[发明专利]一种供变电设备监测状态突变在线识别方法

权利要求书

1.一种供变电设备监测状态突变在线识别方法，其特征在于，该方法的步骤包括：

获取设备的实时监测数据，以表征为设备的原始时间序列数据，并分割为多个时间序列数据；

将时间序列数据进行分解，获取差值分量及均值分量；

基于原始时间序列数据构建二叉树模型，通过二叉树模型分别对差值分量及均值分量进行搜索，获取突变点位置及对应的突变时间序列数据；

对突变时间序列数据进行异常识别，求得设备的突变原因。

2.根据权利要求1所述的供变电设备监测状态突变在线识别方法，其特征在于，所述将时间序列数据进行分解，其具体通过Haar小波变换进行分解，所述Haar小波变换的计算公式为：

其中，为均值分量，为差值分量，，为时间序列的长度，。

3.根据权利要求1所述的供变电设备监测状态突变在线识别方法，其特征在于，所述二叉树模型具体分为TcA模型与TcD模型，通过TcD模型对差值分量进行搜索，以及通过TcA模型对均值分量进行搜索，其中，所述对差值分量进行搜索的具体步骤为：

设定差值分量为非叶子节点，每个非叶子节点均包括叶子节点一与叶子节点二；

基于，通过TcD模型对非叶子节点进行筛选搜索，并判定搜索是否成功，若否，则通过TcA模型对均值分量进行统计波动搜索，其中，为阈值；若是，则继续下一步骤；

判定是否搜索至最后一个非叶子节点，若否，则通过TcD模型重新对非叶子节点进行筛选搜索，若是，则输出此非叶子节点。

4.根据权利要求3所述的供变电设备监测状态突变在线识别方法，其特征在于，所述对均值分量进行统计波动搜索的具体步骤为：

设定均值分量为非叶子节点，每个非叶子节点对应统计波动量、；

根据双样本KS统计检验原理并基于，通过TcA模型对均值分量进行筛选搜索，并判定搜索是否成功，其中，为置信区间，根据显著性水平在统计表中查询；

若否，则判定无突变点，结束；

若是，则判定是否搜索至最后一个非叶子节点，若否，则通过TcA模型对均值分量进行筛选搜索，直到搜索到最后一个非叶子节点，输出此非叶子节点，若是，则输出此非叶子节点。

5.根据权利要求4所述的供变电设备监测状态突变在线识别方法，其特征在于，所述的计算公式为：

其中，，，，为时间序列变量，i∈[a,aM]，，为时间序列变量，i∈[aM+1，c]；

所述的计算公式为：

其中，，。

6.根据权利要求5所述的供变电设备监测状态突变在线识别方法，其特征在于，所述突变点位置的具体获取步骤为：

将TcA模型或TcD模型输出的最后一个非叶子节点，所述非叶子节点对应的两个统计波动量、，并通过经验累积分布函数表征突变点的计算公式：

其中，为变量，为实数集合，为的经验累积分布函数，以表示为统计波动量，为的经验累积分布函数，以表示为统计波动量。

7.根据权利要求1-6任一项所述的供变电设备监测状态突变在线识别方法，其特征在于，所述对突变时间序列数据进行异常识别，具体通过变异系数CV和数据偏移率CR作为异常原因识别的特征量。

8.根据权利要求7所述的供变电设备监测状态突变在线识别方法，其特征在于，所述变异系数CV的计算公式为：

其中，为突变区间的标准差，为突变区间的均值。

9.根据权利要求8所述的供变电设备监测状态突变在线识别方法，其特征在于，所述数据偏移率CR的计算公式为：

其中，为第i个数据的偏移率，为当前第i个数据值，为初始数据的偏移率，为最后一个数据的偏移率。