本发明涉及缺陷检测，尤其涉及一种gis设备的设备缺陷定位方法及系统。
背景技术：
1、gis设备(气体绝缘开关设备)是一种高效可靠的电力设备，广泛应用于输配电系统中。为了保证gis设备的正常运行和延长其使用寿命，常规的维护方法包括定期检查和故障诊断。目前，gis设备的故障诊断方法主要依赖于人工检查和简单的监控设备，例如温度传感器和压力传感器。这些方法能够在一定程度上检测设备的异常情况，但往往存在检测精度不高、实时性差的问题，无法及时准确地定位设备的具体缺陷位置。
2、现有的gis设备故障诊断方法存在以下不足之处。首先，人工检查和简单的监控设备难以捕捉到设备运行中的细微变化，容易漏检潜在的故障隐患。其次，现有方法依赖于专家经验，难以标准化和自动化，诊断结果的准确性和一致性难以保证。此外，现有的监控设备多为单一传感器，缺乏多源数据融合和深度分析的能力，导致对设备缺陷的定位不够精确和全面。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。本发明提供了一种gis设备的设备缺陷定位方法及系统，用于提高gis设备的设备缺陷定位的准确率。
2、为解决上述技术问题，提出了一种gis设备的设备缺陷定位方法，包括，
3、采集预置的gis设备的原始运行数据，并将所述原始运行数据转换为融合多源数据；对所述融合多源数据进行多尺度分解，得到多尺度分解数据，并对所述多尺度分解数据进行稀疏表示处理，得到稀疏表示数据；对所述稀疏表示数据进行动态时间规整处理，得到时序特征数据；对所述时序特征数据进行分形维数特征提取，得到分形特征数据；对所述分形特征数据进行谱聚类处理，得到聚类特征数据；将所述聚类特征数据输入局部异常因子分析算法进行异常点提取，得到异常点，并根据所述异常点确定设备缺陷位置数据。
4、作为本发明所述的一种gis设备的设备缺陷定位方法的一种优选方案，其中：所述融合多源数据包括采集预置的gis设备在运行过程中布置的传感器的运行数据，得到原始运行数据d＝{d1,d2,…,dt}，其中dt表示第t个时间点的数据。
5、所述原始运行数据包括设备状态数据、环境数据以及维护历史数据。
6、所述设备状态数据包括温度、湿度、电压、电流、振动、声音、绝缘气体浓度以及断路器操作次数。
7、所述环境数据包括外部温度、降水数据以及空气质量。
8、所述维护历史数据包括维护记录、故障历史以及设备结构参数。
9、对所述原始运行数据异常值检测detect(t)，设定加权移动平均函数wma(t)：
10、
11、其中，w为时间窗，t为获取数据的时间，σwma是高斯核的标准差，控制权重衰减的速度。
12、通过t时间段内积累异常分数，监测异常数据i(t)：
13、
14、
15、其中，s(t)为异常分数数据函数，当i(t)＞θ时，θ＝4，令detect(t)为1，当i(t)≤θ时，令detect(t)为0，最终检测模型为：
16、anomaly(t)＝detect(t)·dt
17、当anomaly(t)＝0时，表示在时间点t没有检测到异常，当anomaly(t)＝dt时，表示在时间点t检测到了异常，且dt是异常数据的值，得到异常值数据。
18、对所述异常值数据根据特征和属性进行数据维度分类，得到不同属性的数据维度，基于所述数据维度对所述原始运行数据进行数据融合，得到融合多源数据。
19、作为本发明所述的一种gis设备的设备缺陷定位方法的一种优选方案，其中：所述稀疏表示数据包括将所述融合多源数据输入预置的经验模态分解算法进行信号包络线构造，得到信号包络线env(t)，其中，所述信号包络线包括上包络线以及下包络线：
20、
21、其中，emd是经验模态分解函数进行分解多源数据分解，x和y分别表示信号在水平和垂直方向的分量，μi和σi分别是第i个数据高斯分布的均值和方差，表示信号的连续部分。λj和νj分别是第j个数据指数分布的速率参数和位置参数，表示信号的瞬态部分。
22、计算所述上包络线以及所述下包络线的均值，得到目标均值：
23、
24、其中，代表上下包络线的目标均值，envu(t)和envl(t)分别代表上包络线和下包络线，t1和t2是计算均值的时间区间。
25、基于目标均值对融合多源数据进行第一次分解，得到多个第一分解数据，分别在每个基于所述目标均值对所述融合多源数据进行第一次分解：将原始信号减去目标均值，得到一个新信号，新信号是原始信号去除局部均值后的残差，当残差仍然包含局部极大值和极小值时，则重复去除局部均值，继续进行包络线构造和目标均值计算，直到残差不再包含显著的局部极值为止。
26、将得到第一分解数据中嵌入白噪声，得到第二分解数据，对所有所述第二分解数据进行平均化处理，得到多尺度分解数据。
27、对所述多尺度分解数据进行稀疏编码，得到编码分解数据。
28、对所述编码分解数据进行稀疏表示处理，得到稀疏表示数据。
29、作为本发明所述的一种gis设备的设备缺陷定位方法的一种优选方案，其中：所述动态时间规整处理包括对所述稀疏表示数据分割成不同的数据点，每个数据点代表一个时刻的设备状态，进行数据点匹配，分别对每个数据点进行相邻数据点距离分析，得到每个数据点对应的距离数据f1(xa,xb)：
30、
31、基于每个所述数据点对应的距离数据计算每个数据点的累计距离矩阵fab：
32、
33、通过每个数据点的累计距离矩阵生成每个数据点的回溯路径la：
34、
35、基于每个所述数据点的回溯路径，对所述稀疏表示数据进行时序特征提取h(x,t)，得到所述时序特征数据ya：
36、
37、其中，xa和xb为被分割的不同数据点，代表gis设备在特定时刻的状态。fab表示从数据点xa到数据点xb的累计距离，xk在累加过程中的中间数据点，la为第a个数据点的回溯路径表示从当前数据点回溯到起始点的最优路径，g(a)表示第b个数据点重要度，w为数据点的总数，ta和ta+1分别表示数据点xa和xa+1对应的时间点。
38、作为本发明所述的一种gis设备的设备缺陷定位方法的一种优选方案，其中：所述分形维数特征提取包括对所述时序特征数据ya进行数据范围标定，得到目标数据范围，基于所述目标数据范围对所述时序特征数据进行数据分割，得到相同时间间隔t的不同时序特征数据子序列b：b1{ya1,ya2,…yai}、b2{ya(i+1),ya(i+2),…ya(i+j)}…bn{ya(i+j+1),ya(i+j+2),…yan}，分别对每个子序列分配测量值，其中，所述测量值为能量波动强度通过计算子序列的能量来获得e＝{ya12+ya22+…yai2}、{ya(i+1)2+ya(i+2)2+…+ya(i+j)2}…{ya(i+j+1)2+ya(i+j+2)2+…+yan2}。
39、基于每个子序列的测量值通过盒维数和多重分形谱的方法计算每个子序列的分形维数，得到每个子序列的分形维数g(b)：
40、
41、其中，a为子序列的长度，n为子序列的样本点数，α为调整测量值的权重。
42、根据每个子序列的分形维数构建多重分形谱f(γ)：
43、
44、其中，p(b[n])为子序列b的归一化概率分布，δ为子序列样本点的脉冲，γ是分形谱的权重指数。
45、对所述多重分形谱进行特征提取，得到所述分形特征数据h：
46、
47、其中，是多重分形谱的峰值，是信号尺度变化的平均大小，是信号尺度变化的分散程度，<γ>是γ的期望值。
48、作为本发明所述的一种gis设备的设备缺陷定位方法的一种优选方案，其中：所述谱聚类处理包括对所述分形特征数据h进行特征相似度similarity(hi,hj)计算：
49、similarity(hi,hj)＝exp(-β||hi-hj)
50、得到相似度数据集，其中，β是高斯核的带宽参数，控制函数的平滑程度。
51、基于所述相似度数据集构建拉普拉斯矩阵其中，c是拉普拉斯矩阵中每个顶点的度，lnorm是未归一化的拉普拉斯矩阵，并对所述拉普拉斯矩阵进行归一化处理，得到归一化拉普拉斯矩阵并进行特征值分解，得到多个分解特征值其中，v是特征向量，是对应的特征值。
52、对所述分解特征值进行谱聚类处理，得到聚类特征数据k：
53、
54、
55、其中，是由前m个最小的特征值对应的特征向量组成的特征向量矩阵，vm是第m个特征向量，si是第i个聚类。
56、作为本发明所述的一种gis设备的设备缺陷定位方法的一种优选方案，其中：所述确定设备缺陷位置数据包括将所述聚类特征数据k输入局部异常因子分析算法进行局部密度分析，得到局部密度数据ρ(k)：
57、
58、其中，ω是数据点的空间区域，‖ka-kb‖是点ka和kb之间的欧几里得距离，ε是核函数的宽度参数，f(kb)是点kb的聚类特征。
59、对所述局部密度数据进行邻域密度数据匹配，得到邻域密度数据ω(k)：
60、
61、其中，p是邻域内数据点的数量，ψ是控制函数曲率的参数，r(k,ka)用于比较两个数据点之间的关系。
62、通过所述邻域密度数据对所述局部密度数据进行可达距离计算，得到数据点可达距离η(k)：
63、
64、其中，τ和ξ是控制函数形状和尺度的参数。
65、通过所述数据点可达距离对所述聚类特征数据进行异常点提取，得到异常点，并根据所述异常点确定设备缺陷位置数据：当数据点的局部密度数据ρ(k)高于2.5时，表示当前数据点的局部密度低于邻域密度。
66、本发明的另外一个目的是提供了一种gis设备的设备缺陷定位系统，本发明实现了对gis设备运行状态的全面监测和故障预警，提高了电力系统的安全性和经济性。系统首先通过采集模块获取gis设备的原始运行数据，并转换为融合多源数据。分解模块对多源数据进行多尺度分解和稀疏表示处理，有效提取设备在不同尺度的特征信息。规整模块利用动态时间规整技术处理数据，以消除时间序列的波动，增强特征的可比性。提取模块进一步提取时序数据的分形维数特征，揭示出数据内在的复杂性和自相似性。聚类模块通过谱聚类方法处理分形特征数据，将相似的特征数据进行归类，便于后续分析。最后，定位模块结合局部异常因子分析算法，从聚类特征数据中识别出异常点，从而精确定位设备缺陷。通过这些模块的协同工作，系统解决了传统方法难以准确检测和定位gis设备缺陷的问题，实现了对gis设备运行状态的全面监测和故障预警，提高了电力系统的安全性和经济性。
67、作为本发明所述的一种gis设备的设备缺陷定位系统的一种优选方案，其特征在于，包括采集模块、分解模块、规整模块、提取模块、聚类模块以及定位模块。
68、所述采集模块，用于采集预置的gis设备的原始运行数据，并将所述原始运行数据转换为融合多源数据。
69、所述分解模块，用于对所述融合多源数据进行多尺度分解，得到多尺度分解数据，并对所述多尺度分解数据进行稀疏表示处理，得到稀疏表示数据。
70、所述规整模块，用于对所述稀疏表示数据进行动态时间规整处理，得到时序特征数据。
71、所述提取模块，用于对所述时序特征数据进行分形维数特征提取，得到分形特征数据。
72、所述聚类模块，用于对所述分形特征数据进行谱聚类处理，得到聚类特征数据。
73、所述定位模块，用于将所述聚类特征数据输入局部异常因子分析算法进行异常点提取，得到异常点，并根据所述异常点确定设备缺陷位置数据。
74、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现一种gis设备的设备缺陷定位所述的方法的步骤。
75、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种gis设备的设备缺陷定位所述的方法的步骤。
76、本发明的有益效果：本发明提供的技术方案中，通过融合多源数据、多尺度分解、稀疏表示、动态时间规整、分形维数特征提取、谱聚类和局部异常因子分析等一系列步骤，实现了对gis设备缺陷的精准定位，具有显著的有益效果。首先，通过对gis设备的原始运行数据进行采集和多源数据融合，确保了数据的全面性和多样性，为后续的分析处理提供了可靠的数据基础。多源数据融合能够有效整合来自不同传感器的数据，弥补单一传感器数据不足的问题，提升了数据的丰富性和准确性。其次，在多尺度分解过程中，采用了经验模态分解(emd)和完全集成经验模态分解(ceemd)方法，这些方法能够自适应地分解非线性、非平稳信号，提取出不同时间尺度下的信号特征，保证了分解结果的准确性和细致程度。同时，通过稀疏表示处理，将高维数据转换为低维稀疏表示，有效减少了数据维度，提升了后续处理的计算效率和数据处理的鲁棒性。动态时间规整(dtw)处理步骤，通过计算稀疏表示数据中不同时间段信号的相似度，找出最佳对齐路径，提取时序特征数据。这一步骤能够有效对齐具有时间偏移的信号，提取出反映信号动态变化的关键特征，增强了时序分析的准确性和一致性。在分形维数特征提取过程中，结合盒维数和多重分形谱的方法，计算出时序特征数据的分形维数特征，得到更加详细和多样化的分形特征数据。分形维数能够揭示数据的内在复杂性和多尺度特性，为后续的聚类分析提供了丰富的特征信息。谱聚类处理步骤，通过特征相似度计算和拉普拉斯矩阵的构建与归一化处理，利用特征值分解方法，将高维数据映射到低维空间，进行聚类分析，得到了聚类特征数据。这种方法能够有效识别出数据中的不同模式和结构，提高了聚类结果的准确性和稳定性。最后，通过局部异常因子(lof)分析，对聚类特征数据进行局部密度分析和异常点检测，识别出局部密度显著低于邻域的异常点，最终确定设备的缺陷位置数据。lof算法能够有效检测出聚类内的局部异常点，进一步提高了缺陷定位的精度和可靠性。
1.一种gis设备的设备缺陷定位方法，其特征在于：包括，
2.如权利要求1所述的一种gis设备的设备缺陷定位方法，其特征在于：所述融合多源数据包括采集预置的gis设备在运行过程中布置的传感器的运行数据，得到原始运行数据d＝{d1,d2,…,dt}，其中dt表示第t个时间点的数据；
3.如权利要求2所述的一种gis设备的设备缺陷定位方法，其特征在于：所述稀疏表示数据包括将所述融合多源数据输入预置的经验模态分解算法进行信号包络线构造，得到信号包络线env(t)，其中，所述信号包络线包括上包络线以及下包络线：
4.如权利要求3所述的一种gis设备的设备缺陷定位方法，其特征在于：所述动态时间规整处理包括对所述稀疏表示数据分割成不同的数据点，每个数据点代表一个时刻的设备状态，进行数据点匹配，分别对每个数据点进行相邻数据点距离分析，得到每个数据点对应的距离数据f1(xa,xb)：
5.如权利要求4所述的一种gis设备的设备缺陷定位方法，其特征在于：所述分形维数特征提取包括对所述时序特征数据ya进行数据范围标定，得到目标数据范围，基于所述目标数据范围对所述时序特征数据进行数据分割，得到相同时间间隔t的不同时序特征数据子序列b：b1{ya1,ya2,…yai}、b2{ya(i+1),ya(i+2),…ya(i+j)}…bn{ya(i+j+1),ya(i+j+2),…yan}，分别对每个子序列分配测量值，其中，所述测量值为能量波动强度通过计算子序列的能量来获得e＝{ya12+ya22+…yai2}、{ya(i+1)2+ya(i+2)2+…+ya(i+j)2}…{ya(i+j+1)2+ya(i+j+2)2+…+yan2}；
6.如权利要求5所述的一种gis设备的设备缺陷定位方法，其特征在于：所述谱聚类处理包括对所述分形特征数据h进行特征相似度similarity(hi,hj)计算：
7.如权利要求6所述的一种gis设备的设备缺陷定位方法，其特征在于：所述确定设备缺陷位置数据包括将所述聚类特征数据k输入局部异常因子分析算法进行局部密度分析，得到局部密度数据ρ(k)：
8.一种采用如权利要求1～7任一所述的一种gis设备的设备缺陷定位方法的系统，其特征在于：包括采集模块、分解模块、规整模块、提取模块、聚类模块以及定位模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
