青上化工有限公司 一种含菌生态肥料发酵生产数据智能采集方法及系统
CN116772285B (zh) * 2023-08-28 2023-11-07 山东国能智能科技有限公司 一种智能楼宇供暖负载安全实时监控方法
CN117288348B (zh) * 2023-11-24 2024-02-09 青岛东山集团母线智造有限公司 一种母线槽测温方法及系统
CN117474427B (zh) * 2023-12-27 2024-03-26 大连金马衡器有限公司 基于物联网技术的智能托盘冷链溯源方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115128513A (zh) * 2022-06-28 2022-09-30 深圳供电局有限公司 一种基于热量的电容器异常检测方法及相关装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3623964A1 (en) * 2018-09-14 2020-03-18 Verint Americas Inc. Framework for the automated determination of classes and anomaly detection methods for time series
JP2021117029A (ja) * 2020-01-23 2021-08-10 三菱電機株式会社 コンデンサの監視装置
CN113626418A (zh) * 2020-05-08 2021-11-09 台达电子工业股份有限公司 数据分析系统和数据分析方法
EP3913885A1 (en) * 2020-05-19 2021-11-24 Fujitsu Limited Anomaly detection method and program
CN115544152A (zh) * 2022-11-09 2022-12-30 北京沃东天骏信息技术有限公司 一种数据处理方法和装置
CN115840897B (zh) * 2023-02-09 2023-04-18 广东吉器电子有限公司 一种温度传感器数据异常处理方法
CN115858894B (zh) * 2023-02-14 2023-05-16 温州众成科技有限公司 一种可视化的大数据分析方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115128513A (zh) * 2022-06-28 2022-09-30 深圳供电局有限公司 一种基于热量的电容器异常检测方法及相关装置

Also Published As

Publication number Publication date
CN116183058A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN116183058B (zh) 一种智能电容器的监测方法
CN110336534B (zh) 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法
CN117093879B (zh) 一种数据中心智能化运营管理方法及系统
CN112684401B (zh) 轻载台区电能表运行误差数据的处理方法及系统
CN115861011B (zh) 一种基于多源数据融合的智慧城市优化管理方法和系统
CN110400231B (zh) 一种加权非线性贝叶斯的电能计量设备失效率预估方法
CN117312997B (zh) 一种电力管理系统智能诊断方法及系统
CN115600837A (zh) 一种用于电器负荷异常的节能诊断方法
CN117421610B (zh) 一种用于电能表运行状态预警的数据异常分析方法
CN113225209A (zh) 一种基于时间序列相似检索的网络监控实时预警方法
CN111856209A (zh) 一种输电线路故障分类方法及装置
CN115018315A (zh) 一种供热异常的检测方法、装置、电子设备及存储介质
CN117668734B (zh) 一种智能切割头温度监测方法
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN116955895B (zh) 一种变压器运行异常监测方法及系统
CN113810792A (zh) 一种基于云计算的边缘数据采集分析系统
CN115951123B (zh) 一种基于无线通信的电能计量方法及系统
CN117314020A (zh) 一种浮游生物的湿地碳汇数据监测系统
CN114090562A (zh) 一种电力营销数据的清洗方法及装置
Cai et al. RUL prediction for two-phase degrading systems considering physical damage observations
CN114037010A (zh) 一种电量数据异常的识别方法及装置
CN117556274B (zh) 一种热管背板的温度数据异常分析方法
CN117892246B (zh) 一种智能化开关柜用数据处理方法
CN113553545B (zh) 小电流电器的事件检测方法及系统、设备、存储介质
CN116541794B (zh) 一种基于自适应图注意网络的传感器数据异常检测方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20230530

Assignee: Zhejiang Mamba Intelligent Technology Co.,Ltd.

Assignor: Shide Electric Group Co.,Ltd.

Contract record no.: X2023980039869

Denomination of invention: A Monitoring Method for Intelligent Capacitors

Granted publication date: 20230707

License type: Common License

Record date: 20230817