Electric device abnormal detection based on IoT and knowledge graph-学习笔记
Electric device abnormal detection based on IoT and knowledge graph
In this paper, we propose an electric device abnormal detection algorithm based on the knowledge graph minning.
PPT
基于物聯(lián)網和知識圖的電氣設備異常檢測
Electric device abnormal detection
物聯(lián)網或物聯(lián)網技術的發(fā)展近年來迅速：借助這些物聯(lián)網傳感器，可以從溫度實時獲取電氣設備的環(huán)境數(shù)據(jù)和運行狀態(tài)。
傳統(tǒng)上，基于閾值的方法被廣泛應用。專家為不同的目標定義了不同的閾值。
這種方法沒有考慮不同情況和相關參數(shù)，可能會對物聯(lián)網設備記錄值產生巨大的影響。
Methodology
Abnormal detection framework for electric IoT sensors
1、從整體知識圖譜中生成一個子圖來描述傳感器的特征。
2、將子圖與總體圖進行匹配，以找出輪廓與參考傳感器集相似的傳感器。
3、通過相關算法分析來自這些選定參傳感器的周期監(jiān)測數(shù)據(jù)，以計算兩個傳感器之間的距離。
物聯(lián)網傳感器異常檢測框架：
三種類型研究信息以生成知識圖譜：物聯(lián)網傳感器數(shù)據(jù)，電力基礎設施數(shù)據(jù)和開放數(shù)據(jù)。
物聯(lián)網傳感器和電力基礎設施的數(shù)據(jù)集可以是從現(xiàn)有的關系數(shù)據(jù)庫生成。因此，數(shù)據(jù)質量可以得到保證。
對于開放數(shù)據(jù)，主要介紹天氣（動態(tài)）和經濟（靜態(tài)）該地區(qū)的信息。
為了描述電氣系統(tǒng)中的IoT傳感器，創(chuàng)建了具有動態(tài)時間順序數(shù)據(jù)結構的新穎實體。
首先應用實體檢測算法找出數(shù)據(jù)集中有意義的對象。
然后將對象分為不同的類型，例如人員，公司，變電站等。對于每個識別的對象，根據(jù)其類型和動態(tài)數(shù)據(jù)源（如果可用）為屬性進行填充關聯(lián)。
最后，檢測到的實體是手動重新檢查以提高生成的質量知識圖譜。
實體之間的關系可以根據(jù)三個數(shù)據(jù)集的特征進行檢測。
對于結構數(shù)據(jù)，根據(jù)數(shù)據(jù)庫中的表列信息直接定義實體之間的關系。例如，如果傳感器表具有其生產公司的列，則可以從傳感器及其制造商生成制造關系。
對于電網基礎設施數(shù)據(jù)，根據(jù)網格系統(tǒng)的拓撲生成關系，例如從發(fā)電站到變電站的連接。
對于打開信息，可以自動使用語言處理方法從數(shù)據(jù)集中識別關系，然后再由專家重新檢查以提高準確性。
為了建立能夠反映目標傳感器特征的子圖，首先對知識圖和不同類型的傳感器進行分析。對于每種類型，定義一個子圖來描述傳感器。如果新節(jié)點或關系包含在知識圖中，則可以更新定義。
匹配算法如圖所示
需要兩個步驟。
靜態(tài)步驟（S1）。根據(jù)節(jié)點的靜態(tài)屬性計算相應節(jié)點的距離。距離函數(shù)是為每種類型的實體預定義的。
例如，兩個子站之間的距離可以由其負荷、覆蓋面積和設備結構的差異來定義。節(jié)點之間的關系距離也在S1中定義。所有距離都規(guī)范化為[0,1]。
動態(tài)步驟（S2）中，用周期P將具有動態(tài)源的實體劃分為多個狀態(tài)，然后對每個分段的周期，將統(tǒng)計距離與目標子圖中相應的實體進行比較。
例如，變電站中的溫度傳感器與變電站的負荷和天氣有關。如果想找到一段時間內的參考數(shù)據(jù)，應該找到與目標傳感器在類似情況下運行的類似傳感器。換言之，在相似的天氣（特別是溫度）下具有相似負載的相似類型的傳感器。其中一個明顯的參考就是歷史數(shù)據(jù)，只要負荷和天氣相似，歷史數(shù)據(jù)就可以作為異常檢測的參考數(shù)據(jù)。
基于信號相關的異常檢測。從匹配過程中，我們可以為周期P中的目標傳感器生成參考數(shù)據(jù)。
為了檢測周期P中的傳感器是否正常運行，
1.將公式（1）中所示的兩個信號之間的相關性定義為它們的距離。Cov（X，Y）是信號X和Y的協(xié)方差，Var（X）是信號X的方差，然后計算出兩個信號從參考集到目標的距離。
2.基于距離矩陣，采用DBscan算法對信號進行聚類。如果目標位于大多數(shù)類中，則將其視為正常信號。否則，會報告異常傳感器的警報。
該方法不僅可以檢測出目標傳感器的異常，而且可以檢測出歷史異常狀態(tài)和其他異常傳感器。
3.然而，該方法不能處理異常傳感器占多數(shù)時的大故障情況，可以通過增加參考傳感器來增加正常節(jié)點的數(shù)目。
Experiments
以兩個地點的10個變電站的環(huán)境監(jiān)測系統(tǒng)為例。
環(huán)境參數(shù)包括溫度、濕度和照度。
基礎設施數(shù)據(jù)包括每個變電站的電壓和電流。
公開的數(shù)據(jù)主要是這些變電站的氣象信息。
總體數(shù)據(jù)涵蓋2018年6月至7月兩個不同地點的30天。
環(huán)境數(shù)據(jù)和基礎設施數(shù)據(jù)以一分鐘的頻率更新。
天氣數(shù)據(jù)從網站上獲取，每小時更新一次。
為了進一步提高多樣性，模擬了另外一個有三個變電站的位置。即位于三個不同區(qū)域的10個變電站中的傳感器總數(shù)為30個。
用Neo4j實現(xiàn)了所提出的知識，它可以支持Cypher查詢語言或CQL的節(jié)點選擇和子圖匹配
測試知識圖直接從系統(tǒng)配置創(chuàng)建
選擇了一個小時作為測試周期，其中包括60條測試記錄。
定義的溫度傳感器特征子圖包括變電站的面積、電壓和電流。
在圖匹配的第一步之后，通常選擇最相似的3或4個實體作為參考數(shù)據(jù)源。
然后將切片窗口方法應用于這些參考傳感器，找出與相應的動態(tài)數(shù)據(jù)具有靜態(tài)相似性的周期。
“切片”窗口的步長設置為10分鐘以提高搜索速度。
選擇了最相似的50個參考數(shù)據(jù)來應用dbscan聚類算法。
圖中顯示了使用dbscan方法的集群結果。通過與參考數(shù)據(jù)集的比較，可以看出異常傳感器的識別是非常容易的。
根據(jù)測試，所提出的方法可以在所有定義的異常行為中識別出92%以上的異常情況。
盡管現(xiàn)有的實現(xiàn)只是一個帶有少量設備的測試演示，但與其他方法（如基于閾值或規(guī)則定義的方法）相比，它仍然顯示出相當高的準確性。
表中給出了不同方法之間的精度比較。
通過將知識圖譜擴展為更多的相關實體和更大的歷史記錄，可以進一步改進所提出的框架。
總結
以上是生活随笔為你收集整理的Electric device abnormal detection based on IoT and knowledge graph-学习笔记的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 保温板种类（各类保温板特点分析）
- 下一篇： Error detection in K