一种基于边缘计算的互感器异常监测方法与系统技术方案

本发明专利技术公开了一种基于边缘计算的互感器异常监测方法及系统，收集一次侧设备正常运行d天的运行数据作为正常样本数据，并进行分类，按类分别训练CNN特征提取模型、异常分类模型和KNN分类模型，计算正常样本数据的异常评分，得到正常运行时的一次侧设备异常分数分布参数估计；实时采集一次侧设备的实时运行数据，利用训练好的各个模型进行分类、特征提取和异常分数计算；将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。及时预测互感器可能出现的故障，以便相关维护人员能够及时进行检修工作。维护人员能够及时进行检修工作。维护人员能够及时进行检修工作。

【技术实现步骤摘要】
一种基于边缘计算的互感器异常监测方法与系统


[0001]本专利技术涉及互感器异常检测技术，具体涉及一种基于边缘计算的互感器异常监测方法与系统。

技术介绍

[0002]随着现代工业技术和信息技术的不断发展，传统电网逐渐向着智能化和数字化的方向发展。智能电网具有先进的测量和传感技术，保障着现代电网的安全可靠运行。互感器是智能电网中不可缺少的一环，它能够实现测量仪表、保护设备及自动控制设备标准化、小型化，还可以隔离开高压系统，保证人身安全。所以监测互感器运行情况，使得互感器能够平稳运行，防止故障产生，具有十分重要的意义。
[0003]现有的互感器故障诊断方法较少，对互感器故障的监测评估，一般采用的是在一定检定周期内，在停电的状态下进行人工测量互感器状态，但由于高压线路停电会导致一定的经济损失，所以电网中的互感器大多数处于超出检定期限的运行状态，需要在非断电情况下进行状态检测。现有技术中大多数使用经验判断或较为简单的机器学习算法进行故障诊断，根据采集模块采集而来的一二次侧电流电压信息、温度信息结合机器学习算法进行互感器故障监测，分析结构较为复杂的深层故障效果不理想。且这些诊断方法需要将互感器的运行参数集中起来进行分析判断，这会导致大量采集模块采集的信息需要上传至云端，占用大量带宽和计算资源，在数据传输时浪费了大量的带宽资源。

技术实现思路

[0004]本专利技术所要解决的技术问题是如何在不断电的情况下对互感器设备进行实时监测，目的在于提供一种基于边缘计算的互感器异常监测方法，通过在网络边缘提供计算资源，对互感器运行状态进行实时监测，及时预测故障。
[0005]本专利技术通过下述技术方案实现：
[0006]一种基于边缘计算的互感器异常监测方法，包括以下步骤：
[0007]步骤S1、收集一次侧互感器设备正常运行d天的运行数据作为正常样本数据，将正常样本数据进行分类，并按类分别训练卷积神经网络特征提取模型、异常分类模型和KNN分类模型，根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计；
[0008]步骤S2、实时采集一次侧互感器设备的实时运行数据，利用训练好的KNN分类模型进行分类，得到待检测数据，利用卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；
[0009]步骤S3、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。
[0010]进一步地，步骤S1的具体过程为：
[0011]步骤S11、利用传感器采集一次侧互感器设备正常运行时的运行数据，并汇总一次侧互感器设备正常运行下d天的数据作为正常样本数据传输至采集器，d≥90；
[0012]步骤S12、通过采集器将正常样本数据上传至边缘分类数据中心，边缘分类数据中心将正常样本数据转发给集中式数据处理中心；
[0013]步骤S13、集中式数据处理中心对正常样本数据进行预处理，使用CFSFDP算法将正常样本数据进行快速聚类，得到带有数据标签的训练数据；
[0014]步骤S14、集中式数据处理中心根据数据标签对训练数据进行分类，并根据分类后的训练数据分别训练对应类别下的卷积神经网络特征提取模型和异常分类模型，得到不同类别下的边缘处理数据中心对应的卷积神经网络特征提取模型参数和异常分类模型参数，并将得到的各个模型参数按类下发至不同边缘处理数据中心；对于边缘分类数据处理中心，根据带有数据标签的聚类数据对KNN分类模型进行训练，得到KNN分类模型的模型参数，并将KNN分类模型的模型参数下发至边缘分类数据中心；
[0015]步骤S15、集中式数据处理中心根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计并下发给对应的边缘处理数据中心；
[0016]以d天为一次更新周期，每隔d天将收集到的一次侧互感器设备正常运行时的运行数据作为正常样本数据，执行上述步骤，完成对卷积神经网络特征提取模型、异常分类模型和KNN分类模型的更新。
[0017]进一步地，步骤S2的具体过程为：
[0018]步骤S21、利用传感器采集一次侧互感器设备的实时运行数据，并将实时运行数据上传至采集器；
[0019]步骤S22、通过采集器将实时运行数据上传至边缘分类数据中心，边缘分类数据中心根据集中式数据处理中心下发的KNN分类模型参数调整边缘分类数据中心中的KNN分类模型，根据KNN模型对实时运行数据进行分类，得到待检测数据，将待检测数据按照分类分配给处理该类待检测数据的边缘处理数据中心；
[0020]步骤S23、边缘处理数据中心根据调整好的卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；
[0021]步骤S24、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。
[0022]进一步地，步骤S1中卷积神经网络特征提取模型的训练过程具体为：
[0023]将训练数据分解为一维时运行数据和二维日运行数据；
[0024]将一维时运行数据和二维日运行数据输入到卷积神经网络特征提取模型中，卷积神经网络特征提取模型对输入的数据依次进行局部感知、参数共享和卷积计算，提取出正常样本数据的数据特征，得到训练数据；
[0025]其中，卷积神经网络特征提取模型中的激活函数和优化函数分别是ReLU和sgd算法，在卷积神经网络特征提取模型的多层卷积结构中使用dropout。
[0026]进一步地，所述异常分类模型采用孤立森林算法，利用异常分类模型得到异常分数分布参数估计的具体过程为：
[0027]从训练数据中进行采样，得到多个样本点，将多个样本点分别组成多个子样本，对每个子样本分别构建孤立树，对森林中的每棵孤立树进行测试，记录每棵孤立树的路径长度；
[0028]根据每棵树的路径长度，利用异常分数计算公式计算异常分数，得到每个样本点的异常得分；
[0029]汇总每个样本点的异常得分，得到对应的正常运行时的一次侧互感器设备异常分数分布参数估计。
[0030]进一步地，对每棵孤立树进行测试的具体过程为：
[0031]从训练数据中随机选择Ψ个数据作为子样本，放入一棵孤立树的根节点；
[0032]随机指定一个维度，在当前节点数据范围内，随机产生一个切割点p，切割点p产生于当前节点数据中指定维度的最大值与最小值之间；
[0033]利用切割点p对当前节点的数据空间进行划分，并不断重复直到当前节点对应的根节点中只包括子样本中的一个数据或者孤立树的高度达到log2(Ψ)，记录此时孤立树本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的互感器异常监测方法，其特征在于，包括以下步骤：步骤S1、收集一次侧互感器设备正常运行d天的运行数据作为正常样本数据，d≥90，将正常样本数据进行分类，并按类分别训练卷积神经网络特征提取模型、异常分类模型和KNN分类模型，根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计；步骤S2、实时采集一次侧互感器设备的实时运行数据，利用训练好的KNN分类模型进行分类，得到待检测数据，利用卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计算，得到异常分数计算结果；步骤S3、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。2.根据权利要求1所述的一种基于边缘计算的互感器异常监测方法，其特征在于，步骤S1的具体过程为：步骤S11、利用传感器采集一次侧互感器设备正常运行时的运行数据，并汇总一次侧互感器设备正常运行下d天的数据作为正常样本数据传输至采集器，d≥90；步骤S12、通过采集器将正常样本数据上传至边缘分类数据中心，边缘分类数据中心将正常样本数据转发给集中式数据处理中心；步骤S13、集中式数据处理中心对正常样本数据进行预处理，使用CFSFDP算法将正常样本数据进行快速聚类，得到带有数据标签的训练数据；步骤S14、集中式数据处理中心根据数据标签对训练数据进行分类，并根据分类后的训练数据分别训练对应类别下的卷积神经网络特征提取模型和异常分类模型，得到不同类别下的边缘处理数据中心对应的卷积神经网络特征提取模型参数和异常分类模型参数，并将得到的各个模型参数按类下发至不同边缘处理数据中心；对于边缘分类数据处理中心，根据带有数据标签的聚类数据对KNN分类模型进行训练，得到KNN分类模型的模型参数，并将KNN分类模型的模型参数下发至边缘分类数据中心；步骤S15、集中式数据处理中心根据异常分类模型计算正常样本数据的异常评分，得到正常运行时的一次侧互感器设备异常分数分布参数估计并下发给对应的边缘处理数据中心。3.根据权利要求1所述的一种基于边缘计算的互感器异常监测方法，其特征在于，步骤S2的具体过程为：步骤S21、利用传感器采集一次侧互感器设备的实时运行数据，并将实时运行数据上传至采集器；步骤S22、通过采集器将实时运行数据上传至边缘分类数据中心，边缘分类数据中心根据集中式数据处理中心下发的KNN分类模型参数调整边缘分类数据中心中的KNN分类模型，根据KNN模型对实时运行数据进行分类，得到待检测数据，将待检测数据按照分类分配给处理该类待检测数据的边缘处理数据中心；步骤S23、边缘处理数据中心根据调整好的卷积神经网络特征提取模型和异常分类模型对待检测数据依次进行数据特征提取和异常检测，并根据异常检测结果进行异常分数计
算，得到异常分数计算结果；步骤S24、将异常分数计算结果与所述正常运行时的一次侧互感器设备异常分数分布参数估计进行比较，预测该一次侧互感器设备是否会产生故障，并将预测结果发送至集中式数据处理中心。4.根据权利要求1所述的一种基于边缘计算的互感器异常监测方法，其特征在于，步骤S1中卷积神经网络特征提取模型的训练过程具体为：将训练数据分解为一维时运行数据和二维日运行数据；将一维时运行数据和二维日运行数据输入到卷积神经网络特征提取模型中，卷积神经网络特征提取模型对输入的数据依次进行局部感知、参数共享和卷积计算，提取出正常样本数据的数据特征，得到训练数据；其中，卷积神经网络特征提取模型中的激活函数和优化函数分别是ReLU和sgd算法，在卷积神经网络特征提取模型的多层卷积结构中使用dropout。5.根据权利要求4所述的一种基于边缘计算的互感器异常监测方法，其特征在于，所述异常分类模型采用孤立森林算法，利用异常分类模型得到异常分数分布参数估计的具体过程为：从训练数据中进行采样，得到多个样本点，将...

【专利技术属性】
技术研发人员：李琪林，黄嘉鹏，张哲敏，刘刚，严平，张杰夫，叶子阳，
申请(专利权)人：国网四川省电力公司营销服务中心，
类型：发明
国别省市：