[发明专利]基于栈式降噪自编码器的输变电设备状态异常检测方法和系统

说明书

本发明公开了基于栈式降噪自编码器的输变电设备状态异常检测方法，包括步骤：(1)获取输变电设备状态在线监测数据，采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量，进而获得强相关监测数据序列；(2)将强相关监测数据序列划分为训练样本和测试样本，采用训练样本对栈式降噪自编码器进行训练学习，获得最优训练参数，则训练后的栈式降噪自编码器输出训练样本的重构表示；(3)基于所述训练样本的重构表示与训练样本得到训练样本的重构误差，确定重构误差的上限阈值T_hd；(4)将测试样本的重构误差与所述上限阈值T_hd进行比较，基于比较结果输出输变电设备状态的辨识结果。

技术领域

本发明涉及一种检测方法和系统，尤其涉及一种对输变电设备异常的检测方法和系统

背景技术

输变电设备在实际运行过程中会受到过异常事件例如电压、过负荷、内部绝缘老化、自然环境影响，这些异常事件会导致输变电设备缺陷或者故障的发生，因此非常有必要对设备状态进行异常检测。

在实际的设备运维中，现有技术通常采用通过简单阈值判定的方法对单一系统的部分设备信息进行异常检测。然而，该利用阈值进行判定的方法具有一定的局限性，一方面其对于状态评价的正确率和设备信息利用率都偏低，另一方面该方法很难检测出设备的故障类别及潜伏性故障，而且相关规范标准中的固定阈值很难和设备运行工况的差异性相结合。

基于此，期望获得一种输变电站设备状态异常检测方法，其可以有效辨识出输变电设备异常运行状态。

发明内容

本发明的目的之一在于提供一种基于栈式降噪自编码器的输变电设备状态异常检测方法，该输变电设备状态异常检测方法根据所获得的强相关监测数据序列利用栈式降噪自编码器进行训练学习获取最优训练参数以及重构表示，随后计算获得重构误差通过核密度估计确定重构误差的上限阈值T_hd，基于最优训练参数对需要测试的数据(即测试样本)进行测试，通过测试样本的重构误差与上限阈值进行辨识，从而实现输变电设备状态异常检测。

基于上述目的，本发明提出了一种基于栈式降噪自编码器的输变电设备状态异常检测方法，其包括步骤：

(1)获取输变电设备状态在线监测数据，采用关联规则挖掘方法获得输变电设备状态在线监测数据关联性较强的强相关状态参量，根据强相关状态参量的时间序列获得强相关监测数据序列；

(2)将强相关监测数据序列划分为训练样本和测试样本，采用训练样本对栈式降噪自编码器进行训练学习，获得栈式降噪自编码器的最优训练参数，则具有该最优训练参数的栈式降噪自编码器输出训练样本的重构表示；

(3)基于训练样本的重构表示与所述训练样本得到训练样本的重构误差，对训练样本的重构误差进行核密度估计得到误差概率分布情况，以确定重构误差的上限阈值T_hd；

(4)将所述测试样本输入具有所述最优训练参数的栈式降噪自编码器，输出得到测试样本的重构误差，将测试样本的重构误差与所述上限阈值T_hd进行比较，基于比较结果输出输变电设备状态的辨识结果。

需要说明的是，考虑到输变电设备在线监测数据为连续变化的数据，因而在采用关联规则挖掘时，可以先对数据预处理，其包括：先将连续的输变电设备在线监测数据离散化，从而实现输变电设备在线监测数据的区段化映射，随后计算所有表征输变电设备状态的状态参数经过划分后的支持度S。支持度S定义为事务X与事务Y同时出现在一次事务中的可能性，由事务X和事务Y在事务数据库I中同时出现的事务数占总事务的比例估计，反映事务X与事务Y同时出现的可能性，而在本案中，事务X表示输变电设备缺陷和故障发生的事件，而事务Y则表示某一个表征输变电设备状态的状态参数，通过支持度S用来分析输变电设备缺陷和故障发生原因同状态参数之间的相关性，进而分析故障发展的客观规律，得到频繁序列，由频繁序列提取故障发展的关联规则，其具体过程如下所述：