CN117077044B - 一种发电机用真空断路器故障判别方法及装置 - Google Patents
一种发电机用真空断路器故障判别方法及装置 Download PDFInfo
- Publication number
- CN117077044B CN117077044B CN202311348628.6A CN202311348628A CN117077044B CN 117077044 B CN117077044 B CN 117077044B CN 202311348628 A CN202311348628 A CN 202311348628A CN 117077044 B CN117077044 B CN 117077044B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- class
- dimension
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000013075 data extraction Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 239000010755 BS 2869 Class G Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005192 partition Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012850 discrimination method 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
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
- G01R31/34—Testing dynamo-electric machines
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及发电机故障判别技术领域,具体涉及一种发电机用真空断路器故障判别方法及装置,该方法获取发电机用真空断路器的样本数据点;获得样本数据序列;对孤立森林构建时抽取的样本数据进行分析,获取样本数据抽取质量指标;对样本数据序列各维度数据进行聚类获取各维度数据的变化特征以及分布特征,获取各数据点的数据分割特征值;获取样本类别数据;根据样本类别数据的离散情况以及样本类别数据之间的对比度,对孤立树的节点完成分割;并且获取异常数据;完成发电机用真空断路器故障判别。提高抽取样本数据的质量,提高孤立森林的检测精度。
Description
技术领域
本发明涉及发电机故障判别技术领域,具体涉及一种发电机用真空断路器故障判别方法及装置。
背景技术
断路器是电力系统开关类设备中最重要的电气控制设备,当电力系统正常运行时,断路器用于接通和切断空载或负载电路;当系统处于故障状态时,断路器用于与继电保护配合,迅速切断故障电流,防止事故影响扩大。断路器的可靠性与电力系统的安全运行联系密切,故对真空断路器的故障进行及时有效判别意义重大。
对真空断路器的故障进行判别时,往往是基于其运行时产生的异常数据进行判别,而在使用孤立森林算法对运行数据进行异常检测时,传统的孤立森林算法需要设置孤立树的深度,孤立森林通过递归地将数据集划分为子空间,并构建包含多棵独立二叉树的森林,用于异常检测。在递归过程中,通过随机选择特征和分割点,不断划分数据集,直到达到停止条件。孤立树是用来区分正常数据和异常数据的,当孤立树中随机抽出的样本数据中的异常数据已经被分割出来,即剩余的样本数据中没有异常数据了,孤立树的后续生长构建就没有必要,否则会浪费系统的计算资源。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种发电机用真空断路器故障判别方法及装置,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种发电机用真空断路器故障判别方法,该方法包括以下步骤:
获取发电机用真空断路器的多维度数据点集,记为样本数据点;
对样本数据点进行抽取获得样本数据序列;根据样本数据序列获取各维度数据的信号一致性;根据样本数据序列所有维度数据的信号一致性获取样本数据抽取质量指标;将样本数据抽取质量指标大于等于预设质量指标阈值的样本数据点作为样本数据;对样本数据各维度数据进行聚类获取各维度数据的两个类别数据;根据样本数据不同维度下同一类别的数据分布获取各维度数据的类别变化率;根据各维度数据的信号一致性以及类别变化率获取各数据点的数据分割特征值;对各数据点的数据分割特征值进行聚类,将聚类的边界点作为分割点;使用分割点对各样本数据进行预分割获取两个样本类别数据;将各样本类别数据中数据点的数据分割特征值的方差作为各样本类别数据的类别数据离散性;根据两个样本类别数据的数据特征获取样本类别数据之间的类别数据对比度;根据各样本类别数据的类别数据离散性以及样本类别数据之间的类别数据对比度获取孤立树节点的节点分割必要性;根据孤立树节点的节点分割必要性对孤立树的节点完成分割;根据孤立树叶子节点中的样本数据特征获取异常数据;
将异常数据作为真空断路器故障判别神经网络的输入,完成发电机用真空断路器故障判别;
所述根据样本数据序列获取各维度数据的信号一致性,具体表达式为:
式中,/>表示第/>个维度数据的信号一致性,/>、/>分别表示数据值特征序列中第/>个、第/>个数据值的出现频率,/>、/>分别表示第/>个维度数据下的数据值特征序列中第/>个、第/>个数据值,/>、/>分别表示第/>个维度数据下的数据值特征序列中数据值的最大值、最小值,/>表示以自然常数为底数的指数函数,/>表示数据值特征序列中数据值的个数;
将所述聚类获取各维度数据的两个类别数据中数据量大的记为第一类别数据;
计算各维度第一类别数据点个数与其他维度第一类别数据点个数的差值绝对值;获取各第一类别的数据点在其他维度中类别不属于第一类别的数据点个数;将所述差值绝对值与所述在其他维度中类别不属于第一类别的数据点个数的乘积的和值作为各维度数据的类别变化率;
所述根据各样本类别数据的类别数据离散性以及样本类别数据之间的类别数据对比度获取孤立树节点的节点分割必要性,具体为:
将两个样本类别数据中数据量大的记为类别G,数据量小的记为类别S,其中G、S表示类别号;
计算样本数据的类别数据对比度与类别S的类别数据离散性的乘积;将所述乘积与类别G的类别数据离散性的比值作为孤立树节点的节点分割必要性;
所述根据孤立树叶子节点中的样本数据特征获取异常数据,具体步骤包括:
获取叶子节点数据与同属于一个节点的另一个叶子节点数据的类别数据对比度;计算叶子节点的路径长度与叶子节点内样本数据的个数的乘积;将所述类别数据对比度与所述乘积的比值作为叶子节点的异常得分;
设置异常得分判断阈值;当叶子节点的异常得分大于等于异常得分阈值时,判定该叶子节点的样本数据为异常数据。
进一步,所述根据样本数据序列所有维度数据的信号一致性获取样本数据抽取质量指标,获取方法为:
计算所有维度数据的信号一致性的和值以及最小值;将所述最小值与所述和值的比值归一化值作为样本数据抽取质量指标。
进一步,所述根据各维度数据的信号一致性以及类别变化率获取各数据点的数据分割特征值,具体为:
获取数据点在各维度数据的归一化值;计算同一维度数据下所述归一化值、信号一致性、类别变化率三者的乘积;将各维度数据的所述乘积的和值作为各数据点的数据分割特征值。
进一步,所述根据两个样本类别数据的数据特征获取样本类别数据之间的类别数据对比度,具体为:
将两个样本类别数据中数据点的数据分割特征值均值的差值绝对值记为第一差值绝对值;将两个样本类别数据中数据点个数的差值绝对值记为第二差值绝对值;将所述第一差值绝对值与所述第二差值绝对值的乘积作为样本类别数据之间的类别数据对比度。
进一步,所述根据孤立树节点的节点分割必要性对孤立树的节点完成分割,具体步骤包括:
设置节点分割必要性阈值;
当节点分割必要性大于等于节点分割必要性阈值时,对节点继续进行分割;当节点分割必要性小于节点分割必要性阈值时,停止分割。第二方面,本发明另一个实施例提供了一种发电机用真空断路器故障判别装置,包括存储器、处理器以及存储在所述存储器中并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上述一种发电机用真空断路器故障判别方法的步骤。
本发明至少具有如下有益效果:
本发明首先对孤立森林构建时抽取的样本数据质量进行分析,构建样本数据抽取质量指标提高样本数据的抽取质量,降低抽取出的数据序列中全为正常数据而无法完成异常数据识别的可能性,提高孤立森林的检测精度。
同时,根据样本数据的信号一致性以及不同维度下数据的变化构建数据的分割特征值以及节点分割必要性,完成孤立树的自适应分割与生长,进而获取质量良好的孤立树,完成孤立森林的构建,通过孤立森林算法完成异常数据检测,进而根据异常数据完成发电机用真空断路器故障的判别。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例提供的一种发电机用真空断路器故障判别方法的步骤流程图;
图2为节点分割必要性的获取流程图。
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发电机用真空断路器故障判别方法及装置,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发电机用真空断路器故障判别方法及装置的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种发电机用真空断路器故障判别方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集发电机用真空断路器运行数据。
本实施例通过振动传感器、角位移传感器和压力传感器分别采集真空断路器传动模块的机械振动信号、主轴角位移信号和绝缘拉杆压力信号,同时通过霍尔电流传感器采集分/合闸脱扣器的电流信号和储能电机的电流信号,以此为基础对真空断路器的故障进行检测判别。
至此,完成发电机用真空断路器运行数据的获取。
步骤S002:通过孤立森林算法获取发电机用真空断路器的异常数据。
本实施例将采集到的发电机用真空断路器的多维度数据点集(,/>,/>,/>,/>)作为样本数据点,其中/>表示了数据点的机械振动信号,/>表示了数据点的主轴角位移信号,/>表示了数据点的绝缘拉杆压力信号,/>表示了数据点的分/合闸脱扣器的电流信号,表示了数据点的储能电机的电流信号,对其使用孤立森林算法,完成异常数据的检测,通过检测出的异常数据完成真空断路器的故障判别。
本实施例以发电机用真空断路器运行数据中的某一样本数据点为例,根据经验值设置孤立树生成时的每次抽取的样本数据为256,孤立森林中孤立树的数量为100,实施者可根据实际情况自主进行调节。首先对每次抽取出的样本数据序列进行分析,对于任一维度数据而言,获取样本数据序列各样本数据值在该维度下的出现频率,将样本数据值按照对应的出现频率从大到小依次排序,则可得到数据值特征序列,通过数据值特征序列内数据值的变化以及整体数据的区间大小构建该维度数据所对应的信号一致性,表达式如下:
式中,/>表示第/>个维度数据的信号一致性,/>、/>分别表示数据值特征序列中第/>个、第/>个数据值的出现频率,/>、/>分别表示第/>个维度数据下的数据值特征序列中第/>个、第/>个数据值,/>、/>分别表示第/>个维度数据下的数据值特征序列中数据值的最大值、最小值,/>表示以自然常数为底数的指数函数,/>表示数据值特征序列中数据值的个数。
需要说明的是,对于数据点的不同维度的数据均有对应的信号一致性,当数据之序列中相邻两个数据值的差异越大,数据的波动就越大,信号一致性越小;当数据值特征序列中数据值的极值越大,信号一致性越小。
进一步,通过信号一致性构建样本数据抽取质量指标,表达式为:
式中,/>表示样本数据抽取质量指标,/>表示第/>个维度数据的信号一致性,/>表示不同维度数据下的信号一致性最小值,/>表示归一化函数。
当抽取出的信号数据序列的所对应的信号一致性越大,则说明其内存在异常数据的可能性越小,则说明该次随机抽取出的样本数据对异常数据识别的效果越差,样本数据抽取质量指标越小。
为提高样本数据的抽取质量,降低抽取出的样本数据中全为正常数据而无法完成异常数据识别的可能性,提高孤立森林的检测精度。预设质量指标阈值,当样本数据抽取质量大于等于质量指标阈值时,说明该次随机抽取出的样本数据序列中有异常数据的可能性越大,对孤立树分割识别异常数据的贡献越大,将该样本数据点放入样本数据中,不用再次抽取;否则,则将其放回数据集中,重新抽取。
根据上述步骤完成了抽取出的样本数据的初步判断,对样本数据进行分割,生成孤立树。孤立树对样本数据进行分割时,往往是随机选择样本数据中的一个数据点的数据作为分割阈值,当样本数据大于分割阈值时,将数据点放入右侧叶节点,当样本数据小于等于分割阈值时,将数据点放入左侧叶节点。考虑到本实施例中真空断路器的样本数据点为多维数据,使用传统的算法将样本数据点每个维度的数据值作为分割阈值完成样本数据点的分割时,可能会出现样本数据点的多维数据中部分维度数据大于分割阈值,部分维度数据小于等于分割阈值,进而出现样本数据点不能对应放入孤立树叶节点的状况。
故本实施例通过对不同维度数据进行分析,对于真空断路器故障而言,其在发生某种故障时,其所影响的到维度数据往往较少,如机械振动故障,对振动信号的影响程度较大,对其余信号的影响程度较小,故对维度数据进行进一步分析。
具体的,对不同维度的样本数据分别进行一维K-means聚类算法,聚类类别数设置为2,随机选取初始聚类中心点,需要说明的是,一维K-means聚类算法为现有公知技术,本实施例中不再赘述,实施者可根据实际情况自行设定聚类类别数量以及初始聚类中心点,也可以自行选取聚类算法。聚类完成后每个维度下数据点均被分割成两个类别,将两个类别中的数据量大的类别记为第一类别数据,另一个类别记为第二类别数据。构建不同维度下的类别变化率,表达式如下:
式中,/>表示第/>个维度数据的类别变化率,/>为第/>个维度第一类别数据点的个数,/>表示除了第/>个维度的第/>个维度第一类别数据点的个数,/>表示第/>个维度第一类别的数据点在第/>个维度中其类别不属于第一类别的数据点个数。
进一步的,根据维度数据的类别变化率与该维度下数据的信号一致性以及数据所对应的局部变化构建数据分割特征值,表达式为:
式中,/>表示数据点/>的数据分割特征值,/>表示第/>个维度数据的信号一致性,/>表示第/>个维度数据的类别变化率,/>表示数据点/>在第/>个维度数据上的归一化后的数据值。
每个数据点均对应一个数据分割特征值,使用一维K-means聚类算法对数据点的数据分割特征值进行聚类分析,实施者可根据实际情况自行设定聚类类别数量以及初始聚类中心点,本实施例中聚类类别数量为2,随机选择初始聚类中心点完成聚类,聚类过程为公知技术,此处不再赘述。至此,将数据点分割为两类。
对两类数据点进一步分析,两类数据点的边界数据点作为分割点,若存在多个分割点,选择数据分割特征值最小的数据点作为分割点,将样本数据点作为节点数据,使用分割点对节点数据进行预分割,分割后可将节点数据分割成两类样本类别数据:类别S与类别G,其中类别G中样本数据量大于类别S,针对任一样本类别数据,获取该样本类别数据的类别数据离散性,表达式为:式中,/>表示样本类别数据的类别数据离散性,/>表示样本类别数据各点的数据分割特征值的方差。类别数据点所对应的数据分割特征值的方差越大,则说明预分割后子节点中数据离散性越大。
进一步,获取样本数据的类别数据对比度,表达式为:
式中,/>表示样本数据的类别数据对比度,/>、/>分别表示类别S、类别G数据点的数据分割特征值均值,/>,/>分别表示类别S、类别G的数据点个数。
将不同类别数据的离散性以及样本数据的类别对比度结合,获取孤立树节点的节点分割必要性,表达式为:
式中,/>表示孤立树节点的节点分割必要性,/>表示样本数据的类别数据对比度,/>、/>分别表示类别S和类别G的类别数据离散性。其中,所述节点分割必要性的获取流程如图2所示。
根据上述步骤对孤立树节点生长过程进行分析,每个节点均有其对应的节点分割必要性。设置节点分割必要性阈值,当节点分割必要性大于等于节点分割必要性阈值时,说明该节点中仍存在异常数据,需要对其进行再次分割,完成新节点的获取。否则说明该节点中存在异常数据的可能较小,无需进行进一步的生长分割。需要说明的是,节点分割必要性阈值实施者可根据实际情况自行设定,本实施例中的节点分割必要性阈值为0.75。对孤立树的生长过程进行分析判断,当孤立树的叶子节点不满足上述分割条件时,则孤立树停止分割生长,对此时的叶子节点获取异常得分F。
具体的,通过各叶子节点的样本数量、路径长度以及相关的样本数据之间的对比度构建叶子节点的异常得分,表达式为:
式中,/>表示叶子结点的异常得分,/>表示叶子节点数据与同一节点的另一叶子节点数据之间的类别数据对比度,/>表示叶子节点的路径长度,/>表示叶子节点内样本数据的数量。
异常得分越大,则说明该叶子节点的样本数据越可能为异常数据。设置异常得分判断阈值,当异常得分大于等于异常得分判断阈值时,认为该样本数据为异常数据,否则为正常数据。需要说明的是,异常得分判断阈值实施者可根据实际情况自行设置,本实施例中异常得分判断阈值为0.6。
根据上述步骤对发电机用真空断路器的运行数据的数据集进行孤立森林的构建,通过孤立森林对样本数据的异常得分进行获取,对数据集中的正常数据和异常数据进行区分。则可完成异常数据的获取。
至此,完成发电机用真空断路器运行异常数据的获取。
步骤S003:通过神经网络完成发电机用真空断路器故障判别。
根据上述步骤完成孤立森林的构建,通过孤立森林对数据集中的异常数据进行获取,将异常数据输入到真空断路器故障判别神经网络中,输出真空断路器故障的类别,其中,网络为卷积神经网络,网络的训练过程为现有公知技术,本实施例中不再赘述。
至此,完成发电机用真空断路器故障判别。
本发明实施例还提出了一种发电机用真空断路器故障判别装置,包括存储器、处理器以及存储在所述存储器中并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上述的步骤。由于一种发电机用真空断路器故障判别方法在上述给出了详细描述,不再赘述。
综上所述,本发明实施例首先对孤立森林构建时抽取的样本数据质量进行分析,构建样本数据抽取质量指标提高样本数据的抽取质量,降低抽取出的数据序列中全为正常数据而无法完成异常数据识别的可能性,提高孤立森林的检测精度。
同时,根据样本数据的信号一致性以及不同维度下数据的变化构建数据的分割特征值以及节点分割必要性,完成孤立树的自适应分割与生长,进而获取质量良好的孤立树,完成孤立森林的构建,通过孤立森林算法完成异常数据检测,进而根据异常数据完成发电机用真空断路器故障的判别。
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。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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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)
1.一种发电机用真空断路器故障判别方法,其特征在于,该方法包括以下步骤:
获取发电机用真空断路器的多维度数据点集,记为样本数据点;
对样本数据点进行抽取获得样本数据序列;根据样本数据序列获取各维度数据的信号一致性;根据样本数据序列所有维度数据的信号一致性获取样本数据抽取质量指标;将样本数据抽取质量指标大于等于预设质量指标阈值的样本数据点作为样本数据;对样本数据各维度数据进行聚类获取各维度数据的两个类别数据;根据样本数据不同维度下同一类别的数据分布获取各维度数据的类别变化率;根据各维度数据的信号一致性以及类别变化率获取各数据点的数据分割特征值;对各数据点的数据分割特征值进行聚类,将聚类的边界点作为分割点;使用分割点对各样本数据进行预分割获取两个样本类别数据;将各样本类别数据中数据点的数据分割特征值的方差作为各样本类别数据的类别数据离散性;根据两个样本类别数据的数据特征获取样本类别数据之间的类别数据对比度;根据各样本类别数据的类别数据离散性以及样本类别数据之间的类别数据对比度获取孤立树节点的节点分割必要性;根据孤立树节点的节点分割必要性对孤立树的节点完成分割;根据孤立树叶子节点中的样本数据特征获取异常数据;
将异常数据作为真空断路器故障判别神经网络的输入,完成发电机用真空断路器故障判别;
所述根据样本数据序列获取各维度数据的信号一致性,具体表达式为:
式中,/>表示第/>个维度数据的信号一致性,/>分别表示数据值特征序列中第/>个、第/>个数据值的出现频率,/>分别表示第/>个维度数据下的数据值特征序列中第个、第/>个数据值,/>分别表示第/>个维度数据下的数据值特征序列中数据值的最大值、最小值,/>表示以自然常数为底数的指数函数,/>表示数据值特征序列中数据值的个数;对于任一维度数据而言,获取样本数据序列各样本数据值在该维度下的出现频率,将样本数据值按照对应的出现频率从大到小依次排序,得到数据值特征序列;
所述根据样本数据不同维度下同一类别的数据分布获取各维度数据的类别变化率,获取方法为:将所述聚类获取各维度数据的两个类别数据中数据量大的记为第一类别数据;
计算各维度第一类别数据点个数与其他维度第一类别数据点个数的差值绝对值;获取各第一类别的数据点在其他维度中类别不属于第一类别的数据点个数;将所述差值绝对值与所述在其他维度中类别不属于第一类别的数据点个数的乘积的和值作为各维度数据的类别变化率;
所述根据各样本类别数据的类别数据离散性以及样本类别数据之间的类别数据对比度获取孤立树节点的节点分割必要性,具体为:
将两个样本类别数据中数据量大的记为类别G,数据量小的记为类别S,其中G、S表示类别号;
计算样本类别数据之间的类别数据对比度与类别S的类别数据离散性的乘积;将所述乘积与类别G的类别数据离散性的比值作为孤立树节点的节点分割必要性;
所述根据孤立树叶子节点中的样本数据特征获取异常数据,具体步骤包括:
获取任一叶子节点数据与同属于一个节点的另一个叶子节点数据的类别数据对比度;计算任一叶子节点的路径长度与任一叶子节点内样本数据的个数的乘积;将所述类别数据对比度与所述乘积的比值作为任一叶子节点的异常得分;
设置异常得分判断阈值;当任一叶子节点的异常得分大于等于异常得分阈值时,判定该任一叶子节点的样本数据为异常数据。
2.如权利要求1所述的一种发电机用真空断路器故障判别方法,其特征在于,所述根据样本数据序列所有维度数据的信号一致性获取样本数据抽取质量指标,获取方法为:
计算所有维度数据的信号一致性的和值以及最小值;将所述最小值与所述和值的比值归一化值作为样本数据抽取质量指标。
3.如权利要求1所述的一种发电机用真空断路器故障判别方法,其特征在于,所述根据各维度数据的信号一致性以及类别变化率获取各数据点的数据分割特征值,具体为:
获取数据点在各维度数据的归一化值;计算同一维度数据下所述归一化值、信号一致性、类别变化率三者的乘积;将各维度数据的所述乘积的和值作为各数据点的数据分割特征值。
4.如权利要求1所述的一种发电机用真空断路器故障判别方法,其特征在于,所述根据两个样本类别数据的数据特征获取样本类别数据之间的类别数据对比度,具体为:
将两个样本类别数据中数据点的数据分割特征值均值的差值绝对值记为第一差值绝对值;将两个样本类别数据中数据点个数的差值绝对值记为第二差值绝对值;将所述第一差值绝对值与所述第二差值绝对值的乘积作为样本类别数据之间的类别数据对比度。
5.如权利要求1所述的一种发电机用真空断路器故障判别方法,其特征在于,所述根据孤立树节点的节点分割必要性对孤立树的节点完成分割,具体步骤包括:
设置节点分割必要性阈值;
当节点分割必要性大于等于节点分割必要性阈值时,对节点继续进行分割;当节点分割必要性小于节点分割必要性阈值时,停止分割。
6.一种发电机用真空断路器故障判别装置,包括存储器、处理器以及存储在所述存储器中并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1~5任意一项所述一种发电机用真空断路器故障判别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311348628.6A CN117077044B (zh) | 2023-10-18 | 2023-10-18 | 一种发电机用真空断路器故障判别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311348628.6A CN117077044B (zh) | 2023-10-18 | 2023-10-18 | 一种发电机用真空断路器故障判别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077044A CN117077044A (zh) | 2023-11-17 |
CN117077044B true CN117077044B (zh) | 2024-02-06 |
Family
ID=88715777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311348628.6A Active CN117077044B (zh) | 2023-10-18 | 2023-10-18 | 一种发电机用真空断路器故障判别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077044B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272209B (zh) * | 2023-11-20 | 2024-02-02 | 江苏新希望生态科技有限公司 | 一种芽苗菜生长数据采集方法及系统 |
CN117454096B (zh) * | 2023-12-25 | 2024-03-01 | 西安高商智能科技有限责任公司 | 一种电机生产质量检测方法及系统 |
CN117591832B (zh) * | 2024-01-18 | 2024-04-05 | 宁波泰利电器有限公司 | 基于数据分析的吹风机电机运行故障检测方法 |
CN117892095B (zh) * | 2024-03-14 | 2024-05-28 | 山东泰开电力电子有限公司 | 一种储能系统用的散热系统故障智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
CN115021679A (zh) * | 2022-08-09 | 2022-09-06 | 国网山西省电力公司大同供电公司 | 一种基于多维离群点检测的光伏设备故障检测方法 |
CN115840924A (zh) * | 2023-02-15 | 2023-03-24 | 深圳市特安电子有限公司 | 一种压力变送器测量数据智慧处理系统 |
CN116660669A (zh) * | 2023-07-26 | 2023-08-29 | 威海双城电气有限公司 | 一种电力设备故障在线监测系统及方法 |
-
2023
- 2023-10-18 CN CN202311348628.6A patent/CN117077044B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
CN115021679A (zh) * | 2022-08-09 | 2022-09-06 | 国网山西省电力公司大同供电公司 | 一种基于多维离群点检测的光伏设备故障检测方法 |
CN115840924A (zh) * | 2023-02-15 | 2023-03-24 | 深圳市特安电子有限公司 | 一种压力变送器测量数据智慧处理系统 |
CN116660669A (zh) * | 2023-07-26 | 2023-08-29 | 威海双城电气有限公司 | 一种电力设备故障在线监测系统及方法 |
Non-Patent Citations (2)
Title |
---|
Spectral–Spatial Anomaly Detection of Hyperspectral Data Based on Improved Isolation Forest;Xiangyu Song et al.;IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING;第60卷;第1-16页 * |
基于孤立森林算法的10 kV 配电网故障自动定位方法;陈天立;自动化应用(第11期);第196-198页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077044A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117077044B (zh) | 一种发电机用真空断路器故障判别方法及装置 | |
CN107256245B (zh) | 面向垃圾短信分类的离线模型改进与选择方法 | |
CN111798312B (zh) | 一种基于孤立森林算法的金融交易系统异常识别方法 | |
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
KR101964412B1 (ko) | 이동통신데이터 처리시스템의 이상로그 발생을 진단하는 방법 및 그 시스템 | |
CN117238058B (zh) | 基于数据分析的汽车用起动机监测方法 | |
WO2023272851A1 (zh) | 异常数据检测方法、装置、设备及存储介质 | |
CN110805534B (zh) | 一种风力发电机的故障检测方法、装置及设备 | |
CN117034043A (zh) | 基于多能源物联网的智慧建筑综合能耗监测方法及系统 | |
CN110659175A (zh) | 日志的主干提取方法、分类方法、设备及存储介质 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN115409131A (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN111309718B (zh) | 一种配网电压数据缺失填补方法及装置 | |
CN113780432B (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
CN114997256A (zh) | 一种风电场异常功率的检测方法、设备及存储介质 | |
CN112633315A (zh) | 一种电力系统扰动分类方法 | |
CN115758908A (zh) | 一种基于深度学习的报警泛滥情况下的报警在线预测方法 | |
CN114756420A (zh) | 故障预测方法及相关装置 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN114301719B (zh) | 一种基于变分自编码器的恶意更新检测方法及系统 | |
CN115659323A (zh) | 一种基于信息熵理论结合卷积神经网络的入侵检测方法 | |
CN115766176A (zh) | 网络流量处理方法、装置、设备及存储介质 | |
CN115189939A (zh) | 一种基于hmm模型的电网网络入侵检测方法及系统 | |
CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |