CN117435972A - 基于物联感知的电能计量箱异常监测方法 - Google Patents
基于物联感知的电能计量箱异常监测方法 Download PDFInfo
- Publication number
- CN117435972A CN117435972A CN202311239674.2A CN202311239674A CN117435972A CN 117435972 A CN117435972 A CN 117435972A CN 202311239674 A CN202311239674 A CN 202311239674A CN 117435972 A CN117435972 A CN 117435972A
- Authority
- CN
- China
- Prior art keywords
- data
- electric energy
- cluster
- energy meter
- data point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims abstract description 69
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 230000004044 response Effects 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims 1
- 230000032683 aging Effects 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于物联感知的电能计量箱异常监测方法，涉及数据处理技术领域。该方法包括：获取电能计量箱中电能表的时序数据；对时序数据进行分解得到对应的残差序列，并根据残差序列获取每个数据点对应的隐藏状态优化因子；基于隐藏状态优化因子获取时序数据中每两个时刻数据点之间的分类距离；根据分类距离将时序数据划分为至少两个类簇；基于至少两个类簇，获取下一时刻电能表数据的所属类簇，并根据所属类簇确定下一时刻电能表数据的异常程度；响应于异常程度满足异常条件时，确定电能计量箱异常；本发明实施例通过考虑设备老化问题进行异常监测，可以提高异常监测结果的准确性。
Description
技术领域
本发明涉及电数字数据处理技术领域，尤其涉及一种基于物联感知的电能计量箱异常监测方法。
背景技术
在对电能计量箱进行异常监测的过程中，通常利用物联网技术和传感器技术对电能计量箱进行实时监测，以确保其能正常运行并及时发现和处理异常情况。在现有的基于预测的电能表功率异常监测过程中，通过对电能表对应的时序数据进行隐藏状态划分，并通过时序数据中每个数据点的隐藏状态来建立用于电能实时功率预测的隐马尔可夫模型，从而进行异常监测。
采用上述方法进行异常监测时，由于电能表与传感器会出现设备老化的情况，也就是设备在长时间使用之后，可能会出现数据整体变化的的情况，此时对同一个时序数据点隐藏状态划分模型进行实时数据点的隐藏状态确定就会出现隐藏状态不准确的情况，异常监测效果较差。
发明内容
本发明旨在提供一种基于物联感知的电能计量箱异常监测方法，所采用的技术方案具体如下：
本发明一个实施例提出了一种基于物联感知的电能计量箱异常监测方法，包括：
获取电能计量箱中电能表的时序数据；
对所述时序数据进行分解得到对应的残差序列，并根据所述残差序列获取每个数据点对应的隐藏状态优化因子；
基于所述隐藏状态优化因子获取所述时序数据中每两个时刻数据点之间的分类距离；
根据所述分类距离将所述时序数据划分为至少两个类簇；
基于所述至少两个类簇，获取下一时刻电能表数据的所属类簇，并根据所述所属类簇确定下一时刻电能表数据的异常程度；
响应于所述异常程度满足异常条件时，确定所述电能计量箱异常。
在本申请的一个实施例中，所述根据所述残差序列获取每个数据点对应的隐藏状态优化因子，包括：
对于所述残差序列中任一目标数据点，获取所述残差序列中首个数据点到所述目标数据点之间的第一数据点集合；
获取所述第一数据点集合中每个数据点在所述第一数据点集合中的出现概率，并基于所述出现概率获取所述目标数据点对应的第一指标；
获取所述目标数据点对应的关联数据点集合，并计算所述关联数据点集合的残差均值；
基于所述残差均值确定所述目标数据点对应的第二指标；
根据所述第一指标和所述第二指标确定所述目标数据点对应的隐藏状态优化因子。
在本申请的一个实施例中，所述根据所述第一指标和所述第二指标确定所述目标数据点对应的隐藏状态优化因子，包括：
所述隐藏状态优化因子的计算为：
其中，表示目标数据点t的隐藏状态优化因子；Ωt表示第一数据集合；Lm表示第一数据集合中第m个数据点的取值；p(Lm∈Ωt)表示第一数据集合中第m个数据点在第一数据集合中的出现概率；/>表示目标数据点对应的第一指标；μt表示目标数据点对应的关联数据点集合的残差均值；μ0表示预设的参考残差均值；(μt-μ0)表示目标数据点对应的第二指标；Norm表示归一化。
在本申请的一个实施例中，所述目标数据点对应的关联数据点集合为所述目标数据点之前的N个数据点的集合，N为正整数。
在本申请的一个实施例中，所述基于所述隐藏状态优化因子获取所述时序数据中每两个时刻数据点之间的分类距离，包括：
选取所述时序数据中任意两个时刻数据点作为第一数据点和第二数据点；
基于所述第一数据点的取值和所述第一数据点对应的隐藏状态优化因子，确定所述第一数据点的第一特征值；
基于所述第二数据点的取值和所述第二数据点对应的隐藏状态优化因子，确定所述第二数据点的第二特征值；
根据所述第一特征值和所述第二特征值，确定所述第一数据点和所述第二数据点之间的分类距离。
在本申请的一个实施例中，所述基于所述至少两个类簇，获取下一时刻电能表数据的所属类簇，包括：
获取每个所述类簇的簇类中心点；
计算所述下一时刻电能表数据与每个所述簇类中心点的分类距离；
将所述分类距离最小对应的所述簇类中心点所在类簇，作为所述下一时刻电能表数据的所属类簇。
在本申请的一个实施例中，所述根据所述所属类簇确定下一时刻电能表数据的异常程度，包括：
获取下一时刻的预测电能表数据，并确定所述预测电能表数据的所属类簇；
根据所述下一时刻电能表数据的所属类簇和所述预测电能表数据的所属类簇，确定所述下一时刻电能表数据的第三指标；
获取所述下一时刻电能表数据对应的转移概率，根据所述转移概率确定所述下一时刻电能表数据的第四指标；
根据所述第三指标和所述第四指标，确定所述下一时刻电能表数据的异常程度。
在本申请的一个实施例中，所述根据所述第三指标和所述第四指标，确定所述下一时刻电能表数据的异常程度，包括：
所述下一时刻电能表数据的异常程度的计算为：
其中，εt+1表示下一时刻电能表数据的异常程度；c1表示第1个类簇的簇类中心点的数据值；c20表示第20个类簇的簇类中心点的数据值；Pt+1表示当前时刻t对应的概率转移矩阵中的最大转移概率；P′t+1表示下一时刻电能表数据划分到所属类簇后确定的当前时刻t对应的概率转移矩阵中对应的转移概率；ct+1表示下一时刻电能表数据的所属类簇的簇类中心点的数据值；c′t+1表示下一时刻的预测电能表数据的所属类簇的簇类中心点的数据值；(|ct+1-c′t+1|)表示第三指标；(1+P′t+1-Pt+1)表示第四指标。
在本申请的一个实施例中，所述方法还包括：
若所述下一时刻电能表数据的所属类簇与所述预测所属类簇相同，确定所述电能表正常；
响应于所述下一时刻电能表数据的所属类簇与所述预测所述类簇不同时，计算所述下一时刻电能表数据的异常程度；其中，所述异常程度计算过程中的概率转移矩阵由隐马尔可夫模型确定。
在本申请的一个实施例中，所述响应于所述异常程度满足异常条件时，确定所述电能计量箱异常，包括：
判断所述异常程度是否大于预设异常程度阈值；
在所述异常程度大于所述预设异常程度阈值时，所述异常程度满足异常条件，确定所述电能计量箱异常。
本申请至少具有以下有益效果：通过采集电能计量箱中电能表的时序数据作为分析依据，根据其对应的残差序列确定每个数据点对应的隐藏状态优化因子，并基于隐藏状态优化因子确定数据点之间的分类距离，对分类距离进行优化，使得基于分类距离对时序数据进行类簇划分时，考虑到电能表设备老化的问题，提高类簇划分的可靠性；基于划分的类簇和下一时刻电能表数据的所属类簇，确定下一时刻电能表数据的异常程度，根据异常程度是否满足异常条件确定电能计量箱是否存在异常，对异常的判定更加具有说服力，解决了现有忽略设备老化问题的痛点，提高了对异常监测的准确性。
附图说明
图1是本发明实施例提供的一种基于物联感知的电能计量箱异常监测方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
下面结合附图来描述本发明实施例的一种基于物联感知的电能计量箱异常监测方法。
图1是本发明实施例提供的一种基于物联感知的电能计量箱异常监测方法的流程图，如图1所示，该方法包括以下步骤：
S101，获取电能计量箱中电能表的时序数据。
在一些实现中，可以从电能计量箱中读取电能表功率的时序数据，也就是对电能表的功率进行实时监测得到对应的数据；可以将实时监测到的数据通过物联网协议传输至用于数据实时监测的监控中心，监控中心将接收到的电能表实时功率数据记录为时序数据。
可以理解的是，时序数据中包括每个数据点的时间戳以及该数据点对应的数值；在确定出电能表的时序数据之后，根据电能表的时序数据对电能计量箱是否存在异常进行分析。
S102，对时序数据进行分解得到对应的残差序列，并根据残差序列获取每个数据点对应的隐藏状态优化因子。
由于电能表存在老化时，时序数据的整体数值的趋势性会存在变化，也就是随着电能表的长时间使用，电能表所采集到的功率数据会出现偏移。通常情况下，在电能表的初始安装后会进行数据校准，因此本申请实施例可以通过采集到的时序数据的起始部分作为整体模态的衡量标准。
在一些实现中，可以采用STL分解算法对时序数据进行分解，得到对应的残差序列。可以理解的是，残差序列是由时序数据对应得到，因此残差序列对时序数据中的数据点一一对应，也就是残差序列长度与时序数据长度一致。
在确定出残差序列之后，对于残差序列中任一目标数据点，获取残差序列中首个数据点到目标数据点之间的第一数据点集合；获取第一数据点集合中每个数据点在第一数据点集合中的出现概率，并基于出现概率获取目标数据点对应的第一指标；获取目标数据点对应的关联数据点集合，并计算关联数据点集合的残差均值；基于残差均值确定目标数据点对应的第二指标；根据第一指标和第二指标确定目标数据点对应的隐藏状态优化因子。
优选地，隐藏状态优化因子的计算方法为：
其中，表示目标数据点t的隐藏状态优化因子；Ωt表示第一数据集合；Lm表示第一数据集合中第m个数据点的取值；p(Lm∈Ωt)表示第一数据集合中第m个数据点在第一数据集合中的出现概率；/>表示目标数据点对应的第一指标；μt表示目标数据点对应的关联数据点集合的残差均值；μ0表示预设的参考残差均值；(μt-μ0)表示目标数据点对应的第二指标；Norm表示归一化。
可以理解的是，第一数据集合是残差序列中第一个数据点到目标数据点t之间的残差数据组成的数据集合。
可选地，目标数据点对应的关联数据点集合为目标数据点之前的N个数据点的集合，N为正整数。在一些实现中，N可以取值为11，在其他实施例中可以对N的取值进行更改，在此并不对此作出限定。
可以理解的是，当N为11时，目标数据点对应的关联数据点集合中的数据点为11，因此残差均值的计算可以为：
其中，μt表示目标数据点对应的关联数据点集合的残差均值；hi表示目标数据点对应的关联数据集合中第i个数据点取值。
在一些实施例中，预设的参考残差均值μ0可以基于残差序列的起始部分确定，例如获取残差序列的前11个数据点的数据均值，将该数据均值作为预设的参考残差均值。
可以理解的是，在设备出现老化的情况时，设备采集到的数据中会出现数据的整体趋势因老化情况而出现单向的基线漂移，在时序数据中，趋势变化中即存在着因为配电站所在区域的整体用电负荷增高，而在分解后的周期分量中，会呈现出区域功率在不同时间呈现出的周期变化，在残差分量中即为在对趋势与周期分量进行消除之后获取到的剩余数值，也就是随着设备的老化，设备出现的数值偏移会呈现在时序数据分解后的残差中。因此本申请实施例中基于残差序列进行设备老化情况的分析可以提高分析的可靠性。
通过残差序列中时序数据点及其之前的残差数据呈现的混乱程度进行老化评估，通过第一数据集合的熵值进行老化程度的评估，随着设备的老化，残差序列会出现随机误差越来越多的情况，所以当设备的老化程度越高，则序列的整体熵值会呈现为整体的熵增。并且在熵值衡量的基础上通过残差序列中第t个数据点在局部所呈现出的残差数值的均值来进行随机误差大小的判断，已知在设备刚开始投入使用时会对数据进行校准，所以初始数据可以认为时设备不存在老化时呈现出的随机误差的大小是基准值，μt-μ0越大则说明设备在数据采集的过程中的随机误差越大，而随机误差的增大也就说明了设备的老化程度越大。
进一步地，在确定出每个时刻数据点对应的设备的老化程度 之后，对所有数据点对应的设备老化程度进行归一化，从而确定出每个时刻数据点对应的隐藏状态优化因子。
S103，基于隐藏状态优化因子获取时序数据中每两个时刻数据点之间的分类距离。
在隐藏状态划分的过程中，需要将相似的数据点划分为相同的隐藏状态，因此需要对时序数据中所有的数据点进行隐藏状态的划分。
在一些实施例中，对数据点进行隐藏状态划分时，首先获取数据点之间的距离，根据该距离判断数据点之间是否相似，进而确定是否属于同一个隐藏状态。可选地，数据点之间的距离可以基于数据点取值的差值绝对值确定，也就是基于数据点之间取值的差异表征数据点之间的距离，利用该距离对数据点进行隐藏状态的划分，忽略了设备老化对时序数据的影响，因此本发明实施例中通过数据点对应的隐藏状态优化因子对数据点之间的距离进行优化，得到时序数据中任意两个数据点之间的分类距离。
可选地，可以选取时序数据中任意两个时刻数据点作为第一数据点和第二数据点；基于第一数据点的取值和第一数据点对应的隐藏状态优化因子，确定第一数据点的第一特征值；基于第二数据点的取值和第二数据点对应的隐藏状态优化因子，确定第二数据点的第二特征值；根据第一特征值和第二特征值，确定第一数据点和第二数据点之间的分类距离。
示例性说明，对于时序数据中的第一数据点i和第二数据点j，第一数据点i的取值为hi，第一数据点i的隐藏状态优化因子为因此第一数据点i对应的第一特征值为/>相应的，第二数据点j的取值为hj，第二数据点j的隐藏状态优化因子为/>因此第二数据点j的第二特征值为/>根据第一特征值和第二特征值，确定第一数据点和第二数据点之间的分类距离可以为：
其中，d′ij表示第一数据点i和第二数据点j之间的分类距离。
S104，根据分类距离将时序数据划分为至少两个类簇。
可选地，可以通过设定类簇数量K＝20的K-means聚类算法对时序数据进行类簇划分。可以理解的是，K-means聚类在对时序数据划分时，根据数据点之间的分类距离进行划分，得到时序数据对应的20个类簇。
进一步地，在根据分类距离将时序数据划分为20个类簇之后，可以对各个类簇进行编号，例如统计类簇中数据点的总数量，按照总数量从大到小进行排序得到排序后的类簇，对排序后的类簇依次进行标号，得到标号从1-20的20个类簇。
在一些实施例中，可以将每个类簇作为一个隐藏状态，根据类簇的标号对隐藏状态进行标记，从而得到标记为1-20的20个隐藏状态。
S105，基于至少两个类簇，获取下一时刻电能表数据的所属类簇，并根据所属类簇确定下一时刻电能表数据的异常程度。
在一些实施例中，在确定时序数据对应的隐藏状态之后，可以将电能表采集的时序数据作为观测数据，与每个时序数据点的隐藏状态所对应的隐藏状态序列建立隐马尔可夫预测模型，其中，隐马尔可夫预测模型的建立为现有公知技术，本发明实施例中不再赘述。
在获取到隐马尔可夫模型之后，对电表箱实时采集的当前时刻的数据进行分析，获取当前时刻数据对应的隐藏状态，也就是计算当前时刻状态对应的所属类簇，从而确定对应的隐藏状态；根据当前时刻数据对应的隐藏状态与该数据对应的隐马尔可夫预测模型的概率转移矩阵，得到下一时刻数据点的隐藏状态的预测结果，并记录下一时刻数据点的预测隐藏状态。
进一步地，获取实时采集的实际的下一时刻数据点，获取实际的下一时刻数据点的所属类簇，根据所属类簇确定该实际的下一时刻数据点对应的实际所属类簇；若下一时刻电能表数据的所属类簇与预测所属类簇相同，确定电能表正常；响应于下一时刻电能表数据的所属类簇与预测类簇不同时，计算下一时刻电能表数据的异常程度；其中，异常程度计算过程中的概率转移矩阵由隐马尔可夫模型确定。也就是说，若实际隐藏状态与预测隐藏状态相同，则确定电能表不存在异常；当实际隐藏状态与预测引测状态不一致时，判断下一时刻数据点对应的异常程度，根据该异常程度确定电能表是否存在异常。
可选地，可以获取每个类簇的簇类中心点；计算下一时刻电能表数据与每个簇类中心点的分类距离；将分类距离最小对应的簇类中心点所在类簇，作为下一时刻电能表数据的所属类簇。也就是计算下一时刻数据点与每个簇类中心点之间的分类距离，分类距离越小时，说明该下一时刻数据点越可能属于该簇类中心点的所在簇，因此选取分类距离最小对应的类簇，作为下一时刻数据点的所属类簇。
在一些实施例中，可以获取下一时刻电能表数据的预测所属类簇；根据下一时刻电能表数据的所属类簇和预测所属类簇，确定下一时刻电能表数据的第三指标；获取下一时刻电能表数据对应的转移概率，根据转移概率确定下一时刻电能表数据的第四指标；根据第三指标和第四指标，确定下一时刻电能表数据的异常程度。可以理解的是，预测所属类簇可以由隐马尔可夫预测模型得到，该隐马尔可夫预测模型包括概率转移矩阵。
可选地，下一时刻电能表数据的异常程度的计算为：
其中，εt+1表示下一时刻电能表数据的异常程度；c1表示第1个类簇的簇类中心点的数据值；c20表示第20个类簇的簇类中心点的数据值；Pt+1表示当前时刻t对应的概率转移矩阵中的最大转移概率；P′t+1表示下一时刻电能表数据划分到所属类簇后确定的当前时刻t对应的概率转移矩阵中对应的转移概率；ct+1表示下一时刻电能表数据的所属类簇的簇类中心点的数据值；c′t+1表示下一时刻电能表数据的预测所属类簇的簇类中心点的数据值；(|ct+1-c′t+1|)表示第三指标；(1+P′t+1-Pt+1)表示第四指标。
可以理解的是，以时序数据的聚类中心点之间的最大距离|c1-c20|作为基准，通过下一时刻电能表数据的预测所属类簇c′t+1与下一时刻电能表数据的实际所属类簇ct+1之间的距离在最大距离|c1-c20|中的占比进行异常程度的衡量，能够提高异常程度获取的准确性；考虑到隐马尔可夫预测模型的预测过程是基于当前时刻数据点对应的隐藏状态概率转移矩阵进行的，因此通过预测所属类簇对应的隐藏状态的转移概率与实际所属类簇对应的隐藏状态在概率转移矩阵中的转移概率之间的差异对|ct+1-c′t+1|进行加权调整，从而保证异常程度衡量的准确性。
通过对时序数据的整体数据模态变化的评估对数据点的隐藏状态进行划分，进而在隐马尔可夫预测模型的预测过程中获取到准确的数据点隐藏状态，从而保证实时数据点的实际隐藏状态与预测隐藏状态进行准确的差异对比，相较于通过固定的隐藏状态划分模型进行数据点的隐藏状态确定的效果更好，并且考虑了电能表的长时间工作情况，减少了由于电能表的老化而导致数据点的数值整体变化出现异常监测结果不准确的情况。
S106，响应于异常程度满足异常条件时，确定电能计量箱异常。
可选地，可以判断异常程度是否大于预设异常程度阈值；在异常程度大于预设异常程度阈值时，异常程度满足异常条件，确定电能计量箱异常。
在一些实施例中，可以设置预设异常程度阈值为0.7，当异常程度大于预设异常程度阈值0.7时，确定该下一时刻电能表数据存在异常，也即是电能计量箱存在异常。
可选地，在确定电能计量箱存在异常后，还可以对异常时刻进行异常报警，例如在监控中心的三维全景监控中对电能表的功率状态进行警报。
综上，本发明实施例通过获取电能计量箱中电能表的时序数据；对时序数据进行分解得到对应的残差序列，并根据残差序列获取每个数据点对应的隐藏状态优化因子；基于隐藏状态优化因子获取时序数据中每两个时刻数据点之间的分类距离；根据分类距离将时序数据划分为至少两个类簇；基于至少两个类簇，获取下一时刻电能表数据的所属类簇，并根据所属类簇确定下一时刻电能表数据的异常程度；响应于异常程度满足异常条件时，确定电能计量箱异常；本发明实施例通过考虑设备老化问题进行异常监测，可以提高异常监测结果的准确性。
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。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 (10)
1.一种基于物联感知的电能计量箱异常监测方法，其特征在于，所述方法包括：
获取电能计量箱中电能表的时序数据；
对所述时序数据进行分解得到对应的残差序列，并根据所述残差序列获取每个数据点对应的隐藏状态优化因子；
基于所述隐藏状态优化因子获取所述时序数据中每两个时刻数据点之间的分类距离；
根据所述分类距离将所述时序数据划分为至少两个类簇；
基于所述至少两个类簇，获取下一时刻电能表数据的所属类簇，并根据所述所属类簇确定下一时刻电能表数据的异常程度；
响应于所述异常程度满足异常条件时，确定所述电能计量箱异常。
2.根据权利要求1所述的方法，其特征在于，所述根据所述残差序列获取每个数据点对应的隐藏状态优化因子，包括：
对于所述残差序列中任一目标数据点，获取所述残差序列中首个数据点到所述目标数据点之间的第一数据点集合；
获取所述第一数据点集合中每个数据点在所述第一数据点集合中的出现概率，并基于所述出现概率获取所述目标数据点对应的第一指标；
获取所述目标数据点对应的关联数据点集合，并计算所述关联数据点集合的残差均值；
基于所述残差均值确定所述目标数据点对应的第二指标；
根据所述第一指标和所述第二指标确定所述目标数据点对应的隐藏状态优化因子。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一指标和所述第二指标确定所述目标数据点对应的隐藏状态优化因子，包括：
所述隐藏状态优化因子的计算为：
其中，表示目标数据点t的隐藏状态优化因子；Ωt表示第一数据集合；Lm表示第一数据集合中第m个数据点的取值；p(Lm∈Ωt)表示第一数据集合中第m个数据点在第一数据集合中的出现概率；/>表示目标数据点对应的第一指标；μt表示目标数据点对应的关联数据点集合的残差均值；μ0表示预设的参考残差均值；(μt-μ0)表示目标数据点对应的第二指标；Norm表示归一化。
4.根据权利要求3所述的方法，其特征在于，所述目标数据点对应的关联数据点集合为所述目标数据点之前的N个数据点的集合，N为正整数。
5.根据权利要求4所述的方法，其特征在于，所述基于所述隐藏状态优化因子获取所述时序数据中每两个时刻数据点之间的分类距离，包括：
选取所述时序数据中任意两个时刻数据点作为第一数据点和第二数据点；
基于所述第一数据点的取值和所述第一数据点对应的隐藏状态优化因子，确定所述第一数据点的第一特征值；
基于所述第二数据点的取值和所述第二数据点对应的隐藏状态优化因子，确定所述第二数据点的第二特征值；
根据所述第一特征值和所述第二特征值，确定所述第一数据点和所述第二数据点之间的分类距离。
6.根据权利要求5所述的方法，其特征在于，所述基于所述至少两个类簇，获取下一时刻电能表数据的所属类簇，包括：
获取每个所述类簇的簇类中心点；
计算所述下一时刻电能表数据与每个所述簇类中心点的分类距离；
将所述分类距离最小对应的所述簇类中心点所在类簇，作为所述下一时刻电能表数据的所属类簇。
7.根据权利要求6所述的方法，其特征在于，所述根据所述所属类簇确定下一时刻电能表数据的异常程度，包括：
获取下一时刻电能表数据的预测所属类簇；
根据所述下一时刻电能表数据的所属类簇和所述预测所属类簇，确定所述下一时刻电能表数据的第三指标；
获取所述下一时刻电能表数据对应的转移概率，根据所述转移概率确定所述下一时刻电能表数据的第四指标；
根据所述第三指标和所述第四指标，确定所述下一时刻电能表数据的异常程度。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第三指标和所述第四指标，确定所述下一时刻电能表数据的异常程度，包括：
所述下一时刻电能表数据的异常程度的计算为：
其中，εt+1表示下一时刻电能表数据的异常程度；c1表示第1个类簇的簇类中心点的数据值；c20表示第20个类簇的簇类中心点的数据值；Pt+1表示当前时刻t对应的概率转移矩阵中的最大转移概率；P′t+1表示下一时刻电能表数据划分到所属类簇后确定的当前时刻t对应的概率转移矩阵中对应的转移概率；ct+1表示下一时刻电能表数据的所属类簇的簇类中心点的数据值；c′t+1表示下一时刻电能表数据的预测所属类簇的簇类中心点的数据值；(|ct+1-c′t+1|)表示第三指标；(1+P′t+1-Pt+1)表示第四指标。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
若所述下一时刻电能表数据的所属类簇与所述预测所属类簇相同，确定所述电能表正常；
响应于所述下一时刻电能表数据的所属类簇与所述预测所述类簇不同时，计算所述下一时刻电能表数据的异常程度；其中，所述异常程度计算过程中的概率转移矩阵由隐马尔可夫模型确定。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述响应于所述异常程度满足异常条件时，确定所述电能计量箱异常，包括：
判断所述异常程度是否大于预设异常程度阈值；
在所述异常程度大于所述预设异常程度阈值时，所述异常程度满足异常条件，确定所述电能计量箱异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239674.2A CN117435972A (zh) | 2023-09-25 | 2023-09-25 | 基于物联感知的电能计量箱异常监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239674.2A CN117435972A (zh) | 2023-09-25 | 2023-09-25 | 基于物联感知的电能计量箱异常监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117435972A true CN117435972A (zh) | 2024-01-23 |
Family
ID=89552472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311239674.2A Pending CN117435972A (zh) | 2023-09-25 | 2023-09-25 | 基于物联感知的电能计量箱异常监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117435972A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117909770A (zh) * | 2024-03-20 | 2024-04-19 | 山东德源电力科技股份有限公司 | 一种用于单相费控电能表的结算数据智能存储方法 |
| CN118051800A (zh) * | 2024-04-16 | 2024-05-17 | 山东峰华智能科技有限公司 | 基于云边协同的矿内监测数据智能处理方法 |
-
2023
- 2023-09-25 CN CN202311239674.2A patent/CN117435972A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117909770A (zh) * | 2024-03-20 | 2024-04-19 | 山东德源电力科技股份有限公司 | 一种用于单相费控电能表的结算数据智能存储方法 |
| CN117909770B (zh) * | 2024-03-20 | 2024-05-24 | 山东德源电力科技股份有限公司 | 一种用于单相费控电能表的结算数据智能存储方法 |
| CN118051800A (zh) * | 2024-04-16 | 2024-05-17 | 山东峰华智能科技有限公司 | 基于云边协同的矿内监测数据智能处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117435972A (zh) | 基于物联感知的电能计量箱异常监测方法 | |
| US20150160098A1 (en) | Health management system, fault diagnosis system, health management method, and fault diagnosis method | |
| CN116879662A (zh) | 基于数据分析的变压器故障检测方法 | |
| CN117002309B (zh) | 一种充电桩的故障智能预警方法及系统 | |
| CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
| CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
| CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
| CN117171604B (zh) | 基于传感器的保温板生产线异常监测系统 | |
| CN117220441A (zh) | 基于全景监控下的信息监测智能预警方法 | |
| CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
| CN116756595A (zh) | 一种导电滑环故障数据采集监测方法 | |
| CN115640860B (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
| CN108921305B (zh) | 一种部件生命期监测方法 | |
| CN117719385B (zh) | 一种智能充电桩控制系统及方法 | |
| CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
| CN118051863B (zh) | 一种基于数字计量技术的健康数据采集系统及方法 | |
| CN117783745A (zh) | 用于换电柜的数据在线监测方法及系统 | |
| CN118151034B (zh) | 一种高精度的电池内阻检测方法及系统 | |
| CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
| CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
| CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
| CN117235540A (zh) | 基于特征匹配融合的传感器动态信息联动分析方法 | |
| CN114925731B (zh) | 检测柔性测斜仪监测数据异常值的方法 | |
| CN111980900B (zh) | 一种基于多源数据融合分析的水泵故障诊断方法 | |
| CN110297140A (zh) | 一种配电系统的故障预测方法及装置 |
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 |