本發(fā)明涉及配電安全領(lǐng)域，尤其涉及一種基于鄰域保持嵌入算法的環(huán)網(wǎng)柜的故障監(jiān)測方法及系統(tǒng)。

背景技術(shù)：

隨著城市供電方式由架空線路改為地下電纜埋設(shè)，對環(huán)網(wǎng)柜供電的可靠性和供電質(zhì)量的要求越來越高。地下電纜一般運(yùn)行周期長，且容易受到滲水或者蟲害等其他災(zāi)害影響。因此，對電纜沿線上的環(huán)網(wǎng)柜內(nèi)的相關(guān)設(shè)備的運(yùn)行狀態(tài)進(jìn)行實(shí)時綜合監(jiān)測尤其重要。傳統(tǒng)的在線監(jiān)測技術(shù)如電纜故障技術(shù)、電纜線芯監(jiān)測技術(shù)、電氣柜內(nèi)火情監(jiān)測與滅火技術(shù)等。單純依賴這些設(shè)備和技術(shù)，在電纜應(yīng)急搶修或日常維護(hù)時，依然需要對電纜進(jìn)行開挖探測、停電開柜等重復(fù)性試驗(yàn)、逐一排查，導(dǎo)致地下電纜維護(hù)工作繁重、操作復(fù)雜、難度大、風(fēng)險(xiǎn)高，電纜等地下設(shè)施管理非常困難。由于電力電纜發(fā)生故障的過程是一個高維的非線性時間序列過程，具有復(fù)雜及突變等特性，導(dǎo)致過程機(jī)理模型難以建立。

由于過程中積累了大量的測量數(shù)據(jù)，如電力電纜、環(huán)網(wǎng)柜的環(huán)境(溫度、濕度等)、SF6氣體泄漏等大量的實(shí)時數(shù)據(jù)。根據(jù)采集到的過程數(shù)據(jù)為基礎(chǔ)，利用各種數(shù)據(jù)分析和處理方法挖掘出隱含的模型信息，可以獲取過程運(yùn)行狀態(tài)。因此，現(xiàn)有技術(shù)中，提出基于數(shù)據(jù)的建模的和監(jiān)測方法更加適合于環(huán)網(wǎng)柜監(jiān)測的過程，現(xiàn)有技術(shù)的監(jiān)測方法一般是基于環(huán)網(wǎng)柜中的一些重要單變量單獨(dú)進(jìn)行監(jiān)測，但是反映過程特征的數(shù)據(jù)之間一般存在較大的相關(guān)性，而現(xiàn)有技術(shù)中的監(jiān)測方法無法對多個變量之間相互關(guān)系變化進(jìn)行監(jiān)測，信息相對單一，監(jiān)測準(zhǔn)確率低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于鄰域保持嵌入算法的環(huán)網(wǎng)柜的故障監(jiān)測方法及系統(tǒng)，解決現(xiàn)有技術(shù)中的監(jiān)測方法無法對多個變量之間相互關(guān)系變化進(jìn)行監(jiān)測，信息相對單一，監(jiān)測準(zhǔn)確率低的技術(shù)問題。

本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的：

一種基于鄰域保持嵌入算法的環(huán)網(wǎng)柜的故障監(jiān)測方法，包括：

獲取環(huán)網(wǎng)柜運(yùn)行過程中的歷史多變量數(shù)據(jù)的第一數(shù)據(jù)矩陣X，所述第一數(shù)據(jù)矩陣X包括環(huán)網(wǎng)柜運(yùn)行過程中的D維的變量數(shù)據(jù)；

對所述第一數(shù)據(jù)矩陣X中的數(shù)據(jù)進(jìn)行預(yù)處理和歸一化，生成第二數(shù)據(jù)矩陣，以使得各個過程變量的均值為零方差為1；

根據(jù)鄰域保持嵌入算法NPE模型，確定鄰域個數(shù)和降維維度，在所述第二數(shù)據(jù)矩陣下構(gòu)造多變量數(shù)據(jù)降維模型，并設(shè)定Hotelling和平方預(yù)報(bào)誤差SPE統(tǒng)計(jì)量及對應(yīng)的監(jiān)控統(tǒng)計(jì)閾值；

獲取實(shí)時多變量數(shù)據(jù)并生成第三數(shù)據(jù)矩陣，對所述第三數(shù)據(jù)矩陣進(jìn)行預(yù)處理和歸一化，生成第四數(shù)據(jù)矩陣，以使得各個過程變量的均值為零方差為1；

將所述第四數(shù)據(jù)矩陣輸入到NPE模型中，并分別計(jì)算實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量，并與T²和SPE統(tǒng)計(jì)量的監(jiān)控統(tǒng)計(jì)閾值進(jìn)行比較，當(dāng)實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量大于監(jiān)控統(tǒng)計(jì)閾值時，進(jìn)行異常處理。

一種基于鄰域保持嵌入算法的環(huán)網(wǎng)柜的故障監(jiān)測系統(tǒng)，包括：

歷史數(shù)據(jù)獲取模塊，用于獲取環(huán)網(wǎng)柜運(yùn)行過程中的歷史多變量數(shù)據(jù)的第一數(shù)據(jù)矩陣X，所述第一數(shù)據(jù)矩陣X包括環(huán)網(wǎng)柜運(yùn)行過程中的D維的變量數(shù)據(jù)；

處理模塊，用于對所述第一數(shù)據(jù)矩陣X中的數(shù)據(jù)進(jìn)行預(yù)處理和歸一化，生成第二數(shù)據(jù)矩陣，以使得各個過程變量的均值為零方差為1；

配置模塊，用于根據(jù)鄰域保持嵌入算法NPE模型，確定鄰域個數(shù)和降維維度，在所述第二數(shù)據(jù)矩陣下構(gòu)造多變量數(shù)據(jù)降維模型，并設(shè)定Hotelling和平方預(yù)報(bào)誤差SPE統(tǒng)計(jì)量及對應(yīng)的監(jiān)控統(tǒng)計(jì)閾值；

實(shí)時數(shù)據(jù)獲取模塊，獲取實(shí)時多變量數(shù)據(jù)并生成第三數(shù)據(jù)矩陣，對所述第三數(shù)據(jù)矩陣進(jìn)行預(yù)處理和歸一化，生成第四數(shù)據(jù)矩陣，以使得各個過程變量的均值為零方差為1；

實(shí)時監(jiān)控模塊，用于將所述第四數(shù)據(jù)矩陣輸入到NPE模型中，并分別計(jì)算實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量，并與T²和SPE統(tǒng)計(jì)量的監(jiān)控統(tǒng)計(jì)閾值進(jìn)行比較，當(dāng)實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量大于監(jiān)控統(tǒng)計(jì)閾值時，進(jìn)行異常處理。

本發(fā)明提供一種基于鄰域保持嵌入算法的環(huán)網(wǎng)柜的故障監(jiān)測方法及系統(tǒng)，通過獲取環(huán)網(wǎng)柜運(yùn)行過程中的歷史多變量數(shù)據(jù)的第一數(shù)據(jù)矩陣X；對所述第一數(shù)據(jù)矩陣X中的數(shù)據(jù)進(jìn)行預(yù)處理和歸一化，生成第二數(shù)據(jù)矩陣；根據(jù)鄰域保持嵌入算法NPE模型，確定鄰域個數(shù)和降維維度，在所述第二數(shù)據(jù)矩陣下構(gòu)造多變量數(shù)據(jù)降維模型，并設(shè)定Hotelling和平方預(yù)報(bào)誤差SPE統(tǒng)計(jì)量及對應(yīng)的監(jiān)控統(tǒng)計(jì)閾值；獲取實(shí)時多變量數(shù)據(jù)并生成第三數(shù)據(jù)矩陣，對所述第三數(shù)據(jù)矩陣進(jìn)行預(yù)處理和歸一化，生成第四數(shù)據(jù)矩陣；將所述第四數(shù)據(jù)矩陣輸入到NPE模型中，并分別計(jì)算實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量，并與T²和SPE統(tǒng)計(jì)量的監(jiān)控統(tǒng)計(jì)閾值進(jìn)行比較，當(dāng)實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量大于監(jiān)控統(tǒng)計(jì)閾值時，進(jìn)行異常處理。本發(fā)明能夠更多地獲取數(shù)據(jù)的細(xì)節(jié)信息，降低了故障檢測模型計(jì)算的復(fù)雜度，最終實(shí)現(xiàn)了基于鄰域保持嵌入算法的多變量環(huán)網(wǎng)柜故障檢測，利用T²和SPE統(tǒng)計(jì)量得到了更好的檢測結(jié)果。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例的一種基于鄰域保持嵌入算法的環(huán)網(wǎng)柜的故障監(jiān)測方法的流程圖；

圖2為本發(fā)明實(shí)施例的一種基于鄰域保持嵌入算法的環(huán)網(wǎng)柜的故障監(jiān)測系統(tǒng)的結(jié)構(gòu)圖。

具體實(shí)施方式

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明作進(jìn)一步詳細(xì)的說明。

如圖1所示，為一種基于鄰域保持嵌入算法的環(huán)網(wǎng)柜的故障監(jiān)測方法，包括：

步驟101、獲取環(huán)網(wǎng)柜運(yùn)行過程中的歷史多變量數(shù)據(jù)的第一數(shù)據(jù)矩陣X；

其中，所述第一數(shù)據(jù)矩陣X包括環(huán)網(wǎng)柜運(yùn)行過程中的D維的變量數(shù)據(jù)，歷史多變量數(shù)據(jù)為來自于安裝在現(xiàn)場的傳感器及數(shù)據(jù)采集、通信裝置的數(shù)據(jù)，包括環(huán)網(wǎng)柜內(nèi)環(huán)境溫度、濕度、電纜接頭溫度、電纜線芯溫度、co氣體、電纜電流等傳感信息，以及對公共信息，如空氣溫度、濕度、風(fēng)速、風(fēng)向、日照強(qiáng)度、用戶用電負(fù)載等信息。

步驟102、對所述第一數(shù)據(jù)矩陣X中的數(shù)據(jù)進(jìn)行預(yù)處理和歸一化，生成第二數(shù)據(jù)矩陣，以使得各個過程變量的均值為零方差為1；

步驟103、根據(jù)鄰域保持嵌入算法NPE模型，確定鄰域個數(shù)和降維維度，在所述第二數(shù)據(jù)矩陣下構(gòu)造多變量數(shù)據(jù)降維模型，并設(shè)定Hotelling和平方預(yù)報(bào)誤差SPE統(tǒng)計(jì)量及對應(yīng)的監(jiān)控統(tǒng)計(jì)閾值；

其中，可以通過實(shí)驗(yàn)驗(yàn)證，確定降維的維度以及數(shù)據(jù)鄰域個數(shù)。Hotelling T2和平方預(yù)報(bào)誤差(Squared Prediction Error,SPE)這兩個統(tǒng)計(jì)量來監(jiān)測故障的發(fā)生，Hotelling T2統(tǒng)計(jì)量是用來衡量包含在主元模型中的信息大小，它表示標(biāo)準(zhǔn)分值平方和。SPE統(tǒng)計(jì)量是通過分析新的測量數(shù)據(jù)的殘差進(jìn)行故障診斷，用以表明這個采樣數(shù)據(jù)在多大程度上復(fù)合主元模型，它衡量了這個數(shù)據(jù)點(diǎn)不能被主元模型所描述的信息量的大小。

步驟103之前，還需要建立NPE模型，包括如下步驟：

步驟103-a、對所述第二數(shù)據(jù)矩陣構(gòu)建局部權(quán)重矩陣W；

其中，對預(yù)處理后的數(shù)據(jù)利用鄰域保持嵌入算法建模，首先得到數(shù)據(jù)的協(xié)方差矩陣Qⁱ，局部最優(yōu)化權(quán)重矩陣W∈R^n×n如下所示：

其中，x_ij(j＝1,2,...,k)為x_i的k個近鄰點(diǎn)，為x_i和x_ij之間的權(quán)重值，且滿足

步驟103-b、在低維降維空間，在保留數(shù)據(jù)權(quán)重的基礎(chǔ)上，基于數(shù)據(jù)矩陣關(guān)系計(jì)算出所述第二數(shù)據(jù)矩陣的低維投影矩陣為，其中d為低維維度數(shù)；其中，基于建模數(shù)據(jù)的局部權(quán)重構(gòu)矩陣W，通過對下式的特征值分解計(jì)算得到訓(xùn)練數(shù)據(jù)的低維投影矩陣A以及低維投影y∈R^n×d XMX^Ta＝λXX^Ta，其中，M＝(I-W)^T(I-W)，a為鄰域保持嵌入算法的投影向量。求解上式的廣義特征值問題，其最小的d個特征值λ₁≤λ₂,...,≤λ_d所對應(yīng)的特征向量組成投影矩陣A＝(a₁,a₂,...,a_d)。為殘差矩陣：在此基礎(chǔ)上將原始數(shù)據(jù)投影到一個低維空間：d為提取的低維維度數(shù)。

步驟103-c、構(gòu)造T²統(tǒng)計(jì)量并利用F分布得到監(jiān)控統(tǒng)計(jì)閾值，同時對殘差矩陣構(gòu)建SPE統(tǒng)計(jì)量以及其相應(yīng)的統(tǒng)計(jì)閾值。

其中，構(gòu)造T²統(tǒng)計(jì)量并利用F分布得到監(jiān)控統(tǒng)計(jì)限其構(gòu)建方法如以下公式：

其中，F(xiàn)(d,n-d；α)表示顯著水平為α，自由度為d和n-d的F分布。同時對殘差矩陣構(gòu)建SPE統(tǒng)計(jì)量以及其相應(yīng)的統(tǒng)計(jì)限SPE_lim?；贜PE降維的過程實(shí)際上是將原數(shù)據(jù)分解為建模部分和殘差兩個部分則SPE統(tǒng)計(jì)量的構(gòu)建方法如下：

其中，為建模部分，E為殘差部分，A＝(B^TB)^-1B^T∈R^d×D。g和h為χ²分布的參數(shù)，滿足條件：g＝v/2m，h＝2m²/v，m和v分別代表基于訓(xùn)練樣本估計(jì)的SPE統(tǒng)計(jì)量的均值和方差。

步驟104、獲取實(shí)時多變量數(shù)據(jù)并生成第三數(shù)據(jù)矩陣，對所述第三數(shù)據(jù)矩陣進(jìn)行預(yù)處理和歸一化，生成第四數(shù)據(jù)矩陣，以使得各個過程變量的均值為零方差為1；

步驟105、將所述第四數(shù)據(jù)矩陣輸入到NPE模型中，并分別計(jì)算實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量，并與T²和SPE統(tǒng)計(jì)量的監(jiān)控統(tǒng)計(jì)閾值進(jìn)行比較，當(dāng)實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量大于監(jiān)控統(tǒng)計(jì)閾值時，進(jìn)行異常處理。

其中，步驟105將預(yù)處理后第四數(shù)據(jù)矩陣投影到建模后的NPE的模型上，并分別對每一個實(shí)時數(shù)據(jù)計(jì)算T²和SPE統(tǒng)計(jì)量。根據(jù)統(tǒng)計(jì)量是否超過對應(yīng)的監(jiān)控統(tǒng)計(jì)閾值來判斷該時刻的數(shù)據(jù)是否正常，如果提示故障，立刻進(jìn)行相應(yīng)的故障消除處理。本技術(shù)一方面不用構(gòu)建過程復(fù)雜機(jī)理模型，利用過程數(shù)據(jù)時時獲取過程狀態(tài)，模型更加靈活，降低了過程建模難度；其次，解決了傳統(tǒng)基于單變量監(jiān)控算法中數(shù)據(jù)變量特征單一、忽略了引起故障的多種變量之間的相關(guān)性，沒有進(jìn)行變量信息融合的問題?；诹餍螌W(xué)習(xí)局部信息保持的思想，更有效地提高了對復(fù)雜非線性數(shù)據(jù)的監(jiān)控效果。

本發(fā)明實(shí)施例中對遠(yuǎn)程環(huán)網(wǎng)柜過程中采集到的實(shí)時數(shù)據(jù)送到計(jì)算機(jī)進(jìn)行計(jì)算，當(dāng)檢測數(shù)據(jù)的統(tǒng)計(jì)量超過控制限，則該時刻的數(shù)據(jù)樣本是故障的，當(dāng)故障數(shù)據(jù)累計(jì)達(dá)到一定數(shù)值時，即表明系統(tǒng)出現(xiàn)故障，需要工作人員及時查明情況，排除險(xiǎn)情。

本發(fā)明的技術(shù)效果為：

1.本發(fā)明主要提出了基于數(shù)據(jù)驅(qū)動的環(huán)網(wǎng)柜過程監(jiān)控方法。該方法主要是依賴于環(huán)網(wǎng)柜系統(tǒng)數(shù)據(jù)特征來挖掘其內(nèi)在信息，不依賴于過程精確的數(shù)學(xué)模型和豐富的先驗(yàn)知識。利用流形學(xué)習(xí)等方法建立過程的數(shù)學(xué)模型，描述過程的運(yùn)行狀態(tài)。因此，對于難以獲得精確的數(shù)據(jù)模型和全面的過程知識的復(fù)雜過程，基于數(shù)據(jù)驅(qū)動的環(huán)網(wǎng)柜故障檢測具有較大的優(yōu)勢。

2.本發(fā)明改善了對環(huán)網(wǎng)柜過程的故障檢測效果。使用多變量過程數(shù)據(jù)信息，利用統(tǒng)計(jì)分析方法，基于T²和SPE統(tǒng)計(jì)量確定環(huán)網(wǎng)柜過程是否存在故障，與傳統(tǒng)的基于單變量過程的監(jiān)控方法相比，該方法能夠更全面地獲取過程信息，改善監(jiān)控效果。

3.本發(fā)明方法保持了過程數(shù)據(jù)集的局部特征結(jié)構(gòu)。由于環(huán)網(wǎng)柜數(shù)據(jù)的物理限制和高維數(shù)據(jù)的復(fù)雜變量關(guān)系，很多的數(shù)據(jù)整體分布特征并不明顯，系統(tǒng)故障主要體現(xiàn)在和故障源關(guān)聯(lián)緊密的少數(shù)變量上，具有“局部性”的特征。傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)方法，如主元分析，最小二乘回歸等目標(biāo)為保持?jǐn)?shù)據(jù)外部形狀的全局結(jié)構(gòu)，對局部的刻畫不清楚，丟失了數(shù)據(jù)的細(xì)節(jié)信息。而本發(fā)明提出的方法可以有效地保持?jǐn)?shù)據(jù)的局部結(jié)構(gòu)特征，描述了數(shù)據(jù)的內(nèi)在組織結(jié)構(gòu)。使得模型隨著數(shù)據(jù)樣本的空間結(jié)構(gòu)的變化而變化。提高了數(shù)據(jù)特征的表示能力。

本發(fā)明實(shí)施例還提供了一種基于鄰域保持嵌入算法的環(huán)網(wǎng)柜的故障監(jiān)測系統(tǒng)，如圖2所示，包括：

歷史數(shù)據(jù)獲取模塊210，用于獲取環(huán)網(wǎng)柜運(yùn)行過程中的歷史多變量數(shù)據(jù)的第一數(shù)據(jù)矩陣X，所述第一數(shù)據(jù)矩陣X包括環(huán)網(wǎng)柜運(yùn)行過程中的D維的變量數(shù)據(jù)；

處理模塊220，用于對所述第一數(shù)據(jù)矩陣X中的數(shù)據(jù)進(jìn)行預(yù)處理和歸一化，生成第二數(shù)據(jù)矩陣，以使得各個過程變量的均值為零方差為1；

配置模塊230，用于根據(jù)鄰域保持嵌入算法NPE模型，確定鄰域個數(shù)和降維維度，在所述第二數(shù)據(jù)矩陣下構(gòu)造多變量數(shù)據(jù)降維模型，并設(shè)定Hotelling和平方預(yù)報(bào)誤差SPE統(tǒng)計(jì)量及對應(yīng)的監(jiān)控統(tǒng)計(jì)閾值；

實(shí)時數(shù)據(jù)獲取模塊240，獲取實(shí)時多變量數(shù)據(jù)并生成第三數(shù)據(jù)矩陣，對所述第三數(shù)據(jù)矩陣進(jìn)行預(yù)處理和歸一化，生成第四數(shù)據(jù)矩陣，以使得各個過程變量的均值為零方差為1；

實(shí)時監(jiān)控模塊250，用于將所述第四數(shù)據(jù)矩陣輸入到NPE模型中，并分別計(jì)算實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量，并與T²和SPE統(tǒng)計(jì)量的監(jiān)控統(tǒng)計(jì)閾值進(jìn)行比較，當(dāng)實(shí)時數(shù)據(jù)的T²和SPE統(tǒng)計(jì)量大于監(jiān)控統(tǒng)計(jì)閾值時，進(jìn)行異常處理。

其中，還包括模型建立模塊260，用于對所述第二數(shù)據(jù)矩陣構(gòu)建局部權(quán)重矩陣W；在低維降維空間，在保留數(shù)據(jù)權(quán)重的基礎(chǔ)上，基于數(shù)據(jù)矩陣關(guān)系計(jì)算出所述第二數(shù)據(jù)矩陣的低維投影矩陣為，其中d為低維維度數(shù)；構(gòu)造T²統(tǒng)計(jì)量并利用F分布得到監(jiān)控統(tǒng)計(jì)閾值，同時對殘差矩陣構(gòu)建SPE統(tǒng)計(jì)量以及其相應(yīng)的統(tǒng)計(jì)閾值。

通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可借助軟件加必需的硬件平臺的方式來實(shí)現(xiàn)，當(dāng)然也可以全部通過硬件來實(shí)施，但很多情況下前者是更佳的實(shí)施方式。基于這樣的理解，本發(fā)明的技術(shù)方案對背景技術(shù)做出貢獻(xiàn)的全部或者部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品可以存儲在存儲介質(zhì)中，如ROM/RAM、磁碟、光盤等，包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實(shí)施例或者實(shí)施例的某些部分所述的方法。

以上對本發(fā)明進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。