資源描述：
《基于大數(shù)據(jù)分析的輸變電設(shè)備狀態(tài)數(shù)據(jù)異常檢測(cè)措施》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、基于大數(shù)據(jù)分析的輸變電設(shè)備狀態(tài)數(shù)據(jù)異常檢測(cè)措施 摘要：文章結(jié)合相關(guān)的研究工作，提出了一種基于大數(shù)據(jù)分析手段下的檢測(cè)方法，由數(shù)據(jù)的演進(jìn)過(guò)程、數(shù)據(jù)關(guān)聯(lián)等角度實(shí)現(xiàn)了對(duì)于異常情況有效檢測(cè)，并進(jìn)一步提出了異常檢測(cè)體系，使其能夠使用在輸變電設(shè)備的狀態(tài)監(jiān)測(cè)數(shù)據(jù)流中，促使數(shù)據(jù)流當(dāng)中的異常狀況能夠得以及時(shí)測(cè)出?！ ￡P(guān)鍵詞：大數(shù)據(jù)；輸變電設(shè)備；異常檢測(cè)；時(shí)間序列；神經(jīng)網(wǎng)絡(luò)文獻(xiàn)標(biāo)識(shí)碼：A 中圖分類(lèi)號(hào)：TM764文章編號(hào)：1009-2374（2016）29-0128-02DOI：10.13535/j.cnki.11-4406/n.2016.29.058 在輸變電設(shè)備的日常運(yùn)行過(guò)程中常常會(huì)遭受到負(fù)
2、荷、過(guò)電壓、內(nèi)部絕緣老化、自然環(huán)境等多方面異常狀況的影響，此類(lèi)異常狀況往往會(huì)致使設(shè)備出現(xiàn)缺陷情況，因而針對(duì)設(shè)備狀態(tài)實(shí)施異常檢測(cè)十分重要，應(yīng)當(dāng)引起人們的重視與思考?！ ?單狀態(tài)量數(shù)據(jù)流特征量提取 1.1自回歸模型6 時(shí)間序列的自回歸模型大多應(yīng)用在許多工業(yè)過(guò)程之中，其主要的特點(diǎn)即為具備有極強(qiáng)記憶能力的AR系統(tǒng)，在時(shí)間維度的t值上往往需借助于從前時(shí)刻行為，這和設(shè)備運(yùn)行過(guò)程當(dāng)中的低動(dòng)態(tài)性完全符合。輸變電設(shè)備在日常運(yùn)行過(guò)程當(dāng)中其一部分狀態(tài)量的改變程度相對(duì)較小，例如導(dǎo)線拉力、接地電流等內(nèi)容，這些狀態(tài)量的數(shù)據(jù)信息往往從屬于平穩(wěn)序列，能夠直接應(yīng)用于AR擬合；此外還有一部分的狀態(tài)量會(huì)伴隨時(shí)間
3、的推移而呈現(xiàn)出周期性的改變，但改變的幅度相對(duì)較小，例如油溫、環(huán)境溫度等情況，將其日周期性的改變因素排除后亦可借助于AR進(jìn)行擬合，因而針對(duì)狀態(tài)數(shù)據(jù)則可利用一階AR進(jìn)行模型擬合?！ ?.2時(shí)間序列量化 自組織神經(jīng)網(wǎng)絡(luò)具體的運(yùn)行機(jī)制是借助于無(wú)監(jiān)督學(xué)習(xí)方式，來(lái)促使競(jìng)爭(zhēng)層當(dāng)中不同的神經(jīng)元可以利用競(jìng)爭(zhēng)和輸入模式予以匹配，最終僅保留一項(xiàng)神經(jīng)元即為獲勝者，此種獲得神經(jīng)元的輸入方法即為輸入模式分類(lèi)法。因?yàn)闊o(wú)監(jiān)督學(xué)習(xí)的訓(xùn)練樣本不具備有期望輸出情況，沒(méi)有任何的經(jīng)驗(yàn)知識(shí)，因而較適用在數(shù)據(jù)量大、不含有標(biāo)簽的狀態(tài)監(jiān)測(cè)數(shù)據(jù)當(dāng)中。 采用SOM可以實(shí)時(shí)無(wú)監(jiān)督分類(lèi)，進(jìn)而促使整體序列成為SOM的一項(xiàng)輸出節(jié)點(diǎn)，其
4、中序列是其中一項(xiàng)輸出節(jié)點(diǎn)，針對(duì)每一項(xiàng)訓(xùn)練其專(zhuān)屬于節(jié)點(diǎn)的公式可表述為： 進(jìn)行持續(xù)性的循環(huán)與改進(jìn)，以保障距離所屬節(jié)點(diǎn)的距離值能夠達(dá)到最小。 1.3時(shí)間序列變化過(guò)程6 與徑向基、反饋型等神經(jīng)網(wǎng)絡(luò)所不同的是，SOM神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)之間是互相關(guān)聯(lián)的，其相互間的關(guān)系可以借助于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)來(lái)表達(dá)。在拓?fù)浣Y(jié)構(gòu)中，因?yàn)镾OM在訓(xùn)練過(guò)程當(dāng)中的競(jìng)爭(zhēng)性，使得每一項(xiàng)神經(jīng)元節(jié)點(diǎn)和鄰域當(dāng)中的節(jié)點(diǎn)存在明顯的關(guān)聯(lián)性，和鄰域外部的節(jié)點(diǎn)關(guān)聯(lián)性較弱。也正是基于SOM神經(jīng)網(wǎng)絡(luò)的此種特性，在量化之后的時(shí)間序列可被視作為拓?fù)浣Y(jié)構(gòu)中一項(xiàng)神經(jīng)元到另一項(xiàng)神經(jīng)元的轉(zhuǎn)移，進(jìn)而挖掘出數(shù)據(jù)伴隨時(shí)間發(fā)生改變的規(guī)律性?！ 〉谝?，計(jì)算
5、神經(jīng)元所屬概率密度函數(shù)。借助于第一階段的轉(zhuǎn)移概率P值來(lái)達(dá)標(biāo)神經(jīng)元間的相關(guān)性，AR模型當(dāng)中神經(jīng)元的一階轉(zhuǎn)換概率可表述為，據(jù)此可求出AR模型在位于一階轉(zhuǎn)移之時(shí)的概率即為?！ 〉诙?，計(jì)算神經(jīng)元間的轉(zhuǎn)移概率。因?yàn)锳R過(guò)程較為穩(wěn)定，距離相對(duì)較近的神經(jīng)元之間發(fā)生轉(zhuǎn)移的概率也就相對(duì)較大，距離較遠(yuǎn)的神經(jīng)元之間出現(xiàn)轉(zhuǎn)移的概率相對(duì)較小。利用變壓器油溫正常狀況之下的在線監(jiān)測(cè)數(shù)據(jù)進(jìn)行舉例說(shuō)明，首先使數(shù)據(jù)可以借助于AR模型予以擬合表述，進(jìn)而得出相應(yīng)的模型參數(shù)值即為，，，而后將數(shù)量點(diǎn)的溫度數(shù)據(jù)值錄入至包含有12項(xiàng)神經(jīng)元的SOM當(dāng)中予以擬合訓(xùn)練，進(jìn)而得到訓(xùn)練完成的SOM神經(jīng)網(wǎng)絡(luò)系統(tǒng)。截取出其中的一段溫度數(shù)據(jù)
6、值，如圖1（a）所示，同時(shí)將之錄入到完成擬合訓(xùn)練的SOM當(dāng)中進(jìn)而取得量化輸出，即為圖1（b）所示?！ ∫罁?jù)AR模型參數(shù)，求得SOM神經(jīng)元之間的轉(zhuǎn)移概率值，如圖2所示。通過(guò)觀察圖2可以發(fā)現(xiàn)，位于對(duì)角線當(dāng)中的轉(zhuǎn)移概率值最大，并且在灰色區(qū)域當(dāng)中的轉(zhuǎn)移概率要顯著大于灰色區(qū)域之外的轉(zhuǎn)移概率，此即表明AR過(guò)程之中的數(shù)據(jù)在神經(jīng)元間的轉(zhuǎn)移概率和神經(jīng)元距離呈現(xiàn)出反比狀況，神經(jīng)元間的距離越大，相應(yīng)的數(shù)據(jù)信息也就越難發(fā)生轉(zhuǎn)移?！ ⊥ㄟ^(guò)將溫度數(shù)據(jù)伴隨時(shí)間推移而產(chǎn)生的動(dòng)態(tài)性改變，利用轉(zhuǎn)移概率序列來(lái)進(jìn)行表達(dá)，如圖1（c）所示。通過(guò)觀察可以明顯的發(fā)現(xiàn)在一般狀況下，數(shù)據(jù)的轉(zhuǎn)移概率都較大，并且通常都是由圖26當(dāng)
7、中的灰色區(qū)域進(jìn)行數(shù)值選取，此即表明溫度數(shù)據(jù)會(huì)伴隨著時(shí)間的改變而逐漸趨于平穩(wěn)。相反若序列當(dāng)中的一段數(shù)據(jù)轉(zhuǎn)移概率在灰色區(qū)域之外時(shí)，則表明這一段數(shù)據(jù)在神經(jīng)元間的轉(zhuǎn)移相對(duì)更加頻繁，因此即可判定狀態(tài)量出現(xiàn)了異常。 2多狀態(tài)量數(shù)據(jù)流特征提取 在日常的設(shè)備運(yùn)行時(shí)，因受設(shè)備屬性、運(yùn)行工作狀況、環(huán)境差異等因素的影響，通常會(huì)使得設(shè)備的狀態(tài)監(jiān)測(cè)量，多為參量間的相關(guān)性往往無(wú)法做出明確的函數(shù)表達(dá)。例如變壓器的熱點(diǎn)溫度、油溫、環(huán)境溫度以及負(fù)荷量等參數(shù)值往往需要借助于熱平衡方程予以表達(dá)，但是熱平衡方程參數(shù)數(shù)量較多并且
