CN117436006A - 一种智慧环网柜故障实时监测方法及系统 - Google Patents

Abstract

本发明涉及电故障检测技术领域，具体涉及一种智慧环网柜故障实时监测方法及系统，该方法对每个智慧环网柜电流数据的时序波动变化情况和时间关联性进行分析，得到每个智慧环网柜电流数据所处的最终划分时间区间；根据各个最终划分时间区间中智慧环网柜电流数据之间的时间关联性以及数值波动分布情况，得到波动可信程度；根据各个极值点组合所分割出区间的波动可信程度分布情况，筛选出孤立树节点分裂值选取区间；使得根据孤立树节点分裂值选取区间结合孤立森林算法得到智慧环网柜电流异常数据，使得根据智慧环网柜电流异常数据进行智慧环网柜故障实时监测的效果更好。

Description

一种智慧环网柜故障实时监测方法及系统

技术领域

本发明涉及电故障检测技术领域，具体涉及一种智慧环网柜故障实时监测方法及系统。

背景技术

环网柜作为一种高压开关设备，广泛应用于城市住宅小区、高层建筑、大型公共建筑和工厂企业等领域，因此对于环网柜的故障实时监测十分重要。当环网柜发生故障时，其对应的电变量数据，例如电压或电流数据会发生异常，因此通常采用异常检测方法对环网柜电流数据进行异常检测，从而进一步地根据电流异常数据进行环网柜的故障检测。

孤立森林算法具有异常检测的高效性、广泛的适用性以及较好的鲁棒性，因此现有技术通常采用孤立森林算法检测环网柜电流数据中的异常数据。但是智慧环网柜的电流数据作为一种时序数据，通常会存在一定的结构性波动，导致孤立森林算法的孤立树构建过程中，采用最大最小阈值所获取的孤立树节点分裂值存在较大的偏差，使得所构建出的孤立树的结构过于复杂或过于简单，从而导致采用孤立森林算法所检测出的环网柜电变量异常数据的准确性较差，使得根据检测出环网柜电变量异常数据的进行智慧环网柜故障实时监测的效果较差。

发明内容

为了解决现有技术通常采用孤立森林算法检测环网柜电流数据中的异常数据的方法，对环网柜电流异常数据的检测效果较差，使得根据检测出环网柜电流异常数据的进行智慧环网柜故障实时监测的效果较差的技术问题，本发明的目的在于提供一种智慧环网柜故障实时监测方法及系统，所采用的技术方案具体如下：

本发明提出了一种智慧环网柜故障实时监测方法，所述方法包括：

获取智慧环网柜电流数据；

根据智慧环网柜电流数据的时序波动变化情况对所有智慧环网柜电流数据进行划分，得到至少两个划分时间段；根据各个划分时间段之间的关联性进行聚类分析，得到每个智慧环网柜电流数据所处的最终划分时间区间；

根据各个最终划分时间区间中智慧环网柜电流数据之间的时间关联性，以及各个智慧环网柜电流数据的数值波动分布情况，得到每个智慧环网柜电流数据的波动可信程度；获取所有智慧环网柜电流数据在时间顺序上对应拟合曲线的所有极值点组合，所述极值点组合中具有两个极值点；

根据各个极值点组合的极值点所分割出的各个区间中智慧环网柜电流数据的波动可信程度的分布差异情况，得到每个极值点组合的分割置信度；根据各个极值点组合的分割置信度进行筛选，得到孤立树节点分裂值选取区间；

根据所述孤立树节点分裂值选取区间结合孤立森林算法，得到智慧环网柜电流异常数据；根据所述智慧环网柜电流异常数据进行智慧环网柜故障实时监测。

进一步地，所述划分时间段的获取方法包括：

将所有智慧环网柜电流数据以时间顺序进行曲线拟合，得到环网柜电流数据曲线；在所述环网柜电流数据曲线中，将切线斜率绝对值大于预设斜率阈值的智慧环网柜电流数据的数据点，作为时间段划分点；根据所述时间段划分点对所述环网柜电流数据曲线进行划分，得到至少两个划分时间段。

进一步地，所述最终划分时间区间的获取方法包括：

以每个划分时间段的索引值为横轴，以每个划分时间段中所有智慧环网柜电流数据的均值大小为纵轴，构建二维直角坐标系；根据所述二维直角坐标系对所有划分时间段进行层次聚类，得到至少两个时间段聚类簇；根据每个时间段聚类簇中划分时间段对应时间区间的分布情况，得到每个时间段聚类簇的初始划分时间区间；

统计每个时间段聚类簇中的划分时间段数量；以划分时间段数量从大到小的顺序将时间段聚类簇依次排列，得到时间段聚类簇序列；在所述时间段聚类簇序列中，将每个时间段聚类簇的初始划分时间区间中与其之前所有时间段聚类簇的初始划分时间区间中重叠的时间区间删除，得到每个时间段聚类簇的最终划分时间区间。

进一步地，所述初始划分时间区间的获取方法包括：

将每个时间段聚类簇对应的所有划分时间段中，时间差异最大的两个智慧环网柜电流数据之间的时间区间，作为每个时间段聚类簇对应的初始划分时间区间。

进一步地，所述波动可信程度的计算方法包括：

将每个智慧环网柜电流数据所处最终划分时间区间所对应的时间段聚类簇的初始划分时间区间，与其余所有初始划分时间区间的重叠区间大小，作为每个智慧环网柜电流数据的参考重叠面积；将所述参考重叠面积与每个智慧环网柜电流数据所处最终划分时间区间的大小之间的比值，作为每个智慧环网柜电流数据的结构特征显著程度；

计算每个时间段聚类簇中所有智慧环网柜电流数据的电流数据极差；计算每个时间段聚类簇中所有智慧环网柜电流数据的电流数据均值；将每个智慧环网柜电流数据与对应的电流数据均值之间的差异，作为每个智慧环网柜电流数据的电流数据偏差；将所述电流数据偏差与所述电流数据极差的比值，作为每个智慧环网柜电流数据的波动稳定度；

根据所述结构特征显著程度和所述波动稳定度，得到每个智慧环网柜电流数据的波动可信程度，所述结构特征显著程度和所述波动稳定度均与所述波动可信程度呈负相关关系。

进一步地，所述分割置信度的获取方法包括：

依次将每个极值点组合作为目标极值点组合；

以目标极值点组合中的两个极值点为分割点，将以时间顺序排列的所有智慧环网柜电流数据，划分为三个电流数据区间，其中三个电流数据区间包括：两个极值点之间的电流数据中间区间，以及所述电流数据中间区间之外的两个电流数据参考区间；

根据所述电流数据中间区间与所述电流数据参考区间之间的智慧环网柜电流数据数量差异情况，以及各个电流数据区间中智慧环网柜电流数据的波动可信程度的分布差异情况，构建分割置信度计算模型；根据所述分割置信度计算模型得到目标极值点组合的分割置信度。

进一步地，所述分割置信度计算模型包括：

；其中，/>为目标极值点组合/>对应的分割置信度；/>为目标极值点组合/>对应的电流数据中间区间的智慧环网柜电流数据数量；/>为目标极值点组合/>对应的第一个电流数据参考区间的智慧环网柜电流数据数量；/>为目标极值点组合/>对应的第二个电流数据参考区间的智慧环网柜电流数据数量；/>为电流数据参考区间的数量；/>为目标极值点组合/>对应的第/>个电流数据参考区间的智慧环网柜电流数据数量；/>为目标极值点组合/>对应的第/>个电流数据参考区间中第/>个智慧环网柜电流数据的波动可信程度；/>为目标极值点组合/>对应的电流数据中间区间中第/>个智慧环网柜电流数据的波动可信程度，/>为归一化函数。

进一步地，所述根据各个极值点组合的分割置信度进行筛选，得到孤立树节点分裂值选取区间的方法包括：

在时间顺序上，将分割置信度最大的极值点组合中两个极值点之间所有智慧环网柜电流数据对应的区间，作为孤立树节点分裂值选取区间。

进一步地，所述根据所述智慧环网柜电流异常数据进行智慧环网柜故障实时监测的方法包括：

将所述智慧环网柜电流异常数据的数量大于或等于预设故障阈值的智慧环网柜的运行状态判断为故障。

本发明还提出了一种智慧环网柜故障实时监测系统，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，处理器执行所述计算机程序时实现任意一项一种智慧环网柜故障实时监测方法的步骤。

本发明具有如下有益效果：

考虑到现有技术采用孤立森林算法处理智慧环网柜电变量数据时，由于电变量数据可能存在结构性波动，导致孤立树节点分裂值的选取区间过大，使得构建出的孤立树结果过于复杂或过于简单，从而造成对智慧环网柜电变量异常数据的检测效果较差。因此需要对孤立树节点分裂值的选取区间进行优化。由于电变量数据可能存在结构性波动的特征，因此本发明对智慧环网柜电变量数据的时序波动变化情况进行分析，得到每个智慧环网柜电变量数据的波动可信程度。并进一步地结合不同极值点组合所分割出的各个区间中智慧环网柜电变量数据的波动可信程度进行分析，得到每个极值点组合的分割置信度，从而得到区间范围更加符合实际情况的孤立树节点分裂值选取区间，进一步地根据得到的孤立树节点分裂值选取区间结合孤立森林算法，检测到更加准确的智慧环网柜电变量异常数据，使得根据本发明检测得到的智慧环网柜电变量异常数据进行智慧环网柜故障实时监测的效果更好。

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所提供的一种智慧环网柜故障实时监测方法流程图。

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智慧环网柜故障实时监测方法及系统，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智慧环网柜故障实时监测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种智慧环网柜故障实时监测方法流程图，该方法包括：

步骤S1：获取智慧环网柜电流数据。

本发明实施例旨在提供一种智慧环网柜故障实时监测方法，用于根据智慧环网柜电变量数据进行分析，得到智慧环网柜电变量异常数据，根据智慧环网柜电变量异常数据进行智慧环网柜故障实时监测。因此首先需要获取对应的环网柜电变量数据。

考虑到电变量数据包括的种类较多，包括电流、电压和功率等，并且每种电变量数据都适用于本发明实施例的方法，因此仅选取一种电变量数据进行分析。本发明实施例以电流数据为例进行分析，实施者也可根据具体实施环境自行调整。

因此首先获取智慧环网柜电流数据。本发明实施例通过三相一体电流互感器，在智慧环网柜对应的电缆肘头处实时采集电流数据，采样频率设置为每15秒采集一次，并且以2个小时为一个采样周期，也即每个采样周期对应480个数据。本发明实施例所获取的智慧环网柜电流数据记为当前时刻之前一个采样周期内的电流数据。需要说明的是，为了方便后续分析，本发明实施例中所分析的所有智慧环网柜电流数据为一个采样周期中的电流数据，并且所有采样周期的电流数据的分析方法均适用于本发明实施例。

步骤S2：根据智慧环网柜电流数据的时序波动变化情况对所有智慧环网柜电流数据进行划分，得到至少两个划分时间段；根据各个划分时间段之间的关联性进行聚类分析，得到每个智慧环网柜电流数据所处的最终划分时间区间。

在孤立森林算法对应的孤立树节点分裂值的选取过程中，其对应的选取区间由最大值和最小值决定，但是智慧环网柜对应的时序电流数据的结构性特征发生变化时，可能出现一些极端异常值，使得孤立树节点分裂值的选取区间不够合理。因此为了获取更加合理的孤立树节点分裂值的选取区间，需要结合时序电流数据的结构性特征进行分析。结构性特征在时序的智慧环网柜电流数据上通常对应一定的波动程度，并且在一定时间段内呈现波动相似的特征，而多个时间段内的波动差别较大，总体呈现出结构性特征，因此为了进一步地分析对应的结构性特征，本发明实施例首先根据智慧环网柜电流数据的时序波动变化情况对所有智慧环网柜电流数据进行划分，得到至少两个划分时间段。

优选地，划分时间段的获取方法包括：

将所有智慧环网柜电流数据以时间顺序进行曲线拟合，得到环网柜电流数据曲线；在环网柜电流数据曲线中，将切线斜率绝对值大于预设斜率阈值的智慧环网柜电流数据的数据点，作为时间段划分点；根据时间段划分点对环网柜电流数据曲线进行划分，得到至少两个划分时间段。设置预设斜率阈值进行时间段的划分，能够使得得到的划分时间段更能够表征波动的特征，使得后续对划分时间段进行聚类的效果更好，对结构性特征的表征更加准确。在本发明实施例中，预设斜率阈值设置为0.58，实施者可根据具体实施环境自行调整。需要说明的是，曲线拟合为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

由于结构性特征表现为一定时间段的波动相似，而划分时间段能够在一定程度上表征智慧环网柜电流数据的波动特征，因此本发明实施例根据各个划分时间段之间的关联性进行聚类分析，得到每个智慧环网柜电流数据所处的最终划分时间区间。

优选地，最终划分时间区间的获取方法包括：

以每个划分时间段的索引值为横轴，以每个划分时间段中所有智慧环网柜电流数据的均值大小为纵轴，构建二维直角坐标系；根据二维直角坐标系对所有划分时间段进行层次聚类，得到至少两个时间段聚类簇。对于每个划分时间段而言，其所有智慧环网柜电流数据的均值，能够表现其波动情况下的智慧环网柜电流数据的整体特征，并且进一步地结合所构建的二维直角坐标系使得聚类的过程更加直观，且聚类效果更好。需要说明的是，层次聚类为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

进一步地根据每个时间段聚类簇中划分时间段对应时间区间的分布情况，得到每个时间段聚类簇的初始划分时间区间。对于每个时间段聚类簇而言，其对应的各个初始划分时间段中的智慧环网柜电流数据具有相同的数值分布特征，因此为了进一步地分析对应的结构性特征，本发明实施例将每个时间段聚类簇对应的智慧环网柜电流数据的分布情况反映在区间上，从而得到每个时间段聚类簇的初始划分时间区间。

优选地，初始划分时间区间的获取方法包括：

将每个时间段聚类簇对应的所有划分时间段中，时间差异最大的两个智慧环网柜电流数据之间的时间区间，作为每个时间段聚类簇对应的初始划分时间区间。例如，若存在一个时间段聚类簇，包含第一个划分时间段和最后一个划分时间段，那么其对应的时间差异最大的两个智慧环网柜电流数据之间的时间区间即本发明实施例的采样周期。

由于初始划分时间区间是时间差异最大的两个智慧环网柜电流数据之间的时间区间，因此不同的时间段聚类簇之间的初始划分时间区间通常会存在一定的重合，因此为了得到每个智慧环网柜电流数据所处的最终划分时间区间，本发明实施例统计每个时间段聚类簇中的划分时间段数量；以划分时间段数量从大到小的顺序将时间段聚类簇依次排列，得到时间段聚类簇序列。对应的时间段聚类簇中的划分时间段数量越多，说明该时间段聚类簇对应的各个划分时间段的智慧环网柜电流数据的数值特征出现频率越高，也即该时间段聚类簇的对应的结构性特征越重要，因此将其设置在时间段聚类簇序列中越靠前的位置以方便后续分析。需要说明的是，当存在多个时间段聚类簇对应的划分时间段数量相同时，计算这些时间段聚类簇包含的时间索引值最小的智慧环网柜电流数据，并根据时间索引值最小的智慧环网柜电流数据的时间索引值，以从小到大的顺序将这些时间段聚类簇依次排列。

在时间段聚类簇序列中，将每个时间段聚类簇的初始划分时间区间中与其之前所有时间段聚类簇的初始划分时间区间中重叠的时间区间删除，得到每个时间段聚类簇的最终划分时间区间。由于时间段聚类簇序列中，越靠的前时间段聚类簇，对应的重要程度越高，因此越需要保留其对应的初始划分时间区间。需要说明的是，当靠后的时间段聚类簇对应的初始划分时间区间可能会与其之前的初始划分时间区间完全重合时，则对应的最终划分时间区间大小应当是0。至此，得到至少一个最终划分时间区间，进一步地根据每个智慧环网柜电流数据所处的位置，得到的每个智慧环网柜电流数据所处的最终划分时间区间。

步骤S3：根据各个最终划分时间区间中智慧环网柜电流数据之间的时间关联性，以及各个智慧环网柜电流数据的数值波动分布情况，得到每个智慧环网柜电流数据的波动可信程度；获取所有智慧环网柜电流数据在时间顺序上对应拟合曲线的所有极值点组合，极值点组合中具有两个极值点。

每个最终划分时间区间对应一个时间段聚类簇，对于每个最终划分时间区间而言，当其对应的时间段聚类簇的初始划分时间区间与其他时间段聚类簇对应的初始划分时间区间的重叠部分越少，说明对应的时间段聚类簇的智慧环网柜电流数据在最终划分时间区间的显著程度越高，也即其对应的最终划分时间区间中的所有智慧环网柜电流数据作为结构性特征的可能性越大，对应的智慧环网柜电流数据的波动程度的可信度越高。并且对于每个时间段聚类簇而言，其划分的依据为对应的各个划分时间段中智慧环网柜电流数据的均值，因此可根据各个智慧环网柜电流数据与对应均值的波动情况，进一步地分析每个智慧环网柜电流数据的波动可信程度。本发明实施例根据各个最终划分时间区间中智慧环网柜电流数据之间的时间关联性，以及各个智慧环网柜电流数据的数值波动分布情况，得到每个智慧环网柜电流数据的波动可信程度。

优选地，波动可信程度的计算方法包括：

根据最终划分时间区间的显著程度与重叠部分的关系，将每个智慧环网柜电流数据所处最终划分时间区间所对应的时间段聚类簇的初始划分时间区间，与其余所有初始划分时间区间的重叠区间大小，作为每个智慧环网柜电流数据的参考重叠面积；将参考重叠面积与每个智慧环网柜电流数据所处最终划分时间区间的大小之间的比值，作为每个智慧环网柜电流数据的结构特征显著程度，也即每个智慧环网柜电流数据所处的最终划分区间中的参考重叠面积越小，对应的结构特征显著程度越大，也即其中的智慧环网柜电流数据的波动可信程度越大。

计算每个时间段聚类簇中所有智慧环网柜电流数据的电流数据极差；计算每个时间段聚类簇中所有智慧环网柜电流数据的电流数据均值；将每个智慧环网柜电流数据与对应的电流数据均值之间的差异，作为每个智慧环网柜电流数据的电流数据偏差；将电流数据偏差与电流数据极差的比值，作为每个智慧环网柜电流数据的波动稳定度。电流数据极差能够表征对应时间段聚类簇的智慧环网柜电流数据的波动范围，而电流数据偏差也即每个智慧环网柜电流数据与均值的偏离程度，当每个智慧环网柜电流数据与均值之间的差异在波动范围上的占比越小时，说明该智慧环网柜电流数据的波动可信程度越高。

进一步地根据结构特征显著程度和波动稳定度，得到每个智慧环网柜电流数据的波动可信程度，结构特征显著程度和波动稳定度均与波动可信程度呈负相关关系。

在本发明实施例中，依次将每个智慧环网柜电流数据作为第个智慧环网柜电流数据，则第/>个智慧环网柜电流数据的波动可信程度的获取方法在公式上表现为：

其中，为第/>个智慧环网柜电流数据的波动可信程度，/>为第/>个智慧环网柜电流数据的参考重叠面积，/>为第/>个智慧环网柜电流数据所处最终划分时间区间的大小，/>为第/>个智慧环网柜电流数据，/>为第/>个智慧环网柜电流数据对应的时间段聚类簇中的智慧环网柜电流数据的数量，/>为第/>个智慧环网柜电流数据对应的时间段聚类簇中的第/>个智慧环网柜电流数据，/>为第/>个智慧环网柜电流数据对应的时间段聚类簇中所有智慧环网柜电流数据的均值，/>为第/>个智慧环网柜电流数据对应的时间段聚类簇中的智慧环网柜电流数据最大值，/>为第/>个智慧环网柜电流数据对应的时间段聚类簇中的智慧环网柜电流数据最小值，/>为第/>个智慧环网柜电流数据对应的时间段聚类簇中所有智慧环网柜电流数据的电流数据极差，/>为第/>个智慧环网柜电流数据对应的波动稳定度；/>为第/>个智慧环网柜电流数据对应的结构特征显著程度，/>为以自然常数为底的指数函数。

孤立森林算法通过最大最小阈值选取孤立树节点分裂值，因此为了优化孤立树节点分裂值选取区间，本发明实施例通过极值点代替最值，通过两两极值点之间对应的区间进行置信度的计算，从而筛选出置信度最高的两个极值点之间的区间，作为孤立树节点分裂值选取区间，因此首先需要获取两两组合的极值点。本发明实施例获取所有智慧环网柜电流数据在时间顺序上对应拟合曲线的所有极值点组合，极值点组合中具有两个极值点。

步骤S4：根据各个极值点组合的极值点所分割出的各个区间中智慧环网柜电流数据的波动可信程度的分布差异情况，得到每个极值点组合的分割置信度；根据各个极值点组合的分割置信度进行筛选，得到孤立树节点分裂值选取区间。

极值点组合中包括两个极值点，因此以极值点组合中极值点对时序上的智慧环网柜电流数据进行划分，会得到三个部分，也即三个区间，而根据孤立森林算法，孤立树节点分裂值会在两个极值点中间对应的部分或区间进行随机获取，因此极值点组合的选择对灰度孤立树的结构的影响较大。为了使得孤立树节点分裂值的选取更加合理，本发明实施例根据各个极值点组合的极值点所分割出的各个区间中智慧环网柜电流数据的波动可信程度的分布差异情况，得到每个极值点组合的分割置信度，也即每个极值点组合对应的极值点作为最佳最大最小阈值的可能性。进一步地根据分割置信度进行孤立树节点分裂值选取区间的获取。

优选地，分割置信度的获取方法包括：

依次将每个极值点组合作为目标极值点组合；以目标极值点组合中的两个极值点为分割点，将以时间顺序排列的所有智慧环网柜电流数据，划分为三个电流数据区间，其中三个电流数据区间包括：两个极值点之间的电流数据中间区间，以及电流数据中间区间之外的两个电流数据参考区间。也即通过定义电流数据中间区间和电流数据参考区间，对各个区间进行区分。

根据电流数据中间区间与电流数据参考区间之间的智慧环网柜电流数据数量差异情况，以及各个电流数据区间中智慧环网柜电流数据的波动可信程度的分布差异情况，构建分割置信度计算模型，根据分割置信度计算模型得到目标极值点组合的分割置信度。

优选地，分割置信度计算模型包括：

其中，为目标极值点组合/>对应的分割置信度；/>为目标极值点组合/>对应的电流数据中间区间的智慧环网柜电流数据数量；/>为目标极值点组合/>对应的第一个电流数据参考区间的智慧环网柜电流数据数量；/>为目标极值点组合/>对应的第二个电流数据参考区间的智慧环网柜电流数据数量；/>为电流数据参考区间的数量；/>为目标极值点组合/>对应的第/>个电流数据参考区间的智慧环网柜电流数据数量；/>为目标极值点组合/>对应的第/>个电流数据参考区间中第/>个智慧环网柜电流数据的波动可信程度；/>为目标极值点组合/>对应的电流数据中间区间中第/>个智慧环网柜电流数据的波动可信程度。为归一化函数，在本发明实施例中，归一化方法采用线性归一化，实施者可根据具体实施环境自行选择归一化方法。

其中，对于孤立森林算法而言，其对应的孤立节点分裂值选取区间越大，则对应的算法鲁棒性越好，并且能够减少数据中噪声数据的影响，因此以作为权重进行分割置信度的计算，对应的/>越大，说明极值点组合对应的电流数据中间区间的占比越大，也即该电流数据中间区间作为孤立树节点分裂值选取区间是对应的区间越大。也即/>越大时，对应的目标极值点组合/>的分割置信度越大，说明目标极值点组合对应的极值点作为最佳最大最小阈值的可能性越大。

对于而言，当最终划分时间区间中两个电流数据参考区间与电流数据中间区间的差异越大时，说明根据该电流数据中间区间所构建的孤立树节点分裂值选取区间，受到极端异常值的影响越小，则根据孤立树节点分裂值选取区间所划分出的异常数据结果就越可靠。也即/>越大时，对应的目标极值点组合/>的分割置信度越大，说明目标极值点组合对应的极值点作为最佳最大最小阈值的可能性越大。

本发明实施例根据各个极值点组合的分割置信度进行筛选，得到孤立树节点分裂值选取区间。优选地，根据各个极值点组合的分割置信度进行筛选，得到孤立树节点分裂值选取区间的方法包括：

由于分割置信度越大时，目标极值点组合对应的极值点作为最佳最大最小阈值的可能性越大。因此在时间顺序上，将分割置信度最大的极值点组合中两个极值点之间所有智慧环网柜电流数据对应的区间，作为孤立树节点分裂值选取区间。

步骤S5：根据孤立树节点分裂值选取区间结合孤立森林算法，得到智慧环网柜电流异常数据；根据智慧环网柜电流异常数据进行智慧环网柜故障实时监测。

在得到孤立树节点分裂值选取区间后，也即确定最大最小阈值后，进一步地根据孤立树节点分裂值选取区间结合孤立森林算法，得到智慧环网柜电流异常数据。孤立树节点分裂值选取区间即孤立树节点分裂值的选取区间，根据选取的每个孤立树节点分裂值，构建对应的孤立树，并根据孤立树结构得到智慧环网柜电流异常数据。需要说明的是，在确定孤立树节点分裂值选取区间后，根据孤立森林算法得到异常数据的方法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

最后根据智慧环网柜电流异常数据进行智慧环网柜故障实时监测。

优选地，根据智慧环网柜电流异常数据进行智慧环网柜故障实时监测的方法包括：

将智慧环网柜电流异常数据的数量大于或等于预设故障阈值的智慧环网柜的运行状态判断为故障。由于本发明实施例每个周期所采集的智慧环网柜电流异常数据的数量为480，根据该数量进行预设故障阈值的设定，在本发明实施例中，预设故障阈值设定为10，实施者可根据具体实施环境自行调整。

综上所述，本发明对每个智慧环网柜电流数据的时序波动变化情况和时间关联性进行分析，得到每个智慧环网柜电流数据所处的最终划分时间区间；根据各个最终划分时间区间中智慧环网柜电流数据之间的时间关联性以及数值波动分布情况，得到波动可信程度；根据各个极值点组合所分割出区间的波动可信程度分布情况，筛选出孤立树节点分裂值选取区间；使得根据孤立树节点分裂值选取区间结合孤立森林算法得到智慧环网柜电流异常数据，使得根据智慧环网柜电流异常数据进行智慧环网柜故障实时监测的效果更好。

本发明还提出了一种智慧环网柜故障实时监测系统，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，处理器执行所述计算机程序时实现任意一项一种智慧环网柜故障实时监测方法的步骤。

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。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。

Claims (10)

1.一种智慧环网柜故障实时监测方法，其特征在于，所述方法包括：

获取智慧环网柜电流数据；

根据智慧环网柜电流数据的时序波动变化情况对所有智慧环网柜电流数据进行划分，得到至少两个划分时间段；根据各个划分时间段之间的关联性进行聚类分析，得到每个智慧环网柜电流数据所处的最终划分时间区间；

根据各个最终划分时间区间中智慧环网柜电流数据之间的时间关联性，以及各个智慧环网柜电流数据的数值波动分布情况，得到每个智慧环网柜电流数据的波动可信程度；获取所有智慧环网柜电流数据在时间顺序上对应拟合曲线的所有极值点组合，所述极值点组合中具有两个极值点；

根据各个极值点组合的极值点所分割出的各个区间中智慧环网柜电流数据的波动可信程度的分布差异情况，得到每个极值点组合的分割置信度；根据各个极值点组合的分割置信度进行筛选，得到孤立树节点分裂值选取区间；

根据所述孤立树节点分裂值选取区间结合孤立森林算法，得到智慧环网柜电流异常数据；根据所述智慧环网柜电流异常数据进行智慧环网柜故障实时监测。

2.根据权利要求1所述的一种智慧环网柜故障实时监测方法，其特征在于，所述划分时间段的获取方法包括：

将所有智慧环网柜电流数据以时间顺序进行曲线拟合，得到环网柜电流数据曲线；在所述环网柜电流数据曲线中，将切线斜率绝对值大于预设斜率阈值的智慧环网柜电流数据的数据点，作为时间段划分点；根据所述时间段划分点对所述环网柜电流数据曲线进行划分，得到至少两个划分时间段。

3.根据权利要求1所述的一种智慧环网柜故障实时监测方法，其特征在于，所述最终划分时间区间的获取方法包括：

以每个划分时间段的索引值为横轴，以每个划分时间段中所有智慧环网柜电流数据的均值大小为纵轴，构建二维直角坐标系；根据所述二维直角坐标系对所有划分时间段进行层次聚类，得到至少两个时间段聚类簇；根据每个时间段聚类簇中划分时间段对应时间区间的分布情况，得到每个时间段聚类簇的初始划分时间区间；

统计每个时间段聚类簇中的划分时间段数量；以划分时间段数量从大到小的顺序将时间段聚类簇依次排列，得到时间段聚类簇序列；在所述时间段聚类簇序列中，将每个时间段聚类簇的初始划分时间区间中与其之前所有时间段聚类簇的初始划分时间区间中重叠的时间区间删除，得到每个时间段聚类簇的最终划分时间区间。

4.根据权利要求3所述的一种智慧环网柜故障实时监测方法，其特征在于，所述初始划分时间区间的获取方法包括：

将每个时间段聚类簇对应的所有划分时间段中，时间差异最大的两个智慧环网柜电流数据之间的时间区间，作为每个时间段聚类簇对应的初始划分时间区间。

5.根据权利要求3所述的一种智慧环网柜故障实时监测方法，其特征在于，所述波动可信程度的计算方法包括：

将每个智慧环网柜电流数据所处最终划分时间区间所对应的时间段聚类簇的初始划分时间区间，与其余所有初始划分时间区间的重叠区间大小，作为每个智慧环网柜电流数据的参考重叠面积；将所述参考重叠面积与每个智慧环网柜电流数据所处最终划分时间区间的大小之间的比值，作为每个智慧环网柜电流数据的结构特征显著程度；

计算每个时间段聚类簇中所有智慧环网柜电流数据的电流数据极差；计算每个时间段聚类簇中所有智慧环网柜电流数据的电流数据均值；将每个智慧环网柜电流数据与对应的电流数据均值之间的差异，作为每个智慧环网柜电流数据的电流数据偏差；将所述电流数据偏差与所述电流数据极差的比值，作为每个智慧环网柜电流数据的波动稳定度；

根据所述结构特征显著程度和所述波动稳定度，得到每个智慧环网柜电流数据的波动可信程度，所述结构特征显著程度和所述波动稳定度均与所述波动可信程度呈负相关关系。

6.根据权利要求1所述的一种智慧环网柜故障实时监测方法，其特征在于，所述分割置信度的获取方法包括：

依次将每个极值点组合作为目标极值点组合；

以目标极值点组合中的两个极值点为分割点，将以时间顺序排列的所有智慧环网柜电流数据，划分为三个电流数据区间，其中三个电流数据区间包括：两个极值点之间的电流数据中间区间，以及所述电流数据中间区间之外的两个电流数据参考区间；

根据所述电流数据中间区间与所述电流数据参考区间之间的智慧环网柜电流数据数量差异情况，以及各个电流数据区间中智慧环网柜电流数据的波动可信程度的分布差异情况，构建分割置信度计算模型；根据所述分割置信度计算模型得到目标极值点组合的分割置信度。

7.根据权利要求6所述的一种智慧环网柜故障实时监测方法，其特征在于，所述分割置信度计算模型包括：

；其中，/>为目标极值点组合/>对应的分割置信度；/>为目标极值点组合/>对应的电流数据中间区间的智慧环网柜电流数据数量；/>为目标极值点组合/>对应的第一个电流数据参考区间的智慧环网柜电流数据数量；/>为目标极值点组合/>对应的第二个电流数据参考区间的智慧环网柜电流数据数量；/>为电流数据参考区间的数量；/>为目标极值点组合/>对应的第/>个电流数据参考区间的智慧环网柜电流数据数量；/>为目标极值点组合/>对应的第/>个电流数据参考区间中第/>个智慧环网柜电流数据的波动可信程度；/>为目标极值点组合/>对应的电流数据中间区间中第/>个智慧环网柜电流数据的波动可信程度，/>为归一化函数。

8.根据权利要求1所述的一种智慧环网柜故障实时监测方法，其特征在于，所述根据各个极值点组合的分割置信度进行筛选，得到孤立树节点分裂值选取区间的方法包括：

在时间顺序上，将分割置信度最大的极值点组合中两个极值点之间所有智慧环网柜电流数据对应的区间，作为孤立树节点分裂值选取区间。

9.根据权利要求1所述的一种智慧环网柜故障实时监测方法，其特征在于，所述根据所述智慧环网柜电流异常数据进行智慧环网柜故障实时监测的方法包括：

将所述智慧环网柜电流异常数据的数量大于或等于预设故障阈值的智慧环网柜的运行状态判断为故障。

10.一种智慧环网柜故障实时监测系统，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1~9任意一项所述方法的步骤。