一种基于融合终端的变电站主设备运行状态异常检测方法技术

本发明专利技术涉及变电站主设备异常检测技术领域，公开了一种基于融合终端的变电站主设备运行状态异常检测方法，包括：融合终端装置获取变电站中主设备的运行状态信息数据，所述运行状态信息数据包括：主设备的多个运行指标；对运行状态信息数据集进行预处理；根据皮尔逊相关系数计算预处理后不同指标之间的相关性，得到与各个预设目标指标相关性高于预设数值的其他指标；根据主成分分析法对与各个预设目标指标相关性高于预设数值的其他指标进行处理，将处理结果输入至预设神经网络；预设神经网络对不同预设目标指标进行相关预测，根据

【技术实现步骤摘要】
一种基于融合终端的变电站主设备运行状态异常检测方法


[0001]本专利技术涉及变电站主设备异常检测
，具体涉及一种基于融合终端的变电站主设备运行状态异常检测方法
。

技术介绍

[0002]随着现代科学技术的快速发展，智能电网中使用的信息系统的数量和类型也逐渐增多
。
变电站作为电力系统中实现能源转化和控制的核心平台之一，通过将大量具有传感
、
控制和计算能力的时标一致电网设备与互联网连接，在构建智能电网的过程中发挥着巨大的作用
。
融合终端作为变电站和换流站物联网的核心设备，南向支持无线
+
有线灵活接入
。
融合终端北向支持全光网络与站内边缘物联代理通信，完成数据规约与物模型的映射后将数据上传至边缘物联代理
。
融合终端具有一定算力资源，其采用开放式的容器化部署，可作为便于计算的网络节点构建站内分布式算力网络
。
所以，利用变电站
、
换流站融合终端统计和分析变电站中主流设备的运行状态信息，可实现设备发生异常时做出警告，保障智能电网的稳定运行
。
然而，现有的异常检测方法主要通过直接设置变电站中主流设备的运行参数的阈值范围，不能满足多指标复杂电力业务
(
例如变压器运行状态监测
)
的数据异常检测
。
[0003]近年来机器学习和人工智能算法也逐渐被应用到变电站中主流设备运行状态信息的异常检测中，使用这些算法能够对设备运行数据进行一定的异常检测，但是仍然存在一些问题
。
如已有的基于融合终端的检测，主要面向配电台区业务，一般仅考虑电压和电流特征，对于引发设备故障的多种运行数据分析不足，难以理清其特征关联关系，导致异常检测准确性不足
。
其次，已有的检测技术大部分只能在电网异常情况已经发生后对异常原因进行分析，无法提前对变电站设备的异常情况进行精准的预警和处理
。
因此，对变电站主设备大量运行状态数据进行分析时，故障预判精度低，是亟需解决的问题
。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于融合终端的变电站主设备运行状态异常检测方法，以解决对变电站主设备大量运行状态数据进行分析时，故障预判精度低的问题
。
[0005]第一方面，本专利技术提供了一种基于融合终端的变电站主设备运行状态异常检测方法，所述方法包括：
[0006]融合终端装置获取变电站中主设备的运行状态信息数据，所述运行状态信息数据包括：主设备的多个运行指标；
[0007]对运行状态信息数据集进行预处理；
[0008]根据皮尔逊相关系数计算预处理后不同指标之间的相关性，得到与各个预设目标指标相关性高于预设数值的其他指标；
[0009]根据主成分分析法对与各个预设目标指标相关性高于预设数值的其他指标进行处理，将处理结果输入至预设神经网络；
[0010]预设神经网络对不同预设目标指标进行相关预测，根据
OPTICS
算法对相关预测结果进行聚类分析，完成变电站主设备的异常检测
。
[0011]本专利技术首先以皮尔逊相关系数和主成分分析法对变电站中设备的运行状态数据进行分析，计算不同特征间的相关性及对数据进行降维，用来解决运行状态数据量巨大，且特征间关系复杂的问题；再结合预测算法和聚类算法对降维后的数据进行训练，用来解决变电站设备的异常检测精度低，难以提前预测电网异常情况发生的问题，保障智能电网的稳定运行的目的
。
[0012]在一种可选的实施方式中，运行指标包括：功率
、
电压
、
电流
、
阻抗
、
噪声
、
震动
、
温度
、
湿度
。
[0013]本专利技术通过选取的运行指标对主设备进行有效的监控，通过对运行指标的监控及处理，完成变电站主设备的异常检测
。
[0014]在一种可选的实施方式中，所述预处理包括：缺失值补全
、
数据组织格式转化和数据归一化
。
[0015]本专利技术通过缺失值补全
、
数据组织格式转化和数据归一化的预处理，消除了不同数据之间影响
。
[0016]在一种可选的实施方式中，所述预设神经网络，包括：
[0017]搭建预测模型，所述搭建预测模型包括：一个预设神经网络层和一个全连接层，两层之间顺序连接；
[0018]预设神经网络采用均方误差作为模型的损失函数，采用
Adam
优化算法作为模型优化器
。
[0019]本专利技术采用均方误差作为模型的损失函数，既有利于求导计算梯度又可较好的反应优化过程中不同网络权重对应的不同模型损失情况
。
通过寻找模型设置的网络权重值与预测损失的关系，可以在优化过程中训练得出使损失值最小的网络权重集合
。
本专利技术采用
Adam(Adaptive Moment Estimation)
优化算法作为模型优化器，为每一个网络权重都保持独立的自适应的学习速率，具有很好的收敛效果
。
[0020]在一种可选的实施方式中，预设神经网络对不同预设目标指标进行相关预测，包括：
[0021]选取各个目标指标和与各个预设目标指标相关性高于预设数值的其他指标输入预设神经网络的预测模型中，采用迭代方式预测不同预设目标指标的未来时间序列
。
[0022]本专利技术通过迭代的方式进行预测，提高了计算的准确性
。
[0023]在一种可选的实施方式中，预设神经网络对不同预设目标指标进行相关预测，根据
OPTICS
算法对相关预测结果进行聚类分析，包括：
[0024]根据
OPTICS
算法，对预设神经网络输出的不同预设目标指标的当前时间序列和未来时间序列进行处理；
[0025]计算
OPTICS
算法中半径阈值
Eps
和密度阈值
Minpts
；
[0026]将数据点
x
i
周围满足
|Eps(x
j
)|≤Minpts
的数据点形成聚类，未形成聚类的数据点即为异常点
。
[0027]本专利技术利用
OPTICS
算法对预设神经网络输出的各个目标指标进行聚类分析，不仅能为其他监督学习模型提供标注数据，而且可以对预设神经网络输出的各个预设目标指标
的发展趋势提供量化度量，能够更加准确地预测变电站中主设备的未来可能的状态情况，从而提前对智能电网可能发生异常情况进行预警
。
[0028]在一种可选的实施方式中，预设神经网络为
GRU
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于融合终端的变电站主设备运行状态异常检测方法，其特征在于，所述方法包括：融合终端装置获取变电站中主设备的运行状态信息数据，所述运行状态信息数据包括：主设备的多个运行指标；对运行状态信息数据集进行预处理；根据皮尔逊相关系数计算预处理后不同指标之间的相关性，得到与各个预设目标指标相关性高于预设数值的其他指标；根据主成分分析法对与各个预设目标指标相关性高于预设数值的其他指标进行处理，将处理结果输入至预设神经网络；预设神经网络对不同预设目标指标进行相关预测，根据
OPTICS
算法对相关预测结果进行聚类分析，完成变电站主设备的异常检测
。2.
根据权利要求1所述的方法，其特征在于，运行指标包括：功率
、
电压
、
电流
、
阻抗
、
噪声
、
震动
、
温度
、
湿度
。3.
根据权利要求1所述的方法，其特征在于，所述预处理包括：缺失值补全
、
数据组织格式转化和数据归一化
。4.
根据权利要求1所述的方法，其特征在于，所述预设神经网络，包括：搭建预测模型，所述搭建预测模型包括：一个预设神经网络层和一个全连接层，两层之间顺序连接；预设神经网络采用均方误差作为模型的损失函数，采用
Adam
优化算法作为模型优化器
。5.
根据权利要求4所述的方法，其特征在于，预设神经网络对不同预设目标指标进行相关预测，包括：选取各个目标指标和与各个预设目标指标相关性高于预设数值的其他指标输入预设神经网络的预测模型中，采用迭代方式预测不同预设目标指标的未来时间序列
。6.
根据权利要求5所述的方法，其特征在于，预设神经网络对不同预设目标指标进行相关预测，根据
OPTICS
算法对相关预测结果进行聚类分析，包...

【专利技术属性】
技术研发人员：张东磊，陆阳，鞠登峰，付俭定，王庆，黎炜，陈巳阳，杨辉，常鹏，李超，
申请(专利权)人：国网宁夏电力有限公司国网宁夏电力有限公司超高压公司国家电网有限公司，
类型：发明
国别省市：