基于物联感知的电能计量箱异常监测方法与流程

本发明涉及电数字数据处理，尤其涉及一种基于物联感知的电能计量箱异常监测方法。

背景技术：

1、在对电能计量箱进行异常监测的过程中，通常利用物联网技术和传感器技术对电能计量箱进行实时监测，以确保其能正常运行并及时发现和处理异常情况。在现有的基于预测的电能表功率异常监测过程中，通过对电能表对应的时序数据进行隐藏状态划分，并通过时序数据中每个数据点的隐藏状态来建立用于电能实时功率预测的隐马尔可夫模型，从而进行异常监测。

2、采用上述方法进行异常监测时，由于电能表与传感器会出现设备老化的情况，也就是设备在长时间使用之后，可能会出现数据整体变化的的情况，此时对同一个时序数据点隐藏状态划分模型进行实时数据点的隐藏状态确定就会出现隐藏状态不准确的情况，异常监测效果较差。

技术实现思路

1、本发明旨在提供一种基于物联感知的电能计量箱异常监测方法，所采用的技术方案具体如下：

2、本发明一个实施例提出了一种基于物联感知的电能计量箱异常监测方法，包括：

3、获取电能计量箱中电能表的时序数据；

4、对所述时序数据进行分解得到对应的残差序列，并根据所述残差序列获取每个数据点对应的隐藏状态优化因子；

5、基于所述隐藏状态优化因子获取所述时序数据中每两个时刻数据点之间的分类距离；

6、根据所述分类距离将所述时序数据划分为至少两个类簇；

7、基于所述至少两个类簇，获取下一时刻电能表数据的所属类簇，并根据所述所属类簇确定下一时刻电能表数据的异常程度；

8、响应于所述异常程度满足异常条件时，确定所述电能计量箱异常。

9、在本技术的一个实施例中，所述根据所述残差序列获取每个数据点对应的隐藏状态优化因子，包括：

10、对于所述残差序列中任一目标数据点，获取所述残差序列中首个数据点到所述目标数据点之间的第一数据点集合；

11、获取所述第一数据点集合中每个数据点在所述第一数据点集合中的出现概率，并基于所述出现概率获取所述目标数据点对应的第一指标；

12、获取所述目标数据点对应的关联数据点集合，并计算所述关联数据点集合的残差均值；

13、基于所述残差均值确定所述目标数据点对应的第二指标；

14、根据所述第一指标和所述第二指标确定所述目标数据点对应的隐藏状态优化因子。

15、在本技术的一个实施例中，所述根据所述第一指标和所述第二指标确定所述目标数据点对应的隐藏状态优化因子，包括：

16、所述隐藏状态优化因子的计算为：

17、

18、其中，表示目标数据点t的隐藏状态优化因子；ωt表示第一数据集合；lm表示第一数据集合中第m个数据点的取值；p(lm∈ωt)表示第一数据集合中第m个数据点在第一数据集合中的出现概率；表示目标数据点对应的第一指标；μt表示目标数据点对应的关联数据点集合的残差均值；μ0表示预设的参考残差均值；(μt-μ0)表示目标数据点对应的第二指标；norm表示归一化。

19、在本技术的一个实施例中，所述目标数据点对应的关联数据点集合为所述目标数据点之前的n个数据点的集合，n为正整数。

20、在本技术的一个实施例中，所述基于所述隐藏状态优化因子获取所述时序数据中每两个时刻数据点之间的分类距离，包括：

21、选取所述时序数据中任意两个时刻数据点作为第一数据点和第二数据点；

22、基于所述第一数据点的取值和所述第一数据点对应的隐藏状态优化因子，确定所述第一数据点的第一特征值；

23、基于所述第二数据点的取值和所述第二数据点对应的隐藏状态优化因子，确定所述第二数据点的第二特征值；

24、根据所述第一特征值和所述第二特征值，确定所述第一数据点和所述第二数据点之间的分类距离。

25、在本技术的一个实施例中，所述基于所述至少两个类簇，获取下一时刻电能表数据的所属类簇，包括：

26、获取每个所述类簇的簇类中心点；

27、计算所述下一时刻电能表数据与每个所述簇类中心点的分类距离；

28、将所述分类距离最小对应的所述簇类中心点所在类簇，作为所述下一时刻电能表数据的所属类簇。

29、在本技术的一个实施例中，所述根据所述所属类簇确定下一时刻电能表数据的异常程度，包括：

30、获取下一时刻的预测电能表数据，并确定所述预测电能表数据的所属类簇；

31、根据所述下一时刻电能表数据的所属类簇和所述预测电能表数据的所属类簇，确定所述下一时刻电能表数据的第三指标；

32、获取所述下一时刻电能表数据对应的转移概率，根据所述转移概率确定所述下一时刻电能表数据的第四指标；

33、根据所述第三指标和所述第四指标，确定所述下一时刻电能表数据的异常程度。

34、在本技术的一个实施例中，所述根据所述第三指标和所述第四指标，确定所述下一时刻电能表数据的异常程度，包括：

35、所述下一时刻电能表数据的异常程度的计算为：

36、

37、其中，εt+1表示下一时刻电能表数据的异常程度；c1表示第1个类簇的簇类中心点的数据值；c20表示第20个类簇的簇类中心点的数据值；pt+1表示当前时刻t对应的概率转移矩阵中的最大转移概率；p′t+1表示下一时刻电能表数据划分到所属类簇后确定的当前时刻t对应的概率转移矩阵中对应的转移概率；ct+1表示下一时刻电能表数据的所属类簇的簇类中心点的数据值；c′t+1表示下一时刻的预测电能表数据的所属类簇的簇类中心点的数据值；(|ct+1-c′t+1|)表示第三指标；(1+p′t+1-pt+1)表示第四指标。

38、在本技术的一个实施例中，所述方法还包括：

39、若所述下一时刻电能表数据的所属类簇与所述预测所属类簇相同，确定所述电能表正常；

40、响应于所述下一时刻电能表数据的所属类簇与所述预测所述类簇不同时，计算所述下一时刻电能表数据的异常程度；其中，所述异常程度计算过程中的概率转移矩阵由隐马尔可夫模型确定。

41、在本技术的一个实施例中，所述响应于所述异常程度满足异常条件时，确定所述电能计量箱异常，包括：

42、判断所述异常程度是否大于预设异常程度阈值；

43、在所述异常程度大于所述预设异常程度阈值时，所述异常程度满足异常条件，确定所述电能计量箱异常。

44、本技术至少具有以下有益效果：通过采集电能计量箱中电能表的时序数据作为分析依据，根据其对应的残差序列确定每个数据点对应的隐藏状态优化因子，并基于隐藏状态优化因子确定数据点之间的分类距离，对分类距离进行优化，使得基于分类距离对时序数据进行类簇划分时，考虑到电能表设备老化的问题，提高类簇划分的可靠性；基于划分的类簇和下一时刻电能表数据的所属类簇，确定下一时刻电能表数据的异常程度，根据异常程度是否满足异常条件确定电能计量箱是否存在异常，对异常的判定更加具有说服力，解决了现有忽略设备老化问题的痛点，提高了对异常监测的准确性。