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与流程

本发明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。

背景技术：

1、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。

2、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

1、有鉴于此，本发明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。

2、第一方面，本发明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：

3、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；

4、对运行状态信息数据集进行预处理；

5、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；

6、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；

7、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。

8、本发明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。

9、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。

10、本发明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。

11、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。

12、本发明通过缺失值补全、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。

13、在一种可选的实施方式中，所述预设神经网络，包括：

14、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；

15、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。

16、本发明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。本发明采用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。

17、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：

18、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。

19、本发明通过迭代的方式进行预测，提高了计算的准确性。

20、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：

21、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；

22、计算optics算法中半径阈值eps和密度阈值minpts；

23、将数据点xi周围满足|eps(xj)|≤minpts的数据点形成聚类，未形成聚类的数据点即为异常点。

24、本发明利用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。

25、在一种可选的实施方式中，预设神经网络为gru神经网络。

26、本发明通过gru神经网络对与电网异常相关的不同目标指标进行分析，克服了运行状态数据难以预测的问题，达到了预测目标指标的未来时间序列的效果，与现有的lstm神经网络的三门结构相比gru神经网络的二门结构更加简单，含有参数更少，更容易训练。

27、第二方面，本发明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装置，所述装置包括：

28、数据获取模块，用于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；

29、预处理模块，用于对运行状态信息数据集进行预处理；

30、相关性计算模块，用于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；

31、计算模块，用于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；

32、异常检测模块，用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，完成变电站主设备的异常检测。

33、第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的基于融合终端的变电站主设备运行状态异常检测方法。

34、第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的基于融合终端的变电站主设备运行状态异常检测方法。