CN117590311A - 一种基于m-lof算法的cvt异常通道检测方法、介质及终端 - Google Patents
一种基于m-lof算法的cvt异常通道检测方法、介质及终端 Download PDFInfo
- Publication number
- CN117590311A CN117590311A CN202311442741.0A CN202311442741A CN117590311A CN 117590311 A CN117590311 A CN 117590311A CN 202311442741 A CN202311442741 A CN 202311442741A CN 117590311 A CN117590311 A CN 117590311A
- Authority
- CN
- China
- Prior art keywords
- point
- domain
- splicing
- abnormal
- channel
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R15/00—Details of measuring arrangements of the types provided for in groups G01R17/00 - G01R29/00, G01R33/00 - G01R33/26 or G01R35/00
- G01R15/04—Voltage dividers
- G01R15/06—Voltage dividers having reactive components, e.g. capacitive transformer
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明适用于互感器检测技术领域,涉及一种基于M‑LOF算法的CVT异常通道检测方法、介质及终端,包括:S10、M通道电容式电压互感器二次侧采集训练数据及测试数据,数据拼接形成矩阵T(N+L)×M;S20、各通道间作差形成新矩阵提取通道间差值矩阵前N+step行,并形成数据序列Xij;S30、计算数据序列Xij中拼接域点与其他点之间的距离、拼接域点的局部可达密度、拼接域点的k领域内所有点局部可达密度的平均值以及LOF分数;S40、判断拼接域是否存在异常点,若是,则计算概率,输出异常通道,若否,则删除训练域中前step行,拼接域拼接到训练域后,形成新训练域。本发明流程简单、结果准确,通过M‑LOF模型检测CVT异常通道,提高了CVT异常通道检测的准确性和效率。
Description
技术领域
本发明属于互感器检测技术领域,尤其涉及一种基于M-LOF算法的CVT异常通道检测方法、介质及终端。
背景技术
电容式电压互感器(Capacitive Voltage Transformer,CVT)由于绝缘性能好、造价低廉,被广泛应用于110kV及以上的高压电压测量场合。过去一般采用周期检定的方法对CVT的计量性能进行评估,但该方法需要在变电站停电状态下实施,对电力系统的运行影响较大。近年来,在不停电条件下对CVT的计量状态进行评估并实时监测其测量误差,已经成为CVT运维领域重要的研究方向。
现有技术中通过PCA的方式去定性对电容式电压互感器误差通道进行判断,但PCA的方式则严重的依赖于信号的强相关性及噪声的分布情况,实际中电容式电压互感器三相间的数据信号由于设备老化程度,负荷,温度,湿度等的影响,会处于弱相关及噪声较强的状态,严重影响误差通道判断的准确性。另外传统的LOF算法也可以对CVT异常通道进行检测,虽然传统LOF算法不需要假设数据服从特定的概率分布的,还能量化每个数据点的异常程度(outlierness),但却不能考虑时间维度的变化特征,进而导致异常通道监测的准确性。另外传统的LOF算法中存在重复的数据点时,这些点的平均可达距离为零,局部可达密度就变为无穷大,会给计算带来一些麻烦,而且LOF算法需要计算所有数据点两两之间的距离,造成整个算法时间复杂度为过于复杂,因此传统LOF算法也存在缺陷。公开号为CN116027249A的专利提供了一种基于改进ELM的计量系统互感器故障诊断方法,包括:利用数据采集系统获取测试样本数据;对互感器故障数据分别进行归一化和PCA主成分分析处理,避免较大初始域的数据属性会掩盖那些小的数据,同时降低所需数据的维度,去除数据里包含的大量重复无用的信息;采用ELM极端学习机分类作为分类算法,对数据样本进行故障诊断和分类。此专利同样采用PCA方法对互感器进行检测,仍存在检测准确性不高的问题。
因此,如何提高电容式电压互感器异常通道检测的准确性,是本技术领域人员亟待解决的问题。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于M-LOF算法的CVT异常通道检测方法,以解决现有技术中电容式电压互感器异常通道检测准确性低的问题;此外本发明还提供了一种基于M-LOF算法的CVT异常通道检测介质及终端。
为了解决上述技术问题,本发明采用了如下的技术方案:
第一方面,本发明提供了一种基于M-LOF算法的CVT异常通道检测方法,包括以下步骤:
S10、M通道电容式电压互感器二次侧采集训练数据及测试数据,数据拼接形成矩阵T(N+L)×M;
S20、各通道间作差形成新矩阵提取通道间差值矩阵前N+step行,并形成数据序列Xij;
S30、计算数据序列Xij中点与点之间的距离、点的局部可达密度、点的k领域内所有点局部可达密度的平均值以及LOF分数;
S40、判断拼接域是否存在异常点,若是,则计算概率,输出异常通道,若否,则删除训练域中前step行,拼接域拼接到训练域后,形成新训练域。
进一步的,所述步骤S10的具体步骤如下:
S101、采集训练数据及测试数据,形成训练数据矩阵TrN×M及测试数据矩阵TeL×M,其中N为训练数据长度,M为信号通道数,L为测试数据长度,考虑比差和角差;
S102、按时间顺序将测试数据矩阵TeL×M拼接到训练数据矩阵TrN×M后,形成新矩阵T(N+L)×M。
进一步的,所述步骤S20的具体步骤如下:
S201、各通道间作差形成矩阵其中/>表示第i通道与第j通道的差,i≠j,行数为N+L行,列数为1列;
S202、移动步长表示为step,提取矩阵的前N+step行,step<N/4,其中第1行至第N行为训练域,第N+1行至第N+step行为拼接域,并形成数据序列Xij={xP},其中P=1,2,…,N+step。
进一步的,所述步骤S30的具体步骤如下:
S301、对于拼接域中每个点P,计算点P与其他点O的距离,O≠P,并按从近到远排序;
S302、对于拼接域中每个点P,计算点P的局部可达密度;
首先计算点P的k个最近邻的可达距离,其中k=(N+step)/2,点P到点O的第k可达距离表达式如下:
其中,dk(O)为点O的排序第k远的距离,d(P,O)为点P到点O的直线距离;
然后计算点P的局部可达密度,点P的局部可达密度是基于点P的k个最近邻的平均可达距离的倒数,表达式如下:
其中,Nk(P)为点P的第k距离以内的所有点,包括第k距离上的点,不包括点P,|Nk(P)|为其个数;
S303、计算拼接域中点P的k邻域内所有点的局部可达密度的平均值;
S304、通过所述步骤S303计算结果与所述步骤S302计算结果的比值,得到LOF分数,表达式如下:
进一步的,所述步骤S40的具体步骤如下:
S401、窗口移动次数标记为m,m∈N*,筛选出异常分数LOF远大于阈值thr=1.2且区域为拼接域的点,若拼接域所有通道间差值矩阵均未识别到异常点,则删除训练域中前step行,所有通道间差值矩阵/>中第N+(m-1)*step+1行至第N+m*step拼接到训练域后,形成新的训练域,同时,第N+m*step+1行至第N+(m+1)*step为新的拼接域,并形成数据序列Xij={xP};
S402、窗口移动次数标记为m,m∈N*,筛选出异常分数LOF远大于阈值thr=1.2且区域为拼接域的点,若拼接域所有通道间差值矩阵识别到异常点,则统计拼接域内异常点出现的频次,并映射到所属单通道,拼接区域内的单通道异常点的概率为异常通道,小于阈值则为正常通道,同时,训练域保持不便,所有通道间差值矩阵/>拼接域为矩阵/>的第N+m*step+1行至第N+(m+1)*step+1行,并形成数据序列Xij={xP},重复所属步骤S30至S40。
第二方面,本发明还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法。
第三方面,本发明还提供了一种电子终端,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上所述方法。
本发明提供的基于M-LOF算法的CVT异常通道检测方法、介质及终端与现有技术相比,至少具有如下有益效果:
现有技术中通过PCA的方式去定性对电容式电压互感器误差通道进行判断,但PCA的方式则严重的依赖于信号的强相关性及噪声的分布情况,实际中电容式电压互感器三相间的数据信号由于设备老化程度,负荷,温度,湿度等的影响,会处于弱相关及噪声较强的状态,严重影响误差通道判断的准确性;或是传统LOF算法也存在准确性低的弊端。本发明流程简单、结果准确,通过M-LOF模型检测CVT异常通道,即训练集是随着数据的采集不断更新的,同时当出现重复点的时候,给可达距离都加一个很小的值,避免可达距离等于零的情况出现,提高了检测准确性;将数据集进行了分组,并在分组后的数据集中进一步分为了训练域及拼接域,然后在每个子集里拼接域中计算每个点的LOF值,从而提高算法效率,整个检测方法较现有技术的准确性及效率都大大提高。
附图说明
为了更清楚地说明本发明的方案,下面将对实施例描述中所需要使用的图作一个简单的介绍,显而易见地,下面描述中的附图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他的附图。
图1为本发明实施例提供的一种基于M-LOF算法的CVT异常通道检测方法的流程图;
图2为本发明实施例提供的一种基于M-LOF算法的CVT异常通道检测方法中矩阵T(55+10)×3的原始波形图;
图3为本发明实施例提供的一种基于M-LOF算法的CVT异常通道检测方法中窗口移动次数m=1时A-B相拼接域LOF值大小示意图;
图4为本发明实施例提供的一种基于M-LOF算法的CVT异常通道检测方法中窗口移动次数m=1时B-C相拼接域LOF值大小示意图;
图5为本发明实施例提供的一种基于M-LOF算法的CVT异常通道检测方法中窗口移动次数m=1时C-A相拼接域LOF值大小示意图;
图6为本发明实施例提供的一种基于M-LOF算法的CVT异常通道检测方法中窗口移动次数m=2时A-B相拼接域LOF值大小示意图;
图7为本发明实施例提供的一种基于M-LOF算法的CVT异常通道检测方法中窗口移动次数m=2时B-C相拼接域LOF值大小示意图;
图8为本发明实施例提供的一种基于M-LOF算法的CVT异常通道检测方法中窗口移动次数m=2时C-A相拼接域LOF值大小示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本发明提供了一种基于M-LOF算法的CVT异常通道检测方法,应用于电容式电压互感器的误差检测过程中,基于M-LOF算法的CVT异常通道检测方法包括以下步骤:
S10、M通道电容式电压互感器二次侧采集训练数据及测试数据,数据拼接形成矩阵T(N+L)×M;
S20、各通道间作差形成新矩阵提取通道间差值矩阵前N+step行,并形成数据序列Xij;
S30、计算数据序列Xij中拼接域点与其他点之间的距离、拼接域点的局部可达密度、拼接域点的k领域内所有点局部可达密度的平均值以及LOF分数;
S40、判断拼接域是否存在异常点,若是,则计算概率,输出异常通道,若否,则删除训练域中前step行,拼接域拼接到训练域后,形成新训练域。
本发明流程简单、结果准确,通过M-LOF模型检测CVT异常通道,提高了CVT异常通道检测的准确性和效率。
为了使本技术领域的人员更好地理解本发明方案,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种基于M-LOF算法的CVT异常通道检测方法,应用于电容式电压互感器的误差检测过程中,如图1所示,本实施例中,所述基于M-LOF算法的CVT异常通道检测方法包括以下步骤:
S10、M通道电容式电压互感器二次侧采集训练数据及测试数据,数据拼接形成矩阵T(N+L)×M;
具体地,步骤S10的具体步骤如下:
S101、采集训练数据及测试数据,形成训练数据矩阵TrN×M及测试数据矩阵TeL×M,其中N为训练数据长度,M为信号通道数,L为测试数据长度,考虑比差和角差;
S102、按时间顺序将测试数据矩阵TeL×M拼接到训练数据矩阵TrN×M后,形成新矩阵T(N+L)×M。
S20、各通道间作差形成新矩阵提取通道间差值矩阵前N+step行,并形成数据序列Xij;
具体地,步骤S20的具体步骤如下:
S201、各通道间作差形成矩阵其中/>表示第i通道与第j通道的差,i≠j,行数为N+L行,列数为1列;
S202、移动步长表示为step,提取矩阵的前N+step行,step<N/4,其中第1行至第N行为训练域,第N+1行至第N+step行为拼接域,并形成数据序列Xij={xP},其中P=1,2,...,N+step。
S30、计算数据序列Xij中拼接域点与其他点之间的距离、拼接域点的局部可达密度、拼接域点的k领域内所有点局部可达密度的平均值以及LOF分数;
具体地,步骤S30的具体步骤如下:
S301、对于拼接域中每个点P,计算点P与其他点O的距离,O≠P,并按从近到远排序;
进一步的,距离的计算公式按改进的曼哈顿距离公式求得,公式如下:
其中,xP,xO分别为点P和点O的幅值(相角),d(P,O)为点P到点O的距离;
S302、对于拼接域中每个点P,计算点P的局部可达密度;
首先计算点P的k个最近邻的可达距离,其中k可取(N+step)/2,点P到点O的第k可达距离表达式如下:
其中,dk(O)为点O的排序第k远的距离,d(P,O)为点P到点O的直线距离;
然后计算点P的局部可达密度,点P的局部可达密度是基于点P的k个最近邻的平均可达距离的倒数,表达式如下:
其中,Nk(P)为点P的第k距离以内的所有点,包括第k距离上的点,不包括点P,|Nk(P)|为其个数;
S303、计算拼接域中点P的k邻域内所有点的局部可达密度的平均值;
S304、通过步骤S303计算结果与步骤S302计算结果的比值,得到LOF分数,表达式如下:
S40、判断拼接域是否存在异常点,若是,则计算概率,输出异常通道,若否,则删除训练域中前step行,拼接域拼接到训练域后,形成新训练域。
具体地,步骤S40的具体步骤如下:
S401、窗口移动次数标记为m,m∈N*,筛选出异常分数LOF远大于阈值thr=1.2且区域为拼接域的点,若拼接域所有通道间差值矩阵均未识别到异常点,则删除训练域中前step行,所有通道间差值矩阵/>和第N+(m-1)*step+1行至第N+m*step拼接到训练域后,形成新的训练域,同时,第N+m*step+1行至第N+(m+1)*step为新的拼接域,并形成数据序列Xij={xP};
S402、窗口移动次数标记为m,m∈N*,筛选出异常分数LOF远大于阈值thr=1.2且区域为拼接域的点,若拼接域所有通道间差值矩阵识别到异常点,则统计拼接域内异常点出现的频次,并映射到所属单通道,拼接区域内的单通道异常点的概率为异常通道,小于阈值则为正常通道,同时,训练域保持不便,所有通道间差值矩阵拼接域为矩阵的第N+m*step+1行至第N+(m+1)*step+1行,并形成数据序列Xij={xP},重复所属步骤S30至S40。
本发明实施例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,该计算机程序被处理器执行时实现本实施例中的任一项方法。
本发明实施例还提供了一种电子终端,包括:处理器及存储器;存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以使终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
下面以N=55,M=3,L=10为例说明本发明实施例提供的一种基于M-LOF算法的CVT异常通道检测方法的检测过程:
S10、建立训练数据及测试数据;
具体地,S101、形成训练数据矩阵Tr55×3及测试数据矩阵Te10×3;
S102、按时间顺序将测试数据矩阵Te10×3拼接到训练数据矩阵Tr55×3中,形成新矩阵T(55+10)×3,矩阵所形成的图像如图2所示。
S20、数据预处理;
具体地,S201、各通道作差形成矩阵其中i={1,2,3},j={1,2,3},i≠j;
S202、令step=5,提取矩阵的前N+step行(N=55,step=5),并形成数据序列Xij={xP}(其中P=1,2,...,55+5)。
S30、对于拼接域中每个点P,找到k-nearest-neighbor,计算LOF得分;
具体地,S301、对于拼接域中每个点P,计算点P与其他点O的距离,O≠P,并按从近到远排序;
S302至S304、令k=(55+5)/2=25,按照步骤S302至S304计算数据序列Xij的拼接域中点LOF得分,得到得分矩阵(其中i={A,B,C},j={A,B,C},i≠j,p为拼接域中的点)。
S40、窗口移动及异常点概率计算;
具体地,S401、窗口移动次数m=1,筛选出拼接域中异常分数LOF远大于阈值thr=1.2的点,即55≤p≤60的点,如图3至图5所示,图3至图5中横坐标为点编号(拼接域),纵坐标为LOF值大小,虚线为阈值thr=1.2。拼接域所有通道间差值矩阵未识别到异常点(LOF值小于阈值)。则训练域中前step=5行删除,矩阵中第56行至第60行拼接到训练域后,形成新的训练域,同时,第61行至第65行为新的拼接域,并形成数据序列Xij={xP},重复步骤S30,S40;
S402、窗口移动次数m=2,筛选出异常分数LOF远大于阈值thr=1.2,且区域为拼接域的点,即61≤p≤65的点,如图6至图8所示,图6至图8中横坐标为点编号(拼接域),纵坐标为LOF值大小,虚线为阈值thr=1.2。拼接域通道间差值矩阵识别到异常点,其中A-B相存在5个异常点,C-A相存在5个异常点。B-C相无异常点,映射到所属单通道统计结果如表1所示:
表1
通道 | A | B | C |
异常点统计值 | 10 | 5 | 5 |
A、B、C单相共计10个点,求取每相概率值大小如表2所示:
表2
通道 | A | B | C |
异常概率值 | 10/10 | 5/10 | 5/10 |
将概率阈值设置为90%,可知A相通道存在异常。训练域保持不变,拼接域为后续时刻5个时间点采集数据,并形成数据序列Xij={xP}重复步骤S30,S40。
上述实施例所述的基于M-LOF算法的CVT异常通道检测方法、介质及终端,与现有技术相比,现有技术中通过PCA的方式去定性对电容式电压互感器误差通道进行判断,但PCA的方式则严重的依赖于信号的强相关性及噪声的分布情况,实际中电容式电压互感器三相间的数据信号由于设备老化程度,负荷,温度,湿度等的影响,会处于弱相关及噪声较强的状态,严重影响误差通道判断的准确性;或是传统LOF算法也存在准确性低的弊端。本发明流程简单、结果准确,通过M-LOF模型检测CVT异常通道,即训练集是随着数据的采集不断更新的,同时当出现重复点的时候,给可达距离都加一个很小的值,避免可达距离等于零的情况出现,提高了检测准确性;将数据集进行了分组,并在分组后的数据集中进一步分为了训练域及拼接域,然后在每个子集里拼接域中计算每个点的LOF值,从而提高算法效率,整个检测方法较现有技术的准确性及效率都大大提高。
显然,以上所描述的实施例仅仅是本发明较佳实施例,而不是全部的实施例,附图中给出了本发明的较佳实施例,但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (7)
1.一种基于M-LOF算法的CVT异常通道检测方法,其特征在于,包括以下步骤:
S10、M通道电容式电压互感器二次侧采集训练数据及测试数据,数据拼接形成矩阵T(N+L)×M;
S20、各通道间作差形成新矩阵提取通道间差值矩阵前N+step行,并形成数据序列Xij;
S30、计算数据序列Xij中拼接域点与其他点之间的距离、拼接域点的局部可达密度、拼接域点的k领域内所有点局部可达密度的平均值以及LOF分数;
S40、判断拼接域是否存在异常点,若是,则计算概率,输出异常通道,若否,则删除训练域中前step行,拼接域拼接到训练域后,形成新训练域。
2.根据权利要求1所述的一种基于M-LOF算法的CVT异常通道检测方法,其特征在于,所述步骤S10的具体步骤如下:
S101、采集训练数据及测试数据,形成训练数据矩阵TrN×M及测试数据矩阵TeL×M,其中N为训练数据长度,M为信号通道数,L为测试数据长度,考虑比差和角差;
S102、按时间顺序将测试数据矩阵TeL×M拼接到训练数据矩阵TrN×M后,形成新矩阵T(N+L)×M。
3.根据权利要求2所述的一种基于M-LOF算法的CVT异常通道检测方法,其特征在于,所述步骤S20的具体步骤如下:
S201、各通道间作差形成矩阵其中/>表示第i通道与第j通道的差,i≠j,行数为N+L行,列数为1列;
S202、移动步长表示为step,提取矩阵的前N+step行,step<N/4,其中第1行至第N行为训练域,第N+1行至第N+step行为拼接域,并形成数据序列Xij={xP},其中P=1,2,...,N+step。
4.根据权利要求1所述的一种基于M-LOF算法的CVT异常通道检测方法,其特征在于,所述步骤S30的具体步骤如下:
S301、对于拼接域中每个点P,计算点P与其他点O的距离,O≠P,并按从近到远排序;
S302、对于拼接域中每个点P,计算点P的局部可达密度;
首先计算点P的k个最近邻的可达距离,其中k取(N+step)/2,点P到点O的第k可达距离表达式如下:
其中,dk(O)为点O的排序第k远的距离,d(P,O)为点P到点O的直线距离;
然后计算点P的局部可达密度,点P的局部可达密度是基于点P的k个最近邻的平均可达距离的倒数,表达式如下:
其中,Nk(P)为点P的第k距离以内的所有点,包括第k距离上的点,不包括点P,|Nk(P)|为其个数;
S303、计算拼接域中点P的k邻域内所有点的局部可达密度的平均值;
S304、通过所述步骤S33计算结果与所述步骤S32计算结果的比值,得到LOF分数,表达式如下:
5.根据权利要求1所述的一种基于M-LOF算法的CVT异常通道检测方法,其特征在于,所述步骤S40的具体步骤如下:
S401、窗口移动次数标记为m,m∈N*,筛选出异常分数LOF远大于阈值thr=1.2且区域为拼接域的点,若拼接域所有通道间差值矩阵均未识别到异常点,则删除训练域中前step行,所有通道间差值矩阵/>中第N+(m-1)*step+1行至第N+m*step拼接到训练域后,形成新的训练域,同时,第N+m*step+1行至第N+(m+1)*step为新的拼接域,并形成数据序列Xij={xP};
S402、窗口移动次数标记为m,m∈N*,筛选出异常分数LOF远大于阈值thr=1.2且区域为拼接域的点,若拼接域所有通道间差值矩阵识别到异常点,则统计拼接域内异常点出现的频次,并映射到所属单通道,拼接区域内的单通道异常点的概率为异常通道,小于阈值则为正常通道,同时,训练域保持不便,所有通道间差值矩阵拼接域为矩阵/>的第N+m*step+1行至第N+(m+1)*step+1行,并形成数据序列Xij={xP},重复所属步骤S30至S40。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法。
7.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至5任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442741.0A CN117590311A (zh) | 2023-11-01 | 2023-11-01 | 一种基于m-lof算法的cvt异常通道检测方法、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442741.0A CN117590311A (zh) | 2023-11-01 | 2023-11-01 | 一种基于m-lof算法的cvt异常通道检测方法、介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117590311A true CN117590311A (zh) | 2024-02-23 |
Family
ID=89920958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311442741.0A Pending CN117590311A (zh) | 2023-11-01 | 2023-11-01 | 一种基于m-lof算法的cvt异常通道检测方法、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117590311A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851955A (zh) * | 2024-03-07 | 2024-04-09 | 辽宁亿金电子有限公司 | 一种柔直电容器状态检测方法及系统 |
-
2023
- 2023-11-01 CN CN202311442741.0A patent/CN117590311A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851955A (zh) * | 2024-03-07 | 2024-04-09 | 辽宁亿金电子有限公司 | 一种柔直电容器状态检测方法及系统 |
CN117851955B (zh) * | 2024-03-07 | 2024-05-24 | 辽宁亿金电子有限公司 | 一种柔直电容器状态检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN117590311A (zh) | 一种基于m-lof算法的cvt异常通道检测方法、介质及终端 | |
CN109271319B (zh) | 一种基于面板数据分析的软件故障的预测方法 | |
CN103226595B (zh) | 基于贝叶斯混合公共因子分析器的高维数据的聚类方法 | |
Lim et al. | Optimal designs of the variable sample size and sampling interval X chart when process parameters are estimated | |
US11809517B1 (en) | Adaptive method of cleaning structural health monitoring data based on local outlier factor | |
CN113204914B (zh) | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
CN113269327A (zh) | 一种基于机器学习的流量异常预测方法 | |
CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
AU2020100135A4 (en) | Method, system and apparatus for evaluating sensory assessors’ concentration ability | |
CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
CN117195117A (zh) | 一种故障场景削减方法、装置、设备及存储介质 | |
CN114674511B (zh) | 一种用于剔除时变环境因素影响的桥梁模态异常预警方法 | |
CN112765219B (zh) | 一种跳过平稳区域的流数据异常检测方法 | |
CN115130505A (zh) | 基于改进残差收缩网络的focs故障诊断方法 | |
CN115081798A (zh) | 基于pls算法的板带热精轧过程分机架联合监控与诊断方法 | |
CN115308644A (zh) | 基于电流偏移比差分析的变压器绕组故障检测方法及系统 | |
CN113052249A (zh) | 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 | |
CN114615026B (zh) | 异常流量检测方法、装置及电子设备 | |
CN116796031B (zh) | 一种基于因果关系的故障传播路径辨识方法 | |
CN118132996B (zh) | 一种基于工业数字孪生的自适应生产调度优化方法 |
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 |