本發(fā)明涉及變電站監(jiān)測(cè)，具體是一種變電站無人機(jī)飛行數(shù)據(jù)在線異常檢測(cè)方法。

背景技術(shù)：

1、社會(huì)對(duì)電力能源的需求越來越大，變電站作為電力系統(tǒng)的重要組成部分，其建設(shè)規(guī)模不斷擴(kuò)大，運(yùn)維工作量也急劇增加。無人機(jī)憑借高機(jī)動(dòng)性、機(jī)身小巧靈活、精準(zhǔn)懸停、垂直起降等優(yōu)點(diǎn)，可近距離觀察設(shè)備并提供全面覆蓋，能夠彌補(bǔ)人工巡檢時(shí)站內(nèi)高空設(shè)備存在盲區(qū)、高壓帶電設(shè)備的安全距離使巡檢人員可進(jìn)入?yún)^(qū)域受?限的缺點(diǎn)。此外，無人機(jī)搭載多種傳感器能夠進(jìn)行精細(xì)化的可見光巡視與紅外巡視，結(jié)合圖像分析技術(shù)、人工智能云計(jì)算技術(shù)，平臺(tái)可自動(dòng)完成圖像分析、診斷，快速準(zhǔn)確識(shí)別設(shè)備典型缺陷，實(shí)時(shí)監(jiān)測(cè)變電站設(shè)備的運(yùn)行狀態(tài)，提高了變電站的巡檢效率。但在實(shí)際運(yùn)用中，無人機(jī)的部署需要保障自身安全以及周圍人身和財(cái)產(chǎn)安全。

2、無人機(jī)在變電站巡檢過程中，強(qiáng)磁場(chǎng)干擾無人機(jī)的電子羅盤、磁羅盤的正常工作，使其無法準(zhǔn)確判斷航向，導(dǎo)致懸停位置發(fā)生偏移，如磁羅盤受干擾使得gps模式下呈圓圈形飛行、gps受到干擾導(dǎo)致無法直線飛行、震動(dòng)過大超出了imu測(cè)量值使得飛行無法自穩(wěn)等問題，增加了飛行的危險(xiǎn)性。通過實(shí)時(shí)監(jiān)控和分析飛控系統(tǒng)的關(guān)鍵數(shù)據(jù)，可以實(shí)時(shí)監(jiān)測(cè)無人機(jī)飛行狀態(tài)和運(yùn)動(dòng)狀態(tài)，輔助工作人員及時(shí)調(diào)整飛行參數(shù)。無人機(jī)執(zhí)行任務(wù)時(shí)故障率相對(duì)較高的原因在于缺少有效檢測(cè)自身故障的方法，如果能檢測(cè)系統(tǒng)中異常值的出現(xiàn)并提前預(yù)警，并在有限的時(shí)間內(nèi)對(duì)飛行控制進(jìn)行有效操作，對(duì)降低事故率并提高飛行安全有著很大的意義。

3、由于無人機(jī)系統(tǒng)復(fù)雜，為各子系統(tǒng)建模困難且模型方法適應(yīng)性和抗干擾能力有限，因此廣泛采用數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行數(shù)據(jù)異常檢測(cè)，并以算法準(zhǔn)確率和實(shí)時(shí)性為目標(biāo)，以無人機(jī)飛行數(shù)據(jù)的時(shí)序性、異構(gòu)性為側(cè)重點(diǎn)。無人機(jī)飛行數(shù)據(jù)具有維度高、數(shù)據(jù)量大、異常標(biāo)簽少和實(shí)時(shí)性強(qiáng)的特點(diǎn)，因此選用的異常檢測(cè)算法需要有：低時(shí)延和低復(fù)雜度用以滿足實(shí)時(shí)性的需求、無監(jiān)督方法或半監(jiān)督的方法用以滿足異常標(biāo)簽少的需求，此外，算法的魯棒性應(yīng)該較高，即要求在模式切換后的算法誤檢率低。

4、因此，本技術(shù)人提出了一種變電站無人機(jī)飛行數(shù)據(jù)在線異常檢測(cè)方法。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種變電站無人機(jī)飛行數(shù)據(jù)在線異常檢測(cè)方法，具有低時(shí)延和低復(fù)雜度，用以滿足實(shí)時(shí)性的需求，且無監(jiān)督方法或半監(jiān)督的方法用以滿足異常標(biāo)簽少的需求，此外，本發(fā)明算法的魯棒性較高，在模式切換后的算法誤檢率低。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種變電站無人機(jī)飛行數(shù)據(jù)在線異常檢測(cè)方法，該檢測(cè)方法包括以下步驟：

4、s1、采用主成分分析（pca）方法在多維飛行數(shù)據(jù)矩陣中通過數(shù)據(jù)重構(gòu)找到一個(gè)低維的內(nèi)部子空間矩陣并計(jì)算得到子空間的主方向向量，該向量將包含原始數(shù)據(jù)空間中最大的信息量；

5、s2、利用過采樣（oversampling）主成分分析方法將異常數(shù)據(jù)對(duì)主方向的影響放大，而正常數(shù)據(jù)對(duì)主方向沒有影響，在子空間矩陣中以投影近似方式更新子空間向量，追蹤和匹配子空間向量的主方向變化來實(shí)現(xiàn)飛行數(shù)據(jù)的瞬時(shí)異常檢測(cè)，并得到每個(gè)點(diǎn)的異常分?jǐn)?shù)；

6、s3、在無人機(jī)切換任務(wù)模式時(shí)，為了自適應(yīng)更新異常分?jǐn)?shù)閾值并進(jìn)一步降低異常檢測(cè)的誤檢率，根據(jù)某時(shí)刻數(shù)據(jù)點(diǎn)正常和異常只能是其一的特點(diǎn)，選擇一類支持向量機(jī)（oc-svm）對(duì)數(shù)據(jù)點(diǎn)進(jìn)行是否異常的判別。

7、作為本發(fā)明進(jìn)一步的方案：步驟s1包括以下步驟：

8、s11、無人機(jī)在變電站執(zhí)行運(yùn)維任務(wù)時(shí)，一些關(guān)鍵參數(shù)對(duì)無人機(jī)的飛行控制異常重要，飛行數(shù)據(jù)矩陣包括：經(jīng)度、緯度、海拔高度、俯仰角、橫滾角、偏航角、無人機(jī)的地速和空速等參數(shù)，對(duì)無人機(jī)的飛行參數(shù)監(jiān)測(cè)用以發(fā)現(xiàn)潛在的異常，在時(shí)間參數(shù)為時(shí)，多維飛行數(shù)據(jù)矩陣如下：

9、

10、上式中，表示當(dāng)時(shí)的飛行數(shù)據(jù)實(shí)例，此時(shí)為多維飛行數(shù)據(jù)矩陣的行向量；

11、s12、pca主要是通過對(duì)飛行數(shù)據(jù)矩陣重構(gòu)，在多維飛行數(shù)據(jù)矩陣中尋找一個(gè)低維的內(nèi)部子空間矩陣作為原始飛行數(shù)據(jù)有意義和存儲(chǔ)輕量的數(shù)據(jù)表示，子空間矩陣的行向量如為原始輸入中相應(yīng)飛行參數(shù)的向量化表示，其中，；

12、s13、pca本質(zhì)上是采用歐幾里得范數(shù)的平方作為距離度量，并采用最小化投影數(shù)據(jù)的重構(gòu)誤差，則數(shù)據(jù)重構(gòu)目標(biāo)函數(shù)表示為：

13、???（1）

14、其中，為，為第個(gè)原始飛行數(shù)據(jù)輸入，為整體均值，為包含個(gè)子空間向量的子空間矩陣，為第個(gè)原始數(shù)據(jù)向數(shù)據(jù)子空間投影，為從投影子空間重構(gòu)估計(jì)得到的第個(gè)；

15、s14、通過導(dǎo)出協(xié)方差數(shù)據(jù)矩陣的特征值分來解決最小化重構(gòu)問題，如下：

16、???（2）

17、其中，為協(xié)方差矩陣，為均值，的每一列為的一個(gè)特征向量，其中對(duì)應(yīng)的對(duì)角線元素為相應(yīng)的特征值，最后幾個(gè)特征向量對(duì)數(shù)據(jù)分布的影響不大會(huì)被舍棄，將公式（1）用最小二乘形式近似為：

18、（3）

19、其中，在維空間中，為的近似值，兩者近似相等，即，基于公式（3），重建誤差具有二次形式并且是的函數(shù)，可以通過求解最小二乘問題來計(jì)算，在線環(huán)境中，假設(shè)飛行數(shù)據(jù)在時(shí)序方向上相鄰的子空間具有相似性，即。

20、作為本發(fā)明再進(jìn)一步的方案：步驟s2的具體步驟包括：

21、無人機(jī)的正常數(shù)據(jù)和異常數(shù)據(jù)的數(shù)據(jù)量不均衡，采用os-pca異常檢測(cè)方法是因?yàn)楫惓?shù)據(jù)占比很小，通過對(duì)異常數(shù)據(jù)點(diǎn)過采樣，使得數(shù)據(jù)的主方向遠(yuǎn)離原數(shù)據(jù)的主方向，而正常數(shù)據(jù)點(diǎn)的過采樣則對(duì)主方向的變化影響很小，無人機(jī)在變電站執(zhí)行巡檢任務(wù)時(shí)會(huì)包含很大的數(shù)據(jù)量，對(duì)數(shù)據(jù)點(diǎn)重采樣次可以放大當(dāng)前數(shù)據(jù)點(diǎn)對(duì)主方向的影響，時(shí)刻的數(shù)據(jù)實(shí)例為，數(shù)據(jù)輸入表示為，此時(shí)目標(biāo)函數(shù)為：

22、（4）

23、此外，若將時(shí)刻之前的影響縮小也可以達(dá)到放大當(dāng)前時(shí)刻對(duì)主方向影響的效果，即施加遺忘因子，此時(shí)，為過采樣數(shù)目與原始數(shù)據(jù)集大小的比值，此時(shí)目標(biāo)函數(shù)為式（5）所示，其中，當(dāng)前時(shí)刻的輸入為，和分別用和近似，

24、（5）

25、求解式（5）的優(yōu)化問題即是數(shù)據(jù)點(diǎn)的增量策略異常檢測(cè)問題，過采樣pca的異常檢測(cè)算法輸入是飛行數(shù)據(jù)矩陣x和參數(shù)，算法輸出是異常分?jǐn)?shù)，通過取式（5）關(guān)于的導(dǎo)數(shù)來計(jì)算的解，如下：

26、（6）

27、對(duì)式（6），如果只關(guān)心主方向，即當(dāng)前時(shí)刻最大特征值對(duì)應(yīng)的子空間向量為，時(shí)刻參考子空間向量張成的子空間為，利用估計(jì)的最顯著子空間向量和參考的最顯著子空間向量，分別向參考子空間和估計(jì)的子空間投影，則由式（7）計(jì)算得到的夾角的平均即為時(shí)刻輸入向量的異常分?jǐn)?shù)，

28、（7）

29、其中，異常分?jǐn)?shù)為時(shí)刻輸入向量對(duì)數(shù)據(jù)子空間向量的影響，值越大則輸入向量的異常程度越大，通過大量實(shí)驗(yàn)驗(yàn)證，當(dāng)異常分?jǐn)?shù)＞0.5時(shí)，可以確定無人機(jī)在某一飛行狀態(tài)下發(fā)生了異常。

30、作為本發(fā)明再進(jìn)一步的方案：步驟s3的具體步驟包括：

31、os-pca利用數(shù)據(jù)子空間在時(shí)序方向上的相似性特性，為時(shí)間序列的異常檢測(cè)提供了可能，具有計(jì)算和存儲(chǔ)輕量、適應(yīng)飛行數(shù)據(jù)的動(dòng)態(tài)變化的特點(diǎn)，但當(dāng)無人機(jī)切換任務(wù)模式時(shí)，如起飛、攀升、巡檢、降落等，采集的飛行數(shù)據(jù)在正常的表現(xiàn)上可能不同于歷史數(shù)據(jù)，為了自適應(yīng)更新異常分?jǐn)?shù)閾值并進(jìn)一步降低異常檢測(cè)的誤檢率，根據(jù)某時(shí)刻數(shù)據(jù)點(diǎn)正常和異常只能是其一的特點(diǎn)，選擇oc-svm對(duì)異常分?jǐn)?shù)進(jìn)行異常判別；

32、一類支持向量機(jī)算法不需要得到數(shù)據(jù)的分類標(biāo)簽，旨在構(gòu)造出一個(gè)超平面或超球體來包含大部分?jǐn)?shù)據(jù)點(diǎn)的分布區(qū)域，而將少部分?jǐn)?shù)據(jù)點(diǎn)隔離出來，對(duì)于給定的訓(xùn)練數(shù)據(jù)集，oc-svm利用一個(gè)映射函數(shù)將訓(xùn)練數(shù)據(jù)點(diǎn)由原始的特征空間投影到更高維的空間，并在映射之后的空間中建立超平面，其中和為其法向量與截距，在oc-svm模型當(dāng)中假定原點(diǎn)為異常點(diǎn)，則需要獲取一個(gè)超平面將全部的訓(xùn)練樣本點(diǎn)和該點(diǎn)分離開，并且要確保超平面與原點(diǎn)之間的距離達(dá)到最遠(yuǎn)，即需要優(yōu)化原點(diǎn)到超平面的距離為最大值。一類支持向量機(jī)的超平面決策方程，如式（8）所示：

33、（8）

34、其中，是拉格朗日乘子，且由任意滿足的支持向量樣本計(jì)算獲得，為符號(hào)函數(shù)，若大于0則輸出為1，否則輸出為0。

35、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

36、1、本發(fā)明采用os-pca異常數(shù)據(jù)檢測(cè)方法，只需通過式（7）更新子空間矩陣的主方向，該算法的計(jì)算和存儲(chǔ)復(fù)雜度低，保障了無人機(jī)在執(zhí)行任務(wù)低時(shí)延、低復(fù)雜和存儲(chǔ)開銷小的要求。

37、2、本發(fā)明以在線監(jiān)測(cè)的方式監(jiān)測(cè)無人機(jī)的飛行數(shù)據(jù)，能夠及時(shí)檢測(cè)出無人機(jī)的數(shù)據(jù)異常，而這些數(shù)據(jù)通常表明已經(jīng)發(fā)生的故障或潛在故障，有效保障無人機(jī)的安全運(yùn)行和良好狀態(tài)，降低風(fēng)險(xiǎn)和意外事故發(fā)生的可能性。

38、3、本發(fā)明根據(jù)無人機(jī)切換任務(wù)模式時(shí)，由于采集的飛行數(shù)據(jù)在正常的表現(xiàn)上不同于歷史數(shù)據(jù)，為了自適應(yīng)更新異常分?jǐn)?shù)閾值并進(jìn)一步降低異常檢測(cè)的誤檢率，選擇一類支持向量機(jī)對(duì)數(shù)據(jù)點(diǎn)的異常分?jǐn)?shù)進(jìn)行異常判別，有效的降低了誤檢率。