CN117970182A - 一种基于dtw算法的漏电预警方法及系统 - Google Patents
一种基于dtw算法的漏电预警方法及系统 Download PDFInfo
- Publication number
- CN117970182A CN117970182A CN202410361352.3A CN202410361352A CN117970182A CN 117970182 A CN117970182 A CN 117970182A CN 202410361352 A CN202410361352 A CN 202410361352A CN 117970182 A CN117970182 A CN 117970182A
- Authority
- CN
- China
- Prior art keywords
- data
- leakage
- current
- time sequence
- metering data
- 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 44
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000544061 Cuculus canorus Species 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于DTW算法的漏电预警方法及系统，涉及电网供电安全技术领域，先对建筑内实时采集的电流数据进行异常判断，筛选出异常数据，并判断是否为漏电电流数据，若是则进行下一步漏电电流数据的识别，利用DTW算法进行漏电类型的识别，无需大量漏电电流数据的支持，可以直接对判定的漏电电流数据与历史漏电数据库中的序列进行匹配识别，以识别出漏电类型，以便及时发现漏电情况并快速判定问题所在，预防潜在的危险事件发生。
Description
技术领域
本发明涉及电网供电安全技术领域，尤其涉及一种基于DTW算法的漏电预警方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
漏电是指电流从电气系统中未经过预期路径流出的情况，可能导致电路故障、设备损坏甚至是人身安全受到威胁。现有漏电预警领域的技术涵盖了传感器技术、数据采集与处理技术、人工智能技术等多个方面，随着智能化、网络化的发展，漏电预警系统也越来越趋向于集成化、智能化和远程监控。
然而现有的漏电预警方法多采用机器学习方法和深度学习方法进行漏电数据的模式识别，但其模型的训练和识别的精度需要大量的数据支持，针对性模型的训练成本高，更适用于大规模数据和复杂的场景，而对于单一或少数建筑物的智能化漏电预警系统无法有效保证识别模型的识别效果和精度，容易出现误报警问题。频繁的误报警问题容易导致检修人员的忽视，严重的会导致电气事故的发生。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于DTW算法的漏电预警方法及系统，采用DTW算法比较不同时间点下采集判断出的漏电数据序列，直接对漏电数据序列进行匹配识别，可以快速识别出漏电情况的类型，能够有效处理漏电数据之间长度不同、时间点不同的情况。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，本发明提供一种基于DTW算法的漏电预警方法，包括：
获取当前时刻的前预设时段的时序计量数据；
将所述时序计量数据输入至预先训练的筛选模型进行计算，得到异常值时序计量数据；
将所述异常值时序计量数据输入至预先训练的预测模型进行预测，得到当前时刻的预测计量数据，将所述预测计量数据与当前时刻的真实计量数据进行比对，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，是则得到漏电电流数据；
对所述漏电电流数据进行特征提取，得到漏电电流数据的特征矢量；
基于参考类型库利用动态时间规整匹配对所述特征矢量进行识别，识别漏电类型。
进一步的技术方案，所述时序计量数据包括零线电流时序数据以及火线电流时序数据。
进一步的技术方案，所述筛选模型为K-means聚类模型。
进一步的技术方案，得到异常值时序计量数据具体步骤为：
对零线电流时序数据以及火线电流时序数据进行清洗，剔除无效电流数据；
根据零线电流时序数据以及火线电流时序数据，确定剩余电流值；
对剩余电流值进行归一化处理，确定归一化结果；
利用欧式距离公式对归一化结果与筛选模型中的聚类中心进行计算，确定异常值时序计量数据。
进一步的技术方案，所述预测模型为改进的长短期记忆神经网络模型。
进一步的技术方案，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，具体为：当误差值超过预先设置的误差阈值的情况下，确定当前时刻的真实计量数据为漏电电流数据。
进一步的技术方案，利用动态时间规整匹配对所述特征矢量进行识别，具体步骤为：
初始化一个距离矩阵，用于存储每个时间点之间的距离；
计算特征矢量序列与参考类型库中某一序列中每个时间点之间的局部距离；
基于局部距离，使用动态规划算法计算两个序列之间的最小累积距离；
根据动态规划过程中计算的累积距离，回溯出最佳的对齐路径，从而找到最佳的匹配方案；
根据最佳的对齐路径计算出两个序列之间的相似度，进而计算出当前漏电电流数据特征矢量与参考类型库内全部序列的相似度，匹配得到最相似的参考对象，识别出当前漏电电流数据的漏电类型。
第二方面，本发明提供一种基于DTW算法的漏电预警系统，包括：
数据获取模块：获取当前时刻的前预设时段的时序计量数据；
异常筛选模块：将所述时序计量数据输入至预先训练的筛选模型进行计算，得到异常值时序计量数据；
预测判定模块：将所述异常值时序计量数据输入至预先训练的预测模型进行预测，得到当前时刻的预测计量数据，将所述预测计量数据与当前时刻的真实计量数据进行比对，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，是则得到漏电电流数据；
特征提取模块：对所述漏电电流数据进行特征提取，得到漏电电流数据的特征矢量；
匹配识别模块：基于参考类型库利用动态时间规整匹配对所述特征矢量进行识别，识别漏电类型。
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的一种基于DTW算法的漏电预警方法中的步骤。
第四方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上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提供的一种基于DTW算法的漏电预警方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明先对建筑内实时采集的电流数据进行异常判断，筛选出异常数据，并判断是否为漏电电流数据，若是则进行下一步漏电电流数据的识别，以便及时发现漏电情况并快速判定问题所在，预防潜在的危险事件发生。
本发明提出一维卷积化的长短期记忆神经网络Conv1d-LSTM，采用一维卷积操作进行特征映射，以反映输入序列的局部特征，构建Conv1d-LSTM在捕捉时序序列样本的时域特征的同时，还提取其局部特征，深刻学习了序列样本特征，实现以少量时序序列样本训练得到较高准确性的目的；同时通过动态自适应布谷鸟搜索PSCS对Conv1d-LSTM网络进行超参数寻优，进一步弥补少量时序序列样本训练的不足。
本发明利用DTW算法进行漏电类型的识别，无需大量漏电电流数据的支持，可以直接对判定的漏电电流数据与历史漏电数据库中的序列进行匹配识别，以识别出漏电类型。
本发明利用DTW算法进行漏电类型的识别，能够克服电流数据序列之间存在的噪声、局部形变或偏移的问题，具有较强的鲁棒性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
参见附图1所示，本实施例公开了一种基于DTW算法的漏电预警方法，该方法包括以下步骤：
S1、获取当前时刻的前预设时段的时序计量数据；
在本实施例中，根据建筑结构和电气布局，确定传感器的布置位置，设置多个用户采样点，能够覆盖关键区域，如主配电箱、分配盘等，确保传感器能够有效监测到漏电情况。
预设时段可以为5分钟、15分钟、30分钟等时长，一般选择获取当前时刻前几分钟到几十分钟的时序计量数据，这个时间范围既可以确保捕捉到漏电信号，又不会因数据量过大而影响系统的实时性。具体的时间范围还需要根据实际应用场景和设备、模型的特性，考虑电气设备漏电时电流、电压变化的规律，还需要考虑预警系统的响应速度和数据处理能力，进行调整和优化。
在本实施例中，时序计量数据包括零线电流时序数据以及火线电流时序数据。
S2、将所述时序计量数据输入至预先训练的筛选模型进行计算，得到异常值时序计量数据；
S201：对零线电流时序数据以及火线电流时序数据进行清洗，剔除无效电流数据；
S202：根据零线电流时序数据以及火线电流时序数据，确定剩余电流值；具体的，根据剩余电流定义，可以利用相线(L)电流和中性线(N)电流的差值间接表示线路中剩余电流的值。
S203：对剩余电流值进行归一化处理，确定归一化结果；具体的，为了加快Canopy+K-means聚类算法的收敛速度，在进行聚类操作前需要对样本数据进行归一化处理，此处采用最大最小归一化的方法，其公式如下式所示：
其中，和/>分别为归一化后的最小值和最大值，分别取0和1，/>为待归一化变量，/>和/>分别为待归一化变量的最小值和最大值，/>为归一化结果。
S204：利用欧式距离公式对归一化结果与筛选模型中的聚类中心进行计算，确定异常值时序计量数据。
在本实施例中，筛选模型是Canopy+K-means聚类算法，其训练方法具体为：
利用Canopy算法将获取的历史时序样本计量数据进行聚类分析，确定聚类数目以及每个类别的初始聚类中心；
利用K-means对每个类别的初始聚类中心进行迭代计算，确定每个类别的最终聚类中心；
根据聚类数目以及每个类别的最终聚类中心，确定筛选模型。
S3、将所述异常值时序计量数据输入至预先训练的预测模型进行预测，得到当前时刻的预测计量数据，将所述预测计量数据与当前时刻的真实计量数据进行比对，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，是则得到漏电电流数据。
在本实施例中，预测模型是改进的长短期记忆神经网络模型，可根据历史时序样本计量数据的采样点个数，确定神经网络模型的神经元个数；同时，预测模型的激活函数设置为sigmoid函数，输出激活函数设置为tanh函数。
具体的，将含有异常数据的时序序列样本作为改进的LSTM神经网络的输入，划分样本数据的训练集和测试集，利用神经网络的正向计算和反向传播过程进行训练。
在本实施例中，对传统的长短期记忆神经网络进行改进后得到预测模型，在传统长短期记忆神经网络的基础上，将矩阵乘法操作替换为一维卷积操作，即一维卷积化的长短期记忆神经网络Conv1d-LSTM；Conv1d-LSTM包含输入门、输出门和遗忘门，上述三个门使用一维卷积操作处理输入数据，并通过sigmoid函数实现门控控制。
其中，一维卷积操作的具体步骤为：接收含有异常数据的时序序列样本；设置卷积核大小，其决定在输入序列上滑动的范围；卷积核在输入序列上进行滑动操作，每次滑动一个步长，在每个位置，卷积核与输入序列的相应部分进行逐元素相乘，并将结构相加，形成卷积后的输出；卷积操作后，应用激活函数sigmoid，引入非线性，增加预测模型的表达能力。
通过采用上述技术方案，采用一维卷积操作进行特征映射，以反映输入序列的局部特征，构建Conv1d-LSTM在捕捉时序序列样本的时域特征的同时，还提取其局部特征，深刻学习了序列样本特征，实现以少量时序序列样本训练得到较高准确性的目的。
同时为了进一步弥补少量时序序列样本训练的不足，通过动态自适应布谷鸟搜索PSCS优化Conv1d-LSTM网络，对该网络超参数进行寻优，即对Conv1d-LSTM网络的卷积核大小、学习率、藏层节点数、正则化参数、迭代次数等需寻优的参数进行优化，得到最佳超参数组合带入Conv1d-LSTM网络中，完成最终预测并输出预测结果。
在本实施例中，确定预测计量数据与当前时刻真实计量数据的比对误差，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，具体为：当误差值超过预先设置的误差阈值的情况下，确定当前时刻的真实计量数据为漏电电流数据。
具体的，该步骤主要是通过预测模型进行预测识别，利用时序序列数据中的前n个数据预测下一个数据，将预测值作为数据的准确值，再将真实计量数据与预测值大小进行判断。设置一定的误差阈值范围，如果误差大小在阈值范围内，则判断当前漏电电流为正常值，当误差超过阈值时，则判断出现异常数据。将该异常数据从样本中剔除并替换为预测值，持续网络模型预测，直到时序数据全部运行结束。
S4：对所述漏电电流数据进行特征提取，得到漏电电流数据的特征矢量；
在本实施例中，在进行特征提取之前，需要对采集确定的漏电电流数据进行预处理，包括数据清洗、去噪和归一化等，以提高待识别数据的质量，减少干扰因素对模式识别的影响。
对漏电电流数据进行特征提取，具体为：
S401：用平滑法将电流数据曲线中的高频分量去掉，使曲线平滑；
其中，电流数据是典型的有限一维时间序列，可表示为，其中/>表示第/>时刻的值，/>为正整数。为了获得电流数据的主要特征分量，利用平滑的思想将电流数据曲线中的毛刺(高频分量)去掉，具体方式为：依次求时间序列中(除端点外)相邻3个时间点的均值，将所得均值作为中间点的更新值，如时间序列中第/>时刻的值为：
最终得到新序列，即完成一次平滑处理。
S402：重复该过程，直到相邻两次时间序列间的误差小于设定的阈值，此时得到的时间序列即为电流数据的特征分量；
其中的终止判据为，其中/>为设定的阈值。该终止判据是指，当第/>次平滑处理后，得到的时间序列/>与/>次平滑处理后的时间序列/>间的误差小于/>，说明已将绝大部分毛刺(高频分量)去除，此时应停止平滑处理，得到的时间序列为电流数据的特征分量。
S403：利用分段线性化的子序列矢量提取方式提取各段的时间长度和变化程度，即构成提取出的电流数据特征矢量。
其中的各段的时间长度和变化程度由分段线性化的子序列矢量提取方式得到。具体过程为：将曲线分为若干上升段和下降段，每段的分点位于曲线的极值点处。将特征分量的极值点作为分段线性化过程中的重要点，上升段和下降段作为分段线性化过程中的子序列，然后对重要点间的子序列进行矢量提取，即提取其斜率(反映了时间序列的变化程度)和长度(反映了时间序列的持续时间)，将其转化为二维平面上的点。从而，利用分段线性化的子序列矢量提取方式得到了各段的时间长度和变化程度，即数据特征矢量。
S5、基于参考类型库利用动态时间规整匹配对所述特征矢量进行识别，识别漏电类型。
在本实施例中，参考类型库为提前设置好的历史漏电数据库，存储历史漏电电流数据以及相应的漏电类型；将历史漏电电流数据采用步骤S4所述方法提取特征，并结合确定的漏电类型生成参考模板。
在本实施例中，利用动态时间规整DTW算法对所述数据特征矢量和参考模板内的数据特征进行最小累积距离匹配，输出最小匹配距离结果。
DTW能够考虑时间序列之间的时间偏移和变形，从而在时间轴上进行“弯曲”以匹配两个系列之间的相似性，允许在时间轴上进行非线性的对齐，以识别出序列的最佳匹配。
利用动态时间规整匹配对所述特征矢量进行识别，具体步骤为：
S501：首先初始化一个距离矩阵，用于存储每个时间点之间的距离。
S502：计算特征矢量序列与参考类型库中某一序列中每个时间点之间的局部距离。优选的，该局部距离为曼哈顿距离。
S503：基于局部距离，使用动态规划算法计算两个序列之间的最小累积距离。
S504：根据动态规划过程中计算的累积距离，回溯出最佳的对齐路径，从而找到最佳的匹配方案。
S505：最后根据最佳的对齐路径计算出两个序列之间的相似度，进而计算出当前漏电电流数据特征矢量与参考类型库内全部序列的相似度，匹配得到最相似的参考对象，识别出当前漏电电流数据的漏电类型。
在本实施例中，根据漏电情况的严重程度和紧急程度，设计不同级别的报警机制，包括声光报警、短信通知、邮件提醒等；对于确实存在漏电危险的情况，及时触发报警装置，通知相关人员采取措施；对于可能的误报情况，采取延迟报警或二次确认机制，以降低误报率。
漏电预警系统是一个持续优化和更新的过程，需要定期对系统进行维护和更新，将新出现的漏电电流数据和对应的漏电类型更新存储至参考类型库，并根据实际应用情况不断优化算法和参数，提高系统的性能和稳定性。
实施例二
本实施例提供一种基于DTW算法的漏电预警系统，包括：
数据获取模块：获取当前时刻的前预设时段的时序计量数据；
异常筛选模块：将所述时序计量数据输入至预先训练的筛选模型进行计算，得到异常值时序计量数据；
预测判定模块：将所述异常值时序计量数据输入至预先训练的预测模型进行预测，得到当前时刻的预测计量数据，将所述预测计量数据与当前时刻的真实计量数据进行比对，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，是则得到漏电电流数据；
特征提取模块：对所述漏电电流数据进行特征提取，得到漏电电流数据的特征矢量；
匹配识别模块：基于参考类型库利用动态时间规整匹配对所述特征矢量进行识别，识别漏电类型。
实施例三
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上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实施例一提供的基于DTW算法的漏电预警方法的步骤。
实施例四
本实施例的目的是提供一种计算机可读存储介质。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实施例一提供的基于DTW算法的漏电预警方法的步骤。
以上实施例三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于DTW算法的漏电预警方法，其特征是，包括：
获取当前时刻的前预设时段的时序计量数据；
将所述时序计量数据输入至预先训练的筛选模型进行计算，得到异常值时序计量数据；
将所述异常值时序计量数据输入至预先训练的预测模型进行预测，得到当前时刻的预测计量数据，将所述预测计量数据与当前时刻的真实计量数据进行比对，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，是则得到漏电电流数据；
对所述漏电电流数据进行特征提取，得到漏电电流数据的特征矢量；
基于参考类型库利用动态时间规整匹配对所述特征矢量进行识别，识别漏电类型。
2.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，所述时序计量数据包括零线电流时序数据以及火线电流时序数据。
3.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，所述筛选模型为K-means聚类模型。
4.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，得到异常值时序计量数据具体步骤为：
对零线电流时序数据以及火线电流时序数据进行清洗，剔除无效电流数据；
根据零线电流时序数据以及火线电流时序数据，确定剩余电流值；
对剩余电流值进行归一化处理，确定归一化结果；
利用欧式距离公式对归一化结果与筛选模型中的聚类中心进行计算，确定异常值时序计量数据。
5.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，所述预测模型为改进的长短期记忆神经网络模型。
6.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，具体为：当误差值超过预先设置的误差阈值的情况下，确定当前时刻的真实计量数据为漏电电流数据。
7.如权利要求1所述的一种基于DTW算法的漏电预警方法，其特征是，利用动态时间规整匹配对所述特征矢量进行识别，具体步骤为：
初始化一个距离矩阵，用于存储每个时间点之间的距离；
计算特征矢量序列与参考类型库中某一序列中每个时间点之间的局部距离；
基于局部距离，使用动态规划算法计算两个序列之间的最小累积距离；
根据动态规划过程中计算的累积距离，回溯出最佳的对齐路径，从而找到最佳的匹配方案；
根据最佳的对齐路径计算出两个序列之间的相似度，进而计算出当前漏电电流数据特征矢量与参考类型库内全部序列的相似度，匹配得到最相似的参考对象，识别出当前漏电电流数据的漏电类型。
8.一种基于DTW算法的漏电预警系统，其特征是，包括：
数据获取模块：获取当前时刻的前预设时段的时序计量数据；
异常筛选模块：将所述时序计量数据输入至预先训练的筛选模型进行计算，得到异常值时序计量数据；
预测判定模块：将所述异常值时序计量数据输入至预先训练的预测模型进行预测，得到当前时刻的预测计量数据，将所述预测计量数据与当前时刻的真实计量数据进行比对，根据比对误差判定当前时刻的真实计量数据是否为漏电电流数据，是则得到漏电电流数据；
特征提取模块：对所述漏电电流数据进行特征提取，得到漏电电流数据的特征矢量；
匹配识别模块：基于参考类型库利用动态时间规整匹配对所述特征矢量进行识别，识别漏电类型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于DTW算法的漏电预警方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-7中任一项所述的一种基于DTW算法的漏电预警方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410361352.3A CN117970182A (zh) | 2024-03-28 | 2024-03-28 | 一种基于dtw算法的漏电预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410361352.3A CN117970182A (zh) | 2024-03-28 | 2024-03-28 | 一种基于dtw算法的漏电预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117970182A true CN117970182A (zh) | 2024-05-03 |
Family
ID=90866009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410361352.3A Pending CN117970182A (zh) | 2024-03-28 | 2024-03-28 | 一种基于dtw算法的漏电预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117970182A (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915061A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 一种道岔动作电流曲线预测方法及其故障判别方法 |
| CN112396152A (zh) * | 2020-11-17 | 2021-02-23 | 郑州大学 | 一种基于cs-lstm的洪水预报方法 |
| CN112565422A (zh) * | 2020-12-04 | 2021-03-26 | 杭州佳速度产业互联网有限公司 | 一种对电力物联网故障数据的识别方法、系统和存储介质 |
| CN113155462A (zh) * | 2021-03-29 | 2021-07-23 | 温州大学 | 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法 |
| US20220065705A1 (en) * | 2020-08-27 | 2022-03-03 | Yokogawa Electric Corporation | Abnormal temperature detection device, abnormal temperature detection method, and storage medium |
| CN114139589A (zh) * | 2021-03-02 | 2022-03-04 | 湖州师范学院 | 故障诊断方法、装置、设备与计算机可读存储介质 |
| WO2022047658A1 (zh) * | 2020-09-02 | 2022-03-10 | 大连大学 | 日志异常检测系统 |
| CN114330583A (zh) * | 2021-12-31 | 2022-04-12 | 四川大学 | 一种异常用电识别方法和异常用电识别系统 |
| CN114676782A (zh) * | 2022-03-30 | 2022-06-28 | 山东大学 | 一种基于高频时序数据的车辆故障预警方法及系统 |
| CN114819065A (zh) * | 2022-04-06 | 2022-07-29 | 重庆大学 | 基于布谷鸟搜索算法优化lstm的瓦斯浓度预测方法和系统 |
| CN115618261A (zh) * | 2022-09-22 | 2023-01-17 | 国网江苏省电力有限公司南京供电分公司 | 一种基于nca与ssa-kelm的光伏接入配电网漏电识别方法 |
| CN116186630A (zh) * | 2022-09-21 | 2023-05-30 | 中国电力科学研究院有限公司 | 一种异常漏电电流数据识别方法及相关装置 |
| CN116451070A (zh) * | 2023-03-17 | 2023-07-18 | 南京康尼机电股份有限公司 | 基于多分辨率窗口的轨道车门系统异常判别方法及系统 |
| CN116822571A (zh) * | 2022-11-03 | 2023-09-29 | 中移(苏州)软件技术有限公司 | 预测方法、模型的训练方法及装置、设备、存储介质 |
| CN116956189A (zh) * | 2023-07-07 | 2023-10-27 | 无锡学院 | 一种电流异常检测系统、方法、电子设备及介质 |
| CN116995653A (zh) * | 2023-06-21 | 2023-11-03 | 贵州电网有限责任公司 | 一种基于ddtw距离的低压台区相户拓扑识别方法 |
| CN117648554A (zh) * | 2024-01-29 | 2024-03-05 | 山东德源电力科技股份有限公司 | 一种用于光伏多功能断路器的智能数据采集方法 |
| CN117672201A (zh) * | 2023-12-05 | 2024-03-08 | 舜泰汽车有限公司 | 一种农机无人驾驶语音识别的控制系统 |
-
2024
- 2024-03-28 CN CN202410361352.3A patent/CN117970182A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915061A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 一种道岔动作电流曲线预测方法及其故障判别方法 |
| US20220065705A1 (en) * | 2020-08-27 | 2022-03-03 | Yokogawa Electric Corporation | Abnormal temperature detection device, abnormal temperature detection method, and storage medium |
| WO2022047658A1 (zh) * | 2020-09-02 | 2022-03-10 | 大连大学 | 日志异常检测系统 |
| CN112396152A (zh) * | 2020-11-17 | 2021-02-23 | 郑州大学 | 一种基于cs-lstm的洪水预报方法 |
| CN112565422A (zh) * | 2020-12-04 | 2021-03-26 | 杭州佳速度产业互联网有限公司 | 一种对电力物联网故障数据的识别方法、系统和存储介质 |
| CN114139589A (zh) * | 2021-03-02 | 2022-03-04 | 湖州师范学院 | 故障诊断方法、装置、设备与计算机可读存储介质 |
| CN113155462A (zh) * | 2021-03-29 | 2021-07-23 | 温州大学 | 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法 |
| CN114330583A (zh) * | 2021-12-31 | 2022-04-12 | 四川大学 | 一种异常用电识别方法和异常用电识别系统 |
| CN114676782A (zh) * | 2022-03-30 | 2022-06-28 | 山东大学 | 一种基于高频时序数据的车辆故障预警方法及系统 |
| CN114819065A (zh) * | 2022-04-06 | 2022-07-29 | 重庆大学 | 基于布谷鸟搜索算法优化lstm的瓦斯浓度预测方法和系统 |
| CN116186630A (zh) * | 2022-09-21 | 2023-05-30 | 中国电力科学研究院有限公司 | 一种异常漏电电流数据识别方法及相关装置 |
| CN115618261A (zh) * | 2022-09-22 | 2023-01-17 | 国网江苏省电力有限公司南京供电分公司 | 一种基于nca与ssa-kelm的光伏接入配电网漏电识别方法 |
| CN116822571A (zh) * | 2022-11-03 | 2023-09-29 | 中移(苏州)软件技术有限公司 | 预测方法、模型的训练方法及装置、设备、存储介质 |
| CN116451070A (zh) * | 2023-03-17 | 2023-07-18 | 南京康尼机电股份有限公司 | 基于多分辨率窗口的轨道车门系统异常判别方法及系统 |
| CN116995653A (zh) * | 2023-06-21 | 2023-11-03 | 贵州电网有限责任公司 | 一种基于ddtw距离的低压台区相户拓扑识别方法 |
| CN116956189A (zh) * | 2023-07-07 | 2023-10-27 | 无锡学院 | 一种电流异常检测系统、方法、电子设备及介质 |
| CN117672201A (zh) * | 2023-12-05 | 2024-03-08 | 舜泰汽车有限公司 | 一种农机无人驾驶语音识别的控制系统 |
| CN117648554A (zh) * | 2024-01-29 | 2024-03-05 | 山东德源电力科技股份有限公司 | 一种用于光伏多功能断路器的智能数据采集方法 |
Non-Patent Citations (1)
| Title |
|---|
| 仇功达;何明;杨杰;曹玉婷;孙继红;: "异常轨迹数据预警与预测关键技术综述", 系统仿真学报, no. 11, 8 November 2017 (2017-11-08) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN112633421A (zh) | 一种用户异常用电行为检测方法及装置 | |
| EP3364157A1 (en) | Method and system of outlier detection in energy metering data | |
| Zhang et al. | Health state assessment of bearing with feature enhancement and prediction error compensation strategy | |
| CN110444011B (zh) | 交通流高峰识别方法、装置、电子设备及存储介质 | |
| CN113626502B (zh) | 基于集成学习的电网数据异常检测方法及装置 | |
| CN113409166A (zh) | 基于XGBoost模型的用户异常用电行为检测方法及装置 | |
| CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
| CN112070322A (zh) | 基于长短期记忆网络的高压电缆线路运行状态预测方法 | |
| CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
| Jiang et al. | Remaining useful life estimation combining two-step maximal information coefficient and temporal convolutional network with attention mechanism | |
| CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
| CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
| CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
| CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
| CN117419828A (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
| CN113344406A (zh) | 一种配网台区智能融合终端电能质量监测可靠性评估方法 | |
| Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
| CN113151842A (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN117827593A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
| CN116937559A (zh) | 基于循环神经网络和张量分解的电力系统负荷预测系统和方法 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| CN117970182A (zh) | 一种基于dtw算法的漏电预警方法及系统 |
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 |