CN116956189A - 一种电流异常检测系统、方法、电子设备及介质 - Google Patents

一种电流异常检测系统、方法、电子设备及介质 Download PDF

Info

Publication number
CN116956189A
CN116956189A CN202310829113.1A CN202310829113A CN116956189A CN 116956189 A CN116956189 A CN 116956189A CN 202310829113 A CN202310829113 A CN 202310829113A CN 116956189 A CN116956189 A CN 116956189A
Authority
CN
China
Prior art keywords
current
current time
time series
series data
data
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
Application number
CN202310829113.1A
Other languages
English (en)
Inventor
周佳原
张见
曹燚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi University
Original Assignee
Wuxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi University filed Critical Wuxi University
Priority to CN202310829113.1A priority Critical patent/CN116956189A/zh
Publication of CN116956189A publication Critical patent/CN116956189A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种电流异常检测系统、方法、电子设备及介质，所述系统包括电流信号获取模块、数据处理模块、数据聚类模块、阈值模型和ARMA模型，其中，电流信号获取模块：将采集到的电流信号实时传输至数据处理模块；数据处理模块：用于使用时间戳标记每一个采样时刻，并将电流值与时间戳存储在一起，形成电流时间序列数据；数据聚类模块：采用DTW‑kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；阈值模型：用于判定此电流时间序列数据为异常；ARMA模型：用于预测未来电流时间序列数据的区间。通过本发明系统实现高准确性、高效率电流异常检测。

Description

一种电流异常检测系统、方法、电子设备及介质
技术领域
本发明涉及电流预测技术领域，具体涉及一种一种电流异常检测系统、方法、电子设备及介质。
背景技术
随着现代工业生产对电力的需求不断增加，电流已成为工厂及生产线中最为重要的能量之一。而在电力传输及使用过程中，电流异常的出现将会对设施的稳定性和安全造成威胁。因此，电流异常检测及预测技术的研究和应用变得越来越重要。
传统的电流异常检测方法主要基于人工经验和统计学模型，存在缺乏准确性、时间效率低等问题。
发明内容
鉴于以上所述现有技术的缺点，本发明提供一种电流异常检测系统、方法、电子设备及介质，用于实现高准确性、高效率电流异常检测。
为实现上述效果，本发明的技术方案如下：
第一个方面，本发明提供一种电流异常检测系统，包括电流信号获取模块、数据处理模块、数据聚类模块、阈值模型和ARMA模型，其中，
电流信号获取模块：采集电流信号，通过模数转换器将电流信号转化为数字信号；通过数据传输设备将采集到的电流信号实时传输至数据处理模块；
数据处理模块：用于对实时采集到的电流信号进行预处理，所述预处理包括滤波和去噪；将预处理后的电流信号转化为电流时间序列：使用时间戳标记每一个采样时刻，并将电流值与时间戳存储在一起，形成电流时间序列数据；
数据聚类模块：采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；
阈值模型：基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距离，将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常分数，设定阈值θ，若某一电流时间序列数据的异常分数大于阈值θ，则判定此电流时间序列数据为异常；
ARMA模型：DTW-kmedoids聚类算法分为不同电流数据的簇，对每个簇中的电流时间序列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时间序列数据绘制自相关函数ACF和偏自相关函数PACF图形，根据自相关函数ACF和偏自相关函数PACF图形确定ARMA模型的自回归项阶数和移动平均项阶数；将确定的自回归项阶数和移动平均项阶数代入ARMA模型中，得到ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用极大似然法估计ARMA(p,q)模型的系数和方差；使用样本数据集训练ARMA(p,q)模型，并使用极大似然估计算法求解最优参数值；
使用预测误差均方根误差检验和评价指标检验ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用ARMA(p,q)模型预测未来电流时间序列数据的值，根据历史数据和ARMA(p,q)模型参数预测未来电流时间序列数据的区间。
一定特征是指用来描述电流时间序列数据集的属性或特点。具体而言，这些特征是通过计算每个时间序列数据与其他数据之间的DTW（动态时间规整）距离得到的。DTW-kmedoids聚类算法的核心思想是通过计算时间序列数据之间的相似性，将它们分配到不同的簇中。而相似性通常由一组特征来表示，以便量化和比较不同的时间序列。
分组的得到的簇中均为具有一定特征的电流数据集，每个簇中的数据进行自相关与偏自相关函数确定出ARMA模型的结束与类型进而搭建出ARMA模型进行分析预测，预测的电流时间序列供DTW-kmedoids聚类算法优化完善阈值模型的建立，及时发面异常电流数据，做出处理，实现预测分析。
本发明旨在解决传统电流异常检测和预测方法存在的准确性不高、时间效率低、无法提供准确的预测值等问题。通过引入DTW-kmedoids聚类算法，该方法可以快速、准确地将采集的电流时间序列数据进行聚类，得到每个电流时间序列的聚类信息。阈值模型则基于该聚类信息计算每个电流时间序列的异常分数，有效检测和诊断电流数据中的异常情况。同时，ARMA模型能够通过历史数据分析，预测未来的电流时间序列值，并提供额外的电流时间序列数据样本，供DTW-kmedoids聚类算法优化完善阈值模型的建立。通过不断优化DTW-kmedoids聚类算法与阈值模型、ARMA模型之间的整合，该发明进一步提高预测精度和算法适用范围，并且实现通用且适用性强的处理效果，在电力系统、智能制造、交通运输等领域中可得到广泛的应用。
进一步的，所述采用DTW-kmedoids聚类算法对电流时间序列数据进行分簇，之前还包括：
数据预处理：即对电流时间序列数据进行去趋势、平滑和标准化处理。
进一步的，所述DTW-kmedoids聚类算法，具体为：
所述DTW-kmedoids聚类算法包括DTW距离矩阵D、DTW距离以及medoids算法；
DTW距离矩阵D表示为：
式中，S 1和S n分别表示电流时间序列数据的第i、j个序列；
DTW距离表示为：
式中，S i和S j分别表示电流时间序列数据的第i、j个序列；γ表示所有可能的时间轴对齐方式的集合，p和q分别表示S i和S j中的时间点；Γ表示所有可行的时间轴对齐方式集合；
medoids算法表示为：
式中，m表示选定的medoid算法，x i和x j分别表示当前正在考虑的候选聚类中心、当前聚类中的其他数据点；C表示当前聚类中所有的电流时间序列数据，即选择距离其他电流时间序列数据最小的一个电流时间序列数据作为新的聚类中心。
进一步的，所述采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；具体为：
将电流时间序列数据折叠、比较和对齐，对每一对电流时间序列数据计算DTW距离矩阵；随机选择k个电流时间序列数据作为初始聚类中心进行迭代聚类，直到聚类效果收敛或达到最大迭代次数。
进一步的，所述采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；之后还包括：
随机选择k个电流时间序列数据作为初始聚类中心进行迭代聚类，所述迭代聚类为：不断迭代执行以下步骤，直到聚类效果收敛或达到最大迭代次数；
A：基于距离矩阵D，将每个电流时间序列数据分配到离距离矩阵D最近的聚类中心；
B：对每个聚类，采用medoids算法选取代表序列作为新的聚类中心；即从当前聚类中选择距离其他电流时间序列数据最小的一个电流时间序列数据，作为新的聚类中心；
输出最终聚类结果，其中每个聚类由一组电流时间序列数据和一个组成。
进一步的，所述基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距离，将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常分数，设定阈值θ，若某一电流时间序列数据的异常分数Score i大于阈值θ，则判定此电流时间序列数据为异常；具体为：
计算异常分数：将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常分数，即Score i；
式中，medoid i表示S i所属簇的聚类中心，DTW(S i,medoid i)表示S i与medoid i的DTW距离；异常分数Score i反映了S i与其他序列的相似程度，分数越高则表示电流时间序列越异常；
设定阈值θ，若某一电流时间序列数据的异常分数Score i大于阈值θ，则判定此电流时间序列数据为异常。
进一步的，所述根据自相关函数ACF和偏自相关函数PACF图形来确定ARMA模型的自回归项阶数和移动平均项阶数，具体为：
所述自回归项阶数为偏自相关函数PACF图形上最后一个显著的峰值所在的lag值；假设该lag值为p，则ARMA模型中自回归项阶数为p；
所述移动平均项阶数为自相关函数ACF图形上最后一个显著的峰值所在的lag值；假设该lag值为q，则ARMA模型中移动平均项阶数为q。
第二个方面，本发明提供一种电流异常检测方法，包括以下步骤：
步骤1：采集电流信号，通过模数转换器将电流信号转化为数字信号；通过数据传输设备将采集到的电流信号实时传输至数据处理模块；
步骤2：用于对实时采集到的电流信号进行预处理，所述预处理包括滤波和去噪；将预处理后的电流信号转化为电流时间序列：使用时间戳标记每一个采样时刻，并将电流值与时间戳存储在一起，形成电流时间序列数据；
步骤3：采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；
步骤4：基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距离；
步骤5：DTW-kmedoids聚类算法分为不同电流数据的簇，对每个簇中的电流时间序列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时间序列数据绘制自相关函数ACF和偏自相关函数PACF图形，根据自相关函数ACF和偏自相关函数PACF图形确定ARMA模型的自回归项阶数和移动平均项阶数；将确定的自回归项阶数和移动平均项阶数代入ARMA模型中，得到ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用极大似然法估计ARMA(p,q)模型的系数和方差；使用样本数据集训练ARMA(p,q)模型，并使用极大似然估计算法求解最优参数值；
使用预测误差均方根误差检验和评价指标检验ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用ARMA(p,q)模型预测未来电流时间序列数据的值，根据历史数据和ARMA(p,q)模型参数预测未来电流时间序列数据的区间。
第三个方面，本发明提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行电流异常检测方法。
第四个方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，所述计算机程序运行时执行电流异常检测方法。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过将不同的电流时间序列数据进行分簇、异常分数计算和预测未来电流时间序列数据的区间，实现对电流数据的全方位处理；
提高电流异常检测准确性：传统的电流异常检测和预测方法往往受到数据量、噪声、异常点等因素的影响，准确性不高。而本发明引入DTW-kmedoids聚类算法，能够准确地进行电流数据的聚类处理，有效地提取出有代表性的特征电流数据，避免了数据噪声等因素的干扰，从而提高了电流预测和检测的准确性。
提高电流异常检测效率：传统的电流异常检测和预测方法往往需要对大量的电流数据进行处理、计算和分析，时间效率低下。而本发明使用了DTW-kmedoids聚类算法、阈值模型和ARMA模型，对电流时间序列数据集进行分簇，将电流数据处理的流程简化，降低了电流数据处理所需的时间，提高了时间效率。对于处理电流数据具有较高的处理速度和准确性，能够更好地处理大量电气设备数据。
提供准确的预测值：传统的电流异常检测和预测方法往往只能提供大概的趋势或范围，无法提供精确的预测值。而本发明采用ARMA模型来预测电流值，不仅提供更加精确的预测值，还提供额外的电流时间序列数据样本，为DTW-kmedoids聚类算法优化完善阈值模型的建立提供支持。
附图说明
图1为本发明实施例提供的电流异常检测系统的示意图；
图2是本发明实施例提供的电流时间序列获取流程示意图；
图3是本发明实施例提供的阈值模型示意图；
图4是本发明实施例提供的ARMA模型示意图；
图5是本发明实施例提供的聚类与模型一体化整合流程示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在介绍本发明实施例之前首先对本发明实施例中涉及到的相关名词作如下释义：
电流时间序列数据：电流时间序列是一种以时间为横轴，电流大小为纵轴的时序数据，记录了电力系统中电流随时间变化的情况。电流时间序列包括实时采集的原始数据和经过处理后的数据，通常需要进行数字信号处理、数据挖掘和机器学习等方面的技术支持，以提取出有用的信息和特征，如电流波峰、波谷、频率、功率等，并进行统计分析、聚类、分类，以便获得更深入、更全面的电力系统信息。
DTW-kmedoids聚类算法：聚类算法是一种无监督学习的方法，它能够将相似的数据点分为一组或几组，形成聚类簇。聚类算法的发展经历了多个阶段，包括原型聚类、层次聚类和基于密度的聚类等。原型聚类是最早的聚类算法之一，其核心思想是将每个数据点与最近的原型联系起来，著名的原型聚类算法包括k-means、k-medoids等。层次聚类是另一种常见的聚类算法，它可以生成一个树形结构，其中每个节点都表示一个聚类簇。层次聚类的代表算法包括Ward、单连通性、完全连通性等。基于密度的聚类算法通常假设聚类簇会产生高密度区域，而不同的聚类簇之间会有低密度区域分隔开。基于密度的聚类算法包括DBSCAN、OPTICS、DENCLUE等。近年来，一种名为DTW-kmedoids聚类算法的聚类算法开始引起人们的关注。该算法是基于动态时间规整（DynamicTimeWarping，DTW）距离的k-medoids聚类算法。DTW距离是一种用于比较两个电流时间序列之间相似程度的距离度量方法，能够捕捉电流时间序列中的形态和时间偏移信息。DTW-kmedoids聚类算法算法凭借其对于不同长度和形状的电流时间序列具有很好的适应性可应用于电路故障诊断、负载预测等任务。
阈值模型：阈值模型是一种常用的电路建模和分析方法。它基于逻辑门电路的工作原理，将输入信号和输出信号之间的关系建立为逻辑门函数，并使用阈值来确定输入信号和输出信号之间的切换点。阈值模型最早出现于20世纪60年代，当时它被应用于计算机运算单元的设计和性能分析。随着电子技术和计算机技术的不断发展，阈值模型应用范围逐渐扩大，如在数字信号处理、图像处理等领域也得到了广泛应用。在电路领域，阈值模型被广泛应用于逻辑门电路建模、故障诊断以及测试中。
ARMA模型：ARMA模型（即自回归移动平均模型）是一种经典的电流时间序列分析模型，它将自回归模型（AR）和移动平均模型（MA）结合起来，旨在描述电流时间序列中的长期趋势和短期波动。20世纪50年代。当时，统计学家Box和Jenkins提出了一种基于电流时间序列建模的方法，被称为Box-Jenkins方法。Box和Jenkins首先提出了平稳电流时间序列的自回归模型（AR）和移动平均模型（MA），然后将两者合并成了ARMA模型，并利用极大似然估计法对ARMA模型的参数进行拟合。与传统的统计方法相比，Box-Jenkins方法更注重电流时间序列模型的动态特性和实时预测能力。ARMA模型其主要思想是将当前时刻的值表示为过去若干个时刻的值的线性组合，并引入一个白噪声误差项来描述模型中的随机性。
极大似然估计（Maximum Likelihood Estimation，MLE）。该方法通过最大化观测样本与模型预测值之间的似然函数来估计模型的系数和方差参数。
实施例
本实施例提出了一种电流异常检测系统。请参阅图1及图5，包括电流信号获取模块、数据处理模块、数据聚类模块、阈值模型和ARMA模型，其中，
电流信号获取模块：如图2电流时间序列获取流程所示，用于根据具体的应用场景和需求，选择适合的电流传感器，根据电路的极性确定电流传感器接线方向；将选定的电流传感器连接到电路中并采集电流信号，通过模数转换器将电流信号转化为数字信号；通过数据传输设备（如网络模块或串口）将采集到的电流信号实时传输至数据处理模块；
本实施例中，数据的传输协议使用TCP/IP或RS-485标准协议；
数据处理模块：用于对实时采集到的电流信号进行预处理，所述预处理包括滤波和去噪；滤波使用数字滤波器或者模拟滤波器；去噪使用小波变换，预处理操作可有效提高后续分析的准确性和效率；将预处理后的电流信号转化为电流时间序列：使用时间戳标记每一个采样时刻，并将电流值与时间戳存储在一起，形成电流时间序列数据；
数据聚类模块：采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇，其中，DTW指动态时间规整；
阈值模型：如图3阈值模型的建立所示，基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距离，将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常分数，设定阈值θ，若某一电流时间序列数据的异常分数大于阈值θ，则判定此电流时间序列数据为异常；
ARMA模型：DTW-kmedoids聚类算法分为不同电流数据的簇，每个簇中的电流时间序列数据具有相似的统计特征；对每个簇中的电流时间序列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；ARMA模型阶数的选择过程：如图4的ARMA模型的流程图，包括了建立与预测过程以及使用python搭建的框架进行的演示结果；根据电流时间序列数据绘制自相关函数ACF和偏自相关函数PACF图形，根据自相关函数ACF和偏自相关函数PACF图形确定ARMA模型的自回归项阶数和移动平均项阶数；将确定的自回归项阶数和移动平均项阶数代入ARMA模型中，得到ARMA(p,q)模型；
ARMA模型参数估计：对于每个簇中的电流时间序列，使用极大似然法估计ARMA(p,q)模型的系数和方差；使用样本数据集训练ARMA(p,q)模型，并使用极大似然估计算法求解最优参数值；
ARMA模型检验：使用预测误差均方根误差（RMSE）检验和评价指标检验ARMA(p,q)模型；
ARMA模型预测：对于每个簇中的电流时间序列，使用ARMA(p,q)模型预测未来电流时间序列数据的值，根据历史数据和ARMA(p,q)模型参数预测未来电流时间序列数据的区间。
可以理解的是，DTW-kmedoids聚类算法通过计算两个电流时间序列之间的DTW（DynamicTimeWarping，动态时间规整）距离，来度量它们之间的相似性。然后，使用kmedoids聚类算法将时间序列分为k个簇，使得每个簇内的时间序列相互之间更加相似，而不同簇之间的时间序列差异较大。不同电流数据的簇表示了通过DTW-kmedoids聚类算法对电流时间序列进行聚类后得到的k个簇，每个簇内的电流时间序列具有相似的统计特征。这种分簇分析可以更好地理解电流数据集的结构和特点。
需要说明的是，将确定的自回归项阶数和移动平均项阶数代入ARMA模型中为：
将确定的p和q带入ARMA模型中，即可构建ARMA(p,q)模型，ARMA(p,q)模型的表达式如下：X(t)=c+φ1X(t-1)+φ2X(t-2)+...+φpX(t-p)+ε(t)+θ1ε(t-1)+θ2ε(t-2)+...+θqε(t-q)
式中：X(t)是时间序列在时刻t的观测值；c是常数项；φ1,φ2,...,φp是自回归项的系数；ε(t)是白噪声误差项，符合均值为0、方差为σ^2的正态分布；θ1,θ2,...,θq是移动平均项的系数。
可以理解的是，样本数据集是通过电流传感器采集的实际电流信号，并经过预处理、去趋势处理、平滑和标准化等操作得到的电流时间序列数据。电流时间序列数据包含了一段时间内的电流数值和相应的时间戳，用于分析和建模，以实现电流异常检测、诊断和预测的功能。
图2中支路可以无负载也可含有多个负载。
本发明将阈值模型和ARMA模型进行整合，通过优化两个模型之间的关系，实现针对电流异常检测、诊断和预测，提高数据处理精度和效率。
通过电流传感器收集电流数据，并将电流数据转化为电流时间序列数据，通过DTW-kmedoids聚类算法对电流时间序列数据进行分簇，每一个簇均包含一定特征的电流时间序列数据集；搭建阈值模型，通过异常分数Score i大于阈值θ的判断，获得某一电流时间序列数据是否存在异常，实现电流异常数据检测；搭建ARMA模型预测未来电流时间序列数据的值，实现电流数据预测分析。
随着传输的数据增加可推动不断优化算法和两个模型之间的整合，实现针对电流时间序列数据的一体化解决方案，当实时电流数据传输进之前，预测分析模型会预测即将进来的电流数据，并将电流数据传送到电流数据分簇阶段，由阈值模型提前进行异常检测提高电流异常检测的准确性和效率；实时电流数据进来后岂会与预测电流数据之间进行比较，检测模型的准确性，同时电流数据进入电流数据分簇继续优化和更新阈值模型和ARMA模型；实现电流数据的高效利用与其在算法模型之间的良性循环；帮助用户进行有效的电流数据异常检测和预测分析；本发明系统广泛应用于电力、工业自动化等领域，以提高电流数据处理的效率和准确性，帮助用户实现电流控制与优化的目标。
本发明利用DTW-kmedoids聚类算法对采集的电流时间序列数据进行聚类分析，能够快速准确地识别出设备中的异常情况，进而通过阈值模型进行异常检测和诊断。另外，使用ARMA模型进行未来电流数据的预测，能够提高设备运行的可靠性和安全性，同时减少停机时间和维修成本。
阈值模型是整合流程中的一个模块，其内容包括以下几个方面：根据DTW-kmedoids聚类算法的结果，将电流时间序列分成不同的簇。对每个簇中的电流时间序列进行统计分析，计算一些特征指标，如均值、方差等。设定异常的阈值，根据应用需求和具体情况，可以使用统计方法、经验设置或其他合适的方式确定阈值。对每个簇中的电流时间序列计算异常分数，将其与设定的阈值进行比较。如果某个时间序列的异常分数超过阈值，则将其标记为异常。通过以上步骤，阈值模型实现了基于聚类结果的异常检测。它利用簇内电流时间序列的统计特征和设定的阈值，对每个簇中的电流数据进行异常分数计算，并与阈值进行比较，识别和标记异常数据。这样可以帮助实时监测电流数据，发现异常情况并及时处理。
DTW-kmedoids聚类算法：该算法使用了历史的电流时间序列数据来进行聚类处理。通过计算时间序列数据之间的DTW距离，可以测量它们的相似性，并将相似的数据聚类到同一个簇中。通过对历史数据的分析和聚类，可以提取出具有代表性的特征数据，用于后续的异常检测和未来值预测。
ARMA模型：ARMA模型是一种基于时间序列数据的统计模型，通过对历史数据的分析来建立模型，然后利用该模型来预测未来的电流值。ARMA模型利用了历史数据的自回归（AR）和移动平均（MA）特性，通过拟合历史数据的趋势和周期性，来预测未来电流的变化趋势。这样的分析基于历史数据的特征和规律，为预测提供了更准确的参考。
通过这两个方面的分析，可以更好地理解电流数据的特征和规律，并借助DTW-kmedoids聚类算法和ARMA模型来处理电流数据。基于历史数据的分析可以帮助我们提高预测的准确性，并为其他步骤提供必要的支持和参考。
作为优选的技术方案，本实施例中，所述采用DTW-kmedoids聚类算法对电流时间序列数据进行分簇，之前还包括：
数据预处理：即对电流时间序列数据进行去趋势、平滑和标准化处理，以提高聚类效果。
作为优选的技术方案，本实施例中，所述DTW-kmedoids聚类算法，具体为：
所述DTW-kmedoids聚类算法包括DTW距离矩阵D、DTW距离以及medoids算法；
DTW距离矩阵D表示为：
式中，S 1和S n分别表示电流时间序列数据的第i、j个序列；
DTW距离表示为：
式中，S i和S j分别表示电流时间序列数据的第i、j个序列；γ表示所有可能的时间轴对齐方式的集合，通过动态规划算法求解；p和q分别表示S i和S j中的时间点；Γ表示所有可行的时间轴对齐方式集合；在实际操作中，通常使用剪枝策略减少计算量；
medoids算法表示为：
式中，m表示选定的medoid算法，x i和x j分别表示当前正在考虑的候选聚类中心、当前聚类中的其他数据点；C表示当前聚类中所有的电流时间序列数据，即选择距离其他电流时间序列数据最小的一个电流时间序列数据作为新的聚类中心。
作为优选的技术方案，本实施例中，所述采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；具体为：
将电流时间序列数据折叠、比较和对齐，对每一对电流时间序列数据计算DTW距离矩阵；随机选择k个电流时间序列数据作为初始聚类中心进行迭代聚类，直到聚类效果收敛或达到最大迭代次数。
其中，每一对电流时间序列代表两个电流时间序列数据之间的比较和对齐过程，并最终计算得出它们之间的DTW距离，这个DTW距离可以用来衡量两个序列之间的相似度或差异程度。
作为优选的技术方案，本实施例中，所述采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；之后还包括：
随机选择k个电流时间序列数据作为初始聚类中心进行迭代聚类，所述迭代聚类为：不断迭代执行以下步骤，直到聚类效果收敛或达到最大迭代次数；
A：基于距离矩阵D，将每个电流时间序列数据分配到离距离矩阵D最近的聚类中心；
B：对每个聚类，采用medoids算法选取代表序列作为新的聚类中心；即从当前聚类中选择距离其他电流时间序列数据最小的一个电流时间序列数据，作为新的聚类中心；
输出最终聚类结果，其中每个聚类由一组电流时间序列数据和一个聚类中心（即代表序列）组成。
其中，每个聚类都有一个代表序列作为该聚类的中心，代表序列是从当前聚类中选择的距离其他序列最小的一个序列。具体来说，在每次迭代聚类过程中，对于每个聚类，我们计算该聚类中每个序列与其他序列的DTW距离，并选择距离最小的一个序列作为新的聚类中心。
代表序列具有以下特点：
是该聚类中最能代表其他序列的序列，即与其他序列的DTW距离最小。
作为聚类中心，用于衡量聚类的相似度和进行后续的聚类操作。通过选择代表序列作为新的聚类中心，可以不断优化聚类结果，使得聚类更加紧凑和具有代表性。
作为优选的技术方案，本实施例中，如图[1]3，所述基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距离，将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常分数，设定阈值θ，若某一电流时间序列数据的异常分数大于阈值θ，则判定此电流时间序列数据为异常，具体为：
计算异常分数：将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常分数，即Score i；
式中，medoid i表示S i所属簇的聚类中心，DTW(S i,medoid i)表示S i与medoid i的DTW距离；异常分数Score i反映了S i与其他序列的相似程度，分数越高则表示电流时间序列越异常；
设定阈值θ，若某一电流时间序列数据的异常分数Score i大于阈值θ，则判定此电流时间序列数据为异常；通过原有数据集测试对阈值模型进行验证和调整，以确保其在新数据集上的可靠性和鲁棒性；使用新的数据集测试和评估该模型的性能，并根据需要进行修改和优化，逐渐优化阈值的大小，从而判断实时传输的电流时间序列信号是否存在异常情况，实现电流异常检测和诊断。
聚类过程中，使用DTW距离矩阵来度量电流时间序列之间的相似性，然后根据DTW距离来划分数据样本到不同的簇中。迭代过程会不断优化聚类效果，并最终得到结果。每个聚类中心代表了该簇的特征电流时间序列，而其他电流时间序列则按照与聚类中心的距离被分配到相应的簇中。需要注意的是，在输出聚类结果后，还需要根据实际需求和应用场景，使用阈值模型对聚类结果进行异常检测和判定，以确定哪些电流时间序列属于异常情况。
根据实际需求和应用场景，确定阈值模型的类型和大小：
1.定义异常：需要明确定义何种情况被认为是异常。在该算法中，异常分数是根据序列与聚类中心距离的比值计算得出的，因此可以将距离的阈值作为异常的判定条件。数据分布和异常分布：分析异常分数的统计特征和分布情况，例如，可以计算异常分数的均值、标准差，并观察异常分数的分布形态。通过观察数据的分布情况，可以选择适合的阈值模型类型。
2.确定阈值模型大小：根据阈值模型类型，在已有数据集上进行测试和验证。根据测试结果，评估模型的性能，并根据实际需求和误报率、漏报率等指标来调整阈值的大小。需要权衡误报率和漏报率，以得到最合适的阈值大小。
3.验证和调整阈值模型：使用新的数据集对已建立的阈值模型进行验证和调整。通过观察新数据集中异常的分数分布情况，以及与真实标签的比较，进一步验证和调整阈值模型的准确性和鲁棒性。
4.优化阈值模型：根据验证和调整的结果，对阈值模型进行优化。
作为优选的技术方案，本实施例中，所述根据自相关函数ACF和偏自相关函数PACF图形来确定ARMA模型的自回归项阶数和移动平均项阶数，具体为：
所述自回归项阶数为偏自相关函数PACF图形上最后一个显著的峰值所在的lag值；假设该lag值为p，则ARMA模型中自回归项阶数为p；
所述移动平均项阶数为自相关函数ACF图形上最后一个显著的峰值所在的lag值；假设该lag值为q，则ARMA模型中移动平均项阶数为q。
需要说明的是，DTW-kmedoids聚类算法中的参数为：
k：表示聚类的簇数，即将电流时间序列数据分为多少个簇。
初始聚类中心：在聚类过程中，需要选择一些初始的聚类中心作为起始点。阈值模型的参数为：异常分数计算：根据阈值模型的类型和设计要求，可以设定合适的异常分数计算方法，用于判定电流时间序列数据是否异常；
阈值：根据实际需求和应用场景，设置一个固定的阈值来判断异常数据。ARMA模型的参数为：自回归项的阶数(p)：根据自相关函数（ACF）来确定AR模型的阶数，即序列延迟期数；移动平均项的阶数(q)：根据偏自相关函数（PACF）来确定MA模型的阶数，即序列滞后期数；系数和方差参数：使用极大似然估计等方法来估计ARMA模型中的系数和方差参数；这些参数是根据具体的数据特征、问题背景和算法规则进行设置和调整的，需要根据实际情况进行优化和选择；具体的参数取值需要根据实验、模型训练和验证来确定，并根据实际应用中不断进行调整和优化，以提高模型的准确性和性能；将求解出的参数带入进行预测。
本发明针对电流时间序列数据的处理，基于DTW-kmedoids聚类算法、阈值模型和ARMA模型，并通过不断优化算法和两个模型之间的整合，实现针对电流异常检测、诊断和预测的一体化解决方案。如图5聚类与模型一体化整合流程所示，电流时间序列数据通过DTW-kmedoids聚类算法对电流数据分类，分成具有一定特征的电流数据集的簇。
在本发明的另一个实施例中，还提供了一种电流异常检测方法，包括以下步骤：
步骤1：采集电流信号，通过模数转换器将电流信号转化为数字信号；通过数据传输设备将采集到的电流信号实时传输至数据处理模块；
步骤2：用于对实时采集到的电流信号进行预处理，所述预处理包括滤波和去噪；将预处理后的电流信号转化为电流时间序列：使用时间戳标记每一个采样时刻，并将电流值与时间戳存储在一起，形成电流时间序列数据；
步骤3：采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；
步骤4：基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距离；
步骤5：DTW-kmedoids聚类算法分为不同电流数据的簇，对每个簇中的电流时间序列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时间序列数据绘制自相关函数ACF和偏自相关函数PACF图形，根据自相关函数ACF和偏自相关函数PACF图形确定ARMA模型的自回归项阶数和移动平均项阶数；将确定的自回归项阶数和移动平均项阶数代入ARMA模型中，得到ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用极大似然法估计ARMA(p,q)模型的系数和方差；使用样本数据集训练ARMA(p,q)模型，并使用极大似然估计算法求解最优参数值；
使用预测误差均方根误差检验和评价指标检验ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用ARMA(p,q)模型预测未来电流时间序列数据的值，根据历史数据和ARMA(p,q)模型参数预测未来电流时间序列数据的区间。
在本发明的另一个实施例中，还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得本发明实现如上任一实施例中电流异常检测方法。
在本实施例中，适用于来实现本发明实施例的电子设备的计算机系统包括中央处理单元(CentralProcessingUnit，CPU)，其可以根据存储在只读存储器(Read-OnlyMemory，ROM)中的程序或者从储存部分加载到随机访问存储器(RandomAccessMemory，RAM)中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM中，还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(Input/Output，I/O)接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管(CathodeRayTube，CRT)、液晶显示器(LiquidCrystalDisplay，LCD)等以及扬声器等的输出部分；包括硬盘等的储存部分；以及包括诸如LAN(LocalAreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入储存部分。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本发明的系统中限定的各种功能。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本实施例中，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如前述任一实施例提供的电流异常检测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
通过以上的实施方式的描述，本领域的技术人员易于理解，描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种电流异常检测系统，其特征在于，包括电流信号获取模块、数据处理模块、数据聚类模块、阈值模型和ARMA模型，其中，
电流信号获取模块：采集电流信号，通过模数转换器将电流信号转化为数字信号；通过数据传输设备将采集到的电流信号实时传输至数据处理模块；
数据处理模块：用于对实时采集到的电流信号进行预处理，所述预处理包括滤波和去噪；将预处理后的电流信号转化为电流时间序列：使用时间戳标记每一个采样时刻，并将电流值与时间戳存储在一起，形成电流时间序列数据；
数据聚类模块：采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；
阈值模型：基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距离，将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常分数，设定阈值θ，若某一电流时间序列数据的异常分数大于阈值θ，则判定此电流时间序列数据为异常；
ARMA模型：DTW-kmedoids聚类算法分为不同电流数据的簇，对每个簇中的电流时间序列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时间序列数据绘制自相关函数ACF和偏自相关函数PACF图形，根据自相关函数ACF和偏自相关函数PACF图形确定ARMA模型的自回归项阶数和移动平均项阶数；将确定的自回归项阶数和移动平均项阶数代入ARMA模型中，得到ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用极大似然法估计ARMA(p,q)模型的系数和方差；使用样本数据集训练ARMA(p,q)模型，并使用极大似然估计算法求解最优参数值；
使用预测误差均方根误差检验和评价指标检验ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用ARMA(p,q)模型预测未来电流时间序列数据的值，根据历史数据和ARMA(p,q)模型参数预测未来电流时间序列数据的区间。
2.根据权利要求1所述一种电流异常检测系统，其特征在于，所述采用DTW-kmedoids聚类算法对电流时间序列数据进行分簇，之前还包括：
数据预处理：即对电流时间序列数据进行去趋势、平滑和标准化处理。
3.根据权利要求1所述一种电流异常检测系统，其特征在于，所述DTW-kmedoids聚类算法，具体为：
所述DTW-kmedoids聚类算法包括DTW距离矩阵D、DTW距离以及medoids算法；
DTW距离矩阵D表示为：
式中，S 1和S n分别表示电流时间序列数据的第i、j个序列；
DTW距离表示为：
式中，S i和S j分别表示电流时间序列数据的第i、j个序列；γ表示所有可能的时间轴对齐方式的集合，p和q分别表示S i和S j中的时间点；Γ表示所有可行的时间轴对齐方式集合；
medoids算法表示为：
式中，m表示选定的medoid算法，x i和x j分别表示当前正在考虑的候选聚类中心、当前聚类中的其他数据点；C表示当前聚类中所有的电流时间序列数据，即选择距离其他电流时间序列数据最小的一个电流时间序列数据作为新的聚类中心。
4.根据权利要求3所述一种电流异常检测系统，其特征在于，所述采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；具体为：
将电流时间序列数据折叠、比较和对齐，对每一对电流时间序列数据计算DTW距离矩阵；随机选择k个电流时间序列数据作为初始聚类中心进行迭代聚类，直到聚类效果收敛或达到最大迭代次数。
5.根据权利要求3所述一种电流异常检测系统，其特征在于，所述采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；之后还包括：
随机选择k个电流时间序列数据作为初始聚类中心进行迭代聚类，所述迭代聚类为：不断迭代执行以下步骤，直到聚类效果收敛或达到最大迭代次数；
A：基于距离矩阵D，将每个电流时间序列数据分配到离距离矩阵D最近的聚类中心；
B：对每个聚类，采用medoids算法选取代表序列作为新的聚类中心；即从当前聚类中选择距离其他电流时间序列数据最小的一个电流时间序列数据，作为新的聚类中心；
输出最终聚类结果，其中每个聚类由一组电流时间序列数据和一个组成。
6.根据权利要求1所述一种电流异常检测系统，其特征在于，所述基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距离，将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常分数，设定阈值θ，若某一电流时间序列数据的异常分数Score i大于阈值θ，则判定此电流时间序列数据为异常；具体为：
计算异常分数：将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常分数，即Score i；
式中，medoid i表示S i所属簇的聚类中心，DTW(S i,medoid i)表示S i与medoid i的DTW距离；异常分数Score i反映了S i与其他序列的相似程度，分数越高则表示电流时间序列越异常；
设定阈值θ，若某一电流时间序列数据的异常分数Score i大于阈值θ，则判定此电流时间序列数据为异常。
7.根据权利要求1所述一种电流异常检测系统，其特征在于，所述根据自相关函数ACF和偏自相关函数PACF图形来确定ARMA模型的自回归项阶数和移动平均项阶数，具体为：
所述自回归项阶数为偏自相关函数PACF图形上最后一个显著的峰值所在的lag值；假设该lag值为p，则ARMA模型中自回归项阶数为p；
所述移动平均项阶数为自相关函数ACF图形上最后一个显著的峰值所在的lag值；假设该lag值为q，则ARMA模型中移动平均项阶数为q。
8.一种电流异常检测方法，其特征在于，包括以下步骤：
步骤1：采集电流信号，通过模数转换器将电流信号转化为数字信号；通过数据传输设备将采集到的电流信号实时传输至数据处理模块；
步骤2：用于对实时采集到的电流信号进行预处理，所述预处理包括滤波和去噪；将预处理后的电流信号转化为电流时间序列：使用时间戳标记每一个采样时刻，并将电流值与时间戳存储在一起，形成电流时间序列数据；
步骤3：采用DTW-kmedoids聚类算法对电流时间序列数据集进行分簇，将电流时间序列数据集分成不同的簇；
步骤4：基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距离；
步骤5：DTW-kmedoids聚类算法分为不同电流数据的簇，对每个簇中的电流时间序列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时间序列数据绘制自相关函数ACF和偏自相关函数PACF图形，根据自相关函数ACF和偏自相关函数PACF图形确定ARMA模型的自回归项阶数和移动平均项阶数；将确定的自回归项阶数和移动平均项阶数代入ARMA模型中，得到ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用极大似然法估计ARMA(p,q)模型的系数和方差；使用样本数据集训练ARMA(p,q)模型，并使用极大似然估计算法求解最优参数值；
使用预测误差均方根误差检验和评价指标检验ARMA(p,q)模型；
对于每个簇中的电流时间序列，使用ARMA(p,q)模型预测未来电流时间序列数据的值，根据历史数据和ARMA(p,q)模型参数预测未来电流时间序列数据的区间。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求8中所述的电流异常检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，所述计算机程序运行时执行所述权利要求8中所述的电流异常检测方法。
CN202310829113.1A 2023-07-07 2023-07-07 一种电流异常检测系统、方法、电子设备及介质 Pending CN116956189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310829113.1A CN116956189A (zh) 2023-07-07 2023-07-07 一种电流异常检测系统、方法、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310829113.1A CN116956189A (zh) 2023-07-07 2023-07-07 一种电流异常检测系统、方法、电子设备及介质

Publications (1)

Publication Number Publication Date
CN116956189A true CN116956189A (zh) 2023-10-27

Family

ID=88459623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310829113.1A Pending CN116956189A (zh) 2023-07-07 2023-07-07 一种电流异常检测系统、方法、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116956189A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117493857A (zh) * 2023-11-15 2024-02-02 国网四川省电力公司眉山供电公司 一种电能计量异常判别方法、系统、设备及介质
CN117970182A (zh) * 2024-03-28 2024-05-03 国网山东省电力公司曲阜市供电公司 一种基于dtw算法的漏电预警方法及系统
CN118228006A (zh) * 2024-05-23 2024-06-21 大连卓志创芯科技有限公司 一种基于fpga技术的芯片检测方法及系统
CN118337539A (zh) * 2024-06-17 2024-07-12 嘉兴贯文数字技术有限公司 一种基于物联网的网络安全通信控制方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117493857A (zh) * 2023-11-15 2024-02-02 国网四川省电力公司眉山供电公司 一种电能计量异常判别方法、系统、设备及介质
CN117493857B (zh) * 2023-11-15 2024-09-24 国网四川省电力公司眉山供电公司 一种电能计量异常判别方法、系统、设备及介质
CN117970182A (zh) * 2024-03-28 2024-05-03 国网山东省电力公司曲阜市供电公司 一种基于dtw算法的漏电预警方法及系统
CN118228006A (zh) * 2024-05-23 2024-06-21 大连卓志创芯科技有限公司 一种基于fpga技术的芯片检测方法及系统
CN118337539A (zh) * 2024-06-17 2024-07-12 嘉兴贯文数字技术有限公司 一种基于物联网的网络安全通信控制方法及系统

Similar Documents

Publication Publication Date Title
CN112101480B (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN116956189A (zh) 一种电流异常检测系统、方法、电子设备及介质
CN107273924B (zh) 基于模糊聚类分析的多数据融合的电厂故障诊断方法
CN115081795B (zh) 多维场景下企业能耗异常成因分析方法及系统
CN109325607A (zh) 一种短期风电功率预测方法及系统
CN117592870B (zh) 基于水环境监测信息的综合分析系统
CN111738348A (zh) 一种电力数据异常检测方法和装置
CN111368911A (zh) 一种图像分类方法、装置和计算机可读存储介质
AU2021335237A1 (en) Method for detecting abnormality of automatic verification system of smart watt-hour meter based on transductive support vector machine (TSVM) model
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN117933531A (zh) 一种分布式光伏发电功率预测系统及方法
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN112508278A (zh) 一种基于证据回归多模型的多联供系统负荷预测方法
CN106816871B (zh) 一种电力系统状态相似性分析方法
CN114936614A (zh) 一种基于神经网络的作业风险识别方法及系统
CN116756619B (zh) 一种基于大数据的设备智能诊断方法及系统
CN117911010B (zh) 一种水轮机调速器检修评估设备、方法、装置及介质
CN116595883B (zh) 数值反应堆实时在线系统状态修正方法
CN108171234B (zh) 一种基于交叉验证的营运联合体运营状态监测系统及方法
CN118673798A (zh) 一种基于深度学习的非侵入式负荷检测方法以及系统
Zou et al. Maintenance Evaluation of Power Grid Fault Equipment Based on Random Forest

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