一种电气设备运行状态智能监测方法

本发明涉及数据处理，具体涉及一种电气设备运行状态智能监测方法。

背景技术：

1、电气设备的运行状态异常可能会导致设备故障并引发安全问题，因此需要及时监测电气设备的运行状态，其中对于电气设备的温度监测为最重要的监测环节，通过对电气设备温度变化情况进行监测，可以及时发现设备出现过热、过载等异常情况，从而采取相应的措施进行处理，避免设备故障或损坏，同时及时监测和处理温度异常情况可以有效地提高设备的安全性并延长电气设备的使用寿命，避免频繁更换设备带来的经济成本。而通常对于电气设备运行状态的温度异常监测方式是通过获取记录设备的温度传感器在不同时间节点显示的温度数值变化情况进行分析判断，将当前温度数值与标准值进行比较，若其不属于标准值要求阈值范围内则视其为异常温度数据，认定当前温度数值对应的时间节点存在电气设备温度异常。

2、由于影响电气设备温度异常的原因较多且不同原因所导致设备温度异常变化的影响价值不同，即在某些因素影响下电气设备所出现的温度异常数据可忽略，而传统监测方式无法对设备运行状态下的温度变化数据进行准确区分，具有一定的局限性和笼统决策性，因此本发明结合多种影响因素导致设备温度变化的特征差异，对异常温度数据进行分析和计算进而准确实现电气设备运行状态下温度异常的智能监测和标记。

技术实现思路

1、本发明提供一种电气设备运行状态智能监测方法，以解决现有的问题。

2、本发明的一种电气设备运行状态智能监测方法采用如下技术方案：

3、本发明一个实施例提供了一种电气设备运行状态智能监测方法，该方法包括以下步骤：

4、获取电气设备的温度变化数据信息并构建时序温度变化特征曲线；

5、获取时序温度变化特征曲线中的异常温度数据，根据异常温度数据得到异常数据点序列，根据异常数据点序列中时间节点的异常温度数据以及相邻时间节点的温度数据，得到异常数据点序列中异常温度数据的第一非突变程度；

6、根据异常数据点序列中时间节点的异常温度数据以及邻域内时间节点的温度数据，得到异常温度数据的第二非突变程度，根据异常温度数据的第一非突变程度和异常温度数据的第二非突变程度得到最终非突变程度；

7、根据最终非突变程度和时序温度变化特征曲线得到第一特征曲线，获取第一特征曲线中任意一个异常数据点的波动区间，根据波动区间中异常数据点的占比以及波动区间长度得到异常数据点的影响价值；

8、根据影响价值对电气设备的异常温度数据进行处理实现智能监测异常数据的效果。

9、进一步地，所述获取时序温度变化特征曲线中的异常温度数据，具体获取方法如下：

10、

11、其中，表示时序温度变化特征曲线中第个时间节点的温度数据差异值，表示时序温度变化特征曲线中第个时间节点的温度数据，表示电气设备的标准温度参考值上限；若，则第个时间节点的温度数据为异常温度数据，获取时序温度变化特征曲线中所有异常温度数据。

12、进一步地，所述根据异常温度数据得到异常温度数据点序列，包括的具体步骤如下：

13、获取时序温度变化特征曲线中所有异常温度数据，将异常温度数据在时序温度变化特征曲线中对应的数据点作为异常数据点，获取时序温度变化特征曲线中所有异常数据点，将所有异常数据点按照时序温度变化特征曲线中时间节点的顺序排列得到异常数据点序列。

14、进一步地，所述根据异常数据点序列中时间节点的异常温度数据以及相邻时间节点的温度数据，得到异常数据点序列中异常温度数据的第一非突变程度，包括的具体步骤如下：

15、

16、其中，表示异常数据点序列中时间节点的异常温度数据，表示时间节点的温度数据，表示时间节点的温度数据，表示自然常数为底的指数函数，表示时间节点的异常温度数据的第一非突变程度。

17、进一步地，所述根据异常数据点序列中时间节点的异常温度数据以及邻域内时间节点的温度数据，得到异常温度数据的第二非突变程度，包括的具体步骤如下：

18、

19、其中，表示异常数据点序列中时间节点的异常温度数据，表示以时间节点为中心单侧邻域时间节点的个数，表示时间节点的温度数据，表示自然常数为底的指数函数，表示时间节点的异常温度数据的第二非突变程度。

20、进一步地，所述根据异常温度数据的第一非突变程度和异常温度数据的第二非突变程度得到最终非突变程度，包括的具体步骤如下：

21、

22、其中，表示异常温度数据的第一非突变程度的预设权重，表示时间节点的异常温度数据的第一非突变程度，表示异常温度数据的第二非突变程度的预设权重，表示时间节点的异常温度数据的第二非突变程度，表示时间节点的异常温度数据的最终非突变程度。

23、进一步地，所述根据最终非突变程度和时序温度变化特征曲线得到第一特征曲线，包括的具体步骤如下：

24、预设非突变程度阈值，获取异常数据点序列中最终非突变程度大于非突变程度阈值的所有异常数据点，将大于非突变程度阈值的异常数据点在时序温度变化特征曲线中进行标记并保留，获取异常数据点序列中最终非突变程度小于等于非突变程度阈值的所有异常数据点，将小于等于非突变程度阈值的所有异常数据点去除，获取将小于等于非突变程度阈值的所有异常数据点去除后的时序温度变化特征曲线，将小于等于非突变程度阈值的所有异常数据点去除后的时序温度变化特征曲线记为第一特征曲线。

25、进一步地，所述获取第一特征曲线中任意一个异常数据点的波动区间，具体获取方法如下：

26、将第一特征曲线内任意一个大于预设非突变程度阈值的异常数据点记为第个异常数据点，在第一特征曲线中以第个异常数据点为中心将左右各相邻的个数据点构成的区间作为第个异常数据点的波动区间。

27、进一步地，所述根据波动区间中异常数据点的占比以及波动区间长度得到异常数据点的影响价值，包括的具体步骤如下：

28、

29、其中，表示第一参考权重，表示自然常数为底的指数函数，表示第个异常数据点的波动区间中大于非突变程度阈值的异常数据点个数，表示第个异常数据点的波动区间中数据点的总个数，表示第二参考权重，表示双曲正切函数，表示第个异常数据点的波动区间中时间节点的最大值，表示第个异常数据点的波动区间中时间节点的最小值，表示第个异常数据点的影响价值。

30、本发明的技术方案的有益效果是：通过构建时序温度变化特征曲线，更为客观的展现当前时间段内设备温度的变化波动特征，进一步地获取时序温度变化特征曲线中的异常温度数据，通过分析异常温度数据的第一非突变程度和第二非突变程度得到最终非突变程度，获得的最终非突变程度可以更为准确的分析异常温度数据产生的原因，通过最终非突变程度和时序温度变化特征曲线得到第一特征曲线，获取第一特征曲线中任意一个异常数据点的波动区间，根据波动区间中异常数据点的占比得到异常数据点的影响价值，根据影响价值对电气设备的异常温度数据进行处理实现智能监测异常数据的效果。