电器设备温度异常检测模型训练方法以及检测方法与流程

本发明涉及电器设备温度检测领域，尤其涉及一种基于多量化机制的电器设备温度异常检测模型训练方法以及检测方法。

背景技术：

1、异常检测是预测性维修中的一项关键任务。设计合理的异常检测策略可以提高电器设备(例如不间断电源(ups))运行的稳定性。通过密切监视电器设备输出功率、散热器温度等指标(kpi)，检测运行设备中igbt/二极管等元器件的异常数据，可以预测电器设备运行的趋势，推断故障发生的原因并及时触发故障排除或缓解。

2、异常值检测的目标是揭示数据中的异常模式。预测性维护中的典型场景是识别设备故障、传感器故障或系统入侵。这是一项具有挑战性的任务，尤其是当数据与数据之间存在相互影响关系时，异常值变得隐蔽且在单一维度中难以判断。

3、现有技术中存在多种异常检测方法。基于统计方法的异常检测假设数据服从指定的概率分布，如果从模型中生成数据点的概率低于某个阈值，则将其定义为异常。这种模型的优点是给出了概率作为判断异常的决策规则，但缺乏对阈值的自动判断，往往需要人工确定。基于邻近度的异常检测假设异常数据与大多数数据隔离。包括基于距离的和基于密度在内的异常检测算法，通过识别数据中存在的密集区域或簇，对每一个异常点的关系进行评估，形成每一个异常点的关系。如果到簇质心的近邻度高于阈值或最近的簇的大小低于阈值，或数据点的局部区域内的数据点数量低于阈值，则将其定义为异常。该模型也缺乏对阈值的自动判断，需要人工确定。基于监督学习的方法则需要手动标记每个kpi的异常。

4、但是现实中，大部分数据都是无标签的，多数情况下都需要通过无监督学习获取知识。因此，当面对大量的kpi时，无论是传统的统计方法还是基于监督学习的方法均不能自动地且有效地工作。

技术实现思路

1、基于现有技术的上述问题，本发明提出一种电器设备温度异常检测模型训练方法，包括：

2、利用功率和温度数据集训练深度自编码器；

3、对所述深度自编码器根据功率和温度数据获得的重构误差进行核密度估计，以获得所述重构误差的概率密度分布；

4、对所述重构误差的概率密度分布执行k均值聚类算法，获得异常值的聚类。

5、优选地，在利用所述功率和温度数据集训练深度自编码器之前，对所述功率和温度数据集进行数据规整和数据归一。

6、优选地，将所述异常值的聚类数据标记为严重异常、一般异常和正常。

7、优选地，所述电器设备是不间断电源。

8、本发明还提供一种电器设备温度异常检测方法，包括：

9、采集所述电器设备的温度和相应的输出功率；

10、将所采集的温度和输出功率数据输入至上述电器设备温度异常检测模型中，以判断所述电器设备温度是否异常。

11、优选地，如果所述温度和输出功率数据被标记为异常，判断所述温度和输出功率数据为趋势变化异常还是暂时突变异常。

12、优选地，当功率趋势变化异常于温度时，判断所述电器设备的温度传感器的准确性。

13、优选地，当温度趋势变化异常于功率时，判断所述电器设备的温控系统是否发生故障。

14、优选地，将被标记为一般异常和严重异常的温度和输出功率数据均进行告警。

15、优选地，如果所述温度和输出功率数据被标记为严重异常，判断所述电器设备发生故障。

16、优选地，对于严重异常中的趋势变化异常的温度和输出功率数据，发出严重告警。

17、优选地，在将所采集的温度和输出功率数据输入所述电器设备温度异常检测模型之前，对所述温度和输出功率数据进行数据规整和数据归一。

18、本发明根据业务需求，以数据驱动的方式设计了一种基于多量化机制的电器设备温度异常检测方法，以温度-功率的时间序列数据作为模型输入，利用无监督深度自动编码器构建时间序列相关kpi之间的关系模型，随后对重构误差进行核密度估计，计算误差分布曲线，以核密度曲线极大值个数作为k-means均值聚类个数，具有较大k近邻距离和方差的聚类数据被定义为异常。

19、本发明的基于多量化机制的电器设备温度异常检测方法以无监督深度学习和自动划分聚类的方式，解决了相互影响的周期性温度-功率数据的离群值判别，实现了暂时突变异常和趋势变化异常的检测，并取得了良好的测试结果。通过对功率变化异常和温度变化异常的检测，为分析关键元器件的功率运行状态，监测温控系统运行状态提供了有力的数据说明。

20、基于数据驱动的温度异常检测方法，在物联网大数据的平台上同样适用于其它存在关联关系kpi之间的异常值检测，在预测性维护场景中具有广泛的用途。

技术特征：

1.一种电器设备温度异常检测模型训练方法，包括：

2.根据权利要求1所述的电器设备温度异常检测模型训练方法，其中，在利用所述功率和温度数据集训练深度自编码器之前，对所述功率和温度数据集进行数据规整和数据归一。

3.根据权利要求1所述的电器设备温度异常检测模型训练方法，其中，将所述异常值的聚类数据标记为严重异常、一般异常和正常。

4.根据权利要求1-3中任一项所述的电器设备温度异常检测模型训练方法，其中，所述电器设备是不间断电源。

5.一种电器设备温度异常检测方法，包括：

6.根据权利要求5所述的电器设备温度异常检测方法，其中，如果所述温度和输出功率数据被标记为异常，判断所述温度和输出功率数据为趋势变化异常还是暂时突变异常。

7.根据权利要求6所述的电器设备温度异常检测方法，其中，当功率趋势变化异常于温度时，判断所述电器设备的温度传感器的准确性。

8.根据权利要求6所述的电器设备温度异常检测方法，其中，当温度趋势变化异常于功率时，判断所述电器设备的温控系统是否发生故障。

9.根据权利要求5所述的电器设备温度异常检测方法，其中，将被标记为一般异常和严重异常的温度和输出功率数据均进行告警。

10.根据权利要求9所述的电器设备温度异常检测方法，其中，如果所述温度和输出功率数据被标记为严重异常，判断所述电器设备发生故障。

11.根据权利要求9所述的电器设备温度异常检测方法，其中，对于严重异常中的趋势变化异常的温度和输出功率数据，发出严重告警。

12.根据权利要求5-11中任一项所述的电器设备温度异常检测方法，其中，在将所采集的温度和输出功率数据输入所述电器设备温度异常检测模型之前，对所述温度和输出功率数据进行数据规整和数据归一。

技术总结
提供一种电器设备温度异常检测模型训练方法，包括：利用功率和温度数据集训练深度自编码器；对所述深度自编码器根据功率和温度数据获得的重构误差进行核密度估计，以获得所述重构误差的概率密度分布；以及对所述重构误差的概率密度分布执行k均值聚类算法，获得异常值的聚类。

技术研发人员：王志忠,谢亚红,莫星明,张湘萍
受保护的技术使用者：山特电子（深圳）有限公司
技术研发日：
技术公布日：2024/1/15