CN116304766B - 基于多传感器的开关柜状态快速评估方法 - Google Patents

Abstract

本发明涉及数据分析领域，具体涉及基于多传感器的开关柜状态快速评估方法，采集开关柜状态相关参数数据，获取开关柜状态评估矩阵；根据各参数数据的相关程度得到各参数之间的关联性，并对参数进行类别划分；根据各参数之间的关联性得到各参数的影响因子，根据影响因子提取各类别的候选参数；计算各数据的噪点可能性，滤除噪点；计算各候选参数数据的聚类截止半径，对各候选参数的数据进行聚类分析，获取每个候选参数的各个聚类簇；根据各候选参数的预测数据计算各个聚类簇的异常因子，提取异常聚类簇，根据各异常聚类簇计算开关柜状态评估值，完成开关柜状态的快速评估。从而实现开关柜状态的评估，具有较高精度及智能化。

Description

基于多传感器的开关柜状态快速评估方法

技术领域

本申请涉及数据分析领域，具体涉及基于多传感器的开关柜状态快速评估方法。

背景技术

配电网高压开关柜在电力线路的控制及保护等方面起着重要作用，是电力系统的重要设备之一，开关柜具有构造封闭、安装数量多、分布面积广等特点，是配电网中故障率最高的设备之一。开关柜起着控制和保护其他电力设备的作用，其状态的好坏直接影响着电网的运行可靠性和用户的用电质量。因此，对配电开关柜进行合理准确的状态评价可以为开关柜的性能评估、合理使用和安全工作提供依据，进而为维护整个配电系统的安全稳定运行做出贡献。

对开关柜进行检修是确保其安全可靠运行的必要手段，然而由于在现实情况中高压开关柜应用广泛，检修任务较为繁重。目前多进行定期检修，但在不知道开关柜运行状态的情况下，对其进行盲目的检修，将造成不必要的检修资源浪费，甚至由于过度的检修，造成开关柜设备产生不必要的损坏。同时，开关柜结构封闭，内部各设备之间的性能相互影响较大，仅通过单一数据分析各特征对开关柜状态的影响，无法对开关柜状态做出准确的评估，造成开关柜状态评估精度低等问题。

综上所述，本发明提出基于多传感器的开关柜状态快速评估方法，通过多维传感器对开关柜状态参数数据进行采集，获取开关柜状态评估矩阵，通过对开关柜状态评估矩阵的分析，提取候选参数，并检测候选参数的异常聚类簇，实现开关柜状态的快速评估，针对开关柜状态异常状况进行预警提示。

发明内容

为了解决上述技术问题，本发明提供基于多传感器的开关柜状态快速评估方法，以解决现有的问题。

本发明的基于多传感器的开关柜状态快速评估方法采用如下技术方案：

本发明一个实施例提供了基于多传感器的开关柜状态快速评估方法，该方法包括以下步骤：

传感器采集各参数的数据得到开关柜状态评估矩阵；

根据各参数数据的相关程度得到各参数之间的关联性，根据参数之间的关联性对参数进行类别划分；根据各参数之间的关联性得到各参数的影响因子；根据影响因子得到各类别的候选参数；

根据各候选参数数据之间局部关系得到各候选参数的噪点数据，对噪点数据进行滤除；

根据各候选参数数据得到各候选参数数据的聚类截止半径；通过各候选参数数据的聚类截止半径结合DBSCAN聚类算法依次对各候选参数的数据进行聚类分析，获取每个候选参数的各个聚类簇；通过ARIMA模型预测各候选参数的预测数据，根据每个候选参数的预测数据得到每个候选参数的各个聚类簇的异常因子，将异常因子高于异常因子阈值的聚类簇作为异常聚类簇；

根据各异常聚类簇得到开关柜状态评估值，根据开关柜状态评估值实现开关柜状态的快速评估。

优选的，所述根据各参数数据的相关程度得到各参数之间的关联性，表达式为：

式中，为参数i与参数j之间的关联性，N为数据采集时刻总数，分别为 参数i、参数j在数据采集时刻t时的数据，分别为参数i、参数j的数据均值。

优选的，所述根据参数之间的关联性对参数进行类别划分，具体为：获取任意两个不相同的参数之间的关联性，设置关联性阈值，当两个参数之间的关联性高于关联性阈值时，将两个参数划分为同一个类别，依次对各参数类别进行划分，初步实现各参数的类别划分。

优选的，所述根据各参数之间的关联性得到各参数的影响因子，表达式为：

式中，为类别h中参数i的影响因子，为类别h所包含的参数数量，为参数i 与参数j之间的关联性。

优选的，所述根据影响因子得到各类别的候选参数，具体为：获取各参数的影响因子，将各类别中影响因子最大的参数作为各类别的候选参数。

优选的，所述根据各候选参数数据之间局部关系得到各候选参数的噪点数据，具体为：根据各候选参数数据之间的差异计算各候选参数数据的噪点可能性，噪点可能性表达式为：

式中，为候选参数c在t时刻的数据的噪点可能性，分 别为候选参数c在t-1、t、t+1时刻的数据，max为取最大值操作，min为取最小值操作，为大 于零的极小值；

依次计算各候选参数数据的噪点可能性，将噪点可能性高于噪点阈值的数据作为各候选参数的噪点数据。

优选的，所述根据各候选参数数据得到各候选参数数据的聚类截止半径，表达式为：

式中，为候选参数c的数据聚类截止半径，为候选参数c在t时刻的数据，为 类别c候选参数的数据均值，N为数据采集时刻总数。

优选的，所述根据每个候选参数的预测数据得到每个候选参数的各个聚类簇的异常因子，表达式为：

式中，为候选参数c的聚类簇v所对应的异常因子，为候选参数c的预测数 据，为候选参数c的聚类簇v的数据均值，e为自然常数。

优选的，所述根据各异常聚类簇得到开关柜状态评估值，具体为：

式中，为开关柜状态评估值，Q为存在异常聚类簇的候选参数的个数，q为存在异 常聚类簇的候选参数，为存在异常聚类簇的候选参数q的影响因子，为存在异常聚类簇 的候选参数q所包含的异常聚类簇个数，为存在异常聚类簇的候选参数q的异常聚类簇 f的异常因子。

优选的，所述根据开关柜状态评估值实现开关柜状态的快速评估，具体为：对开关柜状态评估值进行归一化处理，保证其值处于（0,1），设置开关柜状态评估阈值，当开关柜状态评估值高于开关柜状态评估阈值时，则开关柜状态异常，及时做出预警；否则开关柜状态正常。

本发明至少具有如下有益效果：

本发明方法可根据多传感器数据对开关柜状态进行快速评估。首先，对开关柜状态评估各参数数据进行初步类别划分，并根据各类别内参数的影响因子，选取各类别的候选参数，有效降低计算成本；同时，考虑到数据采集过程中存在噪声的影响，为提高开关柜状态评估精度，本发明结合数据噪点可能性对每个候选参数的各数据均进行噪点的判定，滤除各候选参数中的噪点数据，避免对候选参数异常数据提取的影响；

进一步，本发明对各候选参数数据进行细粒度划分，并根据各聚类簇的异常因子对各类别候选参数的异常聚类簇进行判定，提高开关柜状态检测精度，本发明根据所提取的异常聚类簇集合对开关柜状态进行快速定量评估，具有较高的评估精度，可实现对开关柜状态的自动化检测评估。

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为本发明提供的基于多传感器的开关柜状态快速评估方法的流程图。

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基于多传感器的开关柜状态快速评估方法，其具体实施方式、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”指的不一定是同一实施例。此外，一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。

下面结合附图具体的说明本发明所提供的基于多传感器的开关柜状态快速评估方法的具体方案。

本发明一个实施例提供的基于多传感器的开关柜状态快速评估方法。

具体的，提供了如下的基于多传感器的开关柜状态快速评估方法，请参阅图1，该方法包括以下步骤：

步骤S001，多种传感器采集开关柜状态各参数数据，获取开关柜状态评估矩阵。

本实施例主要通过开关柜状态评估相关的多维参数数据，对开关柜的状态进行评估，实现对开关柜异常情况的提示预警。本实施例旨在对开关柜运行状态进行分析评估，开关柜状态评估相关的参数有很多，包括但不限于温度，湿度，负载率，主回路电阻，噪声，振动频率等，将开关柜状态评估相关参数数量记为M，通过相应的传感器对开关柜状态评估参数数据进行采集，以得到各参数的数据。需要说明的是，传感器类型以及位置部署实施者可自行选取设定。为避免传感器数据采集过程中的功耗，同时考虑到开关柜运行过程中各参数数据的变化具有一定的连续性，本实施将设置数据采集时间间隔t，也即每间隔t时刻采集一次各参数的数据，对每个参数均采集N次数据，本实施例设置为t=1，N=500，其他实施例中实施者可根据实际自行设置。

获取开关柜状态相关各参数的数据之后，本实施例将根据各参数的数据构建开关柜状态评估矩阵，将每个参数的数据作为开关柜状态评估矩阵的每行，M个参数的数据可构成一个M*N的开关柜状态评估矩阵，开关柜状态评估矩阵具体为：

式中，为参数M在数据采集时刻N时的数据，K为开关柜状态评估矩阵。

至此，即可通过各数据采集传感器对开关柜状态评估相关的各参数数据进行采集，得到开关柜状态评估矩阵，用于对开关柜运行过程中各参数状态进行表征。

步骤S002，对开关柜状态评估矩阵进行分析，提取各候选参数，并对各候选参数的异常聚类簇进行判定。

对于获取的开关柜状态评估矩阵，将对开关柜状态评估矩阵进行分析，对开关柜运行异常的数据进行检测提取，进而实现对开关柜状态的快速评估。数据处理模块具体过程为：

考虑到开关柜运行过程中各参数之间具有一定的关联性，为降低计算量，提高检测速度，本实施例将首先对开关柜各参数的关联性进行检测，以便对开关柜各维度的参数进行初步划分，开关柜各参数关联性表达式为：

式中，为参数i与参数j之间的关联性，N为数据采集总时刻，分别为参 数i、参数j在数据采集时刻t时的数据，分别为参数i、参数j的数据均值，关联性越 大，则开关柜运行过程中两个参数之间的相互影响程度越高，数据变化一致性越强；

重复上述方法，获取任意两个不相同的参数之间的关联性，并设置关联性阈值，当两个参数之间的关联性高于关联性阈值时，将两个参数划分为同一个类别，依次对各参数类别进行划分，初步实现各维度参数的类别划分。关联性阈值实施者可自行设定，本实施例将关联性阈值设置为0.75。需要说明的是，通过关联性进行各维度参数的类别划分后，同一类别内的参数具有较强的正相关性，数据之间联系性较大，当同一类别内的一个参数出现异常时，同类别其他参数也将出现数据异常情况；

考虑到对关联性较高的多个维度的参数均进行检测分析存在数据量大，计算成本高等问题，且各参数数据之间的相互影响可能会导致开关柜状态评估精度不高的问题，因此，对于初步划分的各类别，本实施将根据类别内各参数对于开关柜状态评估影响度，对类别内的候选参数进行选取。对于各类别内的参数，将获取开关柜运行状态评估过程中各参数的影响度，本实施例将进一步根据关联性对各参数的影响因子进行计算，影响因子表达式为：

式中，为类别h中参数i的影响因子，为类别h所包含的参数数量，为参数i 与参数j之间的关联性，影响因子越大，则在类别h中参数i与类别h内其他参数的相关程 度越高，对开关柜运行状态评估的影响度越大；

根据各参数的影响因子得到各类别的候选参数，获取各参数的影响因子，将各类别中影响因子最大的参数作为各类别的候选参数，用于对开关柜运行状态进行检测评估；

重复上述方法，获取每个类别对应的候选参数，可得到用于检测开关柜运行状态的各候选参数，以便根据候选参数的分析提取开关柜运行过程中的异常数据；

对于各类别，进一步根据各候选参数的数据对开关柜运行参数数据的异常情况进行检测，以便对开关柜状态进行评估。考虑到传感器在进行数据提取过程中会存在噪声，将会导致各候选参数的数据中存在大量的噪点，极易对候选参数中的异常数据提取造成误判等情况，影响开关柜运行状态的检测精度，因此，对于各候选参数的数据本实施例将首先进行噪点的提取并处理，以防止噪点对各候选参数数据分析的影响。通常情况下噪点数据具有孤立性不连续性等特点，因此，对于各候选参数的数据，本实施例将对数据的噪点可能性进行判定，数据噪点可能性表达式具体为：

式中，为候选参数c在t时刻的数据的噪点可能性，分 别为候选参数c在t-1、t、t+1时刻的数据，max为取最大值操作，min为取最小值操作，为大 于零的极小值，实施者可自行设定，本实施例将其设置为0.01；

重复上述方法，依次获取每个候选参数中各数据的噪点可能性，将噪点可能性高于噪点阈值的数据作为噪点数据，滤除噪点数据，避免对开关柜状态评估的影响。需要说明的是噪点阈值实施者自行设定，本实施例将噪点阈值设置为0.6；

进一步，对于各候选参数的数据，为提高各候选参数数据异常情况的检测精度，对各候选参数进行细粒度划分，数据在聚类时聚类结果呈现出圆形簇状结构，而孤立独特性较高的数据将呈现在圆形簇状外，因此，本实施例将通过DBSCAN (Density-Based SpatialClustering of Applications with Noise)算法依次对各候选参数的数据进行聚类分析。首先，对各候选参数数据聚类的聚类截止半径进行自适应设定，以便对各候选参数的数据进一步聚类，各候选参数数据的聚类截止半径：

式中，为候选参数c的数据聚类截止半径，也即聚类簇的聚类半径，为候选参 数c在t时刻的数据，为类别c候选参数的数据均值，N为数据采集时刻总数。获取各候选参 数数据对应的聚类截止半径后，对于各候选参数数据聚类分析的簇内最小数目，实施 者可自行设定，本实施例设置为，为候选参数c聚类分析的簇内最小数目；

重复上述方法，获取各候选参数数据聚类对应的聚类截止半径以及簇内最小数目，结合DBSCAN算法依次对各候选参数的数据进行进一步聚类分析，每个候选参数的数据将被分为数个聚类簇。需要说明的是，DBSCAN聚类过程为现有公知技术。为提高异常聚类簇的提取精度，实现对开关柜候选参数数据的状况进行准确分析，进一步对噪点进行滤除，将仅包含一个数据的聚类簇作为噪点聚类簇，去除噪点聚类簇，避免噪点对异常聚类簇提取的影响。候选参数的聚类簇个数越多，则候选参数数据分布越不均匀，候选参数数据中出现异常数据的可能性也越大；

同时，考虑到对各候选参数的数据进行聚类簇划分后，对于每个候选参数的数个聚类簇无法直接对异常聚类簇进行判定，因此，为实现对各候选参数的异常数据进行准确检测提取，本实施将通过ARIMA模型（自回归移动平均模型）对各候选参数的数据进行预测，ARIMA模型可根据参数之前多个正常数据进行回归得到参数的预测数据，具体预测过程为现有公知技术，不在本实施例保护范围内，不做一一详细阐述。获取各候选参数的预测数据后，根据各候选参数的聚类划分结果以及预测数据，得到各候选参数的异常聚类簇，各候选参数的异常聚类簇获取过程具体为：

式中，为候选参数c的聚类簇v所对应的异常因子，为候选参数c的预测数据，为候选参数c的聚类簇v的数据均值，e为自然常数，用于对进行归一化 处理，实施者也可选取其他归一化处理方法。异常因子越大，聚类簇为异常聚类簇的可能性 越高，为实现对异常聚类簇的判定，设定异常因子阈值，将异常因子高于异常因子阈值的聚 类簇作为异常聚类簇，实现对候选参数的异常聚类簇进行判定提取。需要说明的是，异常因 子阈值实施者可自行设定，本实施例将异常因子阈值设定为0.5；

重复上述方法，对各候选参数的异常聚类簇依次进行提取；

至此，可实现对各候选参数的异常聚类簇进行提取，用于对开关柜状态进行检测评估；

至此，即可根据上述方法获取开关柜状态评估各参数数据进行初步类别划分，并根据各类别内参数的影响因子，选取各类别的候选参数，有效降低计算成本；进而，对于各候选参数数据进行细粒度划分，并根据各聚类簇的异常因子对各候选参数的异常聚类簇进行判定，提高开关柜状态检测精度。

步骤S003，根据提取的各异常聚类簇，对开关柜状态进行快速评估。

根据上述方法所提取的各异常聚类簇，本实施例将对开关柜状态进行评估，开关柜状态评估表达式具体为：

式中，为开关柜状态评估值，Q为存在异常聚类簇的候选参数的个数，q为存在异 常聚类簇的候选参数，为存在异常聚类簇的候选参数q的影响因子，为存在异常聚类簇 的候选参数q所包含的异常聚类簇个数，为存在异常聚类簇的候选参数q的异常聚类簇 f的异常因子。

为便于对开关柜异常状态进行识别，对开关柜状态异常状况及时预警提示，实现开关柜状态的快速评估，本实施例将对开关柜状态评估值进行归一化处理，保证其值处于（0,1），并设置开关柜状态评估阈值，当开关柜状态评估值高于开关柜状态评估阈值时，则开关柜状态异常，及时做出预警，提示相关管理人员对开关柜进行维护检修，防止开关柜长时间异常运行导致危险事故的发生。需要说明的是，开关柜状态评估阈值实施者可自行设定，本实施例将开关柜状态评估阈值设置为0.5。

综上所述，本发明实施例可根据多传感器数据对开关柜状态进行快速评估。首先，对开关柜状态评估各参数数据进行初步类别划分，并根据各类别内参数的影响因子，选取各类别的候选参数，有效降低计算成本；同时，考虑到数据采集过程中存在噪声的影响，为提高开关柜状态评估精度，本发明实施例结合数据噪点可能性对每个候选参数的各数据均进行噪点的判定，滤除各候选参数中的噪点数据，避免对候选参数异常数据提取的影响；

进一步，本发明实施例对各候选参数数据进行细粒度划分，并根据各聚类簇的异常因子对各类别候选参数的异常聚类簇进行判定，提高开关柜状态检测精度，本发明实施例根据所提取的异常聚类簇集合对开关柜状态进行快速定量评估，具有较高的评估精度，可实现对开关柜状态的自动化检测评估。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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或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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (5)

1.基于多传感器的开关柜状态快速评估方法，其特征在于，该方法包括以下步骤：

传感器采集各参数的数据得到开关柜状态评估矩阵；

根据各参数数据的相关程度得到各参数之间的关联性，根据参数之间的关联性对参数进行类别划分；根据各参数之间的关联性得到各参数的影响因子；根据影响因子得到各类别的候选参数；

根据各候选参数数据之间局部关系得到各候选参数的噪点数据，对噪点数据进行滤除；

根据各候选参数数据得到各候选参数数据的聚类截止半径；通过各候选参数数据的聚类截止半径结合DBSCAN聚类算法依次对各候选参数的数据进行聚类分析，获取每个候选参数的各个聚类簇；通过ARIMA模型预测各候选参数的预测数据，根据每个候选参数的预测数据得到每个候选参数的各个聚类簇的异常因子，将异常因子高于异常因子阈值的聚类簇作为异常聚类簇；

根据各异常聚类簇得到开关柜状态评估值，根据开关柜状态评估值实现开关柜状态的快速评估；

所述根据影响因子得到各类别的候选参数，具体为：获取各参数的影响因子，将各类别中影响因子最大的参数作为各类别的候选参数；

所述根据各候选参数数据之间局部关系得到各候选参数的噪点数据，具体为：根据各候选参数数据之间的差异计算各候选参数数据的噪点可能性，噪点可能性表达式为：

式中，为候选参数c在t时刻的数据/>的噪点可能性，/>分别为候选参数c在t-1、t、t+1时刻的数据，max为取最大值操作，min为取最小值操作，/>为大于零的极小值；

依次计算各候选参数数据的噪点可能性，将噪点可能性高于噪点阈值的数据作为各候选参数的噪点数据；

所述根据各候选参数数据得到各候选参数数据的聚类截止半径，表达式为：

式中，为候选参数c的数据聚类截止半径，/>为候选参数c在t时刻的数据，/>为类别c候选参数的数据均值，N为数据采集时刻总数；

所述根据每个候选参数的预测数据得到每个候选参数的各个聚类簇的异常因子，表达式为：

式中，为候选参数c的聚类簇v所对应的异常因子，/>为候选参数c的预测数据，/>为候选参数c的聚类簇v的数据均值，e为自然常数；

所述根据各异常聚类簇得到开关柜状态评估值，具体为：

式中，为开关柜状态评估值，Q为存在异常聚类簇的候选参数的个数，q为存在异常聚类簇的候选参数，/>为存在异常聚类簇的候选参数q的影响因子，/>为存在异常聚类簇的候选参数q所包含的异常聚类簇个数，/>为存在异常聚类簇的候选参数q的异常聚类簇f的异常因子。

2.如权利要求1所述的基于多传感器的开关柜状态快速评估方法，其特征在于，所述根据各参数数据的相关程度得到各参数之间的关联性，表达式为：

式中，为参数i与参数j之间的关联性，N为数据采集时刻总数，/>分别为参数i、参数j在数据采集时刻t时的数据，/>分别为参数i、参数j的数据均值。

3.如权利要求1所述的基于多传感器的开关柜状态快速评估方法，其特征在于，所述根据参数之间的关联性对参数进行类别划分，具体为：获取任意两个不相同的参数之间的关联性，设置关联性阈值，当两个参数之间的关联性高于关联性阈值时，将两个参数划分为同一个类别，依次对各参数类别进行划分，初步实现各参数的类别划分。

4.如权利要求1所述的基于多传感器的开关柜状态快速评估方法，其特征在于，所述根据各参数之间的关联性得到各参数的影响因子，表达式为：

式中，为类别h中参数i的影响因子，/>为类别h所包含的参数数量，/>为参数i与参数j之间的关联性。

5.如权利要求1所述的基于多传感器的开关柜状态快速评估方法，其特征在于，所述根据开关柜状态评估值实现开关柜状态的快速评估，具体为：对开关柜状态评估值进行归一化处理，保证其值处于（0,1），设置开关柜状态评估阈值，当开关柜状态评估值高于开关柜状态评估阈值时，则开关柜状态异常，及时做出预警；否则开关柜状态正常。