【技术实现步骤摘要】
本专利技术涉及数据监测，具体为图谱关联约束的变电主设备在线监测量分析方法。
技术介绍
1、随着各行各业自动化智能化的快速发展，传感测量技术被广泛应用，传感量测能提供实时的数据支撑，也为后续的决策智能提供数据基础，一般而言，传感器的最主要部分为敏感元件，它能敏锐地感受某种物理、化学、生物的信息并将其转变为电信息的特种电子元件，这种元件通常是利用材料的某种敏感效应制成的，如热敏(见热敏电阻器)、光敏、(电)压敏、(压)力敏、磁敏、气敏和湿敏元件，在电子设备中采用敏感元件来感知外界的信息，可以达到或超过人类感觉器官的功能，然而在实际的应用场景中，比如特高压变电站中的传感器会受到各种耦合物理场因素影响和外界环境干扰，采集数据会呈现异常波动，这种数据异常目前是各行各业面临的通用问题，将直接影响后续数据分析模型和决策；
2、在实际应用场景中，尤其在工业领域对传感数据的异常检测不仅追求高准确率且保证时效性，还得兼顾传感采集数据随着时间变化带来的各种外界干扰的影响，然而目前提出的方法要么过于简单导致异常漏报率和误报率过高，要么模型过于复杂导致不能实时处理，且大多技术不能实现自主学习导致不能实时的去自适应环境等因素变化；
3、鉴于此，本专利提出一种基于图谱关联约束稀疏认知模型的变电主设备在线监测量分析技术，利用知识图谱关联性，提出综合共享字典和组约束的稀疏学习模型，并随着时序数据的接入不断更新字典以适应外界环境变化等的自适应学习技术，实现鲁棒的数据分析。
技术实现思路
1、本
2、为实现上述目的，本专利技术提供如下技术方案：图谱关联约束的变电主设备在线监测量分析方法，包括以下步骤：
3、步骤一：建立主设备数据相关性，变电主设备比如变压器之间可以通过相同的电压等级、生产厂家和相同型号等信息建立图谱关联；
4、步骤二：时序数据的共生高层特征表示，针对变电主设备如变压器的一段长时间的时序顶层油温数据，采用不同的步长进行采样得到一系列短时间的时序数据，针对每一条短时时序数据，采用一维卷积操作得到该段时序数据的高维特征表示；
5、步骤三：异常检测模型构建，根据上述步骤，我们能得到各个类别的特征集合表示其中c为类别个数，而表示第i类数据集的特征表示集合，表示某长时序列中采样生成的一个共生特征表示，ni表示该长时序列生成的共生特征总个数；
6、步骤四：时序数据异常检测，通过上述步骤，我们得到了我们不采用传统方法的稀疏编码，再运用额外的分类器得到时序数据的异常类别，而采用更简单更有效的数据高层语义多项式对测试时序数据进行分类；
7、步骤五：模型的在线更新，在各电力设备配置传感器的数据不断采集过程中，外界环境干扰因素会一直动态变化。
8、优选的，所述步骤一中通过sparql语言检索知识图谱，获取相应时间节点各类传感器的运行状态数据，以历史中出现过的传感器故障类型与在线监测数据建立映射关系。
9、优选的，所述步骤一还包括使用select函数能够获取满足条件的数据，describe函数获取相关的rdf数据，并形成对给定资源的详细描述。
10、优选的，所述步骤二中对整个时序数据进行密集采样，那么得到的数据数量巨大会导致大量的运算时间开销。
11、优选的，所述步骤二中针对时序数据异常类别的分类，辨别的部分之占该序列的少部分，对长时序列数据进行随机采样一个短时时序对，进一步增强数据的表示能力，并对这个局部短时时序对生成共生的特征表示。
12、优选的，所述步骤三中由于知识图谱间的设备空间关联性以及长时序列采样的时间相关性，时序数据异常各类别中类间存在相似性，所以我们在模型建立中引入共享标记和稀释系数的层次组稀释约束，学习长时序列数据的高层语义多项式，以提高序列数据异常各类别分类正确率。
13、优选的，所述步骤三中将结构性与字典的辨别性有机结合起来，那么基于稀疏认知的时序数据异常检测模型建立，且建立如下：
14、
15、其中，为i类数据在相应字典上的重构误差，这里考虑共享字典d0，以编码各类别间的相似部分，其中[d0,di]可明显分为两组，那么上式中为层次组稀释编码约束，使得非零的编码系数集中在某一组且满足稀疏性，上述两项使得第i类数据被共享字典或相应的子字典进行编码，式中项使得各子字典不相干，保证各字典下的稀释编码系数的不同。
16、优选的，所述步骤四中语义多项式类似于主题模型中的主题，表示测试序列数据，yj为采样得到的共生特征表示。
17、优选的，所述步骤四对该序列中的每一个yj进行层次组稀释编码，我们就能根据重构误差判断出该采样序列所属的类别。
18、优选的，所述步骤五采用更新机制解决外界因素和自身设备因素的干扰，以不断适应场景变化，更新策略采用保守策略，即当前采集数据被判定为正常时才会去更新共享字典，即随机选择一个共生特征，再随机选择一个数据表示，以一定概率φ用当前采集数据的特征表示进行替换，本专利设置φ＝1/16。
19、与现有技术相比，本专利技术的有益效果是：
20、1、本专利技术提出了基于图谱关联约束稀疏认知模型的变电主设备在线监测量分析技术，利用知识图谱关联性，提出综合共享字典和组约束的稀疏学习模型，并随着时序数据的接入不断更新字典以适应外界环境变化等的自适应学习技术，实现鲁棒的数据分析，该方案简单高效，具有重要的实用价值；
21、2、本专利技术充分挖掘采集数据的时空关联性，引入共享字典，使得训练数据集中相似的部分集中编码在此子字典，另外共享字典的引入还能解决训练样本集不充分的问题，即某一类的数据能够通过整个训练集中共享部分来表示，模型引入了层次组稀疏编码约束，使得稀疏系数集中在某一子字典中，再通过稀疏系数优化子字典，那么学习出的子字典更能表征局部块的特性，上述模型引入共享字典对应的共享标记，引入高层语义多项式进行分类，而不是再次通过稀疏编码和额外的分类器进行分类；
22、3、本专利技术在检测模型基础上，提出了模型的更新机制，以自适应最新的采集数据，增强异常检测的鲁棒性。
本文档来自技高网...【技术保护点】
1.图谱关联约束的变电主设备在线监测量分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤一中通过SPARQL语言检索知识图谱，获取相应时间节点各类传感器的运行状态数据，以历史中出现过的传感器故障类型与在线监测数据建立映射关系。
3.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤一还包括使用SELECT函数能够获取满足条件的数据，DESCRIBE函数获取相关的RDF数据，并形成对给定资源的详细描述。
4.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤二中对整个时序数据进行密集采样，那么得到的数据数量巨大会导致大量的运算时间开销。
5.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤二中针对时序数据异常类别的分类，辨别的部分之占该序列的少部分。
6.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤三中由于
7.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤三中将结构性与字典的辨别性有机结合起来，那么基于稀疏认知的时序数据异常检测模型建立。
8.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤四中语义多项式类似于主题模型中的主题，表示测试序列数据，yj为采样得到的共生特征表示。
9.根据权利要求8所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤四对该序列中的每一个yj进行层次组稀释编码，我们就能根据重构误差判断出该采样序列所属的类别。
10.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤五采用更新机制解决外界因素和自身设备因素的干扰。
...【技术特征摘要】
1.图谱关联约束的变电主设备在线监测量分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤一中通过sparql语言检索知识图谱，获取相应时间节点各类传感器的运行状态数据，以历史中出现过的传感器故障类型与在线监测数据建立映射关系。
3.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤一还包括使用select函数能够获取满足条件的数据，describe函数获取相关的rdf数据，并形成对给定资源的详细描述。
4.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤二中对整个时序数据进行密集采样，那么得到的数据数量巨大会导致大量的运算时间开销。
5.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其特征在于：所述步骤二中针对时序数据异常类别的分类，辨别的部分之占该序列的少部分。
6.根据权利要求1所述的图谱关联约束的变电主设备在线监测量分析方法，其...
【专利技术属性】
技术研发人员：郭振宇，张学友，黄道均，刘文涛，甘津瑞，汪运，马欢，魏南，杨乃旗，胡坤，沈国堂，吴翔，翁凌，江照雯，马凯，尹悦，吴绍云，李腾，韩兆刚，范晓钰，陈彬，
申请(专利权)人：国网安徽省电力有限公司超高压分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。