CN116861356A - 异常数据检测方法及装置、电子设备、存储介质 - Google Patents
异常数据检测方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN116861356A CN116861356A CN202311131570.XA CN202311131570A CN116861356A CN 116861356 A CN116861356 A CN 116861356A CN 202311131570 A CN202311131570 A CN 202311131570A CN 116861356 A CN116861356 A CN 116861356A
- Authority
- CN
- China
- Prior art keywords
- operation data
- probability distribution
- distribution function
- data
- weibull probability
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000005315 distribution function Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 23
- 238000009826 distribution Methods 0.000 description 17
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及能源数据处理领域,提供一种异常数据检测方法及装置、电子设备、存储介质,方法包括:获取电力设备的待测运行数据;计算待测运行数据的马氏距离得到对应的马氏距离值;根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算待测运行数据的马氏距离值对应的威布尔概率分布函数值;将威布尔概率分布函数值与预设异常阈值进行比较,若威布尔概率分布函数值超过预设异常阈值,则将待测运行数据确定为异常数据。本公开实时快速有效地实现了电力设备异常数据的检测,可通过异常数据反映出电力设备的异常状态,从而实时快速有效地实现了电力设备异常状态的检测,可为电力设备状态异常提供早期预警和决策支持,有较高的实用性。
Description
技术领域
本公开涉及能源数据处理技术领域,特别涉及一种异常数据检测方法及装置、电子设备、存储介质。
背景技术
电力设备安全可靠是确保地铁综合能源管理系统安全稳定运行的重要前提,加强对电力设备运行状态的监测,实现电力设备的早期故障预警和诊断具有重要意义。根据行业统计分析发现,由于电力设备运行环境复杂、设备质量潜在缺陷等问题长期存在,设备故障一直是引起能源管理系统无法正常运行的主要源头。因此,全面、及时、准确地掌握电力设备运行状态,是保障设备安全运行的首要问题和难点,也是综合能源管理系统的主要技术瓶颈。
随着综合能源管理系统的接入,电力设备的运行数据得以通过综合能源管理系统进行监测,使得监测到的电力设备运行数据与其监测时刻得以对应起来,从而使得根据带有时间标签的电力设备监测数据即可准确地分析出监测数据的实时变化,进而通过监测数据的变化即可反映出系统设备整体运行情况。因此,通过监测电力设备运行数据并对监测到的数据是否发生异常进行检测,即可检测出电力设备是否出现异常状况。在此基础上,如何识别出电力设备运行数据中的异常数据,成为本领域亟待解决的问题。
发明内容
本公开旨在至少解决现有技术中存在的问题之一,提供一种异常数据检测方法及装置、电子设备、存储介质。
本公开的一个方面,提供了一种异常数据检测方法,所述检测方法包括:
获取电力设备的待测运行数据;
计算所述待测运行数据的马氏距离,得到所述待测运行数据的马氏距离值;
根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算所述待测运行数据的马氏距离值对应的威布尔概率分布函数值;
将所述威布尔概率分布函数值与预设异常阈值进行比较,若所述威布尔概率分布函数值超过所述预设异常阈值,则将所述待测运行数据确定为异常数据。
可选地,所述计算所述待测运行数据的马氏距离,得到所述待测运行数据的马氏距离值,包括:
根据下式(1),计算所述待测运行数据的马氏距离:
(1)
其中,MD i 表示马氏距离值,x i =(x 1,x 2,…,x p )表示所述待测运行数据中的第i个监测向量,p表示所述待测运行数据包含的监测向量的总个数,μ表示x i 的均值,∑表示x i 与μ的协方差矩阵,T表示转置。
可选地,所述预先确定的包含形状参数和尺度参数的威布尔概率分布函数通过以下步骤得到:
获取所述电力设备在正常运行状态下的历史运行数据;
计算所述历史运行数据的马氏距离,得到所述历史运行数据的马氏距离值;
定义包括所述形状参数和所述尺度参数的所述威布尔概率分布函数;
利用最大似然估计法,基于所述威布尔概率分布函数和所述历史运行数据的马氏距离值,估计所述形状参数和所述尺度参数分别对应的实际参数值,将所述威布尔概率分布函数中的所述形状参数和所述尺度参数分别更新为对应的所述实际参数值。
可选地,所述根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算所述待测运行数据的马氏距离值对应的威布尔概率分布函数值,包括:
根据下式(2),计算所述待测运行数据的马氏距离值对应的威布尔概率分布函数值:
(2)
其中,f表示所述威布尔概率分布函数,t表示MD i 对应的监测时间,表示所述形状参数对应的实际参数值,/>表示所述尺度参数对应的实际参数值。
可选地,所述检测方法还包括:
在将所述待测运行数据确定为异常数据后,输出报警信息。
本公开的另一个方面,提供了一种异常数据检测装置,所述检测装置包括:
第一获取模块,用于获取电力设备的待测运行数据;
第一计算模块,用于计算所述待测运行数据的马氏距离,得到所述待测运行数据的马氏距离值;
第二计算模块,用于根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算所述待测运行数据的马氏距离值对应的威布尔概率分布函数值;
比较模块,用于将所述威布尔概率分布函数值与预设异常阈值进行比较,若所述威布尔概率分布函数值超过所述预设异常阈值,则将所述待测运行数据确定为异常数据。
可选地,所述检测装置还包括:
第二获取模块,用于获取所述电力设备在正常运行状态下的历史运行数据;
第三计算模块,用于计算所述历史运行数据的马氏距离,得到所述历史运行数据的马氏距离值;
定义模块,用于定义包括所述形状参数和所述尺度参数的所述威布尔概率分布函数;
估计模块,用于利用最大似然估计法,基于所述威布尔概率分布函数和所述历史运行数据的马氏距离值,估计所述形状参数和所述尺度参数分别对应的实际参数值,将所述威布尔概率分布函数中的所述形状参数和所述尺度参数分别更新为对应的所述实际参数值。
可选地,所述检测装置还包括:
报警模块,用于在所述比较模块将所述待测运行数据确定为异常数据后,输出报警信息。
本公开的另一个方面,提供了一种电子设备,包括:
至少一个处理器;以及,
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前文记载的异常数据检测方法。
本公开的另一个方面,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现前文记载的异常数据检测方法。
本公开相对于现有技术而言,通过获取电力设备的待测运行数据,计算得到待测运行数据的马氏距离值,利用预先确定的包含形状参数和尺度参数的威布尔概率分布函数及该马氏距离值计算待测运行数据对应的威布尔概率分布函数值,将该威布尔概率分布函数值与预设异常阈值进行比较,在该威布尔概率分布函数值超过预设异常阈值时,将对应的待测运行数据确定为异常数据,实时快速有效地实现了电力设备异常数据的检测,并可通过异常数据反映出电力设备的异常状态,从而实时快速有效地实现了电力设备异常状态的检测,可为电力设备状态异常提供早期预警和决策支持,有较高的实用性。
附图说明
一个或多个实施方式通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施方式的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本公开一实施方式提供的一种异常数据检测方法的流程图;
图2为本公开另一实施方式提供的一种异常数据检测方法的流程图;
图3为本公开另一实施方式提供的一种异常数据检测装置的结构示意图;
图4为本公开另一实施方式提供的电子设备的结构示意图。
具体实施方式
为使本公开实施方式的目的、技术方案和优点更加清楚,下面将结合附图对本公开的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本公开各实施方式中,为了使读者更好地理解本公开而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本公开所要求保护的技术方案。以下各个实施方式的划分是为了描述方便,不应对本公开的具体实现方式构成任何限定,各个实施方式在不矛盾的前提下可以相互结合相互引用。
本公开的一个实施方式涉及一种异常数据检测方法,其流程如图1所示,包括:
步骤S110,获取电力设备的待测运行数据。
具体的,这里的电力设备可以是轨道交通电力设备,如地铁电力设备。运行数据指的是电力设备在运行过程中产生的各类不同物理属性的数据,如可以包括但不限于电流数据、电压数据、有功功率数据、无功功率数据以及潮流数据等。待测运行数据指的是待判断其是否属于异常数据的运行数据。
举例而言,步骤S110可以通过电力设备接入的能源管理系统对电力设备的运行情况进行监测,从而获取电力设备在一段时间内的运行数据,并将该运行数据作为待测运行数据。当然,步骤S110也可以通过其他方式获取电力设备的待测运行数据,本实施方式对此并不限制。
步骤S120,计算待测运行数据的马氏距离,得到待测运行数据的马氏距离值。
具体的,马氏距离即为数据协方差距离,是一种确定未知样本集与己知样本集相似性的有效方法。它与欧式距离的不同之处在于它考虑了数据集间的相关性,利用未知样本集、己知样本集及其相关系数的归一化值来计算,从而与样本集特征量的尺度(量纲)无关,而且由于考虑了样本集之间的相关性,马氏距离不仅不受样本集相关性的干扰,还能反映出各样本集之间的联系。由于马氏距离是由多个样本集定义的单变量距离,所以,马氏距离可用来区分多变量数据组,广泛应用于数据分类、异常检测等领域。
示例性的,步骤S120包括:根据下式(1),计算待测运行数据的马氏距离:
(1)
其中,MD i 表示马氏距离值,x i =(x 1,x 2,…,x p )表示待测运行数据中的第i个监测向量,p表示待测运行数据包含的监测向量的总个数,μ表示x i 的均值,∑表示x i 与μ的协方差矩阵,T表示转置。
也就是说,马氏距离可以定义为上式(1)。在此基础上,假设,则对上式(1)进行变换可得到:/>。
在这里,L的引入将x i 映射到一个新的域,可实现将各特征量标准化和解耦的效果。也就是说,这里的L代表x i 映射的可实现各特征量标准化和解耦的一个域。通过分析可知,马氏距离对于任何非奇异线性变换是固定的,也就是量纲不会影响马氏距离的数值。而且,引进协方差矩阵后,马氏距离不仅可以将冗余数据忽略掉,也避免了忽略数据集的方差和均值信息,即将数据集中各个属性之间的相关性也考虑在内了。
本实施方式通过利用上式(1)计算待测运行数据的马氏距离,可以将待测运行数据对应的多变量数据集简化为对电力设备运行状态具有代表性的单变量距离度量,从而方便了后续对异常数据的检测以及在工程中实现电力设备故障预警。
步骤S130,根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算待测运行数据的马氏距离值对应的威布尔概率分布函数值。
具体的,威布尔分布是可靠性分析中最重要的分布之一,威布尔分布的主要优势是可以通过控制其参数来实现不同形式的分布。借助柯尔莫可洛夫-斯米洛夫(Kolmogorov-Smimov,K-S)检验或拟合度检验,可以验证数据是否服从威布尔分布。
示例性的,预先确定的包含形状参数和尺度参数的威布尔概率分布函数通过以下步骤得到:获取电力设备在正常运行状态下的历史运行数据;计算历史运行数据的马氏距离,得到历史运行数据的马氏距离值;定义包括形状参数和尺度参数的威布尔概率分布函数;利用最大似然估计(Maximum Likelihood Estimation,MLE)法,基于威布尔概率分布函数和历史运行数据的马氏距离值,估计形状参数和尺度参数分别对应的实际参数值,将威布尔概率分布函数中的形状参数和尺度参数分别更新为对应的实际参数值。
具体的,电力设备在正常运行状态下的历史运行数据可以是电力设备在一段正常运行期间所产生的运行数据,其获取方法可以参照待测运行数据的获取方法,此处不再赘述。由于历史运行数据是电力设备在正常运行状态下的运行数据,因此,可以将历史运行数据的马氏距离值认为是健康值,作为异常数据检测的参考样本。
在计算历史运行数据的马氏距离时,可以将上式(1)涉及的待测运行数据替换为历史运行数据,具体的,对于上式(1)中的各个参数,可以将x i 用于表示历史运行数据中的第i个检测向量,将p用于表示历史运行数据包含的监测向量的总个数,从而利用参数替换后的上式(1)计算历史运行数据的马氏距离。
威布尔分布有多种形式,包括一参数威布尔分布、二参数威布尔分布、三参数威布尔分布以及混合威布尔分布。本实施方式选取二参数威布尔分布,定义一个包括形状参数和尺度参数双参数的威布尔概率分布函数。其中,形状参数决定了威布尔概率分布函数的曲线形状,尺度参数决定了威布尔概率分布函数的传播规律。
在估计形状参数和尺度参数分别对应的实际参数值时,可以利用定义的威布尔概率分布函数精确地表示历史运行数据的马氏距离值,利用最大似然估计法估计出威布尔概率分布函数的形状参数和尺度参数分别对应的实际参数值,之后将威布尔概率分布函数中的形状参数和尺度参数分别更新为估计出的实际参数值,即可得到预先确定的包含形状参数和尺度参数的威布尔概率分布函数。
示例性的,步骤S130包括:根据下式(2),计算待测运行数据的马氏距离值对应的威布尔概率分布函数值:
(2)
其中,f表示威布尔概率分布函数,t表示MD i 对应的监测时间,表示形状参数对应的实际参数值,/>表示尺度参数对应的实际参数值。
具体的,将上式(2)中的t替换为MD i ,当MD i 表示待测运行数据的马氏距离值时,f(MD i )即为待测运行数据对应的威布尔概率分布函数值,而当MD i 表示历史运行数据的马氏距离值时,f(MD i )即为历史运行数据对应的威布尔概率分布函数值。
步骤S140,将威布尔概率分布函数值与预设异常阈值进行比较,若威布尔概率分布函数值超过预设异常阈值,则将待测运行数据确定为异常数据。
具体的,步骤S140即将待测运行数据对应的威布尔概率分布函数值与预设异常阈值进行比较,若该威布尔概率分布函数值超过预设异常阈值,则表明待测运行数据为异常数据,并进一步表明电力设备在该待测运行数据对应的运行期间处于运行异常状态,而若该威布尔概率分布函数值未超过预设异常阈值,则表明待测运行数据为正常数据,并进一步表明电力设备在该待测运行数据对应的运行期间处于运行正常状态。
预设异常阈值可以根据历史运行数据对应的威布尔概率分布函数值确定,即,预设异常阈值可以根据威布尔分布拟合电力设备正常运行状态下的马氏距离曲线进行设定。这是由于威布尔分布具有模仿其他分布的特性,因此,它可被用来提供电力设备正常运行状态下马氏距离值分布的适应度,从而实现根据电力设备正常运行状态下马氏距离值的威布尔分布的概率分布函数确定预设异常阈值。例如,当历史运行数据对应的威布尔概率分布函数值为0.01时,预设异常阈值即可设置为0.01。此时,若待测运行数据对应的威布尔概率分布函数值超过0.01,则表明该待测运行数据属于异常数据,相应表明电力设备在该待测运行数据对应的运行期间可能发生了异常。
本公开实施方式相对于现有技术而言,通过获取电力设备的待测运行数据,计算得到待测运行数据的马氏距离值,利用预先确定的包含形状参数和尺度参数的威布尔概率分布函数及该马氏距离值计算待测运行数据对应的威布尔概率分布函数值,将该威布尔概率分布函数值与预设异常阈值进行比较,在该威布尔概率分布函数值超过预设异常阈值时,将对应的待测运行数据确定为异常数据,实时快速有效地实现了电力设备异常数据的检测,并可通过异常数据反映出电力设备的异常状态,从而实时快速有效地实现了电力设备异常状态的检测,可为电力设备状态异常提供早期预警和决策支持,有较高的实用性。
示例性的,异常数据检测方法还包括:在将待测运行数据确定为异常数据后,输出报警信息,以提醒电力设备管理人员注意。
具体的,本实施方式并不限制报警信息的具体形式。例如,报警信息可以是声信号、光信号、文本信息、图像信息等中的一者或多者。
为使本领域技术人员能够更好地理解上述实施方式,下面以一具体示例进行说明。
如图2所示,一种异常数据检测方法包括以下步骤:
首先,获取电力设备的历史正常运行状态样本即电力设备在正常运行状态下的历史运行数据;之后,计算正常状态马氏距离即历史正常运行状态样本的马氏距离,得到正常状态马氏距离值;再之后,计算威布尔分布参数:定义一个包含形状参数和尺度参数的双参数威布尔概率分布函数,利用正常状态马氏距离和最大似然估计,估计定义的威布尔概率分布函数的参数即形状参数和尺度参数的实际参数值;再之后,确定阈值:将实际参数值代入定义的威布尔概率分布函数,计算正常状态马氏距离值的威布尔概率分布函数值,根据威布尔分布拟合正常状态马氏距离值的曲线,设定用于异常数据检测的阈值,以利用该阈值检测电力设备是否出现异常状况。
然后,获取待测样本即电力设备的待测运行数据;之后,计算待测样本的马氏距离,得到待测样本的马氏距离值;再之后,计算决策指标:利用代入实际参数值的威布尔概率分布函数,计算待测样本的马氏距离值对应的威布尔概率分布函数值,该威布尔概率分布函数值即为待测样本对应的决策指标。
最后,将待测样本对应的决策指标与阈值进行比较:若待测样本对应的决策指标超过阈值,则将该待测样本判定为异常数据,并发出预警,表明电力设备在该待测样本对应的运行期间处于异常状态;若待测样本对应的决策指标未超过阈值,则将该待测样本判定为正常数据,表明电力设备在该待测样本对应的运行期间处于正常状态。
本公开的另一个实施方式涉及一种异常数据检测装置100,如图3所示,包括:
第一获取模块301,用于获取电力设备的待测运行数据;
第一计算模块302,用于计算待测运行数据的马氏距离,得到待测运行数据的马氏距离值;
第二计算模块303,用于根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算待测运行数据的马氏距离值对应的威布尔概率分布函数值;
比较模块304,用于将威布尔概率分布函数值与预设异常阈值进行比较,若威布尔概率分布函数值超过预设异常阈值,则将待测运行数据确定为异常数据。
示例性的,第一计算模块302用于计算待测运行数据的马氏距离,得到待测运行数据的马氏距离值,包括:
第一计算模块302用于根据下式(1),计算待测运行数据的马氏距离:
(1)
其中,MD i 表示马氏距离值,x i =(x 1,x 2,…,x p )表示待测运行数据中的第i个监测向量,p表示待测运行数据包含的监测向量的总个数,μ表示x i 的均值,∑表示x i 与μ的协方差矩阵,T表示转置。
示例性的,如图3所示,异常数据检测装置100还包括:
第二获取模块305,用于获取电力设备在正常运行状态下的历史运行数据;
第三计算模块306,用于计算历史运行数据的马氏距离,得到历史运行数据的马氏距离值;
定义模块307,用于定义包括形状参数和尺度参数的威布尔概率分布函数;
估计模块308,用于利用最大似然估计法,基于威布尔概率分布函数和历史运行数据的马氏距离值,估计形状参数和尺度参数分别对应的实际参数值,将威布尔概率分布函数中的形状参数和尺度参数分别更新为对应的实际参数值。
示例性的,第二计算模块303用于根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算待测运行数据的马氏距离值对应的威布尔概率分布函数值,包括:
第二计算模块303用于根据下式(2),计算待测运行数据的马氏距离值对应的威布尔概率分布函数值:
(2)
其中,f表示威布尔概率分布函数,t表示MD i 对应的监测时间,表示形状参数对应的实际参数值,/>表示尺度参数对应的实际参数值。
示例性的,如图3所示,异常数据检测装置100还包括:
报警模块309,用于在比较模块将待测运行数据确定为异常数据后,输出报警信息。
本公开实施方式提供的异常数据检测装置的具体实现方法,可以参见本公开实施方式提供的异常数据检测方法所述,此处不再赘述。
本公开实施方式相对于现有技术而言,实时快速有效地实现了电力设备异常数据的检测,并可通过异常数据反映出电力设备的异常状态,从而实时快速有效地实现了电力设备异常状态的检测,可为电力设备状态异常提供早期预警和决策支持,有较高的实用性。
本公开的另一个实施方式涉及一种电子设备,如图4所示,包括:
至少一个处理器401;以及,
与至少一个处理器401通信连接的存储器402;其中,
存储器402存储有可被至少一个处理器401执行的指令,指令被至少一个处理器401执行,以使至少一个处理器401能够执行上述实施方式所述的异常数据检测方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本公开的另一个实施方式涉及一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现上述实施方式所述的异常数据检测方法。
即,本领域技术人员可以理解,实现上述实施方式所述方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本公开各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本公开的具体实施方式,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本公开的精神和范围。
Claims (10)
1.一种异常数据检测方法,其特征在于,所述检测方法包括:
获取电力设备的待测运行数据;
计算所述待测运行数据的马氏距离,得到所述待测运行数据的马氏距离值;
根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算所述待测运行数据的马氏距离值对应的威布尔概率分布函数值;
将所述威布尔概率分布函数值与预设异常阈值进行比较,若所述威布尔概率分布函数值超过所述预设异常阈值,则将所述待测运行数据确定为异常数据。
2.根据权利要求1所述的检测方法,其特征在于,所述计算所述待测运行数据的马氏距离,得到所述待测运行数据的马氏距离值,包括:
根据下式(1),计算所述待测运行数据的马氏距离:
(1)
其中,MD i 表示马氏距离值,x i =(x 1,x 2,…,x p )表示所述待测运行数据中的第i个监测向量,p表示所述待测运行数据包含的监测向量的总个数,μ表示x i 的均值,∑表示x i 与μ的协方差矩阵,T表示转置。
3.根据权利要求2所述的检测方法,其特征在于,所述预先确定的包含形状参数和尺度参数的威布尔概率分布函数通过以下步骤得到:
获取所述电力设备在正常运行状态下的历史运行数据;
计算所述历史运行数据的马氏距离,得到所述历史运行数据的马氏距离值;
定义包括所述形状参数和所述尺度参数的所述威布尔概率分布函数;
利用最大似然估计法,基于所述威布尔概率分布函数和所述历史运行数据的马氏距离值,估计所述形状参数和所述尺度参数分别对应的实际参数值,将所述威布尔概率分布函数中的所述形状参数和所述尺度参数分别更新为对应的所述实际参数值。
4.根据权利要求3所述的检测方法,其特征在于,所述根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算所述待测运行数据的马氏距离值对应的威布尔概率分布函数值,包括:
根据下式(2),计算所述待测运行数据的马氏距离值对应的威布尔概率分布函数值:
(2)
其中,f表示所述威布尔概率分布函数,t表示MD i 对应的监测时间,表示所述形状参数对应的实际参数值,/>表示所述尺度参数对应的实际参数值。
5.根据权利要求1至4任一项所述的检测方法,其特征在于,所述检测方法还包括:
在将所述待测运行数据确定为异常数据后,输出报警信息。
6.一种异常数据检测装置,其特征在于,所述检测装置包括:
第一获取模块,用于获取电力设备的待测运行数据;
第一计算模块,用于计算所述待测运行数据的马氏距离,得到所述待测运行数据的马氏距离值;
第二计算模块,用于根据预先确定的包含形状参数和尺度参数的威布尔概率分布函数,计算所述待测运行数据的马氏距离值对应的威布尔概率分布函数值;
比较模块,用于将所述威布尔概率分布函数值与预设异常阈值进行比较,若所述威布尔概率分布函数值超过所述预设异常阈值,则将所述待测运行数据确定为异常数据。
7.根据权利要求6所述的检测装置,其特征在于,所述检测装置还包括:
第二获取模块,用于获取所述电力设备在正常运行状态下的历史运行数据;
第三计算模块,用于计算所述历史运行数据的马氏距离,得到所述历史运行数据的马氏距离值;
定义模块,用于定义包括所述形状参数和所述尺度参数的所述威布尔概率分布函数;
估计模块,用于利用最大似然估计法,基于所述威布尔概率分布函数和所述历史运行数据的马氏距离值,估计所述形状参数和所述尺度参数分别对应的实际参数值,将所述威布尔概率分布函数中的所述形状参数和所述尺度参数分别更新为对应的所述实际参数值。
8.根据权利要求6或7所述的检测装置,其特征在于,所述检测装置还包括:
报警模块,用于在所述比较模块将所述待测运行数据确定为异常数据后,输出报警信息。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至5中任一项所述的异常数据检测方法。
10.一种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权利要求1至5中任一项所述的异常数据检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131570.XA CN116861356A (zh) | 2023-09-04 | 2023-09-04 | 异常数据检测方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131570.XA CN116861356A (zh) | 2023-09-04 | 2023-09-04 | 异常数据检测方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861356A true CN116861356A (zh) | 2023-10-10 |
Family
ID=88230823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311131570.XA Pending CN116861356A (zh) | 2023-09-04 | 2023-09-04 | 异常数据检测方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861356A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160161541A1 (en) * | 2014-07-09 | 2016-06-09 | Korean Electric Power Corporation | Apparatus and method for diagnosing state of power cable and measuring remaining life thereof using vlf td measurement data |
CN107273688A (zh) * | 2017-06-16 | 2017-10-20 | 山东万腾电子科技有限公司 | 基于原始故障数据的设备寿命与健康度监控方法及系统 |
CN108197394A (zh) * | 2018-01-05 | 2018-06-22 | 上海电气分布式能源科技有限公司 | 一种风速曲线仿真方法 |
CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 |
CN115586429A (zh) * | 2022-10-10 | 2023-01-10 | 中冶赛迪电气技术有限公司 | 一种gis组合电器典型故障缺陷概率预测方法 |
-
2023
- 2023-09-04 CN CN202311131570.XA patent/CN116861356A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160161541A1 (en) * | 2014-07-09 | 2016-06-09 | Korean Electric Power Corporation | Apparatus and method for diagnosing state of power cable and measuring remaining life thereof using vlf td measurement data |
CN107273688A (zh) * | 2017-06-16 | 2017-10-20 | 山东万腾电子科技有限公司 | 基于原始故障数据的设备寿命与健康度监控方法及系统 |
CN108197394A (zh) * | 2018-01-05 | 2018-06-22 | 上海电气分布式能源科技有限公司 | 一种风速曲线仿真方法 |
CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 |
CN115586429A (zh) * | 2022-10-10 | 2023-01-10 | 中冶赛迪电气技术有限公司 | 一种gis组合电器典型故障缺陷概率预测方法 |
Non-Patent Citations (2)
Title |
---|
HU Z等: "Mahalanobis distance based approach for anomaly detection of analog filters using frequency features and Parzen window density estimation", 《JOURNAL OF ELECTRONIC TESTING》, vol. 32, no. 6, pages 681 - 693, XP036117476, DOI: 10.1007/s10836-016-5623-z * |
张哲文: "基于相关向量机的两种电力设备故障预警研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 12, pages 21 - 23 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105700518B (zh) | 一种工业过程故障诊断方法 | |
CN109000940B (zh) | 一种机车车辆异常轴温诊断方法及系统 | |
US10354462B1 (en) | Fault diagnosis in power electronics using adaptive PCA | |
JP2015170121A (ja) | 異常診断装置及びプログラム | |
CN113415165B (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
EP1960853A1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
EP3495905A2 (en) | Operational improvement effect calculation device, operational improvement effect calculation method and recording medium | |
CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
CN117171596B (zh) | 一种压力变送器的在线监测方法及系统 | |
US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
CN116337135A (zh) | 一种仪表故障诊断方法、系统、电子设备及可读存储介质 | |
CN115859127A (zh) | 一种设备监督方法、系统、设备及计算机可读存储介质 | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及系统 | |
CN117668684B (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
CN106652393B (zh) | 假警报确定方法及装置 | |
CN117171366B (zh) | 用于电网调度运行态势的知识图谱构建方法及系统 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN112882898B (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN116861356A (zh) | 异常数据检测方法及装置、电子设备、存储介质 | |
CN111474476A (zh) | 一种电机故障预测方法 | |
CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
CN111176931A (zh) | 一种运营监控方法、装置、服务器及存储介质 | |
CN112255367A (zh) | 一种化学仪表检测系统及方法 | |
US20200112577A1 (en) | Graph-based sensor ranking |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231010 |