[发明专利]一种电力设备数据流故障识别方法

说明书

技术领域

本发明涉及一种电力设备数据流故障识别方法。

背景技术

随着智能电网的建设和发展，电力系统输变电设备监测数据的质量性和准确性的要求越来越高，数据清洗在对电网的运行状态的分析和预测也越来越重要。文献《Anomaly detection in nuclear power plant data using support vector data div》中采用的是基于中心聚类的方法对时间序列中的异常数据进行检测和表征，提出了用一个时空聚类来显示每个窗口的结构并进行分析，考虑其中每个子序列的异常度。文献《A density based algorithm for discovering clusters in large spatial databases with noise》是利用稀疏表示方法对异常数据进行检测和清洗。其创新之处在于能够在没有假设生成任何模型信号的时候，同时能够捕捉变量关系和时域相关性。文献《基于数据流技术的WAMS数据预处理》是利用支持向量机的方法来对核电站采集的数据异常进行检测和处理。其优点在于提高了多元异常检测算法对噪声的检测率，降低了误报率。

发明内容

本发明的目的在于提供一种电力设备数据流故障识别方法，该方法实现了的处理大数据的数据异常检测和清洗的问题。

为实现上述目的，本发明的技术方案是：一种电力设备数据流故障识别方法，包括如下步骤，

S1：时间序列的符号化；

S2：进行序列间关联度的计算；

S3：通过聚类算法找单一序列异常值；

S4：进行数据流异常识别；

S5：进行数据清洗。

在本发明一实施例中，所述步骤S1的具体实现如下：

对一个时间序列T，用长度为l的滑动窗口截得n个子序列；对该n个子序列进行线性拟合后，再对其进行标准化，使斜率的数值都落在[-1,1]之间，然后将标准化后的斜率根据其数值大小进行符号化，从而将该时间序列从数值型转换为布尔型。

在本发明一实施例中，所述步骤S2的具体实现如下：

在计算两个时间序列的关联度过程中，设这两个时间序列为T₁和T₂，并设A和B属于事务集D，其中A＝{A₁,A₂,...,A_p}，B＝{B₁,B₂,...,B_q}，A₁,A₂,...,A_p表示根据步骤S1将时间序列T₁转化成的布尔型值，B₁,B₂,...,B_q表示根据步骤S1将时间序列T₂转化成的布尔型值；令规则A_i→B_j是满足最小置信度和最小支持度且兴趣度大于1的关联规则，n_ij是规则A_i→B_j在事务集D中出现的次数，则

在本发明一实施例中，所述步骤S3中采用的聚类算法为DBSCAN算法。

在本发明一实施例中，所述步骤S4的具体实现如下：

S41：读入历史数据流，然后利用Apriori算法进行关联规则分析，对没有关联序列的单一序列利用DBSCAN聚类分析找到序列中的异常点，然后再对序列进行FCM聚类分析并匹配结果波形，判断异常类型；

S42：若关联的序列中只有个别序列在该时刻出现了异常，则认为是传感器异常，需要对数据点进行清洗；对于错误数据、缺失值异常点，用插值法进行清洗，直接替换；对由通讯噪声或者外界干扰产生的异常点、由暂时性水平迁移引发的异常点，用均值回归法对数据进行平滑；

S43：若关联的序列在同一时刻同时出现了异常，则认为该点是设备异常，需要对设备故障类型进行排查。

相较于现有技术，本发明具有以下有益效果：本发明方法基于关联规则和聚类算法的数据清洗，利用关联规则找出数据集中具有关联性的序列；然后针对单一序列利用DBSCAN算法和FCM算法将异常数据分为可以清洗的传感器异常和不可以清洗的设备异常；针对关联序列，则利用其关联性并结合聚类的方法找到传感器异常和设备异常；最后对传感器异常进行数据清洗；本发明实现了的处理大数据的数据异常检测和清洗的问题。

附图说明