CN117056813B - 一种用于智能断路器数据采集的检测方法 - Google Patents
一种用于智能断路器数据采集的检测方法 Download PDFInfo
- Publication number
- CN117056813B CN117056813B CN202311308232.9A CN202311308232A CN117056813B CN 117056813 B CN117056813 B CN 117056813B CN 202311308232 A CN202311308232 A CN 202311308232A CN 117056813 B CN117056813 B CN 117056813B
- Authority
- CN
- China
- Prior art keywords
- current
- value
- unstable
- data
- discrete
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 201
- 238000011156 evaluation Methods 0.000 claims abstract description 79
- 230000005856 abnormality Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 9
- 241001123248 Arma Species 0.000 claims abstract 5
- 238000013507 mapping Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000002688 persistence Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16571—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing AC or DC current with one threshold, e.g. load current, over-current, surge current or fault current
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明涉及电子数据处理领域，尤其涉及一种用于智能断路器数据采集的检测方法，该方法获取预设时段对应的电流时序数据；筛选得到电流时序数据中的至少一个非稳定离散电流值；针对任一非稳定离散电流值，计算非稳定离散电流值的异常评估值；根据所有非稳定离散电流值的异常评估值，将所有非稳定离散电流值划分为第一类异常电流数据和第二类异常电流数据，分别获取第一类异常电流数据的L1正则化参数和第二类异常电流数据的L1正则化参数；根据电流时序数据、第一类异常电流数据的L1正则化参数以及第二类异常电流数据的L1正则化参数，拟合出最优ARMA模型，利用最优ARMA模型进行电流异常检测，提高了电流异常检测结果的准确性。
Description
技术领域
本发明涉及电子数据处理领域，尤其涉及一种用于智能断路器数据采集的检测方法。
背景技术
断路器由一个电磁元件和一个触发机构组成，其是一种用来保护电线和电气设备免受过载、短路或其他故障造成的损坏的电气开关装置。它的主要功能是在电路中断开电流，以防止电流超过设定值而引发危险，也即是当电流超过设定值时，断路器会迅速切断电路，从而保护电线和设备免受损坏。而智能断路器相较于传统断路器而言，通常会在内部设置一个电流传感器来进行电流的采集，由此智能断路器能够通过内置的电流传感器实现实时监控电流和电流异常数据的检测处理，进而实现远程控制或预警断电操作。
目前，通过获取智能断电器内置的电流传感器获取电流时序数据，并对电流时序数据进行异常检测，以达到预警断电的目的。由于设备内电流在正常情况下大多具有相对恒定且稳定的数据特征，因此对于该类数据特征通常使用ARMA（自回归移动平均模型）进行电流异常检测，具体为：对电流时序数据进行分解和拟合处理获取ARMA预测模型，并利用ARMA预测模型预测得到下一时刻的电流预测值，采集下一时刻的实时电流值，计算电流预测值和实时电流值之间的电流差值，若电流差值大于预设的差值阈值，则确定下一时刻的电流异常，应进行预警断电处理。
但由于造成电流异常波动原因存在多样性，即并非所有异常电流波动均由设备过载或短路等故障所致，例如：在设备运行周期、节能策略以及调度计划等非短路故障类原因的影响下，电流传感器采集的电流数据同样会产生一定的异常波动，但这种情况下并不需要智能断路器将其视为短路故障类原因所导致的电流突变异常。由此，在对采集得到电流时序数据进行拟合获取ARMA预测模型时，会受上述非短路故障类原因的数据异常波动影响，从而导致获取的ARMA预测模型不准确，进而降低了电流异常数据的检测结果的准确率。
因此，如何提高对电流时序数据进行拟合获取ARMA预测模型的准确性成为亟需解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种用于智能断路器数据采集的检测方法，以解决如何提高配电终端的三维全景中的监控信息的准确性的问题。
本发明实施例提供一种用于智能断路器数据采集的检测方法，所述检测方法，包括：
基于预设的采样频率采集带有时间戳的电流值，得到预设时段对应的电流时序数据；
针对所述电流时序数据中的任一电流值，统计所述电流时序数据中所述电流值的出现次数，根据所述电流值的出现次数以及所述电流值与所述电流时序数据中其他电流值的差异，计算所述电流值属于非稳定离散电流值的评估指标，根据所述电流时序数据中每个电流值对应的评估指标，筛选得到所述电流时序数据中的至少一个非稳定离散电流值；
针对任一非稳定离散电流值，分别计算所述非稳定离散电流值属于第一类异常电流数据的第一概率，以及所述非稳定离散电流值属于第二类异常电流数据的第二概率，根据所述第一概率和所述第二概率计算所述非稳定离散电流值的异常评估值；
根据所有非稳定离散电流值的异常评估值，将所有非稳定离散电流值划分为所述第一类异常电流数据和所述第二类异常电流数据，分别获取所述第一类异常电流数据的L1正则化参数和所述第二类异常电流数据的L1正则化参数；
根据所述电流时序数据、所述第一类异常电流数据的L1正则化参数以及所述第二类异常电流数据的L1正则化参数，拟合出最优ARMA模型，利用所述最优ARMA模型进行电流异常检测。
优选的，所述根据所述电流值的出现次数以及所述电流值与所述电流时序数据中其他电流值的差异，计算所述电流值属于非稳定离散电流值的评估指标，包括：
获取所述电流时序数据中的数据量，计算所述电流值的出现次数与所述数据量之间的比值，对所述比值进行负映射，得到对应的映射结果；
计算所述电流时序数据中所有电流值的电流平均值，计算所述电流值与所述电流平均值之间的差值绝对值，对所述差值绝对值进行归一化处理，得到对应的归一化结果；
对所述映射结果和所述归一化结果进行加权求和，得到的加权求和结果为所述电流值属于非稳定离散电流值的评估指标。
优选的，所述根据所述电流时序数据中每个电流值对应的评估指标，筛选得到所述电流时序数据中的至少一个非稳定离散电流值，包括：
设定属于非稳定离散电流值所对应的评估指标阈值 ，针对所述电流时序数据中的任一电流值，若所述电流值的评估指标大于或等于所述评估指标阈值，则确定所述电流值为非稳定离散电流值。
优选的，所述非稳定离散电流值属于第一类异常电流数据的第一概率的计算方法，包括：
基于所述电流时序数据中各个电流值的位置，计算所述非稳定离散电流值与其前一个非稳定离散电流值之间的第一电流差值绝对值，计算所述非稳定离散电流值与其后一个非稳定离散电流值之间的第二电流差值绝对值，获取所述第一电流差值绝对值和所述第二电流差值绝对值之间的最大值；
计算所述电流时序数据中任意两个相邻电流值之间的第三差值绝对值，并计算所有第三差值绝对值之间的均值，获取所述最大值与所述均值之间的差值，对所述差值进行归一化处理，得到归一化差值；
统计所述非稳定离散电流值的时间戳之后的预设时长内非稳定离散电流值的数量占比，对所述数量占比进行负映射，得到对应的映射值；
对所述归一化差值和所述映射值进行加权求和，得到的加权求和结果为所述非稳定离散电流值属于第一类异常电流数据的第一概率。
优选的，所述非稳定离散电流值属于第二类异常电流数据的第二概率的计算方法，包括：
基于所述电流时序数据中各个电流值的位置，根据所述非稳定离散电流值的时间戳与其前一个相邻的非稳定离散电流值的时间戳，计算第一间隔时长，根据所述非稳定离散电流值的时间戳与其后一个相邻的非稳定离散电流值的时间戳，计算第二间隔时长；
计算所述第一间隔时长和所述第二间隔时长之间的比值，获取所述比值与第一预设值之间的差值的绝对值，利用第二预设值减去所述差值的绝对值的负映射结果，得到所述非稳定离散电流值属于第二类异常电流数据的第二概率。
优选的，所述根据所述第一概率和所述第二概率计算所述非稳定离散电流值的异常评估值，包括：
对所述一概率和所述第二概率进行加权求和，得到的加权求和结果为所述非稳定离散电流值的异常评估值。
优选的，所述根据所有非稳定离散电流值的异常评估值，将所有非稳定离散电流值划分为所述第一类异常电流数据和所述第二类异常电流数据，包括：
设定异常分类的异常评估阈值，针对任一非稳定离散电流值，若所述非稳定离散电流值的异常评估值大于或等于所述异常评估阈值，则确定所述非稳定离散电流值属于所述第一类异常电流数据；
若所述非稳定离散电流值的异常评估值小于所述异常评估阈值，则确定所述非稳定离散电流值属于所述第二类异常电流数据。
优选的，所述分别获取所述第一类异常电流数据的L1正则化参数和所述第二类异常电流数据的L1正则化参数，包括：
利用矫正系数对初始的L1正则化项进行调整，分别所述第一类异常电流数据的L1正则化项和所述第二类异常电流数据的L1正则化项；
根据所述第一类异常电流数据的L1正则化项和所述第二类异常电流数据的L1正则化项，分别获取所述第一类异常电流数据的L1正则化参数和所述第二类异常电流数据的L1正则化参数；
其中，所述初始的L1正则化项对应的公式为：，/>表示L1正则化参数，/>是ARMA模型的模型参数W的L1范数；
所述第一类异常电流数据的L1正则化项对应的公式为：，/>表示所述第一类异常电流数据，/>表示所述矫正系数；
所述第二类异常电流数据的L1正则化项对应的公式为：，/>表示所述第二类异常电流数据。
本发明实施例与现有技术相比存在的有益效果是：
本发明通过获取预设时段内的电流时序数据，并筛选出电流时序数据中的非稳定离散电流，进而对每个非稳定离散电流进行异常评估，得到每个非稳定离散电流的异常评估值，用于区分非稳定离散电流的异常程度，根据所有非稳定离散电流的异常评估值，对所有的非稳定离散电流进行划分，得到第一类异常电流数据和第二类异常电流数据，从而将电流时序数据划分为了正常电流数据、第一类异常电流数据和第二类异常电流数据，根据不同类下的电流数据自适应调整ARMA模型在拟合时的滞后阶数，使得设备短路过载类异常数据波动的拟合增强，对非短路过载类异常数据波动的拟合削弱效果，从而得到最优ARMA模型，利用最优ARMA模型进行电流异常检测，提高了电流异常检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种用于智能断路器数据采集的检测方法的方法流程图。
具体实施方式
下面详细描述本公开的实施例，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，旨在用于解释本公开，而不能理解为对本公开的限制。
需要说明的是，本公开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，以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明所针对的场景为：利用智能断路器中内置的电流传感器采集设备的电流数据，对电流数据进行异常检测。
参见图1，是本发明实施例一提供的一种用于智能断路器数据采集的检测方法的方法流程图，如图1所示，该检测方法可以包括：
步骤S101，基于预设的采样频率采集带有时间戳的电流值，得到预设时段对应的电流时序数据。
具体的，设置智能断路器内置的电流传感器的采样频率，例如：1秒采集一次。因此，基于设置的采样频率采集带有时间戳的电流值，从而采集得到预设时段内每个时刻下的电流值，进而构成电流时序数据。
步骤S102，针对电流时序数据中的任一电流值，统计电流时序数据中电流值的出现次数，根据电流值的出现次数以及电流值与电流时序数据中其他电流值的差异，计算电流值属于非稳定离散电流值的评估指标，根据电流时序数据中每个电流值对应的评估指标，筛选得到电流时序数据中的至少一个非稳定离散电流值。
具体的，根据ARMA模型的拟合原理可知，增加拟合过程中ARMA模型的滞后阶数，可以使其捕捉到更长时序范围内的数据信息和趋势，从而更好地削弱时序数据中异常数据点对于拟合ARMA模型的影响，反之，减少拟合过程中ARMA模型的滞后阶数，会增强时序数据中异常数据点对于拟合ARMA模型的影响。因此，在得到电流时序数据之后， 对电流时序数据进行数据波动特征分析和分类，对由短路故障引起的第一类异常电流数据和非短路故障引起的第二类异常电流数据进行自适应分类调参处理，使得ARMA模型在拟合时增强并突出第一类异常电流数据，削弱第二类异常电流数据，达到当前场景下最优的拟合效果。
因此，本发明实施例中，对电流时序数据中的非稳定离散电流值进行筛选，以得到存在异常波动的电流值，具体过程为：针对电流时序数据中的任一电流值，统计电流时序数据中电流值的出现次数，获取所述电流时序数据中的数据量，计算所述电流值的出现次数与所述数据量之间的比值，对所述比值进行负映射，得到对应的映射结果；计算所述电流时序数据中所有电流值的电流平均值，计算所述电流值与所述电流平均值之间的差值绝对值，对所述差值绝对值进行归一化处理，得到对应的归一化结果；对所述映射结果和所述归一化结果进行加权求和，得到的加权求和结果为所述电流值属于非稳定离散电流值的评估指标。
其中，电流时序数据中第o个电流值属于非稳定离散电流值的评估指标的计算表达式：
；
其中，为电流时序数据中第o个电流值属于非稳定离散电流值的评估指标，/>为电流时序数据中第o个电流值，/>为电流时序数据中第i个电流值，n为电流时序数据中包含的电流值的数量，也即是电流时序数据中的数据量，/>为归一化函数，将计算结果映射至0~1之间，/>为电流时序数据中第o个电流值对应的数值在电流时序数据中的出现次数，/>为以常数e为底数的指数函数，/>表示第一权重，/>为表示第二权重，可根据场景自行设定，在本实施例中/>。
需要说明的是，智能断路器在正常工作运行时的电流输出数据是保持稳定的，则稳定的电流输出数据值基本一致或相似，而非稳定离散的电流输出数据则具有数值过大且孤立的特征，因此，计算电流时序数据中第o个电流值与电流时序数据的电流平均值之间的差值绝对值，差值绝对值越大，说明第o个电流值越异常，对应属于非稳定离散电流的概率越大，对应评估指标越大；电流时序数据中第o个电流值对应的数值在电流时序数据中的出现次数/>越少，说明第o个电流值越不是稳定的电流输出值，越说明第o个电流值特征且孤立，进而利用以常数e为底数的指数函数/>，对出现次数/>进行负映射，对应属于非稳定离散电流的概率越大，评估指标/>越大。
同理，利用上述电流时序数据中第o个电流值属于非稳定离散电流值的评估指标的计算表达式，分别计算电流时序数据中每个电流值属于非稳定离散电流值的评估指标，根据所述电流时序数据中每个电流值对应的评估指标，筛选得到所述电流时序数据中的至少一个非稳定离散电流值，包括：设定属于非稳定离散电流值所对应的评估指标阈值，针对所述电流时序数据中的任一电流值，若所述电流值的评估指标大于或等于所述评估指标阈值，则确定所述电流值为非稳定离散电流值。
优选的，本发明实施例中设置属于非稳定离散电流值所对应的评估指标阈值为0.8，其他实施例下可根据具体实施场景进行设置，不做要求。
步骤S103，针对任一非稳定离散电流值，分别计算非稳定离散电流值属于第一类异常电流数据的第一概率，以及非稳定离散电流值属于第二类异常电流数据的第二概率，根据第一概率和第二概率计算非稳定离散电流值的异常评估值。
具体的，根据步骤S102能够筛选出电流时序数据中所有的非稳定离散电流值，且每个非稳定离散电流值都对应一个时间戳，进而根据所有非稳定离散电流值对应的时间戳以及周围数据的差异对每个非稳定离散电流值进行异常波动分析，从而将所有的非稳定离散电流值划分为第一类异常电流数据和第二类异常电流数据，其中，设备过载或短路等故障所致的电流异常属于第一类异常电流数据，且第一类异常电流数据具有突变、持续性较强且不具有周期性的特征，比如：短路会导致电流急剧上升并达到一个较高的峰值；由家庭用电负荷增大或使用率峰值等原因引起的电流异常属于第二类异常电流数据，且第二类异常电流数据则具有短暂且周期性变化的特征。
因此，基于上述特征，针对任一非稳定离散电流值，计算该非稳定离散电流值的异常评估值，用于后续异常分类，则该非稳定发离散电流值的异常评估值的计算过程如下：
（1）计算非稳定离散电流值属于第一类异常电流数据的第一概率。
具体的，基于所述电流时序数据中各个电流值的位置，计算所述非稳定离散电流值与其前一个非稳定离散电流值之间的第一电流差值绝对值，计算所述非稳定离散电流值与其后一个非稳定离散电流值之间的第二电流差值绝对值，获取所述第一电流差值绝对值和所述第二电流差值绝对值之间的最大值；
计算所述电流时序数据中任意两个相邻电流值之间的第三差值绝对值，并计算所有第三差值绝对值之间的均值，获取所述最大值与所述均值之间的差值，对所述差值进行归一化处理，得到归一化差值；
统计所述非稳定离散电流值的时间戳之后的预设时长内非稳定离散电流值的数量占比，对所述数量占比进行负映射，得到对应的映射值；
对所述归一化差值和所述映射值进行加权求和，得到的加权求和结果为所述非稳定离散电流值属于第一类异常电流数据的第一概率。
其中，非稳定离散电流值属于第一类异常电流数据的第一概率的计算表达式为：
；
其中，表示第j个非稳定离散电流值属于第一类异常电流数据的第一概率，/>表示归一化参数，/>表示第j个非稳定离散电流值与第j+1个非稳定离散电流值之间的差值绝对值以及第j个非稳定离散电流值与第j-1个非稳定离散电流值之间的差值绝对值之间的最大差值绝对值，/>表示电流时序数据中所有的两个相邻电流值之间的差值绝对值的均值，/>为预设的评估时间戳区间，本发明实施例中设置/>=5，也即是第j个非稳定离散电流值对应的时间戳之后的连续5个时间戳对应的电流值，/>为预设的评估时间戳区间内的电流值属于非稳定离散电流值的数量，为以常数e为底数的指数函数，/>和/>为分配的权重大小，具体可根据场景自行设定，本实施例中/>。
需要说明的是，计算第j个非稳定离散电流值分别与第j+1个非稳定离散电流值和第j个非稳定离散电流值与第j-1个非稳定离散电流值之间的差值绝对值，并提取差值绝对值的最大值，用于表征第j个非稳定离散电流值与其周围的非稳定离散电流值之间的差异程度，从而对比电流时序数据中的所有相邻数据值之间的差值绝对值均值/>，若/>与/>之间的差值越大，说明第j个非稳定离散电流值的突变程度越高，电流值越异常，对应属于第一类异常电流数据的第一概率越大；第j个非稳定离散电流值的时间戳之后的预设时长内非稳定离散电流值的数量占比/>越大，说明电流数据的稳定持续性越强，越不容易为异常电流数据，从而利用以常数e为底数的指数函数对数量占比/>进行负映射，数量占比/>越大，对应属于第一类异常电流数据的第一概率越小。
（2）计算非稳定离散电流值属于第二类异常电流数据的第二概率。
具体的，基于所述电流时序数据中各个电流值的位置，根据所述非稳定离散电流值的时间戳与其前一个相邻的非稳定离散电流值的时间戳，计算第一间隔时长，根据所述非稳定离散电流值的时间戳与其后一个相邻的非稳定离散电流值的时间戳，计算第二间隔时长；
计算所述第一间隔时长和所述第二间隔时长之间的比值，获取所述比值与第一预设值之间的差值的绝对值，利用第二预设值减去所述差值的绝对值的负映射结果，得到所述非稳定离散电流值属于第二类异常电流数据的第二概率。
其中，非稳定离散电流值属于第二类异常电流数据的第二概率的计算表达式为：
；
其中，表示第j个非稳定离散电流值属于第二类异常电流数据的第二概率，/>表示第j个非稳定离散电流值，/>表示第j个非稳定离散电流值之前的第一个相邻的非稳定离散电流值，/>表示第j个非稳定离散电流值之后的第一个相邻的非稳定离散电流值，/>表示第j个非稳定离散电流值与其前一个相邻的非稳定离散电流值之间第一间隔时长，/>表示第j个非稳定离散电流值与其后一个相邻的非稳定离散电流值之间第二间隔时长，/>为以常数e为底数的指数函数。
需要说明的是，当第j个非稳定离散电流值之后不存相邻的非稳定离散电流值时，设置的值为第j个非稳定离散电流值的时间戳；当第j个非稳定离散电流值之前不存相邻的非稳定离散电流值时，设置/>的值为第j个非稳定离散电流值的时间戳。
其中，第j个非稳定离散电流值对应的第一间隔时长和所述第二间隔时长之间的比值越趋近于1，说明第j个非稳定离散电流值的时间间隔越具有周期性，对应的值越趋近于0，说明第j个非稳定离散电流值越属于正常稳定的电流数据，对应属于第二类异常电流数据的第二概率越小，反之，周期性越弱，属于第二类异常电流数据的特征越强，对应属于第二类异常电流数据的第二概率越大。
（3）根据第一概率和第二概率计算非稳定离散电流值的异常评估值。
具体的，对所述一概率和所述第二概率进行加权求和，得到的加权求和结果为所述非稳定离散电流值的异常评估值。其中，非稳定离散电流值的异常评估值的计算表达式为：
；
其中， 为第j个非稳定离散电流值的异常评估值，/>为第一概率的权重，为第二概率的权重。
优选的，本发明实施例中，设置。
至此，利用上述步骤（1）至步骤（3），分别计算电流时序数据中每个非稳定离散电流值的异常评估值。
步骤S104，根据所有非稳定离散电流值的异常评估值，将所有非稳定离散电流值划分为第一类异常电流数据和第二类异常电流数据，分别获取第一类异常电流数据的L1正则化参数和第二类异常电流数据的L1正则化参数。
具体的，根据步骤S103，得到了所有非稳定离散电流值的异常评估值，进而根据所有非稳定离散电流值的异常评估值，将所有非稳定离散电流值划分为所述第一类异常电流数据和所述第二类异常电流数据，包括：
设定异常分类的异常评估阈值，针对任一非稳定离散电流值，若所述非稳定离散电流值的异常评估值大于或等于所述异常评估阈值，则确定所述非稳定离散电流值属于所述第一类异常电流数据；
若所述非稳定离散电流值的异常评估值小于所述异常评估阈值，则确定所述非稳定离散电流值属于所述第二类异常电流数据。
优选的，本发明实施例中，异常评估阈值取经验值，设置异常评估阈值为0.7。
进一步的，为了得到最优的ARMA模型，在ARMA模型的拟合过程中对于滞后阶数大小的调整可以引入稀疏性约束来加以限制，由此能够减少模型中不必要的滞后项，降低异常数据点的影响。可选的是，本发明实施例中使用的稀疏性约束方法为L1正则化。ARMA模型是由数据拟合项和正则化项两部分组成，通过调节正则化项中的正则化参数的大小，实现滞后阶数的变大或变小。因此，通过对第一类异常电流数据和第二类异常电流数据进行自适应调节正则化项中的正则化参数/>的大小，使得ARMA预测模型在拟合时增强并突出第一类异常电流数据，削弱第二类非短路故障异常波动数据，以达到当前场景下最优的拟合效果。
由于通过减小初始的L1正则化项中的值，可以减小正则化的影响，从而允许滞后阶数更自由的拟合数据，即导致滞后阶数增大，增强异常电流数据特征；反之，通过增大初始的L1正则化项中的/>值，可以增大正则化的影响，从而限制滞后阶数更自由的拟合数据，即导致滞后阶数变小，削弱异常电流数据，因此，根据初始的L1正则化项，对正则化项中的正则化参数/>的大小进行调解，以获取所述第一类异常电流数据的L1正则化参数和所述第二类异常电流数据的L1正则化参数，则具体过程为：
利用矫正系数对初始的L1正则化项进行调整，分别所述第一类异常电流数据的L1正则化项和所述第二类异常电流数据的L1正则化项；
根据所述第一类异常电流数据的L1正则化项和所述第二类异常电流数据的L1正则化项，分别获取所述第一类异常电流数据的L1正则化参数和所述第二类异常电流数据的L1正则化参数；
其中，所述初始的L1正则化项对应的公式为：，/>表示L1正则化参数，/>是ARMA模型的模型参数W的L1范数（也称为Lasso惩罚）。
所述第一类异常电流数据的L1正则化项对应的公式为：，/>表示所述第一类异常电流数据，/>表示所述矫正系数。
所述第二类异常电流数据的L1正则化项对应的公式为：，/>表示所述第二类异常电流数据。
需要说明的是，对于第一类异常电流数据而言，需要在拟合过程中增大其异常特性，突出该类数据异常的特征，则需要增大ARMA模型的滞后阶数，使得ARMA模型可以捕捉到更长时序范围内的数据信息和趋势，突出该类异常；而对于第二类异常电流数据，需要削弱其异常带来的拟合影响，则减少ARMA模型的滞后阶数，从而对由设备过载或短路等故障所致的第一类异常电流数据在拟合时增强该类异常，达到清晰化的准确描述，便于展开后续的故障检测和维修；而对于由家庭用电负荷增大或使用率峰值等原因引起的第二类异常电流数据需要在拟合时削弱该类异常，最大程度的排除该类数据对拟合效果的影响以及提高对后续利用ARMA模型进行电流异常数据检测的准确性。
步骤S105，根据电流时序数据、第一类异常电流数据的L1正则化参数以及第二类异常电流数据的L1正则化参数，拟合出最优ARMA模型，利用最优ARMA模型进行电流异常检测。
具体的，由于L1正则化参数的选择是一个经验性的过程，并没有固定的规则；本发明实施例能够使用交叉验证或其他评估方法来寻找最佳的L1正则化参数。假设/>值为/>，则设定/>。自此，在对电流时序数据进行分解和拟合的过程中，利用第一类异常电流数据的L1正则化参数和第二类异常电流数据的L1正则化参数，控制ARMA模型在模型拟合过程中的滞后阶数，从而得到最优ARMA模型。
需要说明的是，ARMA模型的拟合属于现有技术，此处不再赘述。
进一步的，在得到最优ARMA模型之后，对于预设时段之后的任一时刻，利用最优ARMA模型预测得到该时刻的电流值预测值，同时利用智能断电器中内置的电流传感器采集该时刻的实时电流值，计算该时刻的电流预测值和实时电流值之间的电流差值绝对值，若电流差值绝对值超过预设的差值绝对值阈值，则确定该时刻的电流数据异常，智能断电器应立刻进行断电处理，保护设备的电路安全。
综上所述，本发明实施例通过获取预设时段内的电流时序数据，并筛选出电流时序数据中的非稳定离散电流，进而对每个非稳定离散电流进行异常评估，得到每个非稳定离散电流的异常评估值，用于区分非稳定离散电流的异常程度，根据所有非稳定离散电流的异常评估值，对所有的非稳定离散电流进行划分，得到第一类异常电流数据和第二类异常电流数据，从而将电流时序数据划分为了正常电流数据、第一类异常电流数据和第二类异常电流数据，根据不同类下的电流数据自适应调整ARMA模型在拟合时的滞后阶数，使得设备短路过载类异常数据波动的拟合增强，对非短路过载类异常数据波动的拟合削弱效果，从而得到最优ARMA模型，利用最优ARMA模型进行电流异常检测，提高了电流异常检测结果的准确性。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (6)
1.一种用于智能断路器数据采集的检测方法，其特征在于，所述检测方法包括：
基于预设的采样频率采集带有时间戳的电流值，得到预设时段对应的电流时序数据；
针对所述电流时序数据中的任一电流值，统计所述电流时序数据中所述电流值的出现次数，根据所述电流值的出现次数以及所述电流值与所述电流时序数据中其他电流值的差异，计算所述电流值属于非稳定离散电流值的评估指标，根据所述电流时序数据中每个电流值对应的评估指标，筛选得到所述电流时序数据中的至少一个非稳定离散电流值；
针对任一非稳定离散电流值，分别计算所述非稳定离散电流值属于第一类异常电流数据的第一概率，以及所述非稳定离散电流值属于第二类异常电流数据的第二概率，根据所述第一概率和所述第二概率计算所述非稳定离散电流值的异常评估值；
根据所有非稳定离散电流值的异常评估值，将所有非稳定离散电流值划分为所述第一类异常电流数据和所述第二类异常电流数据，分别获取所述第一类异常电流数据的L1正则化参数和所述第二类异常电流数据的L1正则化参数，其中，所述第一类异常电流数据是指设备过载或短路故障所致的电流异常，且所述第一类异常电流数据具有突变、持续性强且不具有周期性的特征，所述第二类异常电流数据是指用电负荷增大或使用率峰值引起的电流异常，且所述第二类异常电流数据具有短暂且周期性变化的特征；
根据所述电流时序数据、所述第一类异常电流数据的L1正则化参数以及所述第二类异常电流数据的L1正则化参数，拟合出最优ARMA模型，利用所述最优ARMA模型进行电流异常检测；
所述非稳定离散电流值属于第一类异常电流数据的第一概率的计算方法，包括：
基于所述电流时序数据中各个电流值的位置，计算所述非稳定离散电流值与其前一个非稳定离散电流值之间的第一电流差值绝对值，计算所述非稳定离散电流值与其后一个非稳定离散电流值之间的第二电流差值绝对值，获取所述第一电流差值绝对值和所述第二电流差值绝对值之间的最大值；
计算所述电流时序数据中任意两个相邻电流值之间的第三差值绝对值，并计算所有第三差值绝对值之间的均值，获取所述最大值与所述均值之间的差值，对所述差值进行归一化处理，得到归一化差值；
统计所述非稳定离散电流值的时间戳之后的预设时长内非稳定离散电流值的数量占比，对所述数量占比进行负映射，得到对应的映射值；
对所述归一化差值和所述映射值进行加权求和，得到的加权求和结果为所述非稳定离散电流值属于第一类异常电流数据的第一概率；
所述非稳定离散电流值属于第二类异常电流数据的第二概率的计算方法，包括：
基于所述电流时序数据中各个电流值的位置，根据所述非稳定离散电流值的时间戳与其前一个相邻的非稳定离散电流值的时间戳，计算第一间隔时长，根据所述非稳定离散电流值的时间戳与其后一个相邻的非稳定离散电流值的时间戳，计算第二间隔时长；
计算所述第一间隔时长和所述第二间隔时长之间的比值，获取所述比值与第一预设值之间的差值的绝对值，利用第二预设值减去所述差值的绝对值的负映射结果，得到所述非稳定离散电流值属于第二类异常电流数据的第二概率。
2.根据权利要求1所述的检测方法，其特征在于， 所述根据所述电流值的出现次数以及所述电流值与所述电流时序数据中其他电流值的差异，计算所述电流值属于非稳定离散电流值的评估指标，包括：
获取所述电流时序数据中的数据量，计算所述电流值的出现次数与所述数据量之间的比值，对所述比值进行负映射，得到对应的映射结果；
计算所述电流时序数据中所有电流值的电流平均值，计算所述电流值与所述电流平均值之间的差值绝对值，对所述差值绝对值进行归一化处理，得到对应的归一化结果；
对所述映射结果和所述归一化结果进行加权求和，得到的加权求和结果为所述电流值属于非稳定离散电流值的评估指标。
3.根据权利要求1所述的检测方法，其特征在于，所述根据所述电流时序数据中每个电流值对应的评估指标，筛选得到所述电流时序数据中的至少一个非稳定离散电流值，包括：
设定属于非稳定离散电流值所对应的评估指标阈值 ，针对所述电流时序数据中的任一电流值，若所述电流值的评估指标大于或等于所述评估指标阈值，则确定所述电流值为非稳定离散电流值。
4.根据权利要求1所述的检测方法，其特征在于，所述根据所述第一概率和所述第二概率计算所述非稳定离散电流值的异常评估值，包括：
对所述一概率和所述第二概率进行加权求和，得到的加权求和结果为所述非稳定离散电流值的异常评估值。
5.根据权利要求1所述的检测方法，其特征在于， 所述根据所有非稳定离散电流值的异常评估值，将所有非稳定离散电流值划分为所述第一类异常电流数据和所述第二类异常电流数据，包括：
设定异常分类的异常评估阈值，针对任一非稳定离散电流值，若所述非稳定离散电流值的异常评估值大于或等于所述异常评估阈值，则确定所述非稳定离散电流值属于所述第一类异常电流数据；
若所述非稳定离散电流值的异常评估值小于所述异常评估阈值，则确定所述非稳定离散电流值属于所述第二类异常电流数据。
6.根据权利要求1所述的检测方法，其特征在于，所述分别获取所述第一类异常电流数据的L1正则化参数和所述第二类异常电流数据的L1正则化参数，包括：
利用矫正系数对初始的L1正则化项进行调整，分别所述第一类异常电流数据的L1正则化项和所述第二类异常电流数据的L1正则化项；
根据所述第一类异常电流数据的L1正则化项和所述第二类异常电流数据的L1正则化项，分别获取所述第一类异常电流数据的L1正则化参数和所述第二类异常电流数据的L1正则化参数；
其中，所述初始的L1正则化项对应的公式为：，/>表示L1正则化参数，是ARMA模型的模型参数W的L1范数；
所述第一类异常电流数据的L1正则化项对应的公式为：，表示所述第一类异常电流数据，/>表示所述矫正系数；
所述第二类异常电流数据的L1正则化项对应的公式为：，表示所述第二类异常电流数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308232.9A CN117056813B (zh) | 2023-10-11 | 2023-10-11 | 一种用于智能断路器数据采集的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308232.9A CN117056813B (zh) | 2023-10-11 | 2023-10-11 | 一种用于智能断路器数据采集的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117056813A CN117056813A (zh) | 2023-11-14 |
| CN117056813B true CN117056813B (zh) | 2024-01-09 |
Family
ID=88666627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311308232.9A Active CN117056813B (zh) | 2023-10-11 | 2023-10-11 | 一种用于智能断路器数据采集的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056813B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436712B (zh) * | 2023-12-21 | 2024-04-12 | 山东铁鹰建设工程有限公司 | 一种施工挂篮运行风险实时监测方法及系统 |
| CN117805542B (zh) * | 2024-03-01 | 2024-05-14 | 张家港市升恒机械设备制造有限公司 | 一种矿用隔爆本质安全型变频器运行监控系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101070832B1 (ko) * | 2011-07-22 | 2011-10-10 | 김영일 | 자기진단 기능을 구비한 수배전반의 이상 검출 방법 |
| WO2016165742A1 (en) * | 2015-04-14 | 2016-10-20 | Nec Europe Ltd. | Method for incident detection in a time-evolving system |
| 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 |
| CN115270410A (zh) * | 2022-06-24 | 2022-11-01 | 国网天津市电力公司电力科学研究院 | 基于arma模型的gis微粒微弱放电发展趋势预测方法及系统 |
| CN116314956A (zh) * | 2023-04-26 | 2023-06-23 | 华中科技大学 | 燃料电池系统的关键性能参数选择方法及取值确定方法 |
| CN116861201A (zh) * | 2023-09-05 | 2023-10-10 | 深圳航天科创泛在电气有限公司 | 基于人工智能的电力供给系统 |
-
2023
- 2023-10-11 CN CN202311308232.9A patent/CN117056813B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101070832B1 (ko) * | 2011-07-22 | 2011-10-10 | 김영일 | 자기진단 기능을 구비한 수배전반의 이상 검출 방법 |
| WO2016165742A1 (en) * | 2015-04-14 | 2016-10-20 | Nec Europe Ltd. | Method for incident detection in a time-evolving system |
| 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 |
| CN115270410A (zh) * | 2022-06-24 | 2022-11-01 | 国网天津市电力公司电力科学研究院 | 基于arma模型的gis微粒微弱放电发展趋势预测方法及系统 |
| CN116314956A (zh) * | 2023-04-26 | 2023-06-23 | 华中科技大学 | 燃料电池系统的关键性能参数选择方法及取值确定方法 |
| CN116861201A (zh) * | 2023-09-05 | 2023-10-10 | 深圳航天科创泛在电气有限公司 | 基于人工智能的电力供给系统 |
Non-Patent Citations (4)
| Title |
|---|
| "Prediction of Lithium-Ion Battery Capacity based on The ARMA Method";Bo Ma et.al.;《2020 Global Reliability and Prognostics and Health Management (PHM-Shanghai)》;全文 * |
| "基于智能电表的户用光伏异常诊断关键模型研究";黄江;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第2022年卷(第03期);第C042-1838页 * |
| "计及分布式新能源接入的配电网协调保护控制策略研究";Mian Rizwan;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;第2023卷(第03期);第C042-97页 * |
| 基于时间序列分析的输变电设备状态大数据清洗方法;严英杰;盛戈;陈玉峰;江秀臣;郭志红;秦少鹏;;电力系统自动化;第39卷(第07期);第138-144页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117056813A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117056813B (zh) | 一种用于智能断路器数据采集的检测方法 | |
| WO2020015277A1 (zh) | 一种基于全景信息的弧光故障识别装置及方法 | |
| CN117093879A (zh) | 一种数据中心智能化运营管理方法及系统 | |
| CN108020781B (zh) | 一种断路器故障诊断方法 | |
| CN105933681B (zh) | 面向行为识别的灵敏度自适应调整方法 | |
| CN117648554B (zh) | 一种用于光伏多功能断路器的智能数据采集方法 | |
| CN117595464B (zh) | 一种电池充电器充电检测控制方法及系统 | |
| CN116961242A (zh) | 一种一二次融合柱上断路器实时数据管理方法及系统 | |
| CN106772009B (zh) | 基于分合闸线圈电流波形的断路器机械特性分析方法 | |
| CN116882595B (zh) | 一种变电站综合性能预测方法及系统 | |
| CN117411183B (zh) | 一种断路器的异常用电监控系统 | |
| CN117713378A (zh) | 一种跌落式开断装置控制方法、系统及装置 | |
| CN117791512A (zh) | 一种电力系统保护装置 | |
| CN113418632B (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
| CN111313355B (zh) | 一种人工监督下的监控信号事件规则更新的方法 | |
| CN114035039B (zh) | 一种断路器动作状态的多维度分析方法 | |
| CN118425762B (zh) | 一种用于智能断路器数据采集的检测系统 | |
| CN118677113B (zh) | 一种基于ai模型的电源柜监控系统及方法 | |
| CN118431999B (zh) | 一种基于微处理器控制的延时保险丝及其控制方法 | |
| CN118519025B (zh) | 一种断路器的安全监测系统及方法 | |
| CN118152950B (zh) | 一种一二次融合柱上断路器的状态划分优化方法 | |
| KR102683561B1 (ko) | 이상 상태 진단을 위한 알고리즘 기반 태양광 발전 시스템 효율성 향상 장치 및 방법 | |
| CN116879699B (zh) | 目标对象确定方法、装置、电弧检测系统以及存储介质 | |
| CN118763874B (zh) | 一种开关电源控制系统 | |
| CN118508608A (zh) | 一种用于变电站的智能辅助监控系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |