CN116577646A - 智能化高压开关异常检测方法、装置及电子设备 - Google Patents
智能化高压开关异常检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116577646A CN116577646A CN202310552026.6A CN202310552026A CN116577646A CN 116577646 A CN116577646 A CN 116577646A CN 202310552026 A CN202310552026 A CN 202310552026A CN 116577646 A CN116577646 A CN 116577646A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- voltage switch
- cluster
- intelligent high
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 128
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 26
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3272—Apparatus, systems or circuits therefor
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本申请适用于电力电网技术领域，提供了智能化高压开关异常检测方法、装置及电子设备，该智能化高压开关异常检测方法包括：采集智能化高压开关的运行数据，运行数据包含电压、电流和温度中的至少一种；对运行数据进行特征数据提取，得到多个目标特征数据，目标特征数据为运行数据中的一种或多种特征数据；对多个目标特征数据进行聚类，得到多个簇；对于每个簇，确定该簇中的第一异常特征数据；对于各个簇得到的多个第一异常特征数据，计算每个第一异常特征数据与其他簇之间的距离，根据该距离确定簇间的第二异常特征数据；基于第二异常特征数据确定智能化高压开关的异常信息。本申请能够通过两次聚类处理准确地确定智能化高压开关的异常信息。
Description
技术领域
本申请属于电力电网技术领域，尤其涉及智能化高压开关异常检测方法、装置及电子设备。
背景技术
智能化高压开关是现代电力系统中的一种新型设备，可自动监测电力系统中的异常情况，并实时反馈数据以支持系统运行。然而，由于智能化高压开关的工作环境复杂，可能会受到电力质量异常、电流过载、电压波动等多种因素的影响，导致其产生异常数据。这些异常状态可能会对电力系统的运行产生负面影响，因此需要进行及时监测和处理。同时，对异常数据的分析和处理也可以帮助优化电力系统的运行，提高系统的稳定性和可靠性。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了智能化高压开关异常检测方法、装置及电子设备。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种智能化高压开关异常检测方法，包括：
采集智能化高压开关的运行数据，所述运行数据包含电压、电流和温度中的至少一种；
对所述运行数据进行特征数据提取，得到多个目标特征数据，所述目标特征数据为所述运行数据中的一种或多种特征数据；
对所述多个目标特征数据进行聚类，得到多个簇；
对于每个簇，确定该簇中的第一异常特征数据；
对于各个簇得到的多个第一异常特征数据，计算每个第一异常特征数据与其他簇之间的距离，根据所述距离确定簇间的第二异常特征数据；
基于所述第二异常特征数据确定所述智能化高压开关的异常信息。
上述智能化高压开关异常检测方法，采集智能化高压开关的运行数据，从运行数据中提取多个目标特征数据，对多个目标特征数据进行聚类得到多个簇，对于每个簇确定第一异常特征数据，之后再将计算每个第一异常特征数据与其他簇之间的距离，根据该距离确定簇间的第二异常特征数据，最后基于第二异常特征数据确定智能化高压开关的异常信息，从而能够通过两次聚类处理准确地确定智能化高压开关的异常信息。
结合第一方面，在一些实施例中，所述对所述运行数据进行特征数据提取，得到多个目标特征数据，包括：
将所述运行数据输入到主成分分析PCA模型中，所述PCA模型输出所述多个目标特征数据。
结合第一方面，在一些实施例中，对所述多个目标特征数据进行聚类，得到多个簇，包括：
在所述多个目标特征数据中随机选择K个样本作为初始聚类中心，每个目标特征数据为一个样本；
对样本进行聚类步骤：通过计算所述多个目标特征数据中所有样本到每个初始聚类中心的距离，根据所述距离得到聚类结果；式中，X为每个样本点集合，x代表X集合中的每个样本，Y为初始聚类中心的集合，y为Y集合中的每个样本；
计算新的簇中心步骤：对于初始聚类后的簇中心，计算每个簇中样本的均值，作为新的簇中心；
若新的簇中心与上一次的聚类结果相同，则完成对所述多个目标特征数据的聚类；若新的簇中心与上一次的聚类结果不同，则重复执行所述对样本进行聚类步骤和所述计算新的簇中心步骤，直到新的簇中心与上一次的聚类结果相同，完成对所述多个目标特征数据的聚类。
结合第一方面，在一些实施例中，所述确定该簇中的第一异常特征数据，包括：
对于该簇中的某个样本，计算每个目标特征数据为一个样本，X’为整个簇内的某个样本，μ为整个簇内样本的平均值，s为整个簇内样本的方差；
若计算结果大于或等于第一异常阈值，则该样本为所述第一异常特征数据；若计算结果小于所述第一异常阈值，则该样本不为所述第一异常特征数据。
结合第一方面，在一些实施例中，所述计算每个第一异常特征数据与其他簇之间的距离，根据所述距离确定簇间的第二异常特征数据，包括：
假设检测出的簇内异常点为N维样本，为P＝(p1,p2,p3,…pN)T；
任取一个簇间分布的数据为r＝(r1,r2,r3,…rN)，任一个簇间数据的协方差矩阵为S；
计算第一异常特征数据与任一个簇间集合的距离
若该距离大于或等于第二异常阈值，则该第一异常特征数据为簇间的第二异常特征数据；若该距离小于第二异常阈值，则该第一异常特征数据不为簇间的第二异常特征数据。
结合第一方面，在一些实施例中，在所述对所述运行数据进行特征数据提取之前，所述方法还包括：
通过对所述运行数据进行线性变换，x’为所述运行数据，min(x’)为所述运行数据中的最小值，max(x’)为所述运行数据中的最大值。
结合第一方面，在一些实施例中，所述采集智能化高压开关的运行数据，包括：每隔预设时间，采集一次多个智能化高压开关的运行数据，所述运行数据中包含采集时间和开关标识；
所述基于所述第二异常特征数据确定所述智能化高压开关的异常信息，包括：将所述第二异常特征数据中的采集时间和开关标识，确定存在异常的智能化高压开关，以及该智能化高压开关的异常时间点。
第二方面，本申请实施例提供了一种智能化高压开关异常检测装置，包括：
采集模块，用于采集智能化高压开关的运行数据，所述运行数据包含电压、电流和温度中的至少一种；
提取模块，用于对所述运行数据进行特征数据提取，得到多个目标特征数据，所述目标特征数据为所述运行数据中的一种或多种特征数据；
聚类模块，用于对所述多个目标特征数据进行聚类，得到多个簇；
第一异常确定模块，用于对于每个簇，确定该簇中的第一异常特征数据；
第二异常确定模块，用于对于各个簇得到的多个第一异常特征数据，计算每个第一异常特征数据与其他簇之间的距离，确定簇间的第二异常特征数据；
异常确定模块，用于基于所述第二异常特征数据确定所述智能化高压开关的异常信息。
第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有、可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的智能化高压开关异常检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的智能化高压开关异常检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的智能化高压开关异常检测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的智能化高压开关异常检测方法的流程示意图；
图2是本申请实施例提供的智能化高压开关异常检测装置的结构示意图；
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1是本申请一实施例提供的智能化高压开关异常检测方法的示意性流程图，参照图1，对该智能化高压开关异常检测方法的详述如下：
步骤101，采集智能化高压开关的运行数据。
其中，所述运行数据可以包含电压、电流和温度中的至少一种。
一些场景中，可以通过设置在高压开关相应位置处的采集设备采集高压开关的电压、电流和温度，该采集设备可以包括电压互感器、电流互感器和温度传感器。
又一些场景中，可以每隔预设时间，采集一次智能化高压开关的运行数据，所述运行数据中包含采集时间和开关标识。
例如，电压互感器采集一次高压开关的电压，将该电压发送给上位机之后，上位机可以对该电压附上采集时间和开关标识，从而能够根据该采集时间和开关标识确定对应的采集时间和高压开关。
又例如，电压互感器采集一次高压开关的电压后，将该电压、采集时间和开关标识合成一条运行数据发送给上位机，上位机接收到该运行数据后可以按照预设规则从中解析出电压、采集时间和开关标识。
对于电流互感器和温度传感器采集智能化高压开关的电流和温度的场景，请参考电压互感器采集智能化高压开关的电压的场景，在此不再赘述。
又一些场景中，智能化高压开关的数量可以为多个，对于每个智能化高压开关，可以每隔预设时间采集一次该智能化高压开关的运行数据。而每个智能化高压开关对应的预设时间可以相同也可以不同，每个智能化高阳开关的采集时间可以相同也可以错开，对此不予限定。
步骤102，对所述运行数据进行特征数据提取，得到多个目标特征数据，所述目标特征数据为所述运行数据中的一种或多种特征数据。
其中，上述运行数据可以包含电压、电流和温度等信息，若需要对电压、电流和温度等信息中的一种或多种信息进行异常检测，则需要将该信息从上述运行数据中提取出来，再对提出来的信息通过后续步骤进行异常检测。
一些实施例中，步骤102具体可以为：将所述运行数据输入到主成分分析PCA(Principal Components Analysis，主成分分析)模型中，所述PCA模型输出所述多个目标特征数据。
对于如何通过PCA模型得到多个目标特征数据，属于本领域技术人员的熟知技术，在此不再详述。
一种场景中，在步骤102之前，上述方法还可以包括：通过对所述运行数据进行线性变换，x’为所述运行数据，min(x’)为所述运行数据中的最小值，max(x’)为所述运行数据中的最大值。其中，步骤102中的运行数据即为经过上述线性变换后的运行数据。
对原始数据(即步骤101采集到的运行数据)进行线性变换，将其映射到[0,1]之间，实现对原始数据的归一化处理，便于步骤102中通过PCA模型提取目标特征数据。
步骤103，对所述多个目标特征数据进行聚类，得到多个簇。
一些实施例中，步骤103具体可以包括：
步骤A3，在上述多个目标特征数据中随机选择K个样本作为初始聚类中心，每个目标特征数据为一个样本。
步骤B3，对样本进行聚类步骤：通过计算上述多个目标特征数据中所有样本到每个初始聚类中心的距离，根据所述距离得到聚类结果；式中，X为每个样本点集合，x代表X集合中的每个样本，Y为初始聚类中心的集合，y为Y集合中的每个样本。
例如，对于每个样本，可以将该样本归入与该样本距离最近的初始聚类中心对应的簇中。
步骤C3，计算新的簇中心步骤：对于初始聚类后的簇中心，计算每个簇中样本的均值，作为新的簇中心。
步骤D3，若新的簇中心与上一次的聚类结果相同，则完成对所述多个目标特征数据的聚类；若新的簇中心与上一次的聚类结果不同，则重复执行所述对样本进行聚类步骤和所述计算新的簇中心步骤，直到新的簇中心与上一次的聚类结果相同，完成对所述多个目标特征数据的聚类。
一种场景中，上述新的簇中心与上一次的聚类结果相同，可以为：采用新的簇中心通过步骤B3和C3进行聚类，聚类结果与上一次的聚类结果相同。
又一种场景中，上述新的簇中心与上一次的聚类结果相同，可以为：新的簇中心与上一次的簇中心相同。
步骤104，对于每个簇，确定该簇中的第一异常特征数据。
一些实施例中，步骤104中确定该簇中的第一异常特征数据，可以包括：
步骤A4，对于该簇中的某个样本，计算每个目标特征数据为一个样本，X’为整个簇内的某个样本，μ为整个簇内样本的平均值，s为整个簇内样本的方差。
步骤B4，若计算结果大于或等于第一异常阈值，则该样本为所述第一异常特征数据。
步骤C4，若计算结果小于所述第一异常阈值，则该样本不为所述第一异常特征数据。
示例性的，第一异常阈值的取值可以根据实际需要进行设定，本申请实施例对其具体取值不做限定。
步骤105，对于各个簇得到的多个第一异常特征数据，计算每个第一异常特征数据与其他簇之间的距离，根据所述距离确定簇间的第二异常特征数据。
一些实施例中，上述计算每个第一异常特征数据与其他簇之间的距离，根据所述距离确定簇间的第二异常特征数据，可以包括以下步骤：
步骤A5，假设检测出的簇内异常点为N维样本，为P＝(p1,p2,p3,…pN)T。
其中，该N维样本为所有的第一异常特征数据构成的N维样本，即簇内异常点可以为N个，分别为p1，p2，p3，……，pN。
步骤B5，任取一个簇间分布的数据为r＝(r1,r2,r3,…rN)，任一个簇间数据的协方差矩阵为S。
其中，r1至rN表示某个簇中的目标特征数据。
步骤C5，计算第一异常特征数据与任一个簇间集合的距离
对于每个第一异常特征数据均按照该距离公式进行计算，得到每个第一异常特征数据与各个簇之间的距离。
步骤D5，若该距离大于或等于第二异常阈值，则该第一异常特征数据为簇间的第二异常特征数据；若该距离小于第二异常阈值，则该第一异常特征数据不为簇间的第二异常特征数据。
本申请实施例中，通过两次聚类处理，在筛选出的第一异常特征数据中再筛选出第二异常特征数据，能够大大提高对智能化高压开关异常识别的准确性。
步骤106，基于所述第二异常特征数据确定所述智能化高压开关的异常信息。
一些场景中，基于步骤101的相关内容可知，第二异常特征数据中可以包含数据本身以及数据的采集时间和开关标识，因此步骤106具体可以为：将所述第二异常特征数据中的采集时间和开关标识，确定存在异常的智能化高压开关，以及该智能化高压开关的异常时间点，从而能够根据这些异常信息进行相关处理。
一些场景中，可以对检测出来的第二异常特征数据和异常信息进行展示，以便了解异常数据的性质和来源，从而便于后续的维护处理。
上述智能化高压开关异常检测方法，采集智能化高压开关的运行数据，从运行数据中提取多个目标特征数据，对多个目标特征数据进行聚类得到多个簇，对于每个簇确定第一异常特征数据，之后再将计算每个第一异常特征数据与其他簇之间的距离，根据该距离确定簇间的第二异常特征数据，最后基于第二异常特征数据确定智能化高压开关的异常信息，从而能够通过两次聚类处理准确地确定智能化高压开关的异常信息。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的智能化高压开关异常检测方法，图2示出了本申请实施例提供的智能化高压开关异常检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图2，本申请实施例中的智能化高压开关异常检测装置可以包括采集模块201、提取模块202、聚类模块203、第一异常数据确定模块204、第二异常数据确定模块205和异常确定模块206。
其中，采集模块201用于采集智能化高压开关的运行数据，所述运行数据包含电压、电流和温度中的至少一种。
提取模块202用于对所述运行数据进行特征数据提取，得到多个目标特征数据，所述目标特征数据为所述运行数据中的一种或多种特征数据。
聚类模块203用于对所述多个目标特征数据进行聚类，得到多个簇。
第一异常数据确定模块204用于对于每个簇，确定该簇中的第一异常特征数据。
第二异常数据确定模块205用于对于各个簇得到的多个第一异常特征数据，计算每个第一异常特征数据与其他簇之间的距离，确定簇间的第二异常特征数据。
异常确定模块206用于基于所述第二异常特征数据确定所述智能化高压开关的异常信息。
可选的，所述对所述运行数据进行特征数据提取，得到多个目标特征数据，包括：
将所述运行数据输入到主成分分析PCA模型中，所述PCA模型输出所述多个目标特征数据。
可选的，所述对所述多个目标特征数据进行聚类，得到多个簇，包括：
在所述多个目标特征数据中随机选择K个样本作为初始聚类中心，每个目标特征数据为一个样本；
对样本进行聚类步骤：通过计算所述多个目标特征数据中所有样本到每个初始聚类中心的距离，根据所述距离得到聚类结果；式中，X为每个样本点集合，x代表X集合中的每个样本，Y为初始聚类中心的集合，y为Y集合中的每个样本；
计算新的簇中心步骤：对于初始聚类后的簇中心，计算每个簇中样本的均值，作为新的簇中心；
若新的簇中心与上一次的聚类结果相同，则完成对所述多个目标特征数据的聚类；若新的簇中心与上一次的聚类结果不同，则重复执行所述对样本进行聚类步骤和所述计算新的簇中心步骤，直到新的簇中心与上一次的聚类结果相同，完成对所述多个目标特征数据的聚类。
可选的，所述确定该簇中的第一异常特征数据，包括：
对于该簇中的某个样本，计算每个目标特征数据为一个样本，X’为整个簇内的某个样本，μ为整个簇内样本的平均值，s为整个簇内样本的方差；
若计算结果大于或等于第一异常阈值，则该样本为所述第一异常特征数据；若计算结果小于所述第一异常阈值，则该样本不为所述第一异常特征数据。
可选的，所述计算每个第一异常特征数据与其他簇之间的距离，根据所述距离确定簇间的第二异常特征数据，包括：
假设检测出的簇内异常点为N维样本，为P＝(p1,p2,p3,…pN)T；
任取一个簇间分布的数据为r＝(r1,r2,r3,…rN)，任一个簇间数据的协方差矩阵为S；
计算第一异常特征数据与任一个簇间集合的距离
若该距离大于或等于第二异常阈值，则该第一异常特征数据为簇间的第二异常特征数据；若该距离小于第二异常阈值，则该第一异常特征数据不为簇间的第二异常特征数据。
可选的，上述装置还可以包括线性变换模块，所述线性变换模块用于通过对所述运行数据进行线性变换，x’为所述运行数据，min(x’)为所述运行数据中的最小值，max(x’)为所述运行数据中的最大值。所述提取模块202基于线性变换模块输出的运行数据进行特征数据提取。
可选的，所述采集智能化高压开关的运行数据，包括：每隔预设时间，采集一次多个智能化高压开关的运行数据，所述运行数据中包含采集时间和开关标识；
所述基于所述第二异常特征数据确定所述智能化高压开关的异常信息，包括：将所述第二异常特征数据中的采集时间和开关标识，确定存在异常的智能化高压开关，以及该智能化高压开关的异常时间点。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种电子设备，参见图3，该电子设备300可以包括：至少一个处理器310和存储器320，所述存储器320中存储有可在所述至少一个处理器310上运行的计算机程序，所述处理器310执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤106。或者，处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至206的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在电子设备300中的执行过程。
本领域技术人员可以理解，图3仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是电子设备的内部存储单元，也可以是电子设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器320用于存储所述计算机程序以及电子设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的智能化高压开关异常检测方法可以应用于服务器、控制器、计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、个人数字助理(personaldigital assistant，PDA)、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、手机等电子设备上，本申请实施例对电子设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述智能化高压开关异常检测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述智能化高压开关异常检测方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种智能化高压开关异常检测方法，其特征在于，包括：
采集智能化高压开关的运行数据，所述运行数据包含电压、电流和温度中的至少一种；
对所述运行数据进行特征数据提取，得到多个目标特征数据，所述目标特征数据为所述运行数据中的一种或多种特征数据；
对所述多个目标特征数据进行聚类，得到多个簇；
对于每个簇，确定该簇中的第一异常特征数据；
对于各个簇得到的多个第一异常特征数据，计算每个第一异常特征数据与其他簇之间的距离，根据所述距离确定簇间的第二异常特征数据；
基于所述第二异常特征数据确定所述智能化高压开关的异常信息。
2.如权利要求1所述的智能化高压开关异常检测方法，其特征在于，所述对所述运行数据进行特征数据提取，得到多个目标特征数据，包括：
将所述运行数据输入到主成分分析PCA模型中，所述PCA模型输出所述多个目标特征数据。
3.如权利要求1所述的智能化高压开关异常检测方法，其特征在于，所述对所述多个目标特征数据进行聚类，得到多个簇，包括：
在所述多个目标特征数据中随机选择K个样本作为初始聚类中心，每个目标特征数据为一个样本；
对样本进行聚类步骤：通过计算所述多个目标特征数据中所有样本到每个初始聚类中心的距离，根据所述距离得到聚类结果；式中，X为每个样本点集合，x代表X集合中的每个样本，Y为初始聚类中心的集合，y为Y集合中的每个样本；
计算新的簇中心步骤：对于初始聚类后的簇中心，计算每个簇中样本的均值，作为新的簇中心；
若新的簇中心与上一次的聚类结果相同，则完成对所述多个目标特征数据的聚类；若新的簇中心与上一次的聚类结果不同，则重复执行所述对样本进行聚类步骤和所述计算新的簇中心步骤，直到新的簇中心与上一次的聚类结果相同，完成对所述多个目标特征数据的聚类。
4.如权利要求1所述的智能化高压开关异常检测方法，其特征在于，所述确定该簇中的第一异常特征数据，包括：
对于该簇中的某个样本，计算每个目标特征数据为一个样本，X’为整个簇内的某个样本，μ为整个簇内样本的平均值，s为整个簇内样本的方差；
若计算结果大于或等于第一异常阈值，则该样本为所述第一异常特征数据；若计算结果小于所述第一异常阈值，则该样本不为所述第一异常特征数据。
5.如权利要求1所述的智能化高压开关异常检测方法，其特征在于，所述计算每个第一异常特征数据与其他簇之间的距离，根据所述距离确定簇间的第二异常特征数据，包括：
假设检测出的簇内异常点为N维样本，为P＝(p1,p2,p3,…pN)T；
任取一个簇间分布的数据为r＝(r1,r2,r3,…rN)，任一个簇间数据的协方差矩阵为S；
计算第一异常特征数据与任一个簇间集合的距离
若该距离大于或等于第二异常阈值，则该第一异常特征数据为簇间的第二异常特征数据；若该距离小于第二异常阈值，则该第一异常特征数据不为簇间的第二异常特征数据。
6.如权利要求1所述的智能化高压开关异常检测方法，其特征在于，在所述对所述运行数据进行特征数据提取之前，所述方法还包括：
通过对所述运行数据进行线性变换，x’为所述运行数据，min(x’)为所述运行数据中的最小值，max(x’)为所述运行数据中的最大值。
7.如权利要求1所述的智能化高压开关异常检测方法，其特征在于，所述采集智能化高压开关的运行数据，包括：每隔预设时间，采集一次多个智能化高压开关的运行数据，所述运行数据中包含采集时间和开关标识；
所述基于所述第二异常特征数据确定所述智能化高压开关的异常信息，包括：将所述第二异常特征数据中的采集时间和开关标识，确定存在异常的智能化高压开关，以及该智能化高压开关的异常时间点。
8.一种智能化高压开关异常检测装置，其特征在于，包括：
采集模块，用于采集智能化高压开关的运行数据，所述运行数据包含电压、电流和温度中的至少一种；
提取模块，用于对所述运行数据进行特征数据提取，得到多个目标特征数据，所述目标特征数据为所述运行数据中的一种或多种特征数据；
聚类模块，用于对所述多个目标特征数据进行聚类，得到多个簇；
第一异常数据确定模块，用于对于每个簇，确定该簇中的第一异常特征数据；
第二异常数据确定模块，用于对于各个簇得到的多个第一异常特征数据，计算每个第一异常特征数据与其他簇之间的距离，确定簇间的第二异常特征数据；
异常信息确定模块，用于基于所述第二异常特征数据确定所述智能化高压开关的异常信息。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310552026.6A CN116577646A (zh) | 2023-05-16 | 2023-05-16 | 智能化高压开关异常检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310552026.6A CN116577646A (zh) | 2023-05-16 | 2023-05-16 | 智能化高压开关异常检测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116577646A true CN116577646A (zh) | 2023-08-11 |
Family
ID=87540841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310552026.6A Pending CN116577646A (zh) | 2023-05-16 | 2023-05-16 | 智能化高压开关异常检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116577646A (zh) |
-
2023
- 2023-05-16 CN CN202310552026.6A patent/CN116577646A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109710780B (zh) | 一种归档方法及装置 | |
| CN111292802B (zh) | 用于检测突变的方法、电子设备和计算机存储介质 | |
| CN110352389B (zh) | 信息处理装置及信息处理方法 | |
| KR101848193B1 (ko) | 디스크 용량의 예측방법, 장치, 설비 및 비휘발성 컴퓨터기억매체 | |
| US20180349468A1 (en) | Log analysis system, log analysis method, and log analysis program | |
| CN113688042A (zh) | 测试场景的确定方法、装置、电子设备及可读存储介质 | |
| CN105675038A (zh) | 一种仪表的故障预测装置 | |
| CN110533654A (zh) | 零部件的异常检测方法及装置 | |
| CN112052813B (zh) | 染色体间易位识别方法、装置、电子设备及可读存储介质 | |
| CN113608916B (zh) | 故障诊断的方法、装置、电子设备及存储介质 | |
| CN111064719B (zh) | 文件异常下载行为的检测方法及装置 | |
| CN114584377A (zh) | 流量异常检测方法、模型的训练方法、装置、设备及介质 | |
| CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
| CN116577646A (zh) | 智能化高压开关异常检测方法、装置及电子设备 | |
| CN115494431A (zh) | 一种变压器故障告警方法、终端设备和计算机可读存储介质 | |
| WO2022263716A1 (en) | Analyzing measurement results of a communications network or other target system | |
| CN113705625A (zh) | 异常生活保障申请家庭的识别方法、装置及电子设备 | |
| CN111258788A (zh) | 磁盘故障预测方法、装置及计算机可读存储介质 | |
| CN112782365A (zh) | 一种基于多级分类器的混合气体识别方法 | |
| CN113378881B (zh) | 基于信息熵增益svm模型的指令集识别方法及装置 | |
| CN113905400B (zh) | 网络优化处理方法、装置、电子设备及存储介质 | |
| CN116541252B (zh) | 一种机房故障日志数据处理方法及装置 | |
| CN117579393B (zh) | 一种信息终端威胁监测方法、装置、设备及存储介质 | |
| CN113807445B (zh) | 案卷复核方法、装置及电子装置、可读存储介质 | |
| CN116071586A (zh) | 图像筛选方法、装置、电子设备及计算机可读存储介质 |
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 |