CN116610482B

CN116610482B - 一种电气设备运行状态智能监测方法

Info

Publication number: CN116610482B
Application number: CN202310875346.5A
Authority: CN
Inventors: 王科文
Original assignee: Shandong University of Technology
Current assignee: Shandong University of Technology
Priority date: 2023-07-18
Filing date: 2023-07-18
Publication date: 2023-10-17
Anticipated expiration: 2043-07-18
Also published as: CN116610482A

Abstract

本发明涉及数据处理技术领域，具体涉及一种电气设备运行状态智能监测方法，包括：获取电气设备的温度变化数据信息并构建时序温度变化特征曲线，获取时序温度变化特征曲线中的异常温度数据，获取异常温度数据的第一非突变程度和第二非突变程度，根据第一非突变程度和第二非突变程度得到最终非突变程度，对非突变程度较高的异常数据点进行影响价值评估。本发明通过构建时序温度变化特征曲线，更为客观的展现时间段内设备温度的变化波动特征，进一步地通过分析异常温度数据的非突变程度，更加准确的判断异常引起的原因，并分析异常数据点的影响价值，根据影响价值对电气设备的异常温度数据进行处理，实现智能监测异常数据的效果。

Description

一种电气设备运行状态智能监测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种电气设备运行状态智能监测方法。

背景技术

电气设备的运行状态异常可能会导致设备故障并引发安全问题，因此需要及时监测电气设备的运行状态，其中对于电气设备的温度监测为最重要的监测环节，通过对电气设备温度变化情况进行监测，可以及时发现设备出现过热、过载等异常情况，从而采取相应的措施进行处理，避免设备故障或损坏，同时及时监测和处理温度异常情况可以有效地提高设备的安全性并延长电气设备的使用寿命，避免频繁更换设备带来的经济成本。而通常对于电气设备运行状态的温度异常监测方式是通过获取记录设备的温度传感器在不同时间节点显示的温度数值变化情况进行分析判断，将当前温度数值与标准值进行比较，若其不属于标准值要求阈值范围内则视其为异常温度数据，认定当前温度数值对应的时间节点存在电气设备温度异常。

由于影响电气设备温度异常的原因较多且不同原因所导致设备温度异常变化的影响价值不同，即在某些因素影响下电气设备所出现的温度异常数据可忽略，而传统监测方式无法对设备运行状态下的温度变化数据进行准确区分，具有一定的局限性和笼统决策性，因此本发明结合多种影响因素导致设备温度变化的特征差异，对异常温度数据进行分析和计算进而准确实现电气设备运行状态下温度异常的智能监测和标记。

发明内容

本发明提供一种电气设备运行状态智能监测方法，以解决现有的问题。

本发明的一种电气设备运行状态智能监测方法采用如下技术方案：

本发明一个实施例提供了一种电气设备运行状态智能监测方法，该方法包括以下步骤：

获取电气设备的温度变化数据信息并构建时序温度变化特征曲线；

获取时序温度变化特征曲线中的异常温度数据，根据异常温度数据得到异常数据点序列，根据异常数据点序列中时间节点的异常温度数据以及相邻时间节点的温度数据，得到异常数据点序列中异常温度数据的第一非突变程度；

根据异常数据点序列中时间节点的异常温度数据以及邻域内时间节点的温度数据，得到异常温度数据的第二非突变程度，根据异常温度数据的第一非突变程度和异常温度数据的第二非突变程度得到最终非突变程度；

根据最终非突变程度和时序温度变化特征曲线得到第一特征曲线，获取第一特征曲线中任意一个异常数据点的波动区间，根据波动区间中异常数据点的占比以及波动区间长度得到异常数据点的影响价值；

根据影响价值对电气设备的异常温度数据进行处理实现智能监测异常数据的效果。

进一步地，所述获取时序温度变化特征曲线中的异常温度数据，具体获取方法如下：

其中，表示时序温度变化特征曲线中第个时间节点的温度数据差异值，表示时序温度变化特征曲线中第个时间节点的温度数据，表示电气设备的标准温度参考值上限；若，则第个时间节点的温度数据为异常温度数据，获取时序温度变化特征曲线中所有异常温度数据。

进一步地，所述根据异常温度数据得到异常温度数据点序列，包括的具体步骤如下：

获取时序温度变化特征曲线中所有异常温度数据，将异常温度数据在时序温度变化特征曲线中对应的数据点作为异常数据点，获取时序温度变化特征曲线中所有异常数据点，将所有异常数据点按照时序温度变化特征曲线中时间节点的顺序排列得到异常数据点序列。

进一步地，所述根据异常数据点序列中时间节点的异常温度数据以及相邻时间节点的温度数据，得到异常数据点序列中异常温度数据的第一非突变程度，包括的具体步骤如下：

其中，表示异常数据点序列中时间节点的异常温度数据，表示时间节点的温度数据，表示时间节点的温度数据，表示自然常数为底的指数函数，表示时间节点的异常温度数据的第一非突变程度。

进一步地，所述根据异常数据点序列中时间节点的异常温度数据以及邻域内时间节点的温度数据，得到异常温度数据的第二非突变程度，包括的具体步骤如下：

其中，表示异常数据点序列中时间节点的异常温度数据，表示以时间节点为中心单侧邻域时间节点的个数，表示时间节点的温度数据，表示自然常数为底的指数函数，表示时间节点的异常温度数据的第二非突变程度。

进一步地，所述根据异常温度数据的第一非突变程度和异常温度数据的第二非突变程度得到最终非突变程度，包括的具体步骤如下：

其中，表示异常温度数据的第一非突变程度的预设权重，表示时间节点的异常温度数据的第一非突变程度，表示异常温度数据的第二非突变程度的预设权重，表示时间节点的异常温度数据的第二非突变程度，表示时间节点的异常温度数据的最终非突变程度。

进一步地，所述根据最终非突变程度和时序温度变化特征曲线得到第一特征曲线，包括的具体步骤如下：

预设非突变程度阈值，获取异常数据点序列中最终非突变程度大于非突变程度阈值的所有异常数据点，将大于非突变程度阈值的异常数据点在时序温度变化特征曲线中进行标记并保留，获取异常数据点序列中最终非突变程度小于等于非突变程度阈值的所有异常数据点，将小于等于非突变程度阈值的所有异常数据点去除，获取将小于等于非突变程度阈值的所有异常数据点去除后的时序温度变化特征曲线，将小于等于非突变程度阈值的所有异常数据点去除后的时序温度变化特征曲线记为第一特征曲线。

进一步地，所述获取第一特征曲线中任意一个异常数据点的波动区间，具体获取方法如下：

将第一特征曲线内任意一个大于预设非突变程度阈值的异常数据点记为第个异常数据点，在第一特征曲线中以第个异常数据点为中心将左右各相邻的个数据点构成的区间作为第个异常数据点的波动区间。

进一步地，所述根据波动区间中异常数据点的占比以及波动区间长度得到异常数据点的影响价值，包括的具体步骤如下：

其中，表示第一参考权重，表示自然常数为底的指数函数，表示第个异常数据点的波动区间中大于非突变程度阈值的异常数据点个数，表示第个异常数据点的波动区间中数据点的总个数，表示第二参考权重，表示双曲正切函数，表示第个异常数据点的波动区间中时间节点的最大值，表示第个异常数据点的波动区间中时间节点的最小值，表示第个异常数据点的影响价值。

本发明的技术方案的有益效果是：通过构建时序温度变化特征曲线，更为客观的展现当前时间段内设备温度的变化波动特征，进一步地获取时序温度变化特征曲线中的异常温度数据，通过分析异常温度数据的第一非突变程度和第二非突变程度得到最终非突变程度，获得的最终非突变程度可以更为准确的分析异常温度数据产生的原因，通过最终非突变程度和时序温度变化特征曲线得到第一特征曲线，获取第一特征曲线中任意一个异常数据点的波动区间，根据波动区间中异常数据点的占比得到异常数据点的影响价值，根据影响价值对电气设备的异常温度数据进行处理实现智能监测异常数据的效果。

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，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为本发明一种电气设备运行状态智能监测方法的步骤流程图。

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一种电气设备运行状态智能监测方法，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。

下面结合附图具体的说明本发明所提供的一种电气设备运行状态智能监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种电气设备运行状态智能监测方法的步骤流程图，该方法包括以下步骤：

步骤S001、获取电气设备的温度变化数据信息并构建时序温度变化特征曲线。

需要说明的是，传统方式对于电气设备温度的异常监测往往是直接对各时间节点得到的温度数值与设备温度的标准参考值进行比较，并根据比较结果对不符合标准值取值区间要求的数据进行标记和预警处理；但该处理方式无法突显出各时间节点温度数据之间的变化特征；进而无法准确根据数据之间的变化对异常数据进行细化分析和判断、智能且准确的实现温度的异常监测；因此为了体现设备温度变化的波动特征以及开展后续的评估判断，首先要获取目标设备各时间节点的温度数据信息并进行时序温度曲线的构建。

具体的，获取电气设备温度随时间变化的时序数据，构建特征空间，特征空间以时序数据中各检测的时间节点数值作为横坐标，其中时间节点的间隔为1秒，横坐标单位为秒，以当前时间节点对应的检测温度数据作为特征空间的纵坐标，纵坐标单位为摄氏度，将获取得到的电气设备温度数据及其对应时间节点标注在空间坐标系中得到数据点，连接各数据点构建时序温度变化特征曲线，构建时序温度变化特征曲线可以更为客观地展现当前时间段内设备温度的变化波动特征。

至此，得到了时序温度变化特征曲线。

需要说明的是，按照传统的监测方式得到的数据是相较于给定标准参考值的离散数据，但导致其离散的原因是多样化的，若当前设备是由于长时间运行在高负荷下导致设备内部元器件电流密度增大，从而导致内部温度快速升高或是由于电气设备发生短路，导致电流迅速增大并集中于短路处形成高温区域进而导致温度数据异常等情况时，会对电气设备造成极大危害并带来较大的安全隐患，因此该类情况下得到的异常数据影响价值较高；同样导致数据离散于标准温度参考值的原因还可能是温度传感器的自身故障，即当前设备温度数据正常但传感器的测试或接触导致瞬时温度异常突变；或是由于环境、负载等因素导致的短暂温度波动，此类异常数据并不足以导致设备过热或其他安全问题；那么由于该类情况导致出现的异常数据影响价值相对较低；由此结合不同异常原因带来的时序曲线中不同的数据点波动特征对其进行评估计算；得到各异常数据的影响价值因子，进而实现细化和区分。

步骤S002、获取时序温度变化特征曲线中的异常温度数据。

需要说明的是，本步骤对步骤S001获得的时序温度变化特征曲线中各时间节点对应的温度数据结合电气设备标准温度参考值进行异常温度数据的首次筛选和标记，便于后续对异常数据点进行分析和评估操作。

具体的，异常温度数据的获取方法如下：

其中，表示时序温度变化特征曲线中第个时间节点的温度数据差异值，表示时序温度变化特征曲线中第个时间节点的温度数据，表示电气设备的标准温度参考值上限，本实施例以标准温度参考值上限为80摄氏度进行叙述。获取时序温度变化特征曲线中所有时间节点的温度数据差异值，若，则第个时间节点的温度数据为异常温度数据，获取时序温度变化特征曲线中所有异常温度数据，并将异常温度数据在时序温度变化特征曲线中对应的数据点进行标记。

至此，得到了异常温度数据并将异常温度数据在时序温度变化特征曲线中对应的数据点进行标记。

步骤S003、获取异常温度数据的第一非突变程度和第二非突变程度，根据第一非突变程度和第二非突变程度得到最终非突变程度。

需要说明的是，步骤S002通过设定电气设备标准温度参考值上限来判断时序温度变化特征曲线中各时间节点的温度数据，得到超出标准温度参考值上限的离散异常数据点，而由于导致异常离散原因的多样性，需要根据各异常数据点的波动特征进行分析和区分，若当前时间节点的异常温度数据是因为电气设备温度数据正常但温度传感器的测试或接触导致瞬时温度异常突变，即传感器自身故障导致的温度数据异常，此时的数据点异常突变程度较大；由于正常情况下温度的升高并非瞬时的，而是在相邻时间节点中呈逐渐递增的，因此可以根据当前异常数据点中相邻时间节点温度数据的波动情况进行判断是否为正常情况下温度的升高；对于由环境、负载等因素导致的短暂温度波动，其异常数据点中相邻时间节点的温度数据与过载和短路等危害较大的温度数据异常变化较为相似，需要进行更为深入的分析，最终得到异常数据点的影响价值评估模型。

具体的，将异常温度数据在时序温度变化特征曲线中对应的数据点作为异常数据点，获取时序温度变化特征曲线中所有异常数据点，将所有异常数据点按照时序温度变化特征曲线中时间节点的顺序排列得到异常数据点序列，根据异常数据点序列中时间节点的异常温度数据以及相邻时间节点的温度数据，得到异常数据点序列中异常温度数据的第一非突变程度，具体如下：

其中，表示异常数据点序列中时间节点的异常温度数据，表示时间节点的温度数据，表示时间节点的温度数据，表示自然常数为底的指数函数，用于归一化，表示时间节点的异常温度数据的第一非突变程度。需要说明的是，时间节点的温度数据和时间节点的温度数据可能是异常温度数据也可能是正常温度数据，中分母和分子若是结果相近，则分式比值结果越接近1，说明时间节点对应的异常数据点突变程度较低即非突变程度越高，越趋近于0，则时间节点的异常温度数据的第一非突变程度越趋近于1。获取异常数据点序列中所有时间节点的异常温度数据的第一非突变程度，同时进行第二非突变程度的评估。

进一步地，根据异常数据点序列中时间节点的异常温度数据以及邻域内时间节点的温度数据得到异常温度数据的第二非突变程度，具体如下：

其中，表示异常数据点序列中时间节点的异常温度数据，表示以时间节点为中心的单侧邻域时间节点的个数，本实施例以为5进行叙述，即时间节点左侧或者右侧邻域内各有5个时间节点，需要说明的是，本实施例中对于时间节点邻域内时间节点不足5个时，利用二次线性插值的方法将邻域内的时间节点进行插值填充；

表示时间节点的温度数据，表示自然常数为底的指数函数，用于归一化，表示时间节点的异常温度数据的第二非突变程度。需要说明的是，公式的思想为获取当前异常数据点与其相邻的时间节点内的多个连续的温度变化数据均值的差异值；差异值越小，在反比例归一化函数的作用下使其结果越趋于1，第二非突变程度越大。获取异常数据点序列中所有时间节点的异常温度数据的第二非突变程度。

进一步地，根据异常温度数据的第一非突变程度和异常温度数据的第二非突变程度得到最终非突变程度，具体如下：

其中，表示异常温度数据的第一非突变程度的预设权重，本实施例中以第一非突变程度的预设权重为0.6进行叙述，表示时间节点的异常温度数据的第一非突变程度，表示异常温度数据的第二非突变程度的预设权重，本实施例中以第二非突变程度的预设权重为0.4进行叙述，表示时间节点的异常温度数据的第二非突变程度，表示时间节点的异常温度数据的最终非突变程度。需要说明的是，由于第一非突变程度是根据温度变化的波动差异所决定，其特征表现更加直观，因此设定参考权重。

进一步地，预设非突变程度阈值，将非突变程度阈值记为，本实施例中以非突变程度阈值进行叙述，当时，说明时间节点的异常温度数据的非突变程度较高，即突变程度较低，获取异常数据点序列中最终非突变程度大于非突变程度阈值的所有异常数据点，将大于非突变程度阈值的异常数据点在时序温度变化特征曲线中进行标记并保留，当时，说明时间节点的异常温度数据的非突变程度较低，即突变程度较高，获取异常数据点序列中最终非突变程度小于等于非突变程度阈值的所有异常数据点，将小于等于非突变程度阈值的所有异常数据点去除，由于非突变程度较低的异常数据点符合传感器的自身出现故障导致的温度数据瞬时突变异常特征，该类异常数据的影响价值评价较低，因此进行去除。

至此，得到了非突变程度较高的异常数据点。

步骤S004、对非突变程度较高的异常数据点进行影响价值评估。

需要说明的是，步骤S003根据异常温度数据的最终非突变程度将由传感器自身故障引起的非突变程度较低的异常数据点去除；在符合的异常数据中，存在由环境、负载等因素导致的短暂温度波动，由于其异常数据点相邻时间节点的温度数据与过载和短路等危害较大的温度数据异常变化较为相似，因此步骤S003无法对其进行准确识别和区分；因此该步骤对筛选标记后的异常数据进行进一步评估分析，得到影响价值评估，进而对当前的异常数据集实现准确区分。

具体的，获取将小于等于非突变程度阈值的所有异常数据点去除后的时序温度变化特征曲线，为便于表述，将小于等于非突变程度阈值的所有异常数据点去除后的时序温度变化特征曲线记为第一特征曲线，将第一特征曲线内任意一个大于非突变程度阈值的异常数据点记为第个异常数据点，在第一特征曲线中以第个异常数据点为中心将左右各相邻的个数据点构成的区间作为第个异常数据点的波动区间，本实施例中以为例进行叙述。

进一步地，根据波动区间中异常数据点的占比以及波动区间长度得到异常数据点的影响价值，具体如下：

其中，表示第一参考权重，本实施例以第一参考权重为0.6进行叙述，表示自然常数为底的指数函数，用于归一化，表示第个异常数据点的波动区间中大于非突变程度阈值的异常数据点个数，表示第个异常数据点的波动区间中数据点的总个数，表示第二参考权重，本实施例中以第二参考权重为0.4进行叙述，表示双曲正切函数，用于归一化，表示第个异常数据点的波动区间中时间节点的最大值，表示第个异常数据点的波动区间中时间节点的最小值，表示第个异常数据点的影响价值。需要说明的是，的值越趋近于1，说明第个异常数据点的波动区间中存在的异常数据点越多，即异常数值持续时间较长，表示第个异常数据点的波动区间持续的时长，时长越长其为短暂波动的概率越低，由于时间节点数量代表时长且单位为整数，而双曲正切函数在取大于1之后的值时差异并不明显，因此对其使用进行相乘处理，该操作可放大归一化之后的数值差异。

需要说明的是，上述异常数据点的影响价值模型中的两项相加结果越趋于1，说明当前异常数据点为短暂波动所致的可能性越低，即越有可能为过载和短路等危害较大的情况导致温度数据异常变化，影响价值越高。

进一步地，预设价值评估阈值，本实施例中以价值评估阈值为0.9进行叙述，当异常数据点的影响价值大于等于价值评估阈值时，认为异常数据点的影响价值高，反之则认为影响价值低。

步骤S005、根据影响价值对异常数据进行处理实现智能监测异常数据的效果。

步骤S003中对异常数据进行分类和标记，其中将小于等于非突变程度阈值的所有异常数据去除，这些异常数据极有可能为传感器自身故障引起的突变，该类异常数据可被忽略，不进行处理；而影响价值低的异常数据极有可能为环境、负载等因素导致的短暂温度波动，可以暂时不进行处理，但需根据后续监测情况中是否出现此类异常数据频率增加而定，再进行后续的检查和维护；而对于影响价值高的异常数据，需要及时进行时间节点的统计，该类异常数据为重要且准确的电气设备温度异常数据，当出现温度异常时，通过对电气设备的检测维护减少可能发生的危险，根据上述分类和处理实现对电气设备运行状态下温度异常的智能监测。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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

1.一种电气设备运行状态智能监测方法，其特征在于，该方法包括以下步骤：

根据影响价值对电气设备的异常温度数据进行处理实现智能监测异常数据的效果；

所述根据异常数据点序列中时间节点的异常温度数据以及相邻时间节点的温度数据，得到异常数据点序列中异常温度数据的第一非突变程度，包括的具体步骤如下：

其中，表示异常数据点序列中时间节点/>的异常温度数据，/>表示时间节点/>的温度数据，/>表示时间节点/>的温度数据，/>表示自然常数为底的指数函数，表示时间节点/>的异常温度数据的第一非突变程度；

所述根据异常数据点序列中时间节点的异常温度数据以及邻域内时间节点的温度数据，得到异常温度数据的第二非突变程度，包括的具体步骤如下：

其中，表示异常数据点序列中时间节点/>的异常温度数据，/>表示以时间节点/>为中心单侧邻域时间节点的个数，/>表示时间节点/>的温度数据，/>表示自然常数为底的指数函数，/>表示时间节点/>的异常温度数据的第二非突变程度；

所述根据异常温度数据的第一非突变程度和异常温度数据的第二非突变程度得到最终非突变程度，包括的具体步骤如下：

其中，表示异常温度数据的第一非突变程度的预设权重，/>表示时间节点/>的异常温度数据的第一非突变程度，/>表示异常温度数据的第二非突变程度的预设权重，/>表示时间节点/>的异常温度数据的第二非突变程度，/>表示时间节点/>的异常温度数据的最终非突变程度。

2.根据权利要求1所述一种电气设备运行状态智能监测方法，其特征在于，所述获取时序温度变化特征曲线中的异常温度数据，具体获取方法如下：

其中，表示时序温度变化特征曲线中第/>个时间节点的温度数据差异值，/>表示时序温度变化特征曲线中第/>个时间节点的温度数据，/>表示电气设备的标准温度参考值上限；若/>，则第/>个时间节点的温度数据为异常温度数据，获取时序温度变化特征曲线中所有异常温度数据。

3.根据权利要求1所述一种电气设备运行状态智能监测方法，其特征在于，所述根据异常温度数据得到异常温度数据点序列，包括的具体步骤如下：

4.根据权利要求1所述一种电气设备运行状态智能监测方法，其特征在于，所述根据最终非突变程度和时序温度变化特征曲线得到第一特征曲线，包括的具体步骤如下：

5.根据权利要求1所述一种电气设备运行状态智能监测方法，其特征在于，所述获取第一特征曲线中任意一个异常数据点的波动区间，具体获取方法如下：

将第一特征曲线内任意一个大于预设非突变程度阈值的异常数据点记为第个异常数据点，在第一特征曲线中以第/>个异常数据点为中心将左右各相邻的/>个数据点构成的区间作为第/>个异常数据点的波动区间。

6.根据权利要求1所述一种电气设备运行状态智能监测方法，其特征在于，所述根据波动区间中异常数据点的占比以及波动区间长度得到异常数据点的影响价值，包括的具体步骤如下：

其中，表示第一参考权重，/>表示自然常数为底的指数函数，/>表示第/>个异常数据点的波动区间中大于非突变程度阈值/>的异常数据点个数，/>表示第/>个异常数据点的波动区间中数据点的总个数，/>表示第二参考权重，/>表示双曲正切函数，/>表示第/>个异常数据点的波动区间中时间节点的最大值，/>表示第/>个异常数据点的波动区间中时间节点的最小值，/>表示第/>个异常数据点的影响价值。