基于大数据分析的输变电设备状态数据异常检测方法_严英杰(2)

P[ct=CI1,ct+k=CI2]=P[xt∈(b1,a1),xt+k∈(b2,a2)] (14) 式中CI1, CI2∈{C1,…,CN}，I1=(a1,b1)，I2=(a2,b2)。由于式(1)中xt属于正态分布，因此xt的二阶正态分布函数为

∫b∫b

(x?μ)2+(y?μ)2?2ρ(k)(x?μ)(y?μ)

]

2σdxdy (15)

SOM神经网络的这一特点，量化后的时间序列Ct可看作在拓扑结构中一个神经元到另一个神经元的转移，从而挖掘出数据随时间的变化规律

[21-22]

式中ρ(k)=αk，表示一阶AR过程的自相关函数。

由于这里考虑神经元之间的一步转移，因此根据式(8)、(11)可以将式(15)简化为

。

1）神经元所属的概率密度函数。

通过一阶转移概率P来表示神经元之间的相关关系，AR(n)模型中神经元之间的一阶转移概率为

P[ct+1=CI2|ct=CI1]=

P[ct+1=CI2,ct=CI1]

(16)

P[ct=CI1]

P[ct+1|,ct,…,ct?n+1]，由此可得AR(1)模型的一阶转移概率为P[ct+1|ct]。

令{C1,C2,…,CN}的取值为{1,2,…,N}，则由式(5)可得在时刻t，ct的取值为CI的概率为

以变压器油温正常情况下的在线监测数据为例，首先将数据通过AR(1)模型进行拟合，得到模型参数为α=0.85，με=0，λ=0.01，其次将5000个点的温度数据输入到含有12个神经元的SOM中进行训练，得到训练好的SOM神经网络。截取一段温度数据，如图1(a)所示，并将其输入到训练好的

P[ct=CI]=P[i(xt)=I] (8)

由式(7)和(8)可得i(xt)的概率密度函数为 &xt?Ci&=I]??P[i(xt)=I]=P[argmini

(9) ?

??P[&xt?CI&≤&xt?Cj&?j≠I]

式中||?||表示欧式距离。

由于x和c都是一维数组，因此式(9)可表示为 P[i(xt)=I]=P[|xt?CI|<|xt?CI?1|]∧

P[|xt?CI|<|xt?CI+1|] (10)

SOM中得到量化输出，如图1(b)所示。

根据AR模型的参数，计算出SOM神经元间的转移概率，为12×12的矩阵，如图2所示。可以看出，对角线上的转移概率最大，说明两相邻时刻的数据属于神经元的概率最大。同时，阴影区域内的转移概率明显大于阴影区域外的转移概率，这表

油温/(°)

55504540观测时间点

令a=(CI+CI+1)/2且b=(CI+CI?1)/2，由于式(1)中

则xt的概率分布函数可用标表示xt服从正态分布，

准正态分布函数来表示，则式(10)可用xt的分布函P[i(xt)=I]=P[b<xt<a]=Fx(a)?Fx(b)= Φ(

a?μ

(a) 油温在线监测数据

序列量化值

数来表示：

b?μ

?Φ(

=f(I,α,μe,λ) (11)

86420

观测时间点

当I=1时，式(11)简化为

(b) 油温数据量化后的序列

第1期

转移概率

严英杰等：基于大数据分析的输变电设备状态数据异常检测方法 55

1.0 0.8 0.6 0.4 0.2 0.0

则认为该数组不属于任何1个簇。因此，当某个参量的值出现异常而导致该多维数组Z不属于任何1个簇时，可以判断该时刻的多维数据出现异常。

观测时间点

3 异常检测步骤

根据以上2节中时间序列的特征量提取算法，对在线监测数据进行异常检测的流程如图3所示，具体步骤如下所述。

图1 油温数据、量化序列及其转移概率序列示例 Fig. 1 Example of oil temperature data and

its transition probabilities series

明AR过程中数据在神经元之间的转移概率与神经元的距离呈反比，神经元之间的距离越大，数据越难以转移。

将温度数据随时间的动态变化用转移概率序列表示，如图1(c)所示。可以看出在正常情况下，数据的转移概率都很高，大都从图2中阴影区域内取值，这表明温度数据随时间的变化平稳。反之，当序列中的一段数据的转移概率在阴影区域外时，说明该段数据在神经元之间的转移较为频繁，可能原因是状态量发生异常，导致数据已不服从初始的

AR分布。

图3 异常检测步骤图 Fig. 3 Steps of anomaly detection

1）针对每个参量的历史数据，通过第1节中AR模型、SOM算法计算出转移概率矩阵{X1,X2, …,XN}。

图2 转移概率矩阵

Fig. 2 Matrix of transition probabilities

2）针对所有参量的历史数据，通过第2节中的DBSCAN算法对该多元时间序列进行聚类，将历史数据聚成m个簇。

2 多状态量数据流的特征提取

在实际运行过程中，由于设备属性、运行工况、环境的差异，对于设备的状态监测参量，多维参量之间的相关关系难以用精确、统一的函数表示。如变压器热点温度与底层油温、顶层油温、环境温度、负荷等参量的关系主要通过热平衡方程给出，而热平衡方程参数众多且在高温时常会计算不准，从而导致热点温度异常难以检测。

针对多维参量融合的问题，本文通过基于密度的聚类算法(density-based spatial clustering of

3）将在线监测的实时数据流代入1）中的转移概率矩阵得到各参量的转移概率序列，并判断各时间点的数据是否属于2）中的m个聚类。

4）根据3）中的结果对数据流进行异常检测，异常检测逻辑如下：

①当各参量的转移概率序列都不存在0值，且数据流中各时间点的数据属于m个簇中的1个时，则该段数据不存在异常；

②当各参量的转移概率序列存在少数几个0值，且数据流中少数时间点的数据不属于m个簇，则该段数据中存在少数几个噪声点，属于传感器异常，可以忽略；

③当k个参量(k<N)的转移概率序列存在一段0值，且数据流中一大段时间点的数据不属于m个簇，则判断设备出现了异常运行状态；

④对③中异常运行状态，根据参量转移概率序列的过0点，判断设备异常状态的发生时间。

为了验证本文异常检测方法的有效性，下面将

applications with noise，DBSCAN)对多维的在线监既能充分利用在线监测数据量测数据进行聚类[22]，

大的特点，又能将各参量间的复杂相关关系简化。

以案例分析中的输电线路覆冰为例，将在线监测参量Z=(耐张塔导线轴向张力、导线倾斜角、风速)作为1个3维数组通过DBSCAN算法聚类。若1个

3维数组到任意簇中点的距离都大于某个特定值R，

56 中国电机工程学报

转移概率

第35卷

以输变电设备在线监测数据为例，对其进行异常检测，并将结果与现有方法(逐个阈值)相比较。

1.00.50.0

t/h (c) 环境温度转移概率序列

4 案例分析

4.1 案例一

转移概率

以某变电站中1台220 kV 主变压器为例，选取其2013年7月15日—7月22日的油温、负荷、环境温度的在线监测数据作为历史数据，并作为训练样本，同时选取其2013年7月23日的

1.50.5?0.5

/h (d) 实时数据属于聚类结果

12:00—20:00的480组在线监测数据作为异常检测的样本。油温、电流、环境温度的采样周期都是

图5 异常检测结果图 Fig. 5 Results of anomaly detection

1 min/组，如图4所示。从图上可直接看出，在第380个数据点之后负荷和油温呈上升趋势。

温度/℃、环境/℃、负荷/A 论，该时刻的油温数据为噪声，可能是由于传感器不稳定导致的，可以将此异常忽略；

2）在时间T=384~390间，负荷和油温的转移概率序列都为0，T=390~410间负荷和油温的转移概率序列不平稳且间断地存在0点，且T=390~500间的数据大部分不属于任何1个聚类。因此可以得出结论：设备从T=84(对应当地时间为6:20)开始出现异常运行状态，油温及负荷相对于正常值呈现快速升高的现象，应该在运行过程中加以警惕，时刻关注变压器运行状态。

变电站的运行记录显示，当时实际情况是根据调度的需要，该变压器于6:15开始超铭牌额定值运行，计划超铭牌额定值负载系数为1.1~1.2，于7:30返回正常运行负载。该实际运行请况表明，当时变压器的确处于异常运行状态，本文方法具有有效性，能针对状态监测数据流快速检测出运行状态的异常。

若采用阈值判定方法，由于变电设备评价导则并没有油温、负荷、环境温度方面的阈值标准，因此只能采用经验设定1.2的系数，即监测数据超过正常值的1.2倍时认为有异常状态。因此，根据图4用阈值判定法可得：1)T=80处油温存在异常；

观测时间t/min

图4 油温、负荷、环境温度的数据图 Fig. 4 Monitored data of oil temperature,

current and ambient temperature

对该台变压器历史在线监测数据通过第3节中

1）、2）建立好3个转移概率矩阵并聚类生成3个簇。将选取的480组数据根据步骤3）计算出3个参量的转移概率序列，并判断每个时间点的数据是否属于这3个簇(1代表属于，0代表不属于)，结果如图5所示。

从图5中可以得到该变压器的异常检测结果：

1）在时间点T=80，油温的转移概率序列存在0点，且该时刻的实时数据不属于任何一个聚类，而在T=80周围不存在这类情况，因此可以得出结

转移概率

t/h

(a) 负荷转移概率序列