基于全景监控下的信息监测智能预警方法

技术领域

本发明涉及电子数据处理领域，尤其涉及一种基于全景监控下的信息监测智能预警方法。

背景技术

随着物联网技术应用到各个行业场景，针对于智能配电终端的配电站也可以通过全景监控技术进行终端实时监控，具体为：获取配电终端所有的配电站BIM模型、倾斜摄像模型、监控设备模型，并于三维GIS进行融合形成配电终端的三维全景，进而通过监测配电终端中每个配电站的电力运行数据，获取配电终端中的任一配电站的运行异常预警信息，并将异常预警信息显示在配电终端的三维全景中，以实现设备异常的定位和可视化。

目前获取配电终端中的任一配电站的运行异常预警信息的方法为：监测任一配电站的各类电力监测数据，并将每类电力监测数据与对应类数据阈值进行对比，从而能够得到任一配电站的运行异常预警信息。但是，由于配电站的用电环境并不是固定不变的，比如某一小区，该小区的用电量在工作日较低，而在休息日较高，如果仅通过单一的数据阈值进行异常监测，容易出现异常监测不准确，从而导致配电终端的三维全景中的监控信息不准确。

因此，如何提高配电终端的三维全景中的监控信息的准确性成为亟需解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种基于全景监控下的信息监测智能预警方法，以解决如何提高配电终端的三维全景中的监控信息的准确性的问题。

第一方面，本发明实施例提供一种基于全景监控下的信息监测智能预警方法，所述基于全景监控下的信息监测智能预警方法包括：

针对全景监控下的任一配电设备，获取当前时刻之前的预设时间段内所述配电设备的电力运行时序数据；

提取所述电力运行时序数据中的目标数据点，针对任一目标数据点，将所述目标数据点之前的N个数据点组成局部数据点集合，根据每个所述目标数据点在所述电力运行时序数据中的周期变化，以及对应的局部数据点集合，分别计算任意两个目标数据点之间的距离优化因子；

针对所述电力运行时序数据中任一两个目标数据点，根据所述两个目标数据点的局部数据点集合和距离优化因子，对所述两个目标数据点进行距离度量，得到对应的聚类距离，根据所述电力运行时序数据中的任意两个目标数据点之间的聚类距离和预设的聚类簇数量，对所述电力运行时序数据中的所有目标数据点进行聚类，得到与所述预设的聚类簇数量相等的M个数据点簇，M>10；

获取所述M个数据点簇中的所有正常数据点簇，针对任一正常数据点簇，根据所述正常数据点簇中的数据点，获取对应的数据阈值优化因子，根据所述数据阈值优化因子获取所述正常聚类簇的自适应数据阈值；

获取所述当前时刻的当前电力运行数据，从所述所有正常数据点簇中确定所属当前电力运行数据所属的目标数据点簇，根据所述目标数据点簇的自适应数据阈值对所述当前电力运行数据进行可视化异常预警。

进一步的，所述根据每个所述目标数据点在所述电力运行时序数据中的周期变化，以及对应的局部数据点集合，分别计算任意两个目标数据点之间的距离优化因子，包括：

利用STL分解算法对所述电力运行时序数据进行分解，得到所述电力运行时序数据中每个目标数据点的周期分量；

针对任一目标数据点，根据所述目标数据点的局部数据点集合，分别计算所述目标数据点与所述局部数据点集合中的每个数据点之间的差值，根据所有差值计算所述目标数据点的局部数据变化趋势指标；

针对任一两个目标数据点，计算所述两个目标数据点之间的周期分量的第一差值绝对值，将所述第一差值绝对值的相反数作为第一预设值的指数，得到对应的指数函数结果，计算常数2和所述指数函数结果之间的第一相减结果，计算所述两个目标数据点之间的局部数据变化趋势指标的差值平方，获取所述差值平方与第二预设值之间的比值，计算常数1和所述比值之间的第二相加结果，将所述第一相减结果和所述第二相加结果之间的乘积作为所述两个目标数据点之间的距离优化因子。

进一步的，所述根据所述两个目标数据点的局部数据点集合和距离优化因子，对所述两个目标数据点进行距离度量，得到对应的聚类距离，包括：

计算所述两个目标数据点之间的第一差值的平方；

根据所述两个目标数据点的局部数据点集合，分别计算两个所述局部数据点集合之间相同位置对应的两个数据点的第二差值的平方；

计算所有的第二差值的平方和所述第一差值的平方之间的相加结果，获取所述相加结果的二次开方结果，将所述二次开方结果和所述距离优化因子之间的乘积作为所述两个目标数据点之间的聚类距离。

进一步的，所述获取所述M个数据点簇中的所有正常数据点簇，包括：

对所述M个数据点簇中的每个数据点簇进行数据点统计，得到每个所述数据点簇的数据点数量，将M个数据点数量按照从大到小的进行排序并累加所述数据点簇的数据点数量，直至所述数据点簇的数据点数量累加到预设比例的所述M个数据点簇的总数据点数量，则将累加的数据点簇作为正常数据点簇。

进一步的，所述根据所述正常数据点簇中的数据点，获取对应的数据阈值优化因子，包括：

计算所述正常数据点簇中所有数据点的数据均值，并对所述数据均值进行归一化处理，得到的归一化后的数据均值为所述正常数据点簇对应的数据阈值优化因子。

进一步的，所述根据所述数据阈值优化因子获取所述正常聚类簇的自适应数据阈值，包括：

获取所述配电设备的额定电力数据，将所述数据阈值优化因子和所述额定电力数据之间的乘积作为所述正常聚类簇的自适应数据阈值。

进一步的，所述从所述所有正常数据点簇中确定所述当前电力运行数据所属的目标数据点簇，包括：

在所述电力运行时序数据中提取所述当前时刻之前的N个数据点组成所述当前电力运行数据的当前局部数据点集合；

分别计算所述当前局部数据点集合与每个所述目标数据点的局部数据点集合之间的相似度，获取相似度最大对应的目标数据点，并将所述相似度最大对应的目标数据点所属的所述正常数据点簇作为所述当前电力运行数据所属的目标数据点簇。

进一步的，所述根据所述目标数据点簇的自适应数据阈值对所述当前电力运行数据进行可视化异常预警，包括：

当所述当前电力运行数据大于或等于所述目标数据点簇的自适应数据阈值时，确认所述当前电力运行数据出现异常，并在所述全景监控下进行可视化。

本发明实施例与现有技术相比存在的有益效果是：

本发明获取全景监控下的任一配电设备的历史时间段内的电力运行时序数据，基于电力运行数据的周期性，根据数据点周围的数据变化对电力运行时序数据的数据聚类过程中的聚类距离进行优化，以精准筛选出历史电力时序数据中的异常数据点，从而在对历史电力时序数据进行时态数据的划分时，能够保证得到的多个时态下的数据集合更加符合实际，也即是电力设备在不同运行状态下的正常数据更加合理，进而根据每个时态下的数据集合之间的差异，分别获取每个时态下正常数据对应的自适应数据阈值，用于监测该状态下的异常数据，能够提高全景监控中异常运行预警的准确性，进而在电力运行数据异常时，即可在全景监控中显示对应的异常设备，以便于工作人员查看，从而保证了配电站的运行安全。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种基于全景监控下的信息监测智能预警方法的方法流程图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。为了说明本发明的技术方案，下面通过具体实施例来进行说明。

本发明所针对的场景为：在配电站运行的监测中心，通过对全景监控中的各个配电站的设备实时运行数据进行异常检及预警，也即是在通过三维建模得到预设区域中的所有配电站的空间及其配电站的各个设备所对应的全景三维模型之后，通过实时监测各个配电站的电力运行数据，在电力运行数据异常时，即可在全景三维模型中显示对应的异常设备，以便于工作人员查看，从而保证了配电站的运行安全。

参见图1，是本发明实施例一提供的一种基于全景监控下的信息监测智能预警方法的方法流程图，如图1所示，该信息监测智能预警方法可以包括：

步骤S101，针对全景监控下的任一配电设备，获取当前时刻之前的预设时间段内配电设备的电力运行时序数据。

具体的，本发明实施例对全景监控下的所有配电设备进行运行异常预警，由于本发明实施例中的信息监测智能预警方法适用于每个配电设备，因此，以全景监控下的其中一个配电设备为例，进而配电设备的运行异常预警，具体参加下文。

本发明实施例中，针对于全景监控下的任一配电设备，利用配置的传感器，根据预设的采样频率采集配电设备的电力运行数据，其中，电力运行数据包括但不限于电压、电流、功率等与用电相关的数据中的其中一个，进而能够得到当前时刻之前的预设时间段内配电设备的电力运行时序数据。

步骤S102，提取所述电力运行时序数据中的目标数据点，针对任一目标数据点，将所述目标数据点之前的N个数据点组成局部数据点集合，根据每个所述目标数据点在所述电力运行时序数据中的周期变化，以及对应的局部数据点集合，分别计算任意两个目标数据点之间的距离优化因子。

具体的，在获取到当前时刻之前的预设时间段内配电设备的电力运行时序数据之后，针对电力运行时序数据需要进行数据区间划分，以对历史监测到的电力运行数据进行不同运行状态的区分。

考虑到配电设备的电力运行数据是根据配电设备所供电区域的用电状态决定的，而这对于任一固定供电区域中用电量是存在一定周期性的，例如：固定区域的用电量在工作日的晚上处于高峰期，而工作日的白天的用电量较低，但同时，固定区域的休息日相较于工作日的用电量较高，因此，需要根据电力运行时序数据中的数据周期性变化，利用聚类算法将电力运行时序数据聚成多个数据点簇，以保证一个数据点簇对应配电设备的一种运行状态。

但是，由于电力运行时序数据中存在着配电设备的运行状态出现变化的变化阶段数据，直接根据电力运行时序数据中任意两个数据点之间的距离进行聚类，会存在聚类结果误差，因此，根据电力运行时序数据中每个数据点与其相邻数据点之间的变化趋势，计算电力运行时序数据中每两个数据点之间的距离优化因子，具体如下：

(1)将所述电力运行时序数据中第I个数据点之后的所有数据点作为目标数据点，I>N。

具体的，本发明实施例中将电力运行时序数据中的每个数据点之前相邻的N个数据点作为其相邻数据点，考虑到电力运行时序数据中前端的数据点存在达不到有N个相邻数据点的情况，因此，不考虑电力运行时序数据中的前I个数据点，将电力运行时序数据中第I个数据点之后的所有数据点作为目标数据点，例如，N为10，对应I>10，则从第11个数据点开始作为目标数据点，也可以从第12个数据点开始作为目标数据点。

(2)针对任一目标数据点，将所述目标数据点之前的N个数据点组成局部数据点集合，N>5。

具体的，对于第i个目标数据点(也即是电力运行时序数据中的第i个数据点)，假设N＝10，则将电力运行时序数据中的第i-1个数据点、第i-2个数据点、…、第i-10个数据点组成第i个目标数据点的局部数据点集合。

(3)利用STL分解算法对所述电力运行时序数据进行分解，得到所述电力运行时序数据中每个目标数据点的周期分量；针对任一目标数据点，根据所述目标数据点的局部数据点集合，分别计算所述目标数据点与所述局部数据点集合中的每个数据点之间的差值，根据所有差值计算所述目标数据点的局部数据变化趋势指标；针对任一两个目标数据点，计算所述两个目标数据点之间的周期分量的第一差值绝对值，将所述第一差值绝对值的相反数作为第一预设值的指数，得到对应的指数函数结果，计算常数2和所述指数函数结果之间的第一相减结果，计算所述两个目标数据点之间的局部数据变化趋势指标的差值平方，获取所述差值平方与第二预设值之间的比值，计算常数1和所述比值之间的第二相加结果，将所述第一相减结果和所述第二相加结果之间的乘积作为所述两个目标数据点之间的距离优化因子。

具体的，STL(Seasonal-Trend decompositionprocedure based on Loess)分解算法为时序分解中一种常见的算法，基于LOESS将某时刻的数据Y

Y

其中，T

因此，利用STL分解算法能够得到电力运行时序数据中每个目标数据点的周期分量，具体STL分解算法的分解过程属于现有技术，此处不再赘述。

针对第i个目标数据点，分别计算第i个目标数据点与其局部数据点集合中每个数据点之间的差值，当差值大于0时，映射值设置为1，当差值小于0时，映射值设置为-1，当差值等于0时，映射值设置为0，由于局部数据点集合中存在N个数据点，第i个目标数据点对应计算得到N个差值，将所有差值对应的映射值相加，得到的相加结果作为第i个目标数据点的局部数据变化趋势指标。同理，获取电力运行时序数据中每个目标数据点的局部数据变化趋势指标。

因此，根据电力运行时序数据中每个目标数据点的周期分量和局部数据变化趋势指标，计算电力运行时序数据中第i个目标数据点和第j个目标数据点之间的距离优化因子

其中，S

需要说明的是，利用第i个目标数据点与其局部数据点集合中各个数据点之间的变化趋势，以及第j个目标数据点与其局部数据点集合中各个数据点之间的变化趋势，进行局部数据变化趋势的差异评判，也即是|ζ

步骤S103，针对电力运行时序数据中任一两个目标数据点，根据两个目标数据点的局部数据点集合和距离优化因子，对两个目标数据点进行距离度量，得到对应的聚类距离，根据电力运行时序数据中的任意两个目标数据点之间的聚类距离和预设的聚类簇数量，对电力运行时序数据中的所有目标数据点进行聚类，得到与预设的聚类簇数量相等的M个数据点簇。

具体的，考虑到电力运行时序数据中会存在异常数据点，所以在聚类过程中，通过设定较高的聚类簇数量进行聚类，以在聚类完之后，通过聚类结果进行筛选出异常数据点。因此，在步骤S102得到电力运行时序数据中任意两个目标数据点之间的距离优化因子之后，利用K-means聚类对电力运行时序数据中的所有目标数据点进行聚类，具体聚类过程如下：

(1)预设的聚类簇数量K＝30，聚类簇数量可以根据实际场景中电力运行时序数据的数据数量进行调整。

(2)针对电力运行时序数据中任一两个目标数据点，根据两个目标数据点的局部数据点集合和距离优化因子，对两个目标数据点进行距离度量，得到对应的聚类距离。

具体的，计算所述两个目标数据点之间的第一差值的平方；根据所述两个目标数据点的局部数据点集合，分别计算两个所述局部数据点集合之间相同位置对应的两个数据点的第二差值的平方；计算所有的第二差值的平方和所述第一差值的平方之间的相加结果，获取所述相加结果的二次开方结果，将所述二次开方结果和所述距离优化因子之间的乘积作为所述两个目标数据点之间的聚类距离。

其中，聚类距离的计算公式为：

其中，d

(3)利用K＝30的K-means聚类算法，根据电力运行时序数据中的任意两个目标数据点之间的聚类距离，对电力运行时序数据中的所有目标数据点进行聚类，得到与预设的聚类簇数量相等的M个数据点簇，M＝30。

步骤S104，获取M个数据点簇中的所有正常数据点簇，针对任一正常数据点簇，根据正常数据点簇中的数据点，获取对应的数据阈值优化因子，根据数据阈值优化因子获取正常聚类簇的自适应数据阈值。

具体的，在对电力运行时序数据中的所有目标数据点聚类完成之后，从M个数据点簇中筛选出正常数据点簇，具体为：对所述M个数据点簇中的每个数据点簇进行数据点统计，得到每个所述数据点簇的数据点数量，将M个数据点数量按照从大到小的进行排序并累加所述数据点簇的数据点数量，直至所述数据点簇的数据点数量累加到预设比例的所述M个数据点簇的总数据点数量，则将累加的数据点簇作为正常数据点簇。

优选的，本发明实施例中，通过M个数据点簇中每个数据点簇的数据点数量进行簇类排序，并从大到小依次累加数据点数量直至累加的数据点数量大于等于总数据点数量的80％，确认这些累加的数据点簇为正常数据点簇。

进一步的，由于每个正常数据点簇都对应一个配电设备的运行状态，因此，根据每个正常数据点簇中的数据点差异分别确定每个正常数据点簇对应的数据阈值优化因子，以准确确定后续每个正常聚类簇的自适应数据阈值。故，针对任一正常数据点簇，计算所述正常数据点簇中所有数据点的数据均值，并对所述数据均值进行归一化处理，得到的归一化后的数据均值为所述正常数据点簇对应的数据阈值优化因子。

其中，数据阈值优化因子的计算公式为：

其中，ξ

需要说明的是，一个正常数据点簇对应一个配电设备的运行状态，因此，利用一个运行状态下的电力运行数据的变化状态差异进行数据阈值优化因子的评估，从而将正常数据点簇中所有数据点的均值的归一化结果作为数据阈值优化因子，均值越大，对应数据阈值优化因子越大，后续对应正常数据点簇的自适应数据阈值的调整更大。

进一步的，在得到每个正常数据点簇的数据阈值优化因子之后，根据数据阈值优化因子确定每个正常数据点簇对应的自适应数据阈值，自适应数据阈值用于监测电力运行数据的异常，则针对任一正常数据点簇对应的自适应数据阈值，具体获取为：获取所述配电设备的额定电力数据，将所述数据阈值优化因子和所述额定电力数据之间的乘积作为所述正常聚类簇的自适应数据阈值。值得说明的是，当电力运行数据为电压时，额定电力数据为额定电压；当电力运行数据为功率时，额定电力数据为额定功率，具体的额定电力数据应根据实际场景确定。

其中，自适应数据阈值的计算公式为：β

至此，利用自适应数据阈值的计算公式能够获取每个正常数据点簇对应的自适应数据阈值。

步骤S105，获取当前时刻的当前电力运行数据，从所有正常数据点簇中确定所属当前电力运行数据所属的目标数据点簇，根据目标数据点簇的自适应数据阈值对当前电力运行数据进行可视化异常预警。

具体的，采集当前时刻的电力运行数据作为当前电力运行数据，然后，基于每个正常数据点簇对应的自适应数据阈值，对当前电力运行数据进行异常监测，具体为：

首先，从所述所有正常数据点簇中确定所述当前电力运行数据所属的目标数据点簇：在所述电力运行时序数据中提取所述当前时刻之前的N个数据点组成所述当前电力运行数据的当前局部数据点集合；分别计算所述当前局部数据点集合与每个所述目标数据点的局部数据点集合之间的相似度，获取相似度最大对应的目标数据点，并将所述相似度最大对应的目标数据点所属的所述正常数据点簇作为所述当前电力运行数据所属的目标数据点簇。

需要说明的时，利用DTW算法分别计算当前电力运行数据的当前局部数据点集合与电力运行时序数据中每个目标数据点的局部数据点集合之间的相似度。

然后，根据所述目标数据点簇的自适应数据阈值对所述当前电力运行数据进行可视化异常预警：当所述当前电力运行数据大于或等于所述目标数据点簇的自适应数据阈值时，确认所述当前电力运行数据出现异常，并在所述全景监控下进行可视化。

综上所述，本发明实施例通过获取全景监控下的任一配电设备的历史时间段内的电力运行时序数据，基于电力运行数据的周期性，根据数据点周围的数据变化对电力运行时序数据的数据聚类过程中的聚类距离进行优化，以精准筛选出历史电力时序数据中的异常数据点，从而在对历史电力时序数据进行时态数据的划分时，能够保证得到的多个时态下的数据集合更加符合实际，也即是电力设备在不同运行状态下的正常数据更加合理，进而根据每个时态下的数据集合之间的差异，分别获取每个时态下正常数据对应的自适应数据阈值，用于监测该状态下的异常数据，能够提高全景监控中异常运行预警的准确性，进而在电力运行数据异常时，即可在全景监控中显示对应的异常设备，以便于工作人员查看，从而保证了配电站的运行安全。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。