[发明专利]一种供变电设备监测状态突变在线识别方法

说明书

本发明涉及供变电设备监测技术领域，具体而言，涉及一种供变电设备监测状态突变在线识别方法，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。本发明能够提高供变电设备在线监测数据的准确性，以及能够精准识别突变数据的来源。

技术领域

本发明涉及供变电设备监测技术领域，具体而言，涉及一种供变电设备监测状态突变在线识别方法。

背景技术

随着铁路建设规模的快速扩大，大部分供变电设备的健康状态评估取决于停电预防性试验，需要对供变电设备进行在线监测来检验和确定设备运行状态。就目前而言，在线监测数据质量不高，造成监测数据的突变原因主要有一次设备异常、在线监测设备异常或环境干扰，部分突变数据不是由一次设备劣化产生，不能直接用于设备运维分析。因此，只通过均值或趋势识别突变点准确率低，且不能达到数据清洗的目的。基于此，为了提高在线监测数据的准确性和可用性，以及能够精准识别突变数据的来源，我们设计了一种供变电设备监测状态突变在线识别方法。

发明内容

本发明的目的在于提供一种供变电设备监测状态突变在线识别方法，其提高了供变电设备在线监测数据的准确性，以及能够精准识别突变数据的来源。

本发明的实施例通过以下技术方案实现：

一种供变电设备监测状态突变在线识别方法，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。

可选的，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，。

可选的，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。

可选的，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。

可选的，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]；