時空聯(lián)合數(shù)據(jù)聚類分析的輸變電設備狀態(tài)異常檢測方法
【技術領域】
[0001] 本發(fā)明涉及輸變電設備檢測技術領域，具體是一種時空聯(lián)合數(shù)據(jù)聚類分析的輸變 電設備狀態(tài)異常檢測方法。
【背景技術】
[0002] 輸變電設備在實際運行過程中會受到過負荷、過電壓、內(nèi)部絕緣老化、自然環(huán)境等 異常事件影響，這些異常運行狀態(tài)會導致設備缺陷、故障的發(fā)生，所以對輸變電設備狀態(tài)進 行異常檢測具有很強的必要性。
[0003] 國內(nèi)外文獻提出了許多輸變電設備的異常檢測與狀態(tài)評估技術?！痘贛CD穩(wěn)健統(tǒng) 計分析的變壓器油色譜異常值檢測及分布特性》采用MCD穩(wěn)健統(tǒng)計方法進行異常值檢測，并 將異常值和正常數(shù)據(jù)進行單獨分析，給出正常油色譜數(shù)據(jù)的分布規(guī)律，《基于貝葉斯網(wǎng)絡的 電力變壓器狀態(tài)評估》建立貝葉斯網(wǎng)絡對變壓器進行狀態(tài)評估，《基于可拓分析法的電力變 壓器本體絕緣狀態(tài)評估》對變壓器本體絕緣狀態(tài)進行等級劃分的基礎上，通過構(gòu)造適當?shù)?評估指標關聯(lián)函數(shù)，進而建立基于物元可拓評價法的變壓器本體絕緣狀態(tài)評估模型，《基于 云理論的電力變壓器絕緣狀態(tài)評估方法》結(jié)合油中氣體分析、紅外色像儀技術與云模型方 法對變壓器絕緣狀態(tài)進行評價，《人工神經(jīng)網(wǎng)絡和信息融合技術在變壓器狀態(tài)評估中的應 用》綜合應用人工神經(jīng)網(wǎng)絡和Dempster-ShafeH正據(jù)理論構(gòu)建多信息融合的變壓器綜合狀 態(tài)評估模型。
[0004] 目前的輸變電設備異常檢測方法利用的數(shù)據(jù)量小，沒有充分考慮到歷史數(shù)據(jù)的作 用，并且只考慮了時間維度的數(shù)據(jù)，沒有將時間大數(shù)據(jù)與地理空間信息結(jié)合。設備的狀態(tài)數(shù) 據(jù)(包括在線監(jiān)測、帶電檢測、預防性試驗數(shù)據(jù)等)具有體量大，種類繁多等特點，常規(guī)的數(shù) 據(jù)處理技術難以對設備狀態(tài)數(shù)據(jù)進行全面、深入的分析。近年來大數(shù)據(jù)技術不斷發(fā)展，將大 數(shù)據(jù)技術應用于輸變電設備異常檢測，可大大提高設備狀態(tài)數(shù)據(jù)的利用率，有利于更加全 面，深刻地分析設備狀態(tài)。輸變電設備的某些狀態(tài)數(shù)據(jù)與地理空間位置存在一定的關聯(lián)性， 將空間維度信息與時間維度信息結(jié)合考慮，可以更加全面地分析設備的異常情況。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的就是為了解決上述問題，提供一種時空聯(lián)合數(shù)據(jù)聚類分析的輸變電 設備狀態(tài)異常檢測方法，它具有實現(xiàn)狀態(tài)數(shù)據(jù)時間與空間維度信息的關聯(lián)性挖掘的優(yōu)點。
[0006] 為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：
[0007] 時空聯(lián)合數(shù)據(jù)聚類分析的輸變電設備狀態(tài)異常檢測方法，包括以下步驟：
[0008] 步驟S1:對輸變電設備狀態(tài)數(shù)據(jù)的時間分量添加時窗獲得時間子序列，通過結(jié)合 空間分量以及生成的時間子序列，得到時空子序列；
[0009] 步驟S2:通過使用c均值模糊聚類FCM對時空子序列按不同時窗進行聚類，得到分 塊矩陣;進入步驟S3;
[0010] 步驟S3:根據(jù)輸變電設備狀態(tài)歷史正常數(shù)據(jù)計算單個時空子序列的異常度值，并 利用步驟S2的分塊矩陣對每個時窗的類賦予異常度值，根據(jù)異常度值大小判斷設備狀態(tài)的 異常情況。
[0011] 時空聯(lián)合數(shù)據(jù)聚類分析的輸變電設備狀態(tài)異常檢測方法，還包括：
[0012] 步驟S4:利用步驟S2的分塊矩陣建立不同時窗中的各個類之間的模糊關系，并獲 得相鄰兩個時窗之間的模糊關系矩陣，通過模糊關系矩陣觀察異常類的發(fā)展情況。
[0013] 所述步驟S2:每個分塊矩陣中的元素描述分塊矩陣對應的時窗中存在的類；
[0014] 所述步驟S3:如果異常度值越高，則說明設備狀態(tài)存在異常情況的可能性越大。
[0015] 所述步驟S4:每個時窗中都會進行聚類，將每個時窗中的時空子序列分為若干類， 每個時窗對應著分塊矩陣，每個時窗中的類對應著分塊矩陣中的元素，利用分塊矩陣建立 不同時窗中的各個類之間的模糊關系，并獲得相鄰兩個時窗之間的模糊關系矩陣R;
[0016] 模糊關系矩陣R的第i行第j列的元素代表第一個時窗1中的第i類與第二個時 窗W2中的第j類的相關程度，
[0017] rs,t的值越大，則說明第一個時窗I中的第i類與第二個時窗％中的第j類的相關程 度越大，
[0018] 相關程度大說明第二個時窗W2中的第j類是由第一個時窗A中的第i類發(fā)展而來 的，由此得出一個時窗中的異常類與相鄰時窗中對應的相關類，從而了解異常類的發(fā)展情 況。
[0019] 所述步驟S1具體包括：
[0020] 假設有N個數(shù)據(jù)X1，X2, ...，XN，每個數(shù)據(jù)由一個空間分量和一個時間分量組成。
[0021] 對于第k個數(shù)據(jù)xk，有：
[0022] xk= [Xk(s) | Xk(t) ]， (1)
[0023] 其中，a(s)代表數(shù)據(jù)的空間分量，Xk(t)代表數(shù)據(jù)的時間分量。
[0024] 假設空間分量的維數(shù)為r(通常r = 2)，時間分量的維數(shù)為q，則得到維數(shù)為n = r+q 的第k個數(shù)據(jù)的表達式如公式(2)所示：
[0025] Xk= [xkl(s) , . . . ,Xkr(s) I Xkl(t) , . . . ,Xkq(t) ]τ, (2)
[0026] 其中，Xkr(s)表示第k個數(shù)據(jù)空間分量的第r個元素，Xkq(t)表示第k個數(shù)據(jù)時間分 量的第q個元素。
[0027] 假設時窗的長度為1，則第j個時窗中第k個數(shù)據(jù)的時間子序列Xkj(t)的表達式如公 式(3)所示：
[0028] Xkj(t) = [xk((j-i)*i+i)(t)，· · ·，xk(j*i)(t)]T， (3)
[0029] 將第j個時窗中第k個數(shù)據(jù)的時間子序列與空間分量結(jié)合，得到第j個時窗中第k個 數(shù)據(jù)的時空子序列xkj的表達式如公式(4)所示：
[0030] Xkj = [xki(s), . . . ,xkr(s) I Xk((j-D*i+I)(t), . . . ,xk(j*i)(t) ]τ, (4)
[0031] 所述步驟S2具體包括：
[0032] 利用c均值模糊聚類方法，計算聚類中心以及分塊矩陣：

[0035]其中，Vl為第i個聚類中心，ulk為代表分塊矩陣的元素，表示第k個數(shù)據(jù)到第i個聚 類中心的隸屬度，
[0037] ch(Vl，xk)表示第i個聚類中心到第k個數(shù)據(jù)的時空復合距離。λ表示時間分量所占 的權重，Vl(s)表示第i個聚類中心的空間分量，vdt)表示第i個聚類中心的時間分量。
[0038] 通過求得的聚類中心以及分塊矩陣對第k個數(shù)據(jù)進行重構(gòu)：
[0040]在設定范圍內(nèi)嘗試多個不同的λ值，利用重建誤差Ε(λ)來評估聚類的質(zhì)量，選擇一 個使重建誤差最小的λ值；
[0042]其中，毛表示第k個時空數(shù)據(jù)的重構(gòu)值。
[0043]所述步驟S3具體包括：
[0044] 假設^是待檢測數(shù)據(jù)，yk是歷史正常數(shù)據(jù)，Xkj是時空序列Xk在時窗％中的子序列； ykj是時空序列yk在時窗W沖的子序列，用公式(9)計算子序列Xkj的異常度值：
[0045] fkj= | |xkj-ykj | |2, (9)
[0046] 其中，fkj表示第j個時窗中第k個數(shù)據(jù)時空子序列的異常度值。
[0047] 假設U是對時窗％中時空子序列聚類得到的分塊矩陣，對時窗％中的每個子序列的 異常度值進行加權平均得到在時窗W中每個聚類中心對應的類的異常度值~={ Sl，i = l， 2, . . .，Cj}，其中
[0049] c溈在時窗W沖類的數(shù)目。
[0050] si的值越大，則在時窗Wj中從屬于第i類的子序列異常度越高；異常度值越高說明 設備出現(xiàn)異常的可能性越大。
[0051] 81的值越小，則在時窗％中從屬于第i類的子序列異常度越低;異常度值越低說明 設備出現(xiàn)異常的可能性越小。
[0052] 所述步驟S4具體包括：
[0053]假設Ui為時窗Wi的分塊矩陣，Ui的維數(shù)為Cl XN，U2為時窗W2的分塊矩陣，U2的維數(shù) Sc2XN，其中N是數(shù)據(jù)的個數(shù)，(^是1]沖類的個數(shù)，〇2是1]沖類的個數(shù)。
[0054]構(gòu)建一個維數(shù)為C1 X c2的模糊關系矩陣
[0055] R=[ri'j]，i = l，2, · · ·，ci, j = l，2, · · ·，C2， （11)
[0056] ri,j表示時窗1中的第i類與時窗此中的第j類的相關程度。
[0057] 用迭代的方式更新R中的項，R中的第s行第t列的元素 ^,*表示為：
[0059] 其中，rs,t(iter+l)表示元素 rs,t示第iter+Ι次的迭代結(jié)果。
[0060]〈 >表示rs,t(iter+l)的值限制在[0，1]的區(qū)間內(nèi)，α為正的學習速度，iter為迭代 序號。
[0061 ]通過選用極大極小復合算子，得到：
[0065] uy^k表示分塊矩陣1]2第」行第k列的元素，UXl,k表示分塊矩陣1^第1行第k列的元素。
[0066] rs,t表示W(wǎng)沖的第s類與W沖的第t類之間的相關程度，rs, t的值越大，則說明兩個類 越相關。
[0067]本發(fā)明的有益效果：
[0068] 結(jié)合了設備狀態(tài)數(shù)據(jù)的時間和空間信息，綜合考慮其歷史數(shù)據(jù)，可以更加全面地 分析狀態(tài)數(shù)據(jù)的異常情況，具有較高的準確性。模糊關系可以從時間發(fā)展的維度上觀察異 常類的演化情況，能將異常類別的演化情況通過矩陣的形式表征，使得狀態(tài)數(shù)據(jù)的結(jié)構(gòu)形 象化、可視化，有利于更好地理解數(shù)據(jù)，分析數(shù)據(jù)。
【附圖說明】
[0069] 圖1(a)為濟南地區(qū)在線監(jiān)測導線溫度數(shù)據(jù)圖；
[0070] 圖1(b)為安丘地區(qū)在線監(jiān)測導線溫度數(shù)據(jù)圖；
[0071] 圖1(c)為濟南地區(qū)在線監(jiān)測環(huán)境溫度數(shù)據(jù)圖；
[