CN116520236A - 一种智能电表的异常检测方法和系统 - Google Patents
一种智能电表的异常检测方法和系统 Download PDFInfo
- Publication number
- CN116520236A CN116520236A CN202310790273.XA CN202310790273A CN116520236A CN 116520236 A CN116520236 A CN 116520236A CN 202310790273 A CN202310790273 A CN 202310790273A CN 116520236 A CN116520236 A CN 116520236A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- distribution
- data
- standard monitoring
- principal component
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 230000005856 abnormality Effects 0.000 title claims description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 240
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000035945 sensitivity Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种智能电表的异常检测方法和系统,所述方法包括:对采集的智能电表装置的多源监测历史数据进行标准化,获取标准监测数据;对所述标准监测数据进行函数型主成分分解和权重估计,获取所述标准监测数据的函数主成分得分;基于所述标准监测数据的函数主成分得分,建立多维变量高斯分布模型;根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度;根据所述偏离度,建立学生分布的异常检测指标和报警阈值;通过所述学生分布的异常检测指标和报警阈值,检测智能电表装置是否发生异常。能够准确的检测和识别智能电表装置的健康状态。
Description
技术领域
本发明涉及智能电表技术领域,尤其涉及一种智能电表的异常检测方法和系统。
背景技术
智能电表是智能电网中重要的计量装置,然而,智能电表容易发生多种异常,导致计量不准确。在中国,智能电表要求使用达到规定年限后需强制更换来保重计量的精确性,然而这些更换的电表大多健康状态良好。如果不精确的电表能够被精确识别和更换,将可节省大量的人力和物力资源。然而,人工检查这些电表需要耗费大量的人力,因此,采用智能诊断系统,对电表健康状态进行智能健康状态管理具有重要意义。
发明内容
本发明目的在于提供一种智能电表的异常检测方法和系统,能够准确的检测和识别智能电表装置的健康状态。
为实现上述目的,本发明提供一种智能电表的异常检测方法,所述检测方法包括:
对采集的智能电表装置的多源监测历史数据进行标准化,获取标准监测数据;
对所述标准监测数据进行函数型主成分分解和权重估计,获取所述标准监测数据的函数主成分得分;
基于所述标准监测数据的函数主成分得分,建立多维变量高斯分布模型;
根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度;
根据所述偏离度,建立学生分布的异常检测指标和报警阈值;
通过所述学生分布的异常检测指标和报警阈值,检测智能电表装置是否发生异常。
进一步的,所述检测方法还包括:
利用多类传感器对智能电表装置进行实时监测采集,并通过滑动窗口获取智能电表装置的多源监测历史数据;
其中,所述多源监测历史数据包括:电流数据、电压数据和用电量数据。
进一步的,所述多源监测历史数据为:
其中,表示第/>个实时监测原始数据,/>表示真实的实时监测信号,/>为电表测量误差。
进一步的,所述标准监测数据为:
式中,表示标准监测数据,/>表示标准监测数据的均值,/>表示标准监测数据的标准差。
进一步的,对所述标准监测数据进行函数型主成分分解和权重估计,获取所述标准监测数据的函数主成分得分,包括:
对所述标准监测数据进行函数型主成分分解,获取所述标准监测数据的主成分;
对所述标准监测数据的函数主成分进行权重估计,获取所述标准监测数据的函数主成分得分;
基于所述标准监测数据的函数主成分得分,应用滑动窗口,获取所述标准监测数据对应的多组主成分数据样本;其中,每一个主成分数据样本对应一组函数主成分得分。
进一步的,对所述标准监测数据进行函数型主成分分解,获取所述标准监测数据的主成分,包括:
将所述标准监测数据表示为正交基函数,并通过下式对所述标准监测数据进行函数型主成分分解:
式中,表示所述标准监测数据,/>表示所述标准监测数据的均值函数,/>表示所述标准监测数据分解的第/>个正交基函数,/>表示第/>个所述标准监测数据在第/>个正交基函数上的主成分得分;
其中,所述标准监测数据通过正交基函数展开得到所述标准监测数据的正交基函数/>,正交基函数主成分的第/>个正交基的估计值/>满足;其中,/>,正交基函数满足
。
进一步的,对所述标准监测数据的函数主成分进行权重估计,获取所述标准监测数据的函数主成分得分,包括:
所述标准监测数据的函数主成分得分为:
其中,,/>表示第/>个所述标准监测数据在第/>个正交基函数上的主成分得分,J表示函数主成分总数;/>表示所述标准监测数据的正交基函数;/>表示所述标准监测数据的均值函数,/>表示第/>个所述标准监测数据分解的第/>个正交基函数。
进一步的,基于所述标准监测数据的函数主成分得分,建立多维变量高斯分布模型,包括:
基于多组主成分数据样本,根据对应的所述标准监测数据的函数主成分得分,建立多维变量高斯分布模型;
所述多维变量高斯分布模型为:
式中,ξ表示所述标准监测数据的函数主成分得分,表示正态分布,R表实数,J为主成分总数,/>为正太分布的均值参数,/>为正太分布的协方差参数。
进一步的,根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度,包括:
根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布;
计算正常监测数据特征空间分布和标准监测数据特征空间分布的分布差异,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度,即每个信息源的特征空间分布的偏离度;其中,所述正常监测数据特征空间分布为:
式中,为正常监测数据特征空间分布,/>表示正常监测数据在第/>个正交基函数上的主成分得分,J为函数主成分总数,/>为正太分布的协方差参数,ξ表示所述正常标准监测数据的函数主成分得分,T表示矩阵的转置;
所述标准监测数据特征空间分布为:
式中,为标准监测数据特征空间分布,/>表示所述标准监测数据的函数主成分得分。
进一步的,所述分布差异为:
式中,表示所述分布差异,/>表示实时的函数型数据主成分特征方差,/>表示实时的函数型数据主成分特征均值,/>表示实时的函数型数据主成分特征方差的逆矩阵,T表示矩阵的转置;
根据所述分布差异,获取每个信息源的特征空间分布的偏离度;所述偏离度为:
式中,表示第i个正常监测数据特征空间分布和第i个标准监测数据特征空间分布的偏离度,即第i个信息源的特征空间分布的偏离度;/>表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布的分布差异;/>和/>分别表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布。
进一步的,根据所述偏离度,建立学生分布的异常检测指标和报警阈值,包括:
对不同的信息源设定不同的敏感度因子;
根据每一个信息源的特征空间分布的偏离度和对应的权敏感度因子,建立多源信息的异常检测指标模型;
基于多源信息的异常检测指标,根据交叉熵函数求解敏感度因子的值,获取矩阵形式的异常检测指标模型;
基于所述矩阵形式的异常检测指标模型,将多组主成分数据样本分别进行截断生成多个样本数据集,并建立学生分布的异常检测指标;
根据所述多源监测历史数据计算报警线的T分布,通过所述报警线的T分布建立报警阈值。
进一步的,所述多源信息的异常检测指标模型为:
式中,表示所述多源信息的异常检测指标模型,/>表示第i个数据源的敏感度因子,/>表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布的分布差异;/>和/>分别表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布;
所述矩阵形式的异常检测指标模型为:
式中,表示所述矩阵形式的异常检测指标模型;/>表示各个数据源的敏感度因子,/>;/>表示各个数据源的特征空间分布的偏离度,,I为数据源的总数;
所述学生分布的异常检测指标为:
式中,表示所述学生分布的异常检测指标,/>为第/>组样本数据集的第/>个数据样本,/>为/>均值,/>为样本方差/>;
所述报警阈值为:
式中,表示报警线,/>表示/>分布,/>表示/>分布的自由度,/>。
进一步的,通过所述学生分布的异常检测指标和报警阈值,检测智能电表装置是否发生异常,包括:
根据所述报警线设定智能电表装置异常判定的阈值置信度为1-,获得异常报警条件为:
;
式中,表示智能电表装置的异常报警条件,P表示智能电表装置异常的概率,/>表示报警线,/>表示所述学生分布的异常检测指标,/>表示/>分布的自由度;0代表正常,持续对所述智能电表装置进行监测;1代表所述智能电表装置异常,触发报警;
当所述学生分布的异常监测指标值超过设定的报警阈值时,触发报警给出报警信息,提醒工作人员及时检测智能电表装置;
反之,则判定智能电表装置状态为正常,持续对所述智能电表装置进行监测。
基于同一发明构思,本发明还提供一种智能电表的异常检测系统,包括:采集获取单元、估计获取单元、第一建立单元、第一获取单元和检测单元,
所述采集获取单元,用于对采集的智能电表装置的多源监测历史数据进行标准化,获取标准化的标准监测数据;
所述估计获取单元,用于对所述标准监测数据进行函数型主成分分解和权重估计,获取所述标准监测数据的函数主成分得分;
所述第一建立单元,用于基于所述标准监测数据的函数主成分得分,建立多维变量高斯分布模型;
所述第一获取单元,用于根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度;
所述检测单元,用于根据所述偏离度,建立学生分布的异常检测指标和报警阈值;检测单元并通过所述学生分布的异常检测指标和报警阈值,检测智能电表装置是否发生异常。
本发明的技术效果和优点:能基于时间序列的形态和数据关联关系,挖掘信号变化特性,捕捉电表是否发生异常;利用多维变量高斯分布模型分析监测数据的过程变化特性提取监测的敏感特征,可有效提升智能电表异常检测的准确性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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他的附图。
图1为本发明实施例一种智能电表的异常检测方法的步骤流程图;
图2为本发明实施例一种智能电表的异常检测方法的详细步骤流程图;
图3为本发明实施例一种智能电表的异常检测系统的结构示意图;
图4为本发明实施例中所述标准监测数据的示意图;
图5为本发明实施例中函数型主成分得分的示意图;
图6为本发明实施例中智能电表装置异常检测结果的示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为解决现有技术的不足,本发明实施例公开了一种智能电表的异常检测方法,如图1和图2所示,所述检测方法包括以下步骤:
步骤S1:分别对采集的智能电表装置的多源监测历史数据进行标准化,获取标准监测数据;具体包括:
利用多类传感器对智能电表装置进行实时监测采集,并通过滑动窗口获取智能电表装置的多源监测历史数据;通过对所述多源监测历史数据进行分析,获得智能电表装置的健康状态。
其中,智能电表装置的多源监测历史数据包括:电流数据、电压数据和用电量数据得动;智能电表装置的多源监测历史数据的种类个数可以根据实际采集情况进行设定。
智能电表装置的多源监测历史数据为:
式中,表示第/>个实时监测原始数据,通过滑动时间窗口获得,窗口的步长可根据实际检测效果设定,为了保证监测的及时性,通常可以“天”为单位滑动窗口,/>是可表示成关于时间的函数,在时间维度上呈现连续变化;/>表示真实的实时监测信号,/>为电表测量误差。
分别对采集的智能电表装置的多源监测历史数据进行标准化,获取标准监测数据;保证各指标值处于同一数量级。
所述标准监测数据为:
式中,表示标准监测数据,/>表示标准监测数据的均值,/>表示标准监测数据的标准差。
步骤2:对标准监测数据进行函数型主成分分解和权重估计,获取标准监测数据的函数主成分得分;具体包括:
在函数型数据分析中,将标准监测数据表示为一系列正交基函数,也叫做函数主成分;对标准监测数据进行函数型主成分分解,获取标准监测数据的函数主成分。
通过下式对标准监测数据进行函数型主成分分解:
式中,表示标准监测数据,/>表示标准监测数据的均值函数,/>表示标准监测数据分解的第/>个正交基函数,/>表示第/>个标准监测数据在第/>个正交基函数上的主成分得分,该得分值衡量了对应的正交基对/>变化趋势形态的贡献。
其中,标准监测数据通过正交基函数展开得到标准监测数据的正交基函数/>,正交基函数主成分的第/>个正交基的估计值/>满足/>;其中,/>,正交基函数满足:
。
将各个正交基函数估计值基函数根据对应的特征值进行排序,函数主成分用来逼近监测数据;对标准监测数据的主成分进行权重估计,获取标准监测数据的函数主成分得分(也叫函数主成分权重的特征向量);
其中,标准监测数据的函数主成分得分为:
其中,,/>表示第/>个标准监测数据在第/>个正交基函数上的主成分得分,用来表示标准监测数据的函数特征空间,J表示函数主成分总数;/>表示标准监测数据的均值函数,/>表示第/>个标准监测数据分解的第/>个正交基函数;/>表示标准监测数据的正交基函数;
由于标准监测数据是一个时间序列,因此当时间序列数据分布发生变化后,特征空间也会发生相应的变化,监测/>主成分得分值的变化,可为智能电表异常监测提供更加鲁棒的预警结果。
基于标准监测数据的函数主成分得分,应用滑动窗口,获取标准监测数据对应的多组主成分数据样本,/>为数据样本总数;其中,每一个主成分数据样本对应一组函数主成分得分。
步骤3:基于标准监测数据的函数主成分得分,建立多维变量高斯分布模型;具体包括:
基于S个多组主成分数据样本,根据对应的标准监测数据的函数主成分得分,建立多维变量高斯分布模型;
其中,多维变量高斯分布模型表示为:
式中,ξ表示标准监测数据的函数主成分得分,表示正态分布,R表实数,J为主成分总数,/>为正太分布的均值参数,/>为正太分布的协方差参数。
步骤4:根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度;具体包括:
根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布;
其中,正常监测数据特征空间分布为:
式中,为正常监测数据特征空间分布,/>表示正常监测数据在第/>个正交基函数上的主成分得分,J为函数主成分总数,/>为正太分布的协方差参数,ξ表示标准监测数据的函数主成分得分,T表示矩阵的转置;
标准监测数据特征空间分布为:
式中,为标准监测数据特征空间分布。
由于数据发生异常后,可以通过比较正常监测数据特征空间分布和标准监测数据特征空间分布的分布差异,检测智能电表装置是否发生异常。因此计算正常监测数据特征空间分布和标准监测数据特征空间分布的分布差异,然后根据所述分布差异,计算并获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度,即每个信息源的特征空间分布的偏离度。
所述分布差异可以通过KL差异度计算获得,所述分布差异为:
式中,表示所述分布差异,/>表示实时的函数型数据主成分特征方差,/>表示实时的函数型数据主成分特征均值,/>表示实时的函数型数据主成分特征方差的逆矩阵,T表示矩阵的转置。
其中,所述偏离度为:
式中,表示第i个正常监测数据特征空间分布和第i个标准监测数据特征空间分布的偏离度,即第i个信息源的特征空间分布的偏离度;/>表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布的分布差异;/>和/>分别表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布。
步骤5:根据所述偏离度,建立学生分布的异常检测指标和报警阈值;具体包括:
由于不同的信息源对异常的敏感度不同,对异常判定的贡献率也存在差异;因此在构建多源信息的异常检测指标模型中,考虑各个信息源多异常检测的敏感度和贡献率,对不同的信息源设定不同的权敏感度因子。
根据每一个信息源的特征空间分布的偏离度和对应的权敏感度因子,建立多源信息的异常检测指标模型。
其中,多源信息的异常检测指标模型为:
式中,表示多源信息的异常检测指标模型,/>表示第i个数据源的敏感度因子,表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布的分布差异;/>和/>分别表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布。
基于多源信息的异常检测指标,根据交叉熵函数求解敏感度因子的值,获取矩阵形式的异常检测指标模型。
其中,所述矩阵形式的异常检测指标模型为:
式中,表示矩阵形式的异常检测指标模型;/>表示各个数据源的敏感度因子,;/>表示各个数据源的特征空间分布的偏离度,/>,I为数据源的总数。
基于矩阵形式的异常检测指标模型,以周为时间单位,通过滑动窗口将多组主成分数据样本分别进行截断生成多个样本数据集,并建立学生分布的异常检测指标;
其中,所述学生分布的异常检测指标为:
式中,表示所述学生分布的异常检测指标,/>为第/>组样本数据集的第/>个数据样本,/>为/>均值,/>为样本方差/>。
根据采集的智能电表装置的多源监测历史数据计算报警线(即通过多源监测历史数据计算的异常检测指标)的T分布,通过报警线的T分布建立报警阈值。
其中,所述报警阈值为:
式中,表示报警线,/>表示/>分布,/>表示/>分布的自由度,/>。
步骤6:通过学生分布的异常检测指标和报警阈值,检测智能电表装置是否发生异常;具体包括:
根据报警线设定智能电表装置异常判定的阈值置信度为1-,获得异常报警条件为:
;
式中,表示智能电表装置的异常报警条件,P表示智能电表装置异常的概率,/>表示报警线,/>表示学生分布的异常检测指标,/>表示/>分布的自由度;0代表正常,持续对智能电表装置进行监测;1代表智能电表装置异常,触发报警;
当学生分布的异常监测指标值超过设定的报警阈值时,触发报警给出报警信息,提醒工作人员及时检测智能电表装置;
反之,则判定智能电表装置状态为正常,持续对所述智能电表装置进行监测。
基于同一发明构思,本发明实施例还提供一种智能电表的异常检测系统,如图3所示,包括:采集获取单元、估计获取单元、第一建立单元、第一获取单元和检测单元,
采集获取单元,用于对采集的智能电表装置的多源监测历史数据进行标准化,获取标准监测数据;
估计获取单元,用于对标准监测数据进行函数型主成分分解和权重估计,获取标准监测数据的函数主成分得分;
第一建立单元,用于基于标准监测数据的函数主成分得分,建立多维变量高斯分布模型;
第一获取单元,用于根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度;
检测单元,用于根据所述偏离度,建立学生分布的异常检测指标和报警阈值;检测单元并通过所述学生分布的异常检测指标和报警阈值,判断智能电表装置是否发生异常。
关于上述实施例中的系统,其中各个单元模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例:
如图4所示,通过滑动窗口对连续监测的用电数据进行截取,本案例以7天为时间单位对标准监测数据进行截取,构建91个数据样本对方法进行验证。先通过函数型主成分分析,对监测数据进行函数型主成分分析,并计算其主成分权重得分,结果如图5所示。根据主成分得分,构建异常监测指标和异常判定阈值,异常检测结果如图6所示;从图6中可以看出,第49-67个样本和第80-91个样本被判定为异常,其他为正常,和实际电表健康状态相符,证明了本发明方法的有效性。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种智能电表的异常检测方法,其特征在于,所述检测方法包括:
对采集的智能电表装置的多源监测历史数据进行标准化,获取标准监测数据;
对所述标准监测数据进行函数型主成分分解和权重估计,获取所述标准监测数据的函数主成分得分;
基于所述标准监测数据的函数主成分得分,建立多维变量高斯分布模型;
根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度;
根据所述偏离度,建立学生分布的异常检测指标和报警阈值;
通过所述学生分布的异常检测指标和报警阈值,检测智能电表装置是否发生异常。
2.根据权利要求1所述的一种智能电表的异常检测方法,其特征在于,所述检测方法还包括:
利用多类传感器对智能电表装置进行实时监测采集,并通过滑动窗口获取智能电表装置的多源监测历史数据;
其中,所述多源监测历史数据包括:电流数据、电压数据和用电量数据。
3.根据权利要求1或2所述的一种智能电表的异常检测方法,其特征在于,
所述多源监测历史数据为:
;其中,/>表示第/>个实时监测原始数据,/>表示真实的实时监测信号,/>为电表测量误差。
4.根据权利要求1所述的一种智能电表的异常检测方法,其特征在于,
所述标准监测数据为:
;式中,/>表示标准监测数据,/>表示标准监测数据的均值,/>表示标准监测数据的标准差。
5.根据权利要求1所述的一种智能电表的异常检测方法,其特征在于,对所述标准监测数据进行函数型主成分分解和权重估计,获取所述标准监测数据的函数主成分得分,包括:
对所述标准监测数据进行函数型主成分分解,获取所述标准监测数据的主成分;
对所述标准监测数据的函数主成分进行权重估计,获取所述标准监测数据的函数主成分得分;
基于所述标准监测数据的函数主成分得分,应用滑动窗口,获取所述标准监测数据对应的多组主成分数据样本;其中,每一个主成分数据样本对应一组函数主成分得分。
6.根据权利要求5所述的一种智能电表的异常检测方法,其特征在于,对所述标准监测数据进行函数型主成分分解,获取所述标准监测数据的主成分,包括:
将所述标准监测数据表示为正交基函数,并通过下式对所述标准监测数据进行函数型主成分分解:
;式中,/>表示所述标准监测数据,/>表示所述标准监测数据的均值函数,/>表示所述标准监测数据分解的第/>个正交基函数,/>表示第/>个所述标准监测数据在第/>个正交基函数上的主成分得分;
其中,所述标准监测数据通过正交基函数展开得到所述标准监测数据的正交基函数/>,正交基函数主成分的第/>个正交基的估计值/>满足;其中,/>,正交基函数满足
。
7.根据权利要求6所述的一种智能电表的异常检测方法,其特征在于,对所述标准监测数据的函数主成分进行权重估计,获取所述标准监测数据的函数主成分得分,包括:
所述标准监测数据的函数主成分得分为:
;其中,/>,/>表示第/>个所述标准监测数据在第/>个正交基函数上的主成分得分,J表示函数主成分总数;表示所述标准监测数据的正交基函数;/>表示所述标准监测数据的均值函数,/>表示第/>个所述标准监测数据分解的第/>个正交基函数。
8.根据权利要求7所述的一种智能电表的异常检测方法,其特征在于,基于所述标准监测数据的函数主成分得分,建立多维变量高斯分布模型,包括:
基于多组主成分数据样本,根据对应的所述标准监测数据的函数主成分得分,建立多维变量高斯分布模型;
所述多维变量高斯分布模型为:
;式中,ξ表示所述标准监测数据的函数主成分得分,/>表示正态分布,R表实数,J为主成分总数,/>为正太分布的均值参数,/>为正太分布的协方差参数。
9.根据权利要求1或8所述的一种智能电表的异常检测方法,其特征在于,根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度,包括:
根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布;
计算正常监测数据特征空间分布和标准监测数据特征空间分布的分布差异,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度,即每个信息源的特征空间分布的偏离度;其中,所述正常监测数据特征空间分布为:
;式中,/>为正常监测数据特征空间分布,/>表示正常监测数据在第/>个正交基函数上的主成分得分,J为函数主成分总数,/>为正太分布的协方差参数,ξ表示所述正常标准监测数据的函数主成分得分,T表示矩阵的转置;
所述标准监测数据特征空间分布为:
;式中,/>为标准监测数据特征空间分布,表示所述标准监测数据的函数主成分得分。
10.根据权利要求9所述的一种智能电表的异常检测方法,其特征在于,
所述分布差异为:
;式中,表示所述分布差异,/>表示实时的函数型数据主成分特征方差,/>表示实时的函数型数据主成分特征均值,/>表示实时的函数型数据主成分特征方差的逆矩阵,T表示矩阵的转置;
根据所述分布差异,获取每个信息源的特征空间分布的偏离度;所述偏离度为:
;式中,/>表示第i个正常监测数据特征空间分布和第i个标准监测数据特征空间分布的偏离度,即第i个信息源的特征空间分布的偏离度;/>表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布的分布差异;/>和/>分别表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布。
11.根据权利要求1或10所述的一种智能电表的异常检测方法,其特征在于,根据所述偏离度,建立学生分布的异常检测指标和报警阈值,包括:
对不同的信息源设定不同的敏感度因子;
根据每一个信息源的特征空间分布的偏离度和对应的权敏感度因子,建立多源信息的异常检测指标模型;
基于多源信息的异常检测指标,根据交叉熵函数求解敏感度因子的值,获取矩阵形式的异常检测指标模型;
基于所述矩阵形式的异常检测指标模型,将多组主成分数据样本分别进行截断生成多个样本数据集,并建立学生分布的异常检测指标;
根据所述多源监测历史数据计算报警线的T分布,通过所述报警线的T分布建立报警阈值。
12.根据权利要求11所述的一种智能电表的异常检测方法,其特征在于,
所述多源信息的异常检测指标模型为:
;式中,/>表示所述多源信息的异常检测指标模型,/>表示第i个数据源的敏感度因子,/>表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布的分布差异;/>和/>分别表示第i个正常样本数据特征空间分布和第i个标准监测数据特征空间分布;
所述矩阵形式的异常检测指标模型为:
;式中,/>表示所述矩阵形式的异常检测指标模型;/>表示各个数据源的敏感度因子,/>;/>表示各个数据源的特征空间分布的偏离度,,I为数据源的总数;
所述学生分布的异常检测指标为:
;式中,/>表示所述学生分布的异常检测指标,/>为第/>组样本数据集的第/>个数据样本,/>为/>均值,/>为样本方差/>;
所述报警阈值为:
;式中,/>表示报警线,/>表示/>分布,/>表示/>分布的自由度,/>。
13.根据权利要求11所述的一种智能电表的异常检测方法,其特征在于,通过所述学生分布的异常检测指标和报警阈值,检测智能电表装置是否发生异常,包括:
根据所述报警线设定智能电表装置异常判定的阈值置信度为1-,获得异常报警条件为:
;
式中,表示智能电表装置的异常报警条件,P表示智能电表装置异常的概率,表示报警线,/>表示所述学生分布的异常检测指标,/>表示/>分布的自由度;0代表正常,持续对所述智能电表装置进行监测;1代表所述智能电表装置异常,触发报警;
当所述学生分布的异常监测指标值超过设定的报警阈值时,触发报警给出报警信息,提醒工作人员及时检测智能电表装置;
反之,则判定智能电表装置状态为正常,持续对所述智能电表装置进行监测。
14.一种智能电表的异常检测系统,其特征在于,包括:采集获取单元、估计获取单元、第一建立单元、第一获取单元和检测单元,
所述采集获取单元,用于对采集的智能电表装置的多源监测历史数据进行标准化,获取标准化的标准监测数据;
所述估计获取单元,用于对所述标准监测数据进行函数型主成分分解和权重估计,获取所述标准监测数据的函数主成分得分;
所述第一建立单元,用于基于所述标准监测数据的函数主成分得分,建立多维变量高斯分布模型;
所述第一获取单元,用于根据多维变量高斯分布模型,获取正常监测数据特征空间分布和标准监测数据特征空间分布的偏离度;
所述检测单元,用于根据所述偏离度,建立学生分布的异常检测指标和报警阈值;检测单元并通过所述学生分布的异常检测指标和报警阈值,检测智能电表装置是否发生异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310790273.XA CN116520236B (zh) | 2023-06-30 | 2023-06-30 | 一种智能电表的异常检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310790273.XA CN116520236B (zh) | 2023-06-30 | 2023-06-30 | 一种智能电表的异常检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116520236A true CN116520236A (zh) | 2023-08-01 |
CN116520236B CN116520236B (zh) | 2023-09-22 |
Family
ID=87394430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310790273.XA Active CN116520236B (zh) | 2023-06-30 | 2023-06-30 | 一种智能电表的异常检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520236B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872258A (zh) * | 2024-03-12 | 2024-04-12 | 国网甘肃省电力公司武威供电公司 | 一种电力数据采集系统及方法 |
CN117889423A (zh) * | 2024-01-29 | 2024-04-16 | 广东标昇光能科技有限公司 | 一种利于散热的led路灯 |
CN118169629A (zh) * | 2024-03-18 | 2024-06-11 | 杭州沃伊数字科技有限公司 | 一种电表的检测系统及其方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN112462261A (zh) * | 2020-11-25 | 2021-03-09 | 创新奇智(广州)科技有限公司 | 一种电机异常检测方法、装置、电子设备及存储介质 |
CN112986821A (zh) * | 2021-02-26 | 2021-06-18 | 中国长江三峡集团有限公司 | 海上风电机组变桨电机转子断条故障诊断方法 |
CN113051530A (zh) * | 2021-04-02 | 2021-06-29 | 西安建筑科技大学 | 一种基于kde-fa的冷水机组故障特征刻画方法 |
CN115616428A (zh) * | 2022-10-10 | 2023-01-17 | 合肥工业大学 | 一种“充—检”一体电动汽车电池状态检测与评价方法 |
-
2023
- 2023-06-30 CN CN202310790273.XA patent/CN116520236B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN112462261A (zh) * | 2020-11-25 | 2021-03-09 | 创新奇智(广州)科技有限公司 | 一种电机异常检测方法、装置、电子设备及存储介质 |
CN112986821A (zh) * | 2021-02-26 | 2021-06-18 | 中国长江三峡集团有限公司 | 海上风电机组变桨电机转子断条故障诊断方法 |
CN113051530A (zh) * | 2021-04-02 | 2021-06-29 | 西安建筑科技大学 | 一种基于kde-fa的冷水机组故障特征刻画方法 |
CN115616428A (zh) * | 2022-10-10 | 2023-01-17 | 合肥工业大学 | 一种“充—检”一体电动汽车电池状态检测与评价方法 |
Non-Patent Citations (1)
Title |
---|
裴茂林;黄洋界;赵伟;李世松;: "智能电能表异常测量数据诊断方法综述", 电测与仪表, no. 23 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117889423A (zh) * | 2024-01-29 | 2024-04-16 | 广东标昇光能科技有限公司 | 一种利于散热的led路灯 |
CN117872258A (zh) * | 2024-03-12 | 2024-04-12 | 国网甘肃省电力公司武威供电公司 | 一种电力数据采集系统及方法 |
CN117872258B (zh) * | 2024-03-12 | 2024-05-24 | 国网甘肃省电力公司武威供电公司 | 一种电力数据采集系统及方法 |
CN118169629A (zh) * | 2024-03-18 | 2024-06-11 | 杭州沃伊数字科技有限公司 | 一种电表的检测系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116520236B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
CN107862338B (zh) | 基于双检验法的海洋环境监测数据质量管理方法及系统 | |
CN103678766B (zh) | 一种基于pso算法的异常用电客户检测方法 | |
CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
CN116879662A (zh) | 基于数据分析的变压器故障检测方法 | |
CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
KR101989962B1 (ko) | 통합 관리 서버 및 이를 이용한 건물 관리 시스템 | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
CN106840322A (zh) | 一种计量器具在线软校准的方法和实现该方法的装置 | |
CN107589391A (zh) | 一种检测电能计量装置整体误差的方法、装置和系统 | |
CN111984705A (zh) | 一种电能质量监测装置的精度评估管理方法和装置 | |
CN114527078A (zh) | 基于全光谱水质分析仪的监测预警方法和系统 | |
CN118091300B (zh) | 基于数据分析的贴片电阻故障诊断方法 | |
CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
CN116315173A (zh) | 基于新能源汽车的电池温度采样系统 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
CN115879300A (zh) | 滑坡诱发性估算方法、装置、电子设备及存储介质 | |
CN112215307B (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
CN114065509A (zh) | 一种地质灾害防治用裂缝计的故障排查方法 | |
CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
CN116756505B (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、系统及存储介质 | |
CN110455370B (zh) | 防汛抗旱远程遥测显示系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |