CN117313021B - 一种电力设备异常检测分析方法、系统、终端及介质 - Google Patents
一种电力设备异常检测分析方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN117313021B CN117313021B CN202311619201.5A CN202311619201A CN117313021B CN 117313021 B CN117313021 B CN 117313021B CN 202311619201 A CN202311619201 A CN 202311619201A CN 117313021 B CN117313021 B CN 117313021B
- Authority
- CN
- China
- Prior art keywords
- parameter
- real
- feature
- value
- time
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种电力设备异常检测分析方法、系统、终端及介质，涉及电力分析技术领域，其技术方案要点是：获取运行状态参数数据；依据运行状态参数数据建立单参数特征矩阵；依据实时运行参数数据建立实时参数特征矩阵；匹配单参数特征矩阵；依据所匹配得到的多个单参数特征矩阵对目标设备的实时切换工况进行趋势分析，得到目标设备的参数估算特征矩阵；将实时参数特征矩阵与参数估算特征矩阵进行相似度计算，得到单参数相似度；根据多个单参数相似度计算得到目标设备的总相似度，并在总相似度低于设定阈值时输出异常信号。本发明不仅数据获取方便，且能够适用于运行工况频繁变化的电力设备的异常状态，检测结果准确、可靠。
Description
技术领域
本发明涉及电力分析技术领域，更具体地说，它涉及一种电力设备异常检测分析方法、系统、终端及介质。
背景技术
电力系统中的电力设备根据其运行中所起的作用不同，通常分为电气一次设备和电气二次设备。直接参与生产、变换、传输、分配和消耗电能的设备称为电气一次设备，如发电机、电动机、变压器和逆变器等。而随着电力系统中电力设备的数量不断增加，为保障电力系统稳定运行，对电力设备的过电压、欠电压、过电流、短路、温升等异常状态进行检测非常有必要。
目前，现有技术中记载有应用深度学习算法的电力设备异常分析方法，通过采集电力设备在异常状态的运行数据，将所采集的运行数据作为样本数据来构建深度学习模型，再应用所构建的深度学习模型来对电力设备的实时运行数据进行异常判断分析。然而，由于电力系统中电力设备数量庞大，一个电力设备可能存在多个异常监测点，且一个监测点可能存在多项异常状态的监测，这就导致所构建的深度学习模型需要大量的异常样本数据进行训练，而电力系统本身在极大部分时间就处于各种正常运行工况，所以异常样本数据的采集困难较大；此外，对于部分电力设备而言，其运行工况是频繁变化的，如光伏并网中的逆变器，采用深度学习模型难以对各种运行工况的状态进行准确分析。
因此，如何研究设计一种能够克服上述缺陷的电力设备异常检测分析方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供一种电力设备异常检测分析方法、系统、终端及介质，不仅数据获取方便，且能够适用于运行工况频繁变化的电力设备的异常状态，检测结果准确、可靠。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了一种电力设备异常检测分析方法，包括以下步骤：
获取目标设备中多个监测点位在不同正常运行工况下的运行状态参数数据；
依据运行状态参数数据建立不同正常运行工况之间切换后相应正常运行工况下各个运行状态参数所对应的单参数特征矩阵；
采集目标设备在实时切换工况下的实时运行参数数据，并依据实时运行参数数据建立实时参数特征矩阵；
依据目标设备的实时切换工况匹配同一运行状态参数在多个正常运行工况下的单参数特征矩阵；
依据所匹配得到的多个单参数特征矩阵对目标设备的实时切换工况进行趋势分析，得到目标设备在实时切换工况下相应运行状态参数的参数估算特征矩阵；
将同一运行状态参数的实时参数特征矩阵与参数估算特征矩阵进行相似度计算，得到目标设备中相应运行状态参数的单参数相似度；
根据多个运行状态参数的单参数相似度计算得到目标设备的总相似度，并在总相似度低于设定阈值时输出异常信号。
进一步的，不同正常运行工况之间选择至少一个电气参数进行划分，且相邻的两个正常运行工况之间的电气参数差值为预设固定值。
进一步的，所述单参数特征矩阵的表达式具体为：
；
其中，表示运行状态参数/>的单参数特征矩阵，包含/>个监测点的特征组；表示运行状态参数/>的单参数特征矩阵中第/>个监测点的特征组；/>表示运行状态参数/>在第/>个监测点的工况值；/>表示运行状态参数/>在第/>个监测点的变化值；/>表示运行状态参数/>在第/>个个监测点的极大值，若运行状态参数/>在第/>个监测点的工况值为最大值，则取值为1，否则取值为0；/>表示运行状态参数/>在第/>个监测点的极小值，若运行状态参数/>在第/>个监测点的工况值为最小值，则取值为1，否则取值为0；/>表示运行状态参数/>的平均值，即/>个监测点的工况值的平均值；/>表示运行状态参数/>的变化和值，即/>个监测点的变化值之和。
进一步的，所述依据目标设备的实时切换工况匹配同一运行状态参数在多个正常运行工况下的单参数特征矩阵的过程具体为：
实时切换工况分为当前时刻的实时运行工况和上一时刻的初始运行工况；
分别确定初始运行工况的第一电气参数和实时运行工况的第二电气参数；
选取电气参数位于第一电气参数与第二电气参数之间的正常运行工况作为目标运行工况；
以目标运行工况中同一运行状态参数的单参数特征矩阵作为实时切换工况匹配的单参数特征矩阵。
进一步的，所述参数估算特征矩阵的获得过程具体为：
从所匹配得到的多个单参数特征矩阵以及第一电气参数所对应的单参数特征矩阵中分别提取同一特征的特征值，构建得到相应特征的特征序列；
若同一特征为工况值、变化值、平均值或变化和值，则采用最小二乘法拟合分析同一特征在实时运行工况的特征预测值；
若同一特征为极大值或极小值：在特征序列中所有特征值的方差为0时，则以所有特征值的平均值作为同一特征在实时运行工况的特征预测值；以及，在特征序列中所有特征值的方差不为0时，则以特征序列中与第二电气参数差值最小的电气参数所对应的特征值作为同一特征在实时运行工况的特征预测值。
进一步的，所述单参数相似度的计算公式具体为：
；
其中，表示运行状态参数/>的单参数相似度；/>表示监测点的数量，每一个监测点对应一个特征组；/>表示单个特征组中的特征数量；/>表示第/>个监测点所对应特征组中第/>个特征的权重系数；/>表示运行状态参数/>的实时参数特征矩阵中，第/>个监测点所对应特征组中的第/>个特征；/>表示运行状态参数/>的参数估算特征矩阵中，第/>个监测点所对应特征组中的第/>个特征。
进一步的，所述目标设备的总相似度计算公式具体为：
；
其中，表示目标设备的总相似度；/>表示由运行状态参数的数量/>决定的系数函数；/>表示运行状态参数的数量为1时的系数值；/>表示系数函数的一阶导；表示第/>个运行状态参数的权重系数；/>表示第/>个运行状态参数的单参数相似度。
第二方面，提供了一种电力设备异常检测分析系统，包括：
数据获取模块，用于获取目标设备中多个监测点位在不同正常运行工况下的运行状态参数数据；
矩阵构建模块，用于依据运行状态参数数据建立不同正常运行工况之间切换后相应正常运行工况下各个运行状态参数所对应的单参数特征矩阵；
数据采集模块，用于采集目标设备在实时切换工况下的实时运行参数数据，并依据实时运行参数数据建立实时参数特征矩阵；
矩阵匹配模块，用于依据目标设备的实时切换工况匹配同一运行状态参数在多个正常运行工况下的单参数特征矩阵；
矩阵估算模块，用于依据所匹配得到的多个单参数特征矩阵对目标设备的实时切换工况进行趋势分析，得到目标设备在实时切换工况下相应运行状态参数的参数估算特征矩阵；
对比计算模块，用于将同一运行状态参数的实时参数特征矩阵与参数估算特征矩阵进行相似度计算，得到目标设备中相应运行状态参数的单参数相似度；
异常检测模块，用于根据多个运行状态参数的单参数相似度计算得到目标设备的总相似度，并在总相似度低于设定阈值时输出异常信号。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的一种电力设备异常检测分析方法。
第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的一种电力设备异常检测分析方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明提供的一种电力设备异常检测分析方法，以目标设备在不同正常运行工况下的运行状态参数数据作为原始依据，再以两个正常运行工况之间切换的具体情况建立单参数特征矩阵，可以依据多个单参数特征矩阵来估算出不同实时切换工况中处于当前时刻的参数估算特征矩阵，不仅数据获取方便，且能够适用于运行工况频繁变化的电力设备的异常状态，检测结果准确、可靠；
2、本发明在构建单参数特征矩阵时，不仅考虑了运行状态参数数据在单个监测点的局部特征，还考虑了运行状态参数数据在多个监测点的全局特征，使得单参数特征矩阵能够包含更为全面的特征，有效提高了单参数相似度计算的准确性与可靠性；
3、本发明在对目标设备进行异常检测时，不仅可以针对单个运行状态参数进行独立检测，还可以对多个运行状态参数进行联合检测，且检测过程中总相似度系数取值可以随着运行状态参数的数量动态变化，有效降低了异常信号误触发的情况发生。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例1中的流程图；
图2是本发明实施例2中的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：一种电力设备异常检测分析方法，如图1所示，包括以下步骤：
S1：获取目标设备中多个监测点位在不同正常运行工况下的运行状态参数数据；
S2：依据运行状态参数数据建立不同正常运行工况之间切换后相应正常运行工况下各个运行状态参数所对应的单参数特征矩阵；
S3：采集目标设备在实时切换工况下的实时运行参数数据，并依据实时运行参数数据建立实时参数特征矩阵；
S4：依据目标设备的实时切换工况匹配同一运行状态参数在多个正常运行工况下的单参数特征矩阵；
S5：依据所匹配得到的多个单参数特征矩阵对目标设备的实时切换工况进行趋势分析，得到目标设备在实时切换工况下相应运行状态参数的参数估算特征矩阵；
S6：将同一运行状态参数的实时参数特征矩阵与参数估算特征矩阵进行相似度计算，得到目标设备中相应运行状态参数的单参数相似度；
S7：根据多个运行状态参数的单参数相似度计算得到目标设备的总相似度，并在总相似度低于设定阈值时输出异常信号。
需要说明的是，不同正常运行工况之间选择至少一个电气参数进行划分，且相邻的两个正常运行工况之间的电气参数差值为预设固定值。目标设备以光伏并网的逆变器为例，可以选择逆变器的输出功率或输出电流作为电气参数，例如输出功率分别为50kw、55kw、60kw、65kw时，均可以作为一个正常运行工况，而每一个正常运行工况均需要采集多个监测点的运行状态参数数据，其包括但不限于电压数据、电流数据、温度数据、湿度数据和振动数据中的一种或多种。
此外，本发明中不同正常运行工况之间的切换指的是，从一个电气参数的正常运行工况变换至另一个电气参数的正常运行工况。例如，输出功率为50kw与输出功率为55kw之间的正常运行工况切换，可以针对输出功率为55kw时的正常运行工况分别建立关于电压数据、电流数据、温度数据、湿度数据和振动数据的单参数特征矩阵。
单参数特征矩阵的表达式具体为：
；
其中，表示运行状态参数/>的单参数特征矩阵，包含/>个监测点的特征组；表示运行状态参数/>的单参数特征矩阵中第/>个监测点的特征组；/>表示运行状态参数/>在第/>个监测点的工况值；/>表示运行状态参数/>在第/>个监测点的变化值；/>表示运行状态参数/>在第/>个个监测点的极大值，若运行状态参数/>在第/>个监测点的工况值为最大值，则取值为1，否则取值为0；/>表示运行状态参数/>在第/>个监测点的极小值，若运行状态参数/>在第/>个监测点的工况值为最小值，则取值为1，否则取值为0；/>表示运行状态参数/>的平均值，即/>个监测点的工况值的平均值；/>表示运行状态参数/>的变化和值，即/>个监测点的变化值之和。
需要说明的是，单参数特征矩阵中的特征组还可以展开以形成多行多列的矩阵。此外，实时参数特征矩阵的构建原理与单参数特征矩阵的构建原理相同，区别在于数据来源不同；另外，参数估算特征矩阵中的特征项与单参数特征矩阵中的特征项保持一致。
本发明在构建单参数特征矩阵时，不仅考虑了运行状态参数数据在单个监测点的局部特征，还考虑了运行状态参数数据在多个监测点的全局特征，使得单参数特征矩阵能够包含更为全面的特征，有效提高了单参数相似度计算的准确性与可靠性。
依据目标设备的实时切换工况匹配同一运行状态参数在多个正常运行工况下的单参数特征矩阵的过程具体为：实时切换工况分为当前时刻的实时运行工况和上一时刻的初始运行工况；分别确定初始运行工况的第一电气参数和实时运行工况的第二电气参数；选取电气参数位于第一电气参数与第二电气参数之间的正常运行工况作为目标运行工况；以目标运行工况中同一运行状态参数的单参数特征矩阵作为实时切换工况匹配的单参数特征矩阵。
参数估算特征矩阵的获得过程具体为：从所匹配得到的多个单参数特征矩阵以及第一电气参数所对应的单参数特征矩阵中分别提取同一特征的特征值，构建得到相应特征的特征序列；若同一特征为工况值、变化值、平均值或变化和值，则采用最小二乘法拟合分析同一特征在实时运行工况的特征预测值；若同一特征为极大值或极小值：在特征序列中所有特征值的方差为0时，则以所有特征值的平均值作为同一特征在实时运行工况的特征预测值；以及，在特征序列中所有特征值的方差不为0时，则以特征序列中与第二电气参数差值最小的电气参数所对应的特征值作为同一特征在实时运行工况的特征预测值。
需要说明的是，一般情况下，特征序列中的特征值是按照电气参数的大小进行顺序排列。
在本实施例中，单参数相似度的计算公式具体为：
；
其中，表示运行状态参数/>的单参数相似度；/>表示监测点的数量，每一个监测点对应一个特征组；/>表示单个特征组中的特征数量；/>表示第/>个监测点所对应特征组中第/>个特征的权重系数；/>表示运行状态参数/>的实时参数特征矩阵中，第/>个监测点所对应特征组中的第/>个特征；/>表示运行状态参数/>的参数估算特征矩阵中，第/>个监测点所对应特征组中的第/>个特征。
需要说明的是，各个特征的权重系数可以相同，也可以不同，在此不受限制。
作为一种可选的实施方式，目标设备的总相似度可以对多个单参数相似度进行权重计算得到。
作为另一种可选的实施方式，考虑到参与权重计算的矩阵数量，目标设备的总相似度计算公式还可以为：
；
其中，表示目标设备的总相似度；/>表示由运行状态参数的数量/>决定的系数函数；/>表示运行状态参数的数量为1时的系数值；/>表示系数函数的一阶导；表示第/>个运行状态参数的权重系数；/>表示第/>个运行状态参数的单参数相似度。
本发明在对目标设备进行异常检测时，不仅可以针对单个运行状态参数进行独立检测，还可以对多个运行状态参数进行联合检测，且检测过程中总相似度系数取值可以随着运行状态参数的数量动态变化，有效降低了异常信号误触发的情况发生。
实施例2：一种电力设备异常检测分析系统，该系统用于实现实施例1中所记载的一种电力设备异常检测分析方法，如图2所示，包括数据获取模块、矩阵构建模块、数据采集模块、矩阵匹配模块、矩阵估算模块、对比计算模块和异常检测模块。
其中，数据获取模块，用于获取目标设备中多个监测点位在不同正常运行工况下的运行状态参数数据；矩阵构建模块，用于依据运行状态参数数据建立不同正常运行工况之间切换后相应正常运行工况下各个运行状态参数所对应的单参数特征矩阵；数据采集模块，用于采集目标设备在实时切换工况下的实时运行参数数据，并依据实时运行参数数据建立实时参数特征矩阵；矩阵匹配模块，用于依据目标设备的实时切换工况匹配同一运行状态参数在多个正常运行工况下的单参数特征矩阵；矩阵估算模块，用于依据所匹配得到的多个单参数特征矩阵对目标设备的实时切换工况进行趋势分析，得到目标设备在实时切换工况下相应运行状态参数的参数估算特征矩阵；对比计算模块，用于将同一运行状态参数的实时参数特征矩阵与参数估算特征矩阵进行相似度计算，得到目标设备中相应运行状态参数的单参数相似度；异常检测模块，用于根据多个运行状态参数的单参数相似度计算得到目标设备的总相似度，并在总相似度低于设定阈值时输出异常信号。
工作原理：本发明以目标设备在不同正常运行工况下的运行状态参数数据作为原始依据，再以两个正常运行工况之间切换的具体情况建立单参数特征矩阵，可以依据多个单参数特征矩阵来估算出不同实时切换工况中处于当前时刻的参数估算特征矩阵，不仅数据获取方便，且能够适用于运行工况频繁变化的电力设备的异常状态，检测结果准确、可靠。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力设备异常检测分析方法，其特征是，包括以下步骤：
获取目标设备中多个监测点位在不同正常运行工况下的运行状态参数数据；
依据运行状态参数数据建立不同正常运行工况之间切换后相应正常运行工况下各个运行状态参数所对应的单参数特征矩阵；
采集目标设备在实时切换工况下的实时运行参数数据，并依据实时运行参数数据建立实时参数特征矩阵；
依据目标设备的实时切换工况匹配同一运行状态参数在多个正常运行工况下的单参数特征矩阵；
依据所匹配得到的多个单参数特征矩阵对目标设备的实时切换工况进行趋势分析，得到目标设备在实时切换工况下相应运行状态参数的参数估算特征矩阵；
将同一运行状态参数的实时参数特征矩阵与参数估算特征矩阵进行相似度计算，得到目标设备中相应运行状态参数的单参数相似度；
根据多个运行状态参数的单参数相似度计算得到目标设备的总相似度，并在总相似度低于设定阈值时输出异常信号。
2.根据权利要求1所述的一种电力设备异常检测分析方法，其特征是，不同正常运行工况之间选择至少一个电气参数进行划分，且相邻的两个正常运行工况之间的电气参数差值为预设固定值。
3.根据权利要求1所述的一种电力设备异常检测分析方法，其特征是，所述单参数特征矩阵的表达式具体为：
；
其中，表示运行状态参数/>的单参数特征矩阵，包含/>个监测点的特征组；/>表示运行状态参数/>的单参数特征矩阵中第/>个监测点的特征组；/>表示运行状态参数/>在第/>个监测点的工况值；/>表示运行状态参数/>在第/>个监测点的变化值；/>表示运行状态参数/>在第/>个个监测点的极大值，若运行状态参数/>在第/>个监测点的工况值为最大值，则取值为1，否则取值为0；/>表示运行状态参数/>在第/>个监测点的极小值，若运行状态参数/>在第/>个监测点的工况值为最小值，则取值为1，否则取值为0；/>表示运行状态参数的平均值，即/>个监测点的工况值的平均值；/>表示运行状态参数/>的变化和值，即/>个监测点的变化值之和。
4.根据权利要求1所述的一种电力设备异常检测分析方法，其特征是，所述依据目标设备的实时切换工况匹配同一运行状态参数在多个正常运行工况下的单参数特征矩阵的过程具体为：
实时切换工况分为当前时刻的实时运行工况和上一时刻的初始运行工况；
分别确定初始运行工况的第一电气参数和实时运行工况的第二电气参数；
选取电气参数位于第一电气参数与第二电气参数之间的正常运行工况作为目标运行工况；
以目标运行工况中同一运行状态参数的单参数特征矩阵作为实时切换工况匹配的单参数特征矩阵。
5.根据权利要求4所述的一种电力设备异常检测分析方法，其特征是，所述参数估算特征矩阵的获得过程具体为：
从所匹配得到的多个单参数特征矩阵以及第一电气参数所对应的单参数特征矩阵中分别提取同一特征的特征值，构建得到相应特征的特征序列；
若同一特征为工况值、变化值、平均值或变化和值，则采用最小二乘法拟合分析同一特征在实时运行工况的特征预测值；
若同一特征为极大值或极小值：在特征序列中所有特征值的方差为0时，则以所有特征值的平均值作为同一特征在实时运行工况的特征预测值；以及，在特征序列中所有特征值的方差不为0时，则以特征序列中与第二电气参数差值最小的电气参数所对应的特征值作为同一特征在实时运行工况的特征预测值。
6.根据权利要求1所述的一种电力设备异常检测分析方法，其特征是，所述单参数相似度的计算公式具体为：
；
其中，表示运行状态参数/>的单参数相似度；/>表示监测点的数量，每一个监测点对应一个特征组；/>表示单个特征组中的特征数量；/>表示第/>个监测点所对应特征组中第/>个特征的权重系数；/>表示运行状态参数/>的实时参数特征矩阵中，第/>个监测点所对应特征组中的第/>个特征；/>表示运行状态参数/>的参数估算特征矩阵中，第/>个监测点所对应特征组中的第/>个特征。
7.根据权利要求1所述的一种电力设备异常检测分析方法，其特征是，所述目标设备的总相似度计算公式具体为：
；
其中，表示目标设备的总相似度；/>表示由运行状态参数的数量/>决定的系数函数；/>表示运行状态参数的数量为1时的系数值；/>表示系数函数的一阶导；/>表示第/>个运行状态参数的权重系数；/>表示第/>个运行状态参数的单参数相似度。
8.一种电力设备异常检测分析系统，其特征是，包括：
数据获取模块，用于获取目标设备中多个监测点位在不同正常运行工况下的运行状态参数数据；
矩阵构建模块，用于依据运行状态参数数据建立不同正常运行工况之间切换后相应正常运行工况下各个运行状态参数所对应的单参数特征矩阵；
数据采集模块，用于采集目标设备在实时切换工况下的实时运行参数数据，并依据实时运行参数数据建立实时参数特征矩阵；
矩阵匹配模块，用于依据目标设备的实时切换工况匹配同一运行状态参数在多个正常运行工况下的单参数特征矩阵；
矩阵估算模块，用于依据所匹配得到的多个单参数特征矩阵对目标设备的实时切换工况进行趋势分析，得到目标设备在实时切换工况下相应运行状态参数的参数估算特征矩阵；
对比计算模块，用于将同一运行状态参数的实时参数特征矩阵与参数估算特征矩阵进行相似度计算，得到目标设备中相应运行状态参数的单参数相似度；
异常检测模块，用于根据多个运行状态参数的单参数相似度计算得到目标设备的总相似度，并在总相似度低于设定阈值时输出异常信号。
9.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的一种电力设备异常检测分析方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的一种电力设备异常检测分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619201.5A CN117313021B (zh) | 2023-11-30 | 2023-11-30 | 一种电力设备异常检测分析方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619201.5A CN117313021B (zh) | 2023-11-30 | 2023-11-30 | 一种电力设备异常检测分析方法、系统、终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117313021A CN117313021A (zh) | 2023-12-29 |
| CN117313021B true CN117313021B (zh) | 2024-02-02 |
Family
ID=89285252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311619201.5A Active CN117313021B (zh) | 2023-11-30 | 2023-11-30 | 一种电力设备异常检测分析方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117313021B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011109914A1 (de) * | 2010-08-24 | 2012-03-01 | Gm Global Technology Operations Llc (N.D.Ges.D. Staates Delaware) | System und Verfahren zur Bestimmung einer Motorabgaszusammensetzung |
| CN113852661A (zh) * | 2021-08-02 | 2021-12-28 | 上海大学 | 一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法 |
| CN114021964A (zh) * | 2021-11-03 | 2022-02-08 | 福州大学 | 工业企业设备工况判别及环保情况监测方法 |
| CN116311594A (zh) * | 2023-05-11 | 2023-06-23 | 中国人民解放军海军工程大学 | 一种船舶子系统状态分析方法、装置及存储介质 |
| WO2023197461A1 (zh) * | 2022-04-11 | 2023-10-19 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
-
2023
- 2023-11-30 CN CN202311619201.5A patent/CN117313021B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011109914A1 (de) * | 2010-08-24 | 2012-03-01 | Gm Global Technology Operations Llc (N.D.Ges.D. Staates Delaware) | System und Verfahren zur Bestimmung einer Motorabgaszusammensetzung |
| CN113852661A (zh) * | 2021-08-02 | 2021-12-28 | 上海大学 | 一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法 |
| CN114021964A (zh) * | 2021-11-03 | 2022-02-08 | 福州大学 | 工业企业设备工况判别及环保情况监测方法 |
| WO2023197461A1 (zh) * | 2022-04-11 | 2023-10-19 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
| CN116311594A (zh) * | 2023-05-11 | 2023-06-23 | 中国人民解放军海军工程大学 | 一种船舶子系统状态分析方法、装置及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 《数控加工中心运行状态预测及故障诊断方法研究》;邓广周 等;《中国知网 信息科技辑》;全文 * |
| 水电机组状态诊断预警系统在枕头坝一级水电站的应用;田若朝;周萍;;水电与新能源(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117313021A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ezzat et al. | Microgrids islanding detection using Fourier transform and machine learning algorithm | |
| CN113092900B (zh) | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 | |
| CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
| US11709486B2 (en) | Fault signal recovery system and method | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
| CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
| CN105321039B (zh) | 一种隔离开关在线监测数据管理系统及方法 | |
| CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 | |
| CN108009063A (zh) | 一种电子设备故障阈值检测的方法 | |
| CN117269655B (zh) | 变电站电力设备温度异常监测方法、系统、终端及介质 | |
| CN110824297B (zh) | 一种基于svm支持向量机的单相接地故障判别方法和装置 | |
| CN117313021B (zh) | 一种电力设备异常检测分析方法、系统、终端及介质 | |
| CN112285482A (zh) | 一种有源配电网故障确定方法和系统 | |
| CN115808600B (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
| CN112100946A (zh) | 一种基于故障在线模拟的逆变器开路故障诊断方法及装置 | |
| CN113702773B (zh) | 配电网的高阻接地故障定位方法、装置、设备和介质 | |
| CN106019043B (zh) | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 | |
| CN113746132A (zh) | 一种基于云边协同的光伏电站及其控制方法 | |
| CN111368933A (zh) | 一种基于Softmax回归的配电网暂态过程故障分类方法及系统 | |
| Datta et al. | Line to ground and line to line fault analysis in ieee standard 9 BUS system | |
| CN112241511B (zh) | 交通工具辅助电气系统的性能检测方法及装置、终端 | |
| CN114047372B (zh) | 一种基于电压特征的台区拓扑辨识系统 | |
| Haroun et al. | Self-Organizing Map and feature selection for of IM broken rotor bars faults detection and diagnosis | |
| CN117591859A (zh) | 基于数据驱动的风电新能源线路故障智能诊断方法及系统 |
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 |