CN116956189B 一种电流异常检测系统、方法、电子设备及介质 （无锡学院）

本发明公开了一种电流异常检测系统、方2数据传输设备将采集到的电流信号实时传输至数据处理模块：用于对实时采集到的电流信号进行预处理，所数据聚类模块：采用DTW_kmedoids聚类算法对电流时间序列将每个电流时间序列数据到本簇聚类中心的距离与其他簇聚类中心距离的比值作为异常ARMA模型：DTW_kmedoids聚类算法分为不同电流数据的簇，对每个簇中列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时间序使用预测误差均方根误差检验和评价指标检验ARMA(根据历史数据和ARMA(p,q)模型参数预测未来电流时间序i和Sj分别表示电流时间序列数据的第i,j个序列，Sn表示电流时间序列数据的34.根据权利要求3所述一种电流异常检测系统，其特征在于所述采用DTW_kmedoids将电流时间序列数据折叠、比较和对齐，对每一对电流时间序列数据计算DTW距离矩5.根据权利要求3所述一种电流异常检测系统，其特征在于所述采用DTW_kmedoids计算异常分数：将每个电流时间序列数据到本簇聚类中心的7.根据权利要求1所述一种电流异常检测系统所述自回归项阶数为偏自相关函数PACF图形上最后一个显著的峰值所在的lag值；假所述移动平均项阶数为自相关函数ACF图形上最后一个显著的峰值所在4据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时间序列数使用预测误差均方根误差检验和评价指标检验ARMA(根据历史数据和ARMA(p,q)模型参数预测未来电流时间序9.一种电子设备，包括存储器和处理器，其序，所述处理器被设置为通过所述计算机程序执行所述权利要求8中所述的电流异常检测5通过数据传输设备将采集到的电流信号实时传输至数据间序列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时[0012]对于每个簇中的电流时间序列，使用极大似然法估计ARMA(p,q)模型的系数和方6[0014]对于每个簇中的电流时间序列，使用ARMA(p,q)模型预测未来电流时间序列数据是通过计算每个时间序列数据与其他数据之间的DTW（动态时间规整）距离得到的。DTW_电流时间序列供DTW_kmedoids聚类算法优化完善阈值模型的建立，及时发面异常电流数[0017]本发明旨在解决传统电流异常检测和预测方法存在的准确性不高、时间效率低、于该聚类信息计算每个电流时间序列的异常分数，有效检测和诊断电流数据中的异常情7[0033]随机选择k个电流时间序列数据作为初始聚类中心进行迭代聚类，所述迭代聚类[0034]A：基于距离矩阵D，将每个电流时间序列数据分配到离距离矩阵D最近的聚类中[0041]设定阈值θ,若某一电流时间序列数据的异常分数Scorei大于阈值θ,则判定此电[0042]进一步的，所述根据自相关函数ACF和偏自相关函数PACF图形来确定ARMA模型的[0043]所述自回归项阶数为偏自相关函数PACF图形上最后一个显著的峰值所在的lag[0044]所述移动平均项阶数为自相关函数ACF图形上最后一个显著的峰8[0049]步骤4：基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时间序[0051]对于每个簇中的电流时间序列，使用极大似然法估计ARMA(p,q)模型的系数和方[0053]对于每个簇中的电流时间序列，使用ARMA(p,q)模型预测未来电流时间序列数据9[0067]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构生高密度区域，而不同的聚类簇之间会有低密度区域分隔开。基于密度的聚类算法包括样本与模型预测值之间的似然函数来估计模型的系数序列数据具有相似的统计特征；对每个簇中的电流时间序列数据使用自相关函数ACF和偏时间序列数据的值，根据历史数据和ARMA(p,q)模型参数预测未来电流时间序列数据的区[0085]可以理解的是，DTW_kmedoids聚类算法通过计算两个电流时间序列之间的DTW（DynamicTimeWarping，动态时间规整）距离，来度量它们之间的相似性。然后，使用不同簇之间的时间序列差异较大。不同电流数据的簇表示了通过DTW_kmedoids聚类算法对种分簇分析可以更好地理解电流数据集的结构和特点。[0092]通过电流传感器收集电流数据，并将电流数据转化为电流时间序列数据，通过[0095]阈值模型是整合流程中的一个模块，其内容包括以下几个方面：根据DTW_[0096]DTW_kmedoids聚类算法：该算法使用了历史的电流时间序列数据来进行聚类处析来建立模型，然后利用该模型来预测未来的电流值。ARMA模型利用了历史数据的自回归[0098]通过这两个方面的分析，可以更好地理解电流数据的特征和规律，并借助DTW_[0113]其中，每一对电流时间序列代表两个电流时间序列数据[0115]随机选择k个电流时间序列数据作为初始聚类中心进行迭代聚类，所述迭代聚类[0116]A：基于距离矩阵D，将每个电流时间序列数据分配到离距离矩阵D最近的聚类中我们计算该聚类中每个序列与其他序列的DTW距离，并选择距离最小的一个序列作为新的[0127]设定阈值θ,若某一电流时间序列数据的异常分数Scorei大于阈值θ,则判定此电[0135]所述自回归项阶数为偏自相关函数PACF图形上最后一个显著的峰值所在的lag[0136]所述移动平均项阶数为自相关函数ACF图形上最后一个显著的峰[0146]步骤4：基于不同的簇，计算每个电流时间序列数据到其所属簇的聚类中心的距列数据使用自相关函数ACF和偏自相关函数PACF来选择ARMA模型的阶数；根据电流时间序[0148]对于每个簇中的电流时间序列，使用极大似然法估计ARMA(p,q)模型的系数和方[0150]对于每个簇中的电流时间序列，使用ARMA(p,q)模型预测未来电流时间序列数据ROM)中的程序或者从储存部分加载到随机访问存储器(Random[0153]以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管