CN116794385B - 基于多维数据分析的高压电流监测方法 - Google Patents

Abstract

本发明涉及测量电变量技术领域，提出了基于多维数据分析的高压电流监测方法，包括：采集高压电缆上的电压、电流、电缆温度和环境温度数据，根据电流数据，获取电流紊乱度，进而获取电流异常程度，同理，获取电压异常程度；根据电缆温度数据以及环境温度数据计算电缆温度异常程度和环境电缆温度相关系数，进而获取综合电流异常程度，根据综合电流异常程度自适应确定异常检测算法的常数参数，对高压电流是否发生异常进行监测。本发明旨在解决异常检测算法对高压电流进行异常监测时依赖于常数参数，导致监测结果不准确而产生较大误差的问题。

Description

基于多维数据分析的高压电流监测方法

技术领域

本发明涉及测量电变量技术领域，具体涉及基于多维数据分析的高压电流监测方法。

背景技术

随着经济的快速发展，城市建设与企业现代化建设不断提高，我们的生产和生活越来越离不开电力行业，它已然成为经济发展的重要支柱。高压输电线路的安全运行对电力行业的安全生产起着至关重要的作用，受到了相关企业的高度重视。

高压输电线路在运行过程中不仅会受周围环境的影响，并且也会面临各种突发情况。高压电流是电力系统中的重要参数，通过对高压电流进行监测，可以检测电力系统中的各种异常状态，并发现潜在的风险和故障，比如过载、短路等问题，从而减少故障次数，降低事故的发生率。因此，为了保障高压输电线路运行的安全稳定，对高压电流进行监测具有非常重要的现实意义。现有的LOF异常检测算法可以对电流进行监测，但是算法中最小近邻域的范围难以确定，并且现有对电流的监测仅根据电力信号对其进行监测，特征量单一，没有将周围环境的变化考虑在内，导致对高压电流的异常监测不够准确。

发明内容

本发明提供基于多维数据分析的高压电流监测方法，以解决现有的LOF异常检测算法对异常数据的检测依赖于最小近邻域的范围，导致高压电流异常监测不准确的问题，所采用的技术方案具体如下：

本发明一个实施例提供了基于多维数据分析的高压电流监测方法，该方法包括以下步骤：

采集高压电缆上采样时间段内每个周期每个采样时刻的电压数据、电流数据、电缆温度数据和环境温度数据；

根据所述采样时间段内每个采样时刻的电流数据，获取每个采样时刻的理论电流值；根据所述电流数据和理论电流值，获取对应的电流紊乱度；基于同一周期不同采样时刻的电流紊乱度的均匀程度，获取对应的电流跳变均匀度；根据所述采样时间段内所有周期的电流跳变均匀度和所有电流数据对应的电流紊乱度，获取所述采样时间段的电流异常程度；

根据所述采样时间段内所有的电压数据，获取对应的电压异常程度；

根据所述采样时间段内所有的电缆温度数据，获取对应的电缆温度异常程度；根据所述采样时间段内所有的电缆温度数据和环境温度数据，获取环境电缆温度相关系数；基于所述电缆温度异常程度、电流异常程度、电压异常程度和环境电缆温度相关系数，获取综合电流异常程度；

基于所述综合电流异常程度，确定异常检测算法的参数值，对采样时间段内的高压电流是否发生异常进行监测。

可选的，所述根据所述采样时间段内每个采样时刻的电流数据，获取每个采样时刻的理论电流值，包括的具体方法为：

将所述电流数据与正弦函数进行拟合，获取对应的参数，将拟合得到的函数记为第一正弦函数；

根据拟合后的第一正弦函数，获取所述采样时间段内各个采样时刻的理论电流值，其中，所述参数包括幅值、频率、相位和直流分量。

可选的，所述根据所述电流数据和理论电流值，获取对应的电流紊乱度，包括的具体方法为：

每个采样时刻的电流紊乱度为对应采样时刻的理论电流值与所述电流数据的差值的绝对值。

可选的，所述基于同一周期不同采样时刻的电流紊乱度的均匀程度，获取对应的电流跳变均匀度，包括的具体方法为：

对于任意一个周期，根据周期内不同采样时刻的电流紊乱度获取电流紊乱度的极差，取所述极差的倒数作为所述周期内的电流跳变均匀度。

可选的，所述根据所述采样时间段内所有周期的电流跳变均匀度和所有电流数据对应的电流紊乱度，获取所述采样时间段的电流异常程度，包括的具体方法为：

获取所述采样时间段内所有采样时刻的电流紊乱度的均值，将所述均值记为第一均值；

获取所述采样时间段内所有周期的电流跳变均匀度之和与所述采样时间段内所有周期的电流跳变均匀度的标准差的乘积，记为第一乘积；

获取第一均值与第一乘积的比值，将所述第一均值与第一乘积的比值记为第一比值，将所述第一比值记为所述采样时间段的电流异常程度。

可选的，所述根据所述采样时间段内所有的电压数据，获取对应的电压异常程度，包括的具体方法为：

将所述电压数据与正弦函数进行拟合，获取对应的参数，将拟合得到的函数记为第二正弦函数；

根据拟合后的第二正弦函数，获取所述采样时间段内各个采样时刻的理论电压值，其中，所述参数包括幅值、频率、相位和直流分量；

获取采样时间段内每个采样时刻的电压紊乱度为对应采样时刻的理论电压值与所述电压数据的差值的绝对值；

对于任意一个周期，根据所述周期内不同采样时刻的电压紊乱度获取电压紊乱度的极差，取所述极差的倒数作为所述周期内的电压跳变均匀度；

获取所述采样时间段内所有采样时刻的电压紊乱度的均值，将所述均值记为第二均值；

获取所述采样时间段内所有周期的电压跳变均匀度之和与所述采样时间段内所有周期的电压跳变均匀度的标准差的乘积，记为第二乘积；

获取第二均值与第二乘积的比值，将所述第二均值与第二乘积的比值记为第二比值，将所述第二比值记为所述采样时间段的电压异常程度。

可选的，所述根据所述采样时间段内所有的电缆温度数据，获取对应的电缆温度异常程度，包括的具体方法为：

按照采集的时间顺序，根据所述采样时间段内的所有电缆温度数据获取电缆温度时间序列；

分别取电缆温度时间序列中每个电缆温度数据作为待测温度数据，获取待测温度数据与其前一采样时刻温度数据的差值的绝对值，记为第一绝对值；

获取待测温度数据与其后一采样时刻温度数据的差值的绝对值，记为第二绝对值；

取所述第一绝对值和第二绝对值的均值，将所述均值记为待测温度数据对应的温度起伏程度；

获取待测温度数据对应的温度起伏程度的归一化值作为待测温度数据对应的电缆温度起伏归一化值；

获取所述采样时间段内所有电缆温度起伏归一化值的平方和为第一累加和；

获取所述第一累加和的倒数为电缆温度起伏均匀度；

获取所述采样时间段内所有采样时刻的温度起伏程度之和为第二累加和；

获取所述第二累加和与电缆温度起伏均匀度的比值，将所述第二累加和与电缆温度起伏均匀度的比值记为第三比值，将所述第三比值记为电缆温度异常程度。

可选的，所述根据所述采样时间段内所有的电缆温度数据和环境温度数据，获取环境电缆温度相关系数，包括的具体方法为：

按照采集的时间顺序，根据所述采样时间段内的所有环境温度数据获取环境温度时间序列；

获取环境温度时间序列和电缆温度时间序列之间的相关系数，记为环境电缆温度相关系数。

可选的，所述基于所述电缆温度异常程度、电流异常程度、电压异常程度和环境电缆温度相关系数，获取综合电流异常程度的计算公式为：

其中，为所述采样时间段对应的综合电流异常程度；/>为环境电缆温度相关系数；/>为所述采样时间段内的电缆温度异常程度；/>为所述采样时间段对应的电流异常程度；/>为所述采样时间段对应的电压异常程度。

可选的，所述基于所述综合电流异常程度，确定异常检测算法的参数值，对采样时间段内的高压电流是否发生异常进行监测，包括的具体方法为：

根据每个周期对应的电流数据，以横轴为采样时刻，纵轴为电流值，获取二维电流散点图；

对采样时间段内的综合电流异常程度进行归一化，获取综合电流异常程度归一化值；

获取所述综合电流异常程度归一化值与预设初始值的乘积，记为第三乘积，将所述第三乘积的取整值记为异常检测算法参数值的实际取值；

对不同周期同一采样时刻的电流数据使用异常检测算法获取每个电流数据的异常分数值，根据异常分数值和预设阈值判断电流数据是否为异常数据；

根据异常数据的判断结果判断所述采样时间段内的高压电流是否发生异常。

本发明的有益效果是：综合采样时间段内的电缆温度异常程度、电压异常程度、电流异常程度以及环境电缆温度相关系数获取综合电流异常程度，根据综合电流异常程度自适应确定LOF异常检测算法最小近邻域的范围，并使用LOF异常检测算法对高压电流是否发生异常进行监测，提高了电流监测的可靠性；现有对电流的监测仅根据电力信号对其进行监测，特征量单一，没有将周围环境的变化考虑在内，而电缆在出现故障的过程中往往伴随着温度的变化，将高压电缆上的温度考虑在内，间接对高压电流进行监测，避免了单一测量结果的偶然性，进一步提高了电流监测的可靠性；周围环境的温度随着季节和昼夜更替的变化而变化，又因为热能传递现象，周围环境的温度也会影响到高压电缆的温度，将周围环境的温度考虑在内，确定电缆温度的影响权重，提高了电流监测的准确性。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于多维数据分析的高压电流监测方法流程示意图；

图2为本发明一个实施例所提供的二维电流散点图。

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。

请参阅图1，其示出了本发明一个实施例所提供的基于多维数据分析的高压电流监测方法流程图，该方法包括以下步骤：

步骤S001、采集高压电缆上采样时间段内每个周期每个采样时刻的电压数据、电流数据、电缆温度数据和环境温度数据。

本实施例的目的是根据与高压电流相关的多维数据对高压电流进行监测，高压电缆上的电压、电流和温度数据，以及外界环境的温度，均与高压电流的大小有关，而在交流电中，电压周期性地由正变负和由负变正，电流的方向也相应地周期性变化，因此可以获取高压电缆上预设第一数量个周期内与高压电流相关的多维数据，并在每个周期内均匀地采集预设第二数量个数据，与高压电流相关的多维数据包括高压电缆上的电压数据、电流数据、电缆温度数据和环境温度数据，预设第一数量经验取值为200，预设第二数量经验取值为8。

至此，获取高压电缆上采样时间段内每个周期每个采样时刻的电压数据、电流数据、电缆温度数据和环境温度数据。

步骤S002、根据高压电缆上某一电流监测处采样得到的电流值、电压值，获取电压异常程度、电流异常程度。

需要说明的是，频率、幅值和相位是衡量交流电特性的三个重要参数，由于交变电流的大小和方向都随时间作周期性变化，且其波形为正弦波，因此，当高压电流出现异常时，其波形与标准的正弦波形相异。可以先根据采样得到的实际电流值，使用正弦波进行拟合，计算相应的理论电流值，获取各个采样时刻的实际电流值与理论电流值的相异程度。

具体的，将实际电流值与正弦函数进行拟合，获取对应的幅值、频率、相位和直流分量参数，将拟合得到的函数记为第一正弦函数，其中，拟合可以使第一正弦函数与采样得到的实际电流值的残差平方和最小。将实际电压值与正弦函数进行拟合，获取对应的幅值、频率、相位和直流分量参数，将拟合得到的函数记为第二正弦函数，其中，拟合可以使第二正弦函数与采样得到的实际电压值的残差平方和最小。拟合为现有技术，本实施例采用最小二乘法，实施者也可采取其他方法；得到第一正弦函数、第二正弦函数之后，根据第一正弦函数获取相应的理论电流值，根据第二正弦函数获取相应的理论电压值。

进一步的，获取所述采样时间段内的各个采样时刻对应的电流紊乱度、电压紊乱度，所述电流紊乱度获取的具体方法为：将每个采样时刻的理论电流值与电流数据差值的绝对值作为对应的电流紊乱度，所述电压紊乱度获取的具体方法为：将每个采样时刻的理论电压值与电压数据差值的绝对值作为对应的电压紊乱度。

进一步需要说明的是，高压电缆有埋地式、管道式、隧道式和架空式四种铺设方式，但是由于地下电缆比架空电缆线路在结构上要复杂得多，技术要求更高一些，制造、施工也会更加困难，而且，电缆埋在地下后，一旦发生故障，也不易于检修维护，因此，高压电力的传输往往通过高塔架空走线。通过高塔架空走线的高压电缆往往会受到外界环境，如风、霜、雨、雪的干扰，也会导致高压电流与标准的正弦波形相异，当各个采样时刻的电流与标准的正弦波形相异程度均较小时，可能是因为周围环境的波动造成的；而当某一采样时刻的电流与标准的正弦波形相异程度较大，而其它采样时刻均与标准的正弦波形相差较小时，则电流异常的可能性较大。因此，可以通过每个采样周期内电流紊乱度、电压紊乱度的均匀程度获取其电流跳变均匀度、电压跳变均匀度，进而对每个采样周期内电流的异常程度进行评估。

具体的，获取每个采样周期内电流紊乱度的极差，并将所述极差的倒数作为相应采样周期内的电流跳变均匀度，按照上述方法获取每个采样周期对应的电流跳变均匀度。

需要说明的是，当一个采样周期内电流紊乱度、电压紊乱度的最大值与最小值相差越小时，说明在相应采样周期内电流、电压的波动呈现持续稳定的变化，电流、电压跳变的均匀程度越高，电流跳变均匀度、电压跳变均匀度值越大，此时，电流的紊乱越可能是由外界环境的变化导致的。

进一步需要说明的是，交变电流的各个周期呈现规律性变化，而当电流监测出现异常时，往往不具有周期性的规律，因此，当采样时间段内各个周期电流跳变的一致程度越高时，说明电流的跳变具有周期性的规律，与正常电流的特征较为相似，电流异常程度越低，可以结合电流的紊乱度、电流跳变的均匀程度，再根据各个周期内电流变化的一致程度，对采样时间段内电流的异常程度进行衡量。

具体的，采样时间段内电流异常程度的具体计算方法为：

其中，为预设第一数量，代表采样时间段内采样周期的个数；/>为电流异常程度，/>为所采集时间段内各个采样时刻电流紊乱度的均值，代表了各个采样时刻电流实际值与理论值的差异；/>为所采集时间段内电流跳变均匀度的标准差，代表该时间段内电流跳变的一致程度；/>为第i个周期内的电流跳变均匀度，代表了该周期内电流跳变的均匀程度，其中，/>。

需要说明的是，由于电压与电流成正比，当电路未出现异常时，电阻一定，电压越高，电流越小。

同样地，交流电的电压波形也为正弦波，按照上述方法，根据采样得到的电压值获取采样时间段内的电压异常程度。

进一步需要说明的是，采样时间段内电流跳变均匀度的标准差代表了采样时间段内电流跳变的一致程度，当各个采样时刻的电流紊乱度越大时，说明其波形与标准的正弦函数波形相差越大，越不符合交流电的正弦函数特性，电流越可能发生异常，电流异常程度越高；当采样时间段内各个周期电流跳变的均匀程度越高时，说明电流的波动呈现持续稳定的变化，电流的紊乱越可能是由外界环境的变化导致的，电流异常程度越低；当采样时间段内电流跳变的一致程度越高时，说明电流的跳变具有周期性的规律，与正常电流的特征较为相似，电流异常程度越低。

至此，获取到采样时间段内的电流异常程度、电压异常程度，用于对采样时间段内电流、电压的异常程度进行量化。

步骤S003、根据高压电缆上某一电流监测处采样得到的环境温度数据和电缆温度数据，获取电缆温度异常程度和环境电缆温度系数。

需要说明的是，高压电缆在长期的运行过程中可能会出现因接头接触不良而导致的热故障，系统在处于大电流工作状态下时，接头温度会逐渐攀升，电阻值会逐渐增大，当温度到达一定临界值时，就会发生设备故障，引发安全事故。因此，高压电流的监测与温度的变化有着密不可分的关系，可以根据高压电缆运行时的温度变化，对电流进行监测。

具体的，按照采集的时间顺序，先根据各个采样时刻的电缆温度数据，获取电缆温度时间序列，各个采样时刻的电缆温度数据与其前后采样时刻电缆温度差值的绝对值均值确定为相应采样时刻的温度起伏程度，再将各个采样时刻的温度起伏程度进行归一化，则采样时间段内的电缆温度起伏均匀度的具体计算方法为：

其中，为第一预设数量，代表采样周期的个数，/>为第一预设数量，代表每个采样周期采样点的个数，/>为电缆温度起伏均匀度，/>为第k（取值范围为1~/>）个采样时刻的温度起伏程度的归一化值，取值范围为0-1。

当各个采样时刻的温度起伏程度越接近时，值越小，电缆温度起伏均匀度越高，高压电流越可能发生异常。

进一步的，采样时间段内的电缆温度异常程度的具体计算方法为：

其中，为电缆温度异常程度，代表电缆温度变化的均匀程度；/>为第k个采样时刻的温度起伏程度，代表该采样时刻温度变化的剧烈程度；/>为电缆温度起伏均匀度。

需要说明的是，当电缆温度变化的越均匀时，越可能是因为外界环境温度的变化造成的，是正常的，电缆温度异常程度越低；由外界环境的温度变化造成的电缆温度变化通常较小，当电缆温度变化的剧烈程度越高时，越可能为设备故障造成的，电缆温度异常程度越高。

进一步需要说明的是，由于热传递现象，当外界环境的温度发生变化时，高压电缆上的温度也会随之发生变化，因此高压电缆上温度的变化可能是由于外界环境变化造成的，也可能是由于电流异常造成的。外界环境与高压电缆上温度的相关程度不同时，高压电缆上温度受到外界环境的影响也不同。因此，可以获取电缆温度与环境温度之间的相关程度，进而更加准确地通过电缆温度的异常程度对电流进行监测。

具体的，按照采集的时间顺序，根据各个采样时刻的环境温度数据获取环境温度时间序列；获取环境温度时间序列与电缆温度时间序列的相关系数，将相关系数作为环境电缆温度相关系数。

至此，获取到采样时间段内的电缆温度异常程度和环境电缆温度系数，用于对采样时间段内电缆温度的异常程度以及环境温度和电缆温度的相关程度进行量化。

步骤S004、根据高压电缆上某一电流监测处采样时间段内的电缆温度异常程度、电压异常程度、电流异常程度以及环境电缆温度相关系数，获取高压电缆上的综合电流异常程度。

需要说明的是，高压电缆在长期的运行过程中可能会出现因接头接触不良而导致的热故障，系统在处于大电流工作状态下时，接头温度会逐渐攀升，电阻值会逐渐增大，当温度到达一定临界值时，就会发生设备故障，引发安全事故。因此，高压电流的监测与温度的变化有着密不可分的关系。但是由于热传递现象，当外界环境的温度发生变化时，高压电缆上的温度也会随之发生变化，因此高压电缆上温度的变化可能是由于外界环境变化造成的，也可能是由于电流异常造成的。外界环境与高压电缆上温度的相关程度不同时，高压电缆上温度受到外界环境的影响也不同。因此，可以综合采样时间段内的电缆温度异常程度、电压异常程度、电流异常程度以及环境电缆温度相关系数，对高压电缆上的综合电流异常进行计算。

具体的，先将电流异常程度、电压异常程度之和作为电力信号的异常程度，并将环境电缆温度相关系数作为电力信号异常程度的权重，采样时间段内的综合电流异常程度的具体计算方法为：

其中，为综合电流异常程度，/>为环境电缆温度相关系数，代表外界环境与高压电缆上温度的相关程度；/>为电缆温度异常程度；/>、/>分别为电流异常程度、电压异常程度。

进一步需要说明的是，当外界环境与高压电缆上温度的相关程度越高，说明高压电缆上温度受到外界环境影响的可能性就越大，通过高压电缆上温度的变化对电流进行监测就越不可靠，此时，应该给予高压电缆的温度变化，即电缆温度异常程度较小的权重，而给予电压异常程度、电流异常程度较大的权重。

至此，获取到采样时间段内的综合电流异常程度，用于对采样时间段内电流的实际异常程度进行量化。

步骤S005、根据采样时间段内的综合电流异常程度自适应确定LOF异常检测算法的k值，并使用LOF异常检测算法对高压电流是否发生异常进行监测。

需要说明的是，使用LOF异常检测算法对电流进行监测时，第k距离邻域的范围越大，异常程度较低的异常点越容易被误认为是正常数据点。因此当综合电流异常程度越低时，应该选择较小的常数参数k值，防止将异常程度较低的电流异常点误判为正常数据点，而当综合电流异常程度越高时，应该选择较大的k值，防止将异常程度较高的离群点判断为正常数据点，其中常数参数k值代表了第k距离邻域的范围。

具体的，将采样时间段内的综合电流异常程度进行归一化处理，将归一化处理后的综合电流异常程度作为k值实际取值的系数，设置k值的预设初始值为第一预设数量，即采样的周期个数N，将k值实际取值的系数与k值的初始值相乘再进行取整，得到k值的实际取值。

进一步的，根据每个周期对应的电流数据，以横轴为采样时刻，纵轴为电流值，获取二维电流散点图如图2所示，使用LOF异常检测算法，根据不同周期同一采样时刻电流分布的密度，获取每个电流数据点的离群因子LOF，当离群因子LOF大于1时，判定电流数据点为异常数据点，否则为正常数据点，然后根据所述采样时间段内电流数据点为异常数据点的比例是否大于第一预设阈值判断所述采样时间段内的高压电流是否发生异常，第一预设阈值经验取值为50%。

至此，获取到LOF异常检测算法的k值，并使用LOF异常检测算法对高压电流是否发生异常进行监测。

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。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。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。

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 (6)

1.基于多维数据分析的高压电流监测方法，其特征在于，该方法包括以下步骤：

采集高压电缆上采样时间段内每个周期每个采样时刻的电压数据、电流数据、电缆温度数据和环境温度数据；

根据所述采样时间段内每个采样时刻的电流数据，获取每个采样时刻的理论电流值；根据所述电流数据和理论电流值，获取对应的电流紊乱度；基于同一周期不同采样时刻的电流紊乱度的均匀程度，获取对应的电流跳变均匀度；根据所述采样时间段内所有周期的电流跳变均匀度和所有电流数据对应的电流紊乱度，获取所述采样时间段的电流异常程度；

根据所述采样时间段内所有的电压数据，获取对应的电压异常程度；

根据所述采样时间段内所有的电缆温度数据，获取对应的电缆温度异常程度；根据所述采样时间段内所有的电缆温度数据和环境温度数据，获取环境电缆温度相关系数；基于所述电缆温度异常程度、电流异常程度、电压异常程度和环境电缆温度相关系数，获取综合电流异常程度；

基于所述综合电流异常程度，确定异常检测算法的参数值，对采样时间段内的高压电流是否发生异常进行监测；

所述根据所述电流数据和理论电流值，获取对应的电流紊乱度，包括的具体方法为：

每个采样时刻的电流紊乱度为对应采样时刻的理论电流值与所述电流数据的差值的绝对值；

所述基于同一周期不同采样时刻的电流紊乱度的均匀程度，获取对应的电流跳变均匀度，包括的具体方法为：

对于任意一个周期，根据周期内不同采样时刻的电流紊乱度获取电流紊乱度的极差，取所述极差的倒数作为所述周期内的电流跳变均匀度；

所述根据所述采样时间段内所有的电压数据，获取对应的电压异常程度，包括的具体方法为：

将所述电压数据与正弦函数进行拟合，获取对应的参数，将拟合得到的函数记为第二正弦函数；

根据拟合后的第二正弦函数，获取所述采样时间段内各个采样时刻的理论电压值，其中，所述参数包括幅值、频率、相位和直流分量；

获取采样时间段内每个采样时刻的电压紊乱度为对应采样时刻的理论电压值与所述电压数据的差值的绝对值；

对于任意一个周期，根据所述周期内不同采样时刻的电压紊乱度获取电压紊乱度的极差，取所述极差的倒数作为所述周期内的电压跳变均匀度；

获取所述采样时间段内所有采样时刻的电压紊乱度的均值，将所述均值记为第二均值；

获取所述采样时间段内所有周期的电压跳变均匀度之和与所述采样时间段内所有周期的电压跳变均匀度的标准差的乘积，记为第二乘积；

获取第二均值与第二乘积的比值，将所述第二均值与第二乘积的比值记为第二比值，将所述第二比值记为所述采样时间段的电压异常程度；

所述根据所述采样时间段内所有的电缆温度数据，获取对应的电缆温度异常程度，包括的具体方法为：

按照采集的时间顺序，根据所述采样时间段内的所有电缆温度数据获取电缆温度时间序列；

分别取电缆温度时间序列中每个电缆温度数据作为待测温度数据，获取待测温度数据与其前一采样时刻温度数据的差值的绝对值，记为第一绝对值；

获取待测温度数据与其后一采样时刻温度数据的差值的绝对值，记为第二绝对值；

取所述第一绝对值和第二绝对值的均值，将所述均值记为待测温度数据对应的温度起伏程度；

获取待测温度数据对应的温度起伏程度的归一化值作为待测温度数据对应的电缆温度起伏归一化值；

获取所述采样时间段内所有电缆温度起伏归一化值的平方和为第一累加和；

获取所述第一累加和的倒数为电缆温度起伏均匀度；

获取所述采样时间段内所有采样时刻的温度起伏程度之和为第二累加和；

获取所述第二累加和与电缆温度起伏均匀度的比值，将所述第二累加和与电缆温度起伏均匀度的比值记为第三比值，将所述第三比值记为电缆温度异常程度；

所述异常检测算法的参数值为LOF异常检测算法的k值。

2.根据权利要求1所述的基于多维数据分析的高压电流监测方法，其特征在于，所述根据所述采样时间段内每个采样时刻的电流数据，获取每个采样时刻的理论电流值，包括的具体方法为：

将所述电流数据与正弦函数进行拟合，获取对应的参数，将拟合得到的函数记为第一正弦函数；

根据拟合后的第一正弦函数，获取所述采样时间段内各个采样时刻的理论电流值，其中，所述参数包括幅值、频率、相位和直流分量。

3.根据权利要求1所述的基于多维数据分析的高压电流监测方法，其特征在于，所述根据所述采样时间段内所有周期的电流跳变均匀度和所有电流数据对应的电流紊乱度，获取所述采样时间段的电流异常程度，包括的具体方法为：

获取所述采样时间段内所有采样时刻的电流紊乱度的均值，将所述均值记为第一均值；

获取所述采样时间段内所有周期的电流跳变均匀度之和与所述采样时间段内所有周期的电流跳变均匀度的标准差的乘积，记为第一乘积；

获取第一均值与第一乘积的比值，将所述第一均值与第一乘积的比值记为第一比值，将所述第一比值记为所述采样时间段的电流异常程度。

4.根据权利要求1所述的基于多维数据分析的高压电流监测方法，其特征在于，所述根据所述采样时间段内所有的电缆温度数据和环境温度数据，获取环境电缆温度相关系数，包括的具体方法为：

按照采集的时间顺序，根据所述采样时间段内的所有环境温度数据获取环境温度时间序列；

获取环境温度时间序列和电缆温度时间序列之间的相关系数，记为环境电缆温度相关系数。

5.根据权利要求1所述的基于多维数据分析的高压电流监测方法，其特征在于，所述基于所述电缆温度异常程度、电流异常程度、电压异常程度和环境电缆温度相关系数，获取综合电流异常程度的计算公式为：

其中，为所述采样时间段对应的综合电流异常程度；/>为环境电缆温度相关系数；/>为所述采样时间段内的电缆温度异常程度；/>为所述采样时间段对应的电流异常程度；/>为所述采样时间段对应的电压异常程度。

6.根据权利要求1所述的基于多维数据分析的高压电流监测方法，其特征在于，所述基于所述综合电流异常程度，确定异常检测算法的参数值，对采样时间段内的高压电流是否发生异常进行监测，包括的具体方法为：

根据每个周期对应的电流数据，以横轴为采样时刻，纵轴为电流值，获取二维电流散点图；

对采样时间段内的综合电流异常程度进行归一化，获取综合电流异常程度归一化值；

获取所述综合电流异常程度归一化值与预设初始值的乘积，记为第三乘积，将所述第三乘积的取整值记为异常检测算法参数值的实际取值；

对不同周期同一采样时刻的电流数据使用异常检测算法获取每个电流数据的异常分数值，根据异常分数值和预设阈值判断电流数据是否为异常数据；

根据异常数据的判断结果判断所述采样时间段内的高压电流是否发生异常。