基于栈式降噪自编码器的输变电设备状态异常检测方法和系统技术方案

本发明专利技术公开了基于栈式降噪自编码器的输变电设备状态异常检测方法，包括步骤：(1)获取输变电设备状态在线监测数据，采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量，进而获得强相关监测数据序列；(2)将强相关监测数据序列划分为训练样本和测试样本，采用训练样本对栈式降噪自编码器进行训练学习，获得最优训练参数，则训练后的栈式降噪自编码器输出训练样本的重构表示；(3)基于所述训练样本的重构表示与训练样本得到训练样本的重构误差，确定重构误差的上限阈值Thd；(4)将测试样本的重构误差与所述上限阈值Thd进行比较，基于比较结果输出输变电设备状态的辨识结果。

【技术实现步骤摘要】
基于栈式降噪自编码器的输变电设备状态异常检测方法和系统
本专利技术涉及一种检测方法和系统，尤其涉及一种对输变电设备异常的检测方法和系统
技术介绍
输变电设备在实际运行过程中会受到过异常事件例如电压、过负荷、内部绝缘老化、自然环境影响，这些异常事件会导致输变电设备缺陷或者故障的发生，因此非常有必要对设备状态进行异常检测。在实际的设备运维中，现有技术通常采用通过简单阈值判定的方法对单一系统的部分设备信息进行异常检测。然而，该利用阈值进行判定的方法具有一定的局限性，一方面其对于状态评价的正确率和设备信息利用率都偏低，另一方面该方法很难检测出设备的故障类别及潜伏性故障，而且相关规范标准中的固定阈值很难和设备运行工况的差异性相结合。基于此，期望获得一种输变电站设备状态异常检测方法，其可以有效辨识出输变电设备异常运行状态。
技术实现思路
本专利技术的目的之一在于提供一种基于栈式降噪自编码器的输变电设备状态异常检测方法，该输变电设备状态异常检测方法根据所获得的强相关监测数据序列利用栈式降噪自编码器进行训练学习获取最优训练参数以及重构表示，随后计算获得重构误差通过核密度估计确定重构误差的上限阈值Thd，基于最优训练参数对需要测试的数据(即测试样本)进行测试，通过测试样本的重构误差与上限阈值进行辨识，从而实现输变电设备状态异常检测。基于上述目的，本专利技术提出了一种基于栈式降噪自编码器的输变电设备状态异常检测方法，其包括步骤：(1)获取输变电设备状态在线监测数据，采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量，根据强相关状态参量的时间序列获得强相关监测数据序列；(2)将强相关监测数据序列划分为训练样本和测试样本，采用训练样本对栈式降噪自编码器进行训练学习，获得栈式降噪自编码器的最优训练参数，则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示；(3)基于训练样本的重构表示与所述训练样本得到训练样本的重构误差，对训练样本的重构误差进行核密度估计得到误差概率分布情况，以确定重构误差的上限阈值Thd；(4)将所述测试样本输入具有所述最优训练参数的栈式降噪自编码器，输出得到测试样本的重构误差，将测试样本的重构误差与所述上限阈值Thd进行比较，基于比较结果输出输变电设备状态的辨识结果。需要说明的是，考虑到输变电设备在线监测数据为连续变化的数据，因而在采用关联规则挖掘时，可以先对数据预处理，其包括：先将连续的输变电设备在线监测数据离散化，从而实现输变电设备在线监测数据的区段化映射，随后计算所有表征输变电设备状态的状态参数经过划分后的支持度S。支持度S定义为事务X与事务Y同时出现在一次事务中的可能性，由事务X和事务Y在事务数据库I中同时出现的事务数占总事务的比例估计，反映事务X与事务Y同时出现的可能性，而在本案中，事务X表示输变电设备缺陷和故障发生的事件，而事务Y则表示某一个表征输变电设备状态的状态参数，通过支持度S用来分析输变电设备缺陷和故障发生原因同状态参数之间的相关性，进而分析故障发展的客观规律，得到频繁序列，由频繁序列提取故障发展的关联规则，其具体过程如下所述：设D是包含多元时间序列的数据集，D＝{A，B，C…N}，在本案中，D是由N个表征输变电设备状态的状态参数的时间序列构成，而A，B，C……N则表示某个输变电设备状态的状态参数的时间序列，其由输变设备状态在线监测数据按照时间排列获得。对D进行等长度的划分，形成q个有限长度的滑动窗口t＝<t1,t2,…,tq>，则t1＝{A1，B1，C1，…}，设最小支持度阈值为minsup，单个频繁序列组合记为k-序列，代表序列个数为k个，其算法流程如下：(1)设k初始值为k＝1.(2)从第i个滑动窗口ti开始找出所有的频繁1-序列(3)K＝k+1，产生候选K-序列(4)识别包含在ti中的所有候选，产生的候选K-序列的集合为sunsequence(CK，ti)，即Cti＝sunsequence(CK，ti)(5)计算每个候选K-序列的支持度计数增值；(6)遍历每个滑动窗口中的数据序列，即i从1至q，计算每个候选K-序列对于所有滑动窗口的平均支持度。若频繁序列Fk为空集则算法终止，否则将平均支持度超过minsup的频繁序列Fk提取出来，获得频繁序列K-序列。(7)当某个频繁序列是另一频繁序列的子集时，则将两个序列合并，成为新的频繁序列，最终获得的频繁序列即为强相关监测数据序列。进一步地，在本专利技术所述的基于栈式降噪自编码器的输变电设备状态异常检测方法中，在所述步骤(3)中，当测试样本的重构误差≤上限阈值Thd时，则辨识结果为输变电设备状态正常；当测试样本的重构误差＞上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差≤上限阈值Thd，则辨识结果为输变电设备状态正常；当测试样本的重构误差＞上限阈值Thd且该测试样本的检测数据值为0或固定不变的值时，则辨识结果为输变电设备状态正常；当测试样本的重构误差＞上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差＞上限阈值Thd，则辨识结果为输变电设备状态异常。需要说明的是，当测试样本的重构误差≤上限阈值Thd时，即测试样本的数据不包含呈现异常的数据例如奇异点或缺失值，因而，测试样本的数据为无损数据，因此，辨识结果为输变电设备状态正常；当测试样本的重构误差＞上限阈值Thd且同时段或滞后或超前一定时段的强相关状态量的重构误差≤上限阈值Thd，即测试样本的数据中，呈现异常的数据为奇异点或短时缺失值，因此，辨识结果为输变电设备状态正常；当测试样本的重构误差＞上限阈值Thd且该测试样本的检测数据值为0或固定不变的值时，即测试样本的数据中呈现异常的数据为缺失值，因此，辨识结果为输变电设备状态正常；当测试样本的重构误差＞上限阈值Thd且同时段或滞后或超前一定时段的强相关状态量的重构误差＞上限阈值Thd，即测试样本的数据在该时段内出现突变量，导致所获得的强相关状态量受到影响，因而，此时输变电设备发生异常或故障，因此，辨识结果为输变电设备状态异常。此外，强相关监测数据序列中与测试样本数据强相关的协同状态数据是指强相关监测数据序列中与测试样本关联性较强的状态参数的时间序列中的数据，例如测试样本为2018年5月1日10时-11时的CO检测数据，而与CO关联性较强的状态参数的时间序列为CO2时间序列，则协同因素状态数据可以为测试样本同一时间段的CO2检测数据，也可以为2018年5月1日11时-12时的CO2检测数据，也可以为2018年5月1日9时-10时的CO2检测数据。强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差的获得过程与测试样本的获得过程相同，因而，在此不再赘述。进一步地，在本专利技术所述的基于栈式降噪自编码器的输变电设备状态异常检测方法的步骤(3)中，在基于训练样本的重构表示与所述训练样本得到训练样本的重构误差时，采用平均绝对误差来计算获得所述重构误差。进一步地，在本专利技术所述的基于栈式降噪自编码器的输变电设备状态异常检测方法的步骤(3)中，在对训练样本的重构误差进行核密度估计得到误差概率分布情况时，以高斯函数为核函数，以重构误差作为核本文档来自技高网...

【技术保护点】
1.一种基于栈式降噪自编码器的输变电设备状态异常检测方法，其特征在于，包括步骤：(1)获取输变电设备状态在线监测数据，采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量，根据强相关状态参量的时间序列获得强相关监测数据序列；(2)将强相关监测数据序列划分为训练样本和测试样本，采用训练样本对栈式降噪自编码器进行训练学习，获得栈式降噪自编码器的最优训练参数，则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示；(3)基于训练样本的重构表示与所述训练样本得到训练样本的重构误差，对训练样本的重构误差进行核密度估计得到误差概率分布情况，以确定重构误差的上限阈值Thd；(4)将所述测试样本输入具有所述最优训练参数的栈式降噪自编码器，输出得到测试样本的重构误差，将测试样本的重构误差与所述上限阈值Thd进行比较，基于比较结果输出输变电设备状态的辨识结果。

【技术特征摘要】
1.一种基于栈式降噪自编码器的输变电设备状态异常检测方法，其特征在于，包括步骤：(1)获取输变电设备状态在线监测数据，采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量，根据强相关状态参量的时间序列获得强相关监测数据序列；(2)将强相关监测数据序列划分为训练样本和测试样本，采用训练样本对栈式降噪自编码器进行训练学习，获得栈式降噪自编码器的最优训练参数，则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示；(3)基于训练样本的重构表示与所述训练样本得到训练样本的重构误差，对训练样本的重构误差进行核密度估计得到误差概率分布情况，以确定重构误差的上限阈值Thd；(4)将所述测试样本输入具有所述最优训练参数的栈式降噪自编码器，输出得到测试样本的重构误差，将测试样本的重构误差与所述上限阈值Thd进行比较，基于比较结果输出输变电设备状态的辨识结果。2.如权利要求1所述的基于栈式降噪自编码器的输变电设备状态异常检测方法，其特征在于，在所述步骤(3)中，当测试样本的重构误差≤上限阈值Thd时，则所述辨识结果为输变电设备状态正常；当测试样本的重构误差＞上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差≤上限阈值Thd，则辨识结果为输变电设备状态正常；当测试样本的重构误差＞上限阈值Thd且该测试样本的检测数据值为0或固定不变的值时，则辨识结果为输变电设备状态正常；当测试样本的重构误差＞上限阈值Thd且强相关监测数据序列中与测试样本数据强相关的协同状态数据的重构误差＞上限阈值Thd，则辨识结果为输变电设备状态异常。3.如权利要求1或2所述的基于栈式降噪自编码器的输变电设备状态异常检测方法，其特征在于，在所述步骤(3)中，在基于训练样本的重构表示与所述训练样本得到训练样本的重构误差时，采用平均绝对误差来计算获得所述重构误差。4.如权利要求1或2所述的基于栈式降噪自编码器的输变电设备状态异常检测方法，其特征在于，在所述步骤(3)中，在对训练样本的重构误差进行核密度估计得到误差概率分布情况时，以高斯函数为核函数，以重构误差作为核函数的输入，对重构误差进行近似估计，以得到误差概率分布情况。5.如权利要求1或2所述的基于栈式降噪自编码器的输变电设备状态异常检测方法，其特征在于，在所述步骤(3)中，在确定重构误差的上限阈值Thd时，根据误差概率分布情况所制得的函数图...

【专利技术属性】
技术研发人员：盛戈皞，代杰杰，李鹏，吴绍军，李金忠，李文升，安树怀，张书琦，王健一，高飞，仇宇舟，汪可，侯慧娟，
申请(专利权)人：国网山东省电力公司青岛供电公司，上海交通大学，中国电力科学研究院有限公司，
类型：发明
国别省市：山东,37