基于時間序列分析的輸變電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)清洗方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于時間序列分析的輸變電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)清洗方法。
【背景技術(shù)】
[0002] 對設(shè)備在線監(jiān)測、帶電檢測、離線試驗等設(shè)備全景狀態(tài)信息進行全方位分析，提升 輸變電設(shè)備評價與異常診斷的準確性是設(shè)備狀態(tài)評估診斷技術(shù)的發(fā)展趨勢。輸變電設(shè)備全 景狀態(tài)信息呈現(xiàn)來源多、信息異構(gòu)、數(shù)量龐大、屬性繁多等特點，其數(shù)據(jù)往往是不完整的、有 噪聲的和不一致的。狀態(tài)量原始的數(shù)據(jù)質(zhì)量往往不能滿足后續(xù)狀態(tài)評價模型的要求，因此 在狀態(tài)評估或診斷分析之前進行數(shù)據(jù)清洗是必不可少的。數(shù)據(jù)清洗通過填充缺失值、平滑 噪聲數(shù)據(jù)和識別離群點來提高數(shù)據(jù)質(zhì)量，有助于提高數(shù)據(jù)挖掘過程的準確率和效率。
[0003] 在輸變電設(shè)備數(shù)據(jù)清洗方面，國內(nèi)外現(xiàn)有的研宄較少。文獻《基于貝葉斯網(wǎng)絡(luò)分 類器的變壓器綜合故障診斷方法》在建立故障與信息的映射關(guān)系時將海量數(shù)據(jù)通過粗糙集 信息熵的方法進行了約簡，從而解決了數(shù)據(jù)缺失的問題，但是破壞了數(shù)據(jù)自身信息的完整 性。
[0004] 文獻《A Kernel Fuzzy c-Means Clustering-Based Fuzzy Support Vector Machine Algorithm for Classification Problems with Outliers or Noises》 和 ((FSVM-CIL: Fuzzy Support Vector Machines for Class Imbalanced Learning〉〉在處理支 持向量機訓練集的噪聲和異常數(shù)據(jù)時使用了模型C均值聚類方法，通過計算數(shù)據(jù)到聚類中 心的距離來分離出噪聲數(shù)據(jù)。但是這種聚類方法將分離出的噪聲數(shù)據(jù)直接剔除，破壞了狀 態(tài)量數(shù)據(jù)鏈的連續(xù)性。以上研宄在數(shù)據(jù)清洗過程中都丟棄了造成了數(shù)據(jù)的丟失，不利于在 后續(xù)狀態(tài)評估中對數(shù)據(jù)本身信息的挖掘。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的就是為了解決上述問題，提供一種基于時間序列分析的輸變電設(shè)備 的狀態(tài)監(jiān)測數(shù)據(jù)清洗方法，它具有清洗效率高、保持了數(shù)據(jù)的完整性、避免數(shù)據(jù)有用信息丟 失的優(yōu)點。
[0006] 為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0007] 基于時間序列分析的輸變電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)清洗方法，步驟如下：
[0008] 步驟（1):建立輸變電設(shè)備狀態(tài)數(shù)據(jù)的初始時間序列模型，通過初始時間序列模 型估計初始擬合的殘差序列和殘差方差；
[0009] 步驟（2):
[0010] 步驟（2-1):利用步驟（1)的初始時間序列模型，計算每個觀測點的檢驗統(tǒng)計量；
[0011] 步驟（2-2):判斷檢驗統(tǒng)計量的絕對值的最大值是否大于設(shè)定閾值，如果大于，則 確定存在對初始時間序列模型擬合影響的噪聲點，通過修正時間序列數(shù)據(jù)來修正噪聲點， 通過返回步驟（2)繼續(xù)識別并修正時間序列所有的噪聲點，然后進入步驟（2-3);如果小于 就進入步驟（2_3);
[0012] 步驟（2-3):擬合修正后的時間序列模型，估計修正后的時間序列模型的模型殘 差；
[0013] 步驟（3):通過步驟（2-3)中修正后的時間序列模型的模型殘差計算每個觀測點 的檢驗統(tǒng)計量，根據(jù)檢驗統(tǒng)計量的絕對值的最大值是否大于設(shè)定閾值來判斷是否存在新的 噪聲點，直到所有的噪聲點都被識別出，如果存在就返回步驟（2)，如果不存在就結(jié)束。
[0014] 所述步驟（1)的步驟為：
[0015] 對觀測序列zt建立時間序列模型，
[0016] 設(shè)Zt是單個狀態(tài)量的無異常值的時間序列，Z t服從ARIMA(p，d，q)模型，表示為
【主權(quán)項】
1. 基于時間序列分析的輸變電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)清洗方法，其特征是，步驟如下： 步驟（1):建立輸變電設(shè)備狀態(tài)數(shù)據(jù)的初始時間序列模型，通過初始時間序列模型估 計初始擬合的殘差序列和殘差方差； 步驟（2): 步驟（2-1):利用步驟⑴的初始時間序列模型，計算每個觀測點的檢驗統(tǒng)計量； 步驟（2-2):判斷檢驗統(tǒng)計量的絕對值的最大值是否大于設(shè)定閾值，如果大于，則確定 存在對初始時間序列模型擬合影響的噪聲點，通過修正時間序列數(shù)據(jù)來修正噪聲點，通過 返回步驟（2)繼續(xù)識別并修正時間序列所有的噪聲點，然后進入步驟（2-3);如果小于就進 入步驟（2-3); 步驟（2-3):擬合修正后的時間序列模型，估計修正后的時間序列模型的模型殘差； 步驟（3):通過步驟（2-3)中修正后的時間序列模型的模型殘差計算每個觀測點的檢 驗統(tǒng)計量，根據(jù)檢驗統(tǒng)計量的絕對值的最大值是否大于設(shè)定閾值來判斷是否存在新的噪聲 點，直到所有的噪聲點都被識別出，如果存在就返回步驟（2)，如果不存在就結(jié)束。
2. 如權(quán)利要求1所述的基于時間序列分析的輸變電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)清洗方法，其 特征是，所述步驟（1)的步驟為： 對觀測序列Zt建立時間序列模型， 設(shè)Zt是單個狀態(tài)量的無異常值的時間序列，Z t服從ARIMA(p，d，q)模型，表示為
其中，Zt為觀測序列，p，q，d為時間序列ARIMA(p，d，q)模型的階數(shù)，Θ⑶為初始擬 合的平穩(wěn)算子，為初始擬合的可逆算子，et是不含噪聲點的序列初始擬合的殘差序列， 含,成，·.·，式是Θ⑶中相應的參數(shù)，含,色，…，彖是機g)中相應的參數(shù)，B表示延遲算子，BdZt =Zt_d，Bd表示延遲d個時刻的延遲算子，Z t表示時刻t的觀測值，Z t_d表示時刻t-d的觀測 值，▽ d是一個表示t時刻與t-d時刻的觀測值間的差值的算子，▽ d= I-B d; 并由所建立的時間序列模型計算初始擬合的殘差序列，即：
式⑶中，Zt為觀測序列，為含噪聲點的序列初始擬合的殘差序列，Θ⑶為初始擬 合的平穩(wěn)算子，為初始擬合的可逆算子，B表示延遲算子，BdZt = Z t_d，Bd表示延遲d個時 刻的延遲算子，Zt表示時刻t的觀測值，Z t_d表示時刻t-d的觀測值，▽ d是一個表示t時刻與 t-d時刻的觀測值間的差值的算子，Vd= I-Bd; π⑶為表征殘差影響的算子，先，毛，…，元 為：π⑶相應的參數(shù)。
3. 如權(quán)利要求2所述的基于時間序列分析的輸變電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)清洗方法，其 特征是，所述π (B)的定義如（9)所示：
(9) 其中，Θ (B)為初始擬合的平穩(wěn)算子，為初始擬合的可逆算子，η為殘差序列長度， η彡I ;Β表示延遲算子，BdZt= Z t_d，元