【技术实现步骤摘要】
本专利技术涉及变电主设备在线分析，具体为基于图谱增强的变电主设备分析方法。
技术介绍
1、在电子设备中采用敏感元件来感知外界的信息，可以达到或超过人类感觉器官的功能，然而在实际的应用场景中，比如特高压变电站中的传感器会受到各种耦合物理场因素影响和外界环境干扰，采集数据会呈现异常波动，这种数据异常目前是各行各业面临的通用问题，将直接影响后续数据分析模型和决策算法的性能，因此，如何有效实现数据分析具有重要的理论意义和实用价值，电力设备在线监测数据分析可以形式化为时序数据中的异常检测，其中异常实例包括陡变、阶跃、空值等，异常检测目前研究较多，比如一些不平衡分类的问题也经常使用异常检测算法来解决，异常检测最简单的方法是统计方法，比如tukey方法，另一种简单、直观且通常有效的异常检测方法是使用一些聚类算法(如高斯混合模型和dbscan)来解决密度估计任务，那么，任何位于低密度区域的实例都可以被认为是异常，一些监督学习算法也可用于异常检测，其中最流行的两种是孤立森林和svm，这些算法更适合奇异值检测，但通常也适用于异常检测。
2、在实际应用场景中，尤其在工业领域对传感数据的异常检测不仅追求高准确率且保证时效性，还得兼顾传感采集数据随着时间变化带来的各种外界干扰的影响，然而目前现有技术提出的方法存在两个问题，一是过于简单导致异常漏报率和误报率过高，二是模型过于复杂导致不能实时处理，且大多技术不能实现自主学习导致不能实时地去自适应环境等因素变化。
技术实现思路
1、本专利技术的目的在
2、为实现上述目的，本专利技术提供如下技术方案：基于图谱增强的变电主设备分析方法，包括以下步骤：
3、s1、建立主设备数据相关性：根据变电主设备相同的电压等级、生产厂家、相同型号信息建立图谱关联，通过sparql语言检索知识图谱，获取相应时间节点各类传感器的运行状态数据，在历史中出现过的传感器故障类型与在线监测数据之间建立映射关系；
4、s2、时序数据的共生高层特征表示：对变电主设备的一段长时间的时序顶层油温数据进行采样，得到短时间的时序数据的高维特征表示，以及进一步增强数据的表示能力，得到变电设备的时序顶层油温的共生高层特征表示；
5、s3、异常检测模型构建：建立基于稀疏认知的时序数据异常检测模型，并在模型建立中引入共享标记和稀释系数的层次组稀释约束，学习长时序列数据的高层语义多项式，以提高异常序列数据各类别分类正确率；
6、s4、时序数据异常检测：采用数据高层语义多项式对测试时序数据进行分类，为测试时序数据，yj为采样得到的共生特征表示，对序列中的每一个采样得到的共生特征表示yj进行层次组稀释编码，根据重构误差判断出采样序列所属的类别；
7、s5、模型的在线更新：采用更新机制解决外界因素和自身设备因素的干扰，不断适应场景变化，更新策略采用保守策略，即当前采集数据被判定为正常时才会去更新共享字典，否则输出异常，并进入下一个时间节点，继续建立主设备数据相关性。
8、优选的，所述步骤s1中，根据变电主设备相同的电压等级、生产厂家、相同型号信息建立图谱关联，通过sparql语言检索知识图谱，获取相应时间节点各类传感器的运行状态数据，使历史中出现过的传感器故障类型与在线监测数据建立映射关系，使用select函数获取满足监测条件的数据，使用describe函数获取与监测数据相关的rdf数据，并形成与变电主设备相关联设备的在线监测详细描述。
9、优选的，所述步骤s2中，针对变电主设备的一段长时间的时序顶层油温数据，采用不同的步长进行采样得到一系列短时间的时序数据，针对每一条短时间的时序数据，采用一维卷积操作得到该段时序数据的高维特征表示。
10、优选的，所述步骤s2中，进一步对长时时序数据进行随机采样得到一个短时时序对，增强数据的表示能力，并对这个局部短时时序对生成共生高层特征表示，同时，也能得到其他与变电主设备相关联的设备的时序顶层油温的共生高层特征表示。
11、优选的，所述步骤s3中，根据时序数据的共生高层特征表示，得到各个类别的特征集合表示其中c表示类别个数，而表示第i类数据集的特征表示集合，表示第i类数据集第i个长时序列中采样生成的一个共生特征表示，ni表示该长时序列生成的共生特征总个数。
12、优选的，所述步骤s3中，基于稀疏认知的时序数据异常检测模型建立如下：
13、
14、式中，表示i类数据在相应字典上的重构误差，d0表示共享字典，以编码各类别间的相似部分，表示层次组稀释编码约束，使得非零的编码系数集中在某一组且满足稀疏性，上述两项使得第i类数据被共享字典或相应的子字典进行编码，使得各子字典不相干，保证各字典下的稀释编码系数的不同，c表示类别个数，d0,表示i类数据的子字典与稀释编码。
15、优选的，所述步骤s4中，采样序列所属的类别的判断公式为：
16、
17、式中，表示当前采样序列j为共享标记，表示共享标记和子字典对应的类别标记对应长时序列的主题，yj为采样得到的共生特征表示，c表示类别个数，argmax|| ||表示用于寻找使得函数值达到最大值的自变量的函数。
18、与现有技术相比，本专利技术的有益效果是：
19、1、本专利技术利用知识图谱关联性，提出综合共享字典和组约束的稀疏学习模型，并随着时序数据的接入不断更新字典以适应外界环境变化等的自适应学习技术，实现数据分析的鲁棒性；
20、2、本专利技术充分挖掘采集数据的时空关联性，引入共享字典，使得训练数据集中相似的部分集中编码在此子字典，另外共享字典的引入还能解决训练样本集不充分的问题，即某一类的数据能够通过整个训练集中共享部分来表示，异常检测模型引入了层次组稀疏编码约束，使得稀疏系数集中在某一子字典中，再通过稀疏系数优化子字典，子字典中包括共享字典，那么学习出的子字典更能表征局部块的特性，异常检测模型引入共享字典对应的共享标记，引入高层语义多项式进行分类，而不是再次通过稀疏编码和额外的分类器进行分类，在异常检测模型基础上，提出了模型的更新机制，以自适应最新的采集数据，增强异常检测的鲁棒性。
本文档来自技高网...【技术保护点】
1.基于图谱增强的变电主设备分析方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于图谱增强的变电主设备分析方法，其特征在于：所述步骤S1中，根据变电主设备相同的电压等级、生产厂家、相同型号信息建立图谱关联，通过SPARQL语言检索知识图谱，获取相应时间节点各类传感器的运行状态数据，使历史中出现过的传感器故障类型与在线监测数据建立映射关系，使用SELECT函数获取满足监测条件的数据，使用DESCRIBE函数获取与监测数据相关的RDF数据，并形成与变电主设备相关联设备的在线监测详细描述。
3.根据权利要求1所述的基于图谱增强的变电主设备分析方法，其特征在于：所述步骤S2中，针对变电主设备的一段长时间的时序顶层油温数据，采用不同的步长进行采样得到一系列短时间的时序数据，针对每一条短时间的时序数据，采用一维卷积操作得到该段时序数据的高维特征表示。
4.根据权利要求3所述的基于图谱增强的变电主设备分析方法，其特征在于：所述步骤S2中，进一步对长时时序数据进行随机采样得到一个短时时序对，增强数据的表示能力，并对这个局部短时时序对生成共生
5.根据权利要求1所述的基于图谱增强的变电主设备分析方法，其特征在于：所述步骤S3中，根据时序数据的共生高层特征表示，得到各个类别的特征集合表示其中C表示类别个数，而表示第i类数据集的特征表示集合，表示第i类数据集第i个长时序列中采样生成的一个共生特征表示，Ni表示该长时序列生成的共生特征总个数。
6.根据权利要求1所述的基于图谱增强的变电主设备分析方法，其特征在于：所述步骤S3中，基于稀疏认知的时序数据异常检测模型建立如下：
7.根据权利要求1所述的基于图谱增强的变电主设备分析方法，其特征在于：所述步骤S4中，采样序列所属的类别的判断公式为：
...【技术特征摘要】
1.基于图谱增强的变电主设备分析方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于图谱增强的变电主设备分析方法，其特征在于：所述步骤s1中，根据变电主设备相同的电压等级、生产厂家、相同型号信息建立图谱关联，通过sparql语言检索知识图谱，获取相应时间节点各类传感器的运行状态数据，使历史中出现过的传感器故障类型与在线监测数据建立映射关系，使用select函数获取满足监测条件的数据，使用describe函数获取与监测数据相关的rdf数据，并形成与变电主设备相关联设备的在线监测详细描述。
3.根据权利要求1所述的基于图谱增强的变电主设备分析方法，其特征在于：所述步骤s2中，针对变电主设备的一段长时间的时序顶层油温数据，采用不同的步长进行采样得到一系列短时间的时序数据，针对每一条短时间的时序数据，采用一维卷积操作得到该段时序数据的高维特征表示。
4.根据权利要求3所述的基于图...
【专利技术属性】
技术研发人员：郭振宇，张学友，黄道均，刘文涛，甘津瑞，汪运，马欢，魏南，杨乃旗，胡坤，沈国堂，吴翔，翁凌，江照雯，马凯，尹悦，吴绍云，李腾，韩兆刚，范晓钰，陈彬，
申请(专利权)人：国网安徽省电力有限公司超高压分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。