油色谱在线监测数据异常值分析及修正方法研究

崔彦捷1，郑一鸣2，李熙宁1，祝令瑜1，汲胜昌1，孙翔2，何文林2
（1． 西安交通大学电力设备电气绝缘国家重点实验室，陕西省西安市，710049）
（2． 国网浙江省电力公司电力科学研究院，浙江省杭州市，310014）

摘 要：油色谱在线监测装置目前在电力变压器中普遍采用，但由于装置本身老化、受环境因素影响、通信传输
等问题，所测得的油色谱数据存在异常、准确率差、可信度低的情况。本文提出了一种基于离群值处理算法与
小波软阈值去噪方法的油色谱在线监测数据清洗和修正方法。首先，通过预处理将油色谱数据中的零值和非数
值全部插值处理，使用Tompson-τ离群值检索算法直接对数据增长率进行分析，从而提取出在线监测数据中的可
去间断点，并采用离群值检索算法提取出极值差中的跳跃间断点。然后，使用经换算比例处理后的带电数据对
上述间断点进行校验，并通过检查这些间断点是否处于修正后带电检测数据区间内的方法确认其是否为异常值
最后，分别对异常值采用相应的修正方式，并通过软阈值小波变换降噪方法将修正后的数据中高频抖动信号滤
除，从而得到平稳的在线监测数据。使用所提出的清洗和修正方法对现场在线监测数据进行了处理，结果表明
本文方法的稳定性较高，在保持原始油色谱在线监测数据整体趋势不变的基础上，能够去除间断点且消除高频
抖动信号，从而大大提高了油色谱在线监测数据的准确性和可信度。
关键词：油色谱在线监测；Tompson-τ离群值检索算法；软阈值小波变换降噪方法；在线监测数据清洗方法

Study on oil chromatogram online monitoring

data cleaning and outlier analysis
Cui Yanjie1, Zheng Yiming2, Li Xining1, Zhu Lingyu1, Ji Shengchang1, Sun
Xiang2, He Wenlin2
（1． State Key Laboratory of electrical insulation and power equipment of Xi'an Jiao Tong
University，Xi’an City，Shaanxi Province, 710049)
（2． Electric Power Research Institute of State Grid Zhejiang Electric Power Corporation, Hangzhou,
Zhejiang, 310014)

A b s t r a cI tn: o r d e r t o s o l v e t h e p r o b l e m o f p o o r a c c u r a c y a n d l o w c r e d i b i l i t y o f o n l i n e m o n i t o
c h r o m a t o g r a p h y, t h i s p a p e r p r o p o s e s a d a t a c l e a n i n g p r o g r a m b a s e d o n o u t l i e r s e a r c h a l g o r i t h m a n d w
t h r e s h o l d d e - n o i s i nAg t mf ie rt sh to, d z. e r o a n d n o n - n u m e r i c v a l u e s a r e a l l i n t e r p o l a t e d t h r o u g
S e c o n d l y, To m p s o n - τ o u t l i e r r e t r i e v a l a l g o r i t h m w a s u s e d t o d i r e c t l y p r o c e s s t o e x t r a c t t h e r e m o v a b l e d i s c o n
point by examine data growth rate, and abrupt point is extracted by examine difference between extreme values using
out li er re trie val al gori thm.
T he se extract ed discontinuities are verified by using the revised off-line detection data to
check if the discontinuity error
is value.Corresponding correction methods are respectively adopted according to two
kinds of discontinuities, and the high-frequency dither signals in the revised data are filtered by the soft
wavelet transform de-noising method for obtaining the smooth online monitoring data.
On site on-line monitoring data
was processed by the program proposed in this paper.
Result shows that the cleaning
program has strong stability and
can remove the discontinuity while maintaining the overall trend of on-line monitoring data of original oil chromatogram
data, thus eliminating the dithering signal, which improves the accuracy and credibility of on-line monitoring data
 K e y w o r dO
s :i l c h r o m a t o g r a p h i c o n l i n e m
, To
onmi t op rs ionng- τ o u t l i e r r e t r i e v a l , awl ag vo er il teht ms o f t - t h r e s h o l d
de-noising methodtransform, online monitoring ddata cleaning method

0 引言 类间断点分别研究其提出了相应的异常值修正方法
最后使用软阈值小波去噪方法对修正后的在线监测
在线监测装置对电力设备的各项状态量进行实
数据进行平滑处理，得到了修正后的在线监测数据
时测量，并将数据传输至电力系统的PMS（设备
使用该方法对海量实际提取到的油色谱在线监测数
/ 资 产 运 维 精 益 管 理 系 统 ， E q u i p m/ae sn st e t s
据进行了处理，结果证实了该方法的可靠性、稳定
operation and maintenance precision management
性和有效性，对提高基于油色谱数据的电力变压器
system）平台中，综合多项状态量数据对设备的运
状态评估准确性有重要意义。
行状态进行诊断，可以更好地安排检修工作，从而
避免设备突发性故障的发生。由于在线监测装置测 11 油色谱在线监测数据特征中的间断点
量数据的时效性以及连续性，在电力设备的状态评
一般变压器内部的油中气体含量应该是连续变
价及故障诊断中发挥着非常重要的作用。
化的，即每天的气体含量应该与此前一段时间以及
油色谱在线监测装置是目前应用最为广泛的在
此后一段时间的气体含量差别不大，因此其相应的
线监测设备，国内外围绕其测得的色谱数据对变压
油色谱在线监测数据也应该是连续的。但实际在线
器状态评估方法开展了大量研究工作[1-4]。但上述工
监测装置获得的数据往往存在着较多间断点，如图
作是建立在色谱数据真实准确基础之上的，而装置
1所示，图中红点即为典型的间断点，气体浓度在
生产制造、安装使用及运行维护等诸方面难免存在
这些点附近发生了跃变。这些间断点与格式紊乱的
不完善之处，因此用于状态评估的油色谱在线监测
数据、乱码共同构成了在线监测数据中的异常值。
数据准确率往往偏低，并经常出现误报或漏报等现
一般在数据预处理阶段已经对有明显错误的后两类
象[5-6]，直接影响了状态评估的可靠性。针对这一问
异常值进行了处理，并对乱码数据通过分段样条插
题，许学勤等人采用自适应滤波算法对数据进行了
值的方式对其进行了补值。因此，如何识别间断点
平滑处理的研究 [7-8]；Yang等人通过聚类的方法对在
并对其进行相应处理是在线数据异常值分析和修正
线监测数据进行了处理，得到了较好的剔除异常值
的主要难点。
的效果[9]；律方成等人则采用了小波变换对在线监
测数据进行了处理，取得了较好的实现了异常数据
的滤波 效果[10-12]；严英杰等人对在线监测数据处理
及异常值的判别进行开展了大量的研究，并提出了
按照时间序列的清洗方式[13-14]；Yang等人从数据流
的角度对在线监测数据进行处理工作进行了一定的
研究，并提出了动态滤波的处理数据清理方法
。上述研究工作对在线监测数据的清洗及修正进
[15]

行了有益的探讨，在一定程度上解决了异常数据对
诊断的影响，但以往的上述研究中提出的算法存在
着处理算法单一、异常值的提取方式主观性较强，
图1 氢气浓度在线监测数据
并且也未以及充分考虑对监测数据间的关联性及间
Fig. 1 Typical online monitoring data of power equipment
断点的处理，存在将有用数据清理出序列的现象，
图2为图1中当日与后一日氢气浓度关系图。由
造成设备状态的误判考虑不充分等问题。
图中可以看出，每日的气体浓度与后一日气体浓度
本文从油色谱在线监测数据的特征出发，总结
基本相等，散点均围绕着第一象限角平分线分布。
了常见的两类在线数据间断点，建立提取两类间断
1
基金资助项目：国网浙江省电力公司科技项目(5211DS150026)。
点的算法，提出基于修正后的带电检测数据确认间
Science and technology project of STATE GRID Corporation of Zhe-
断点是否为在线监测数据异常值的算法，并针对两 jiang(5211DS150026).
极少数的点分布在接近坐标轴附近的范围内，表明 斜率 相关系数 p值 拟合相似度
气体浓度发生突变的可能性很小。 1.01 0.96 1e-8 0.94
对图2中数据进行回归分析后的拟合曲线为：
表1中p值极小、相关系数与拟合相似度均较大
(1)
表明气体浓度连续这一特征是普遍存在的，可以通

式中c1，c2分别为当日与后一日的油中气体浓 过查找在线监测数据中的不连续点来剔除异常值。
类比数学分析中的间断点概念[11]，可将在线监
度。
回归分析的结果表明油中气体浓度不是一个固 测数据中的不连续点分为可去间断点以及跳跃间断

定值，而是在缓慢地增长。对500台在线监测装置 点两大类。其中，可去间断点附近的数据连续，仅

测得的油色谱数据进行分析，得出的统计结果如表 可去间断点处数据异常；跳跃间断点附近的数据不

1所示。 连续，但突变前一段时间内及后一段时间内的数据
均连续。典型的油色谱在线监测数据间断点如图3
所示。产生两种间断点的原因是不同的：可去间断
点的产生原因主要为电磁干扰或在线监测装置突发
故障，；跳跃间断点的产生原因主要为人为干预操
作或在线监测装置外部故障，如滤油操作、载气压
力降低等均会导致测得的气体含量发生显著变化，
从而使一段时间内的气体浓度均偏低或偏高。两种
间断点的特征均表现为其气体浓度变化速率远高于
其余时间段的数据，区别在于可去间断点两侧的气
体浓度变化速率异常，跳跃间断点仅单侧的气体浓
度变化速率异常。

图2 当日气体浓度与后日气体浓度间关系

Fig. 1 Relationship between gas concentration of the day and the

next day.

图2为图1中当日与后一日氢气浓度关系图。由
图中可以看出，每日的气体浓度与后一日气体浓度
基本相等，散点均围绕着第一象限角平分线分布。
极少数的点分布在接近坐标轴附近的范围内，表明
气体浓度发生突变的可能性很小。对图2中数据进
行回归分析后的拟合曲线为：
(a) 可去间断点
(1)

式中c1，c2分别为当日与后一日的油中气体浓
度，回归分析的结果表明油中气体浓度不是一个固
定值，而是在缓慢的增长。对500台在线监测装置
获取的油色谱在线监测数据进行分析后得出的统计
结果如下所示：
表1 油色谱当日气体浓度与后日气体浓度回归分析结果（ 500

台）

Table. 1 Regression analysis results of gas concentration of the day and the

next day (n=500)

 (b)
图3 典型的在线监测数据间断点
Fig. 3 Typical discontinuity in online monitoring data
2 间断点检索与异常值分析识别
传统的剔值算法对数据自身变化趋势影响较大
连续快速增长的时间段常会被认为是异常数据而剔
除。但设备中某些特征量，如油色谱监测中的二氧
化碳、乙炔等气体浓度可能会出现快速增长的过程
因此传统的剔值算法存在着处理后数据失真的问题
对油色谱在线监测数据特征的分析表明，在线监测
数据中的异常值一般以间断点的形式出现。因此，
可以先对原始数据进行差分得出其变化率，通过对
气体浓度变化速率进行采用离群值检索的方法来找
出异常值。离群值检索一般从数据本身的统计特征
出发，将与总体数据分布较远的值视为离群值剔除
Tompson-τ算法是一种在数据分析中得到广泛应用的
离群值检索算法，能够较好地适应大数据样本情况
并给出基于统计学的客观判断判，非常适合异常值
的搜索据。
2.1 基于Tompson-τ算法的间断点检索
假设变量为单维变量
值为 ，方差为S，则对每一个变量均有偏差值
。当这组变量中存在离群值时，
的点必属于离群值。通过对该变量整体进行假设检
验T检验，我们可以获取拒绝域判断指标τ，如式
（2）所示。
其中：
N —— 变量总个数；
α —— t分布中的分位数，一般取0.05；
tα/2 —— 两端假设检验下该分位数相应的函数
值 即跳跃间断点。
当 时，该点为离群值；当
该点为正常数据。在计算过程中，每次只对
的点进行检验。当该点属于离群值时，将该点剔除
跳跃间断点 后重新对剩余数据进行离群值分析；当该点属于正
常数据时，表明所有数据均正常，剩余数据中无离
群值。
图4 原始数据中离群值检索结果
Fig. 4 Search results of outliers in raw data
当某数据点两侧的气体浓度变化率均为离群值
且气体浓度变化率异号时，该数据点为可去间断点
当某数据点一侧的气体浓度变化率为离群值或两侧
均为离群值但气体浓度变化率同号时，该数据点为
跳跃间断点。
2.2 在线监测基于数据极值差的跳跃间断点识别
， ，…， ，其均 根据Tompson-τ算法得出的可去间断点一般是较
为准确的，但是在跳跃间断点的判别上有时会出现
误差。例如，当变压器中存在着较为严重的缺陷时
气体浓度可能会快速上升。，若该变压器正常运行
最大 的时间占比很大时，Tompson-τ该算法会将这些快速
上升日期的快速上升数据都认为是离群值并进行处
理，造成错判。因此，有必要针对跳跃间断点提出
新的判据。
在线监测装置在运行过程中不断受到外界的影
响，其获得的数据是波动的，因此总会存在着局部
（3-12）
的峰谷值。这些峰谷值可通过在局部取极大值或极
小值的方法获得。当原始数据正常时，这些极值总
是围绕着原始数据呈波动规律分布，因此极值间的
差值较小；但当原始数据在短时间内发生了很大变
化时，极值间的差值会显著增大。通过比较局部的
极值间差值的大小可以找出数据中不连续的时间段
时， 如图5所示，在线监测数据在0-50天、200-300
天间出现了整段均值异常的现象，极值差在两个跳
最大 跃间断点附近表现为异常偏高。因此可以通过判断
极值差是否为离群值的方法来判断原始数据是否出
现了跳跃间断点。同时，将剔除跳跃间断点剔除后
的极值差数据，还可以作为评估在线监测装置稳定 认为是从总体真值X中取出的样本观察值。由此
性以及在线监测数据抖动幅度的统计值，在后续清
洗中加以应用。 得出的修正比例系数 也是总体真值K中取出的样

本观察值。修正比例系数的统计量主要包括样本均
值 、样本方差 和标准差 ，其计算公式分

别为：

（3-34）

（3-45）

图5 在线监测数据及其极值

Fig. 5 On-line monitoring data and extreme point （3-56）

通过算法得出跳跃间断点后，可将所有数据按
跳跃间断点划分为若干数据段。每个数据段取均值
并与相邻段的均值进行比较，得出该段数据整体偏
离情况，为数据修正做准备。
2.3 考虑带电检测数据的间断点异常值对比分析识
别 但系统误差、偶然误差以及外界影响因素会使K值
通过以上方法获得的两类间断点只是根据统计
分析的方法得到的结果，并不一定准确。考虑到变
压器中可能出现的故障、滤油等现象均会造成油色
谱数据在短时间内迅速升高或降低，因此有必要通
过比对的方法对这些间断点是否属于数据异常值进
行进一步的判断。
目前电力设备一般会按照固定周期进行带电检
测，通过这些实验可以获取更为准确的设备状态量
其中包括相应的与在线监测状态量相对应的检测量
二者结合可以对设备状态做出更为准确的评估。因
此，可以通过修正带电检测数据
根据以上公式可得出修正系数真值K的分布规
律。考虑到带电检测数据与在线监测数据间的差异
主要是由于采样方法、检测装置及检测技术导致的
因此对于不同设备而言，其真值K值是一个定值，
在一定范围内按正态分布波动。观察值k取对数后的
分布规律如图6所示，与正态分布相近，因此可将
至 作为k的取值范围，并以此为
基础对带电检测数据进行修正。修正后的结果如图
7所示，可以发现在此案例中的前两个跳跃间断点
均对应着修正后的带电检测数据发生突降的数据段
表明此时进行了滤油操作，因此该间断点不是错误
数据，无需对间断点进行处理。
，获得在线监测

数据 对比值的分析方法，确定间断点判断结果是

否准确。一般有：
（3-2）

式中 为修正比例系数。

由于带电检测数据一般较为稀疏，因此可将 图6 修正比例系数k对数值直方图

Fig. 6 Histogram of proportionality coefficients k

 图7 修正带电检测数据与在线监测数据间关系

Fig. 7 Relation between modified live data and on-line monitoring data 图8 原始数据与离群值清洗处理后数据对比

Fig. 8 Comparison between raw data and data after outlier processing
3 在线监测数据的修正方法
3.2 小波变换阈值降噪
3.1 异常值修正方法 经过离群值清洗处理后的数据虽然已经消除了
针对可去间断点以及跳跃间断点两类异常值需 数据异常点，但是由于在线监测装置的稳定性较差
要分别提出了相应的修正方法。对于可去间断点而 数据在长期趋势上往往叠加了一个高频抖动信号。
言，其实质是某日数据异常，但该日前后的一段时 这一信号有时会改变短期内数据变化趋势，可能会
间内整体趋势基本不变。因此只需将可去间断点当 导致设备状态的误判。因此，需要采用小波变换的
天数据替换为插值结果即可。跳跃间断点实质是该 方法将数据中的高频噪声祛除去除。以往有人有学
日邻近一段时间内数据整体趋势发生了变化，一般 者采用小波变换阈值降噪的方法对在线监测数据进
表现为整段数据均偏低，如图8中1100-1200天中的 行处理[7-8]并取得了一定效果[7-8]，但并不十分理想。
数据即为整段数据均偏低，可以采用整体均值抬升 通过分析后可以认为，剔除跳跃间断点后的在线监
的方法。将所有在线监测数据按照跳跃间断点划分 测数据极值差能够有效反应高频抖动信号，并与这
为若干段，每段内分别求取实然均值并对数据偏低 一抖动信号的幅值基本相同。因此本文将在线监测
段的均值进行插值，得出其应然均值。数据偏低段 数据极值差的均值设置为小波变换的阈值，并对数
的应然均值与实然均值的差值即为整体偏移量。将 据进行了小波去噪处理，得到了很好的效果。如图
该段时间内的原始数据全部平移一定位置即可获得 9所示，原始信号中带有一定的高频抖动过程，在
修正后的数据。经清洗处理后的数据如图8所示， 400天之前的一段时间内表现出了抖动上升的趋势
可去间断点全部被消除，跳跃间断点间的整段数据 经默认阈值处理后的数据已经部分消除了该段时间
偏低的数据段也已被处理。 内的高频抖动信号，但抖动过程依然存在。通过将
软阈值设为该型号监测装置的灵敏度后，高频抖动
信号基本被消除，同时能够发现400天前一段时间
内氢气变化趋势已趋平稳，表明设备内部缺陷可能
已经消除。
 （b）二氧化碳清洗前后对比

（c）甲烷清洗前后对比

图10 在线数据清洗前后对比

Fig. 10 Comparison between raw and cleaned data of on-line monitoring

如图10所示，在对实际变压器的油色谱在线监
图9 不同小波变换方法对数据处理的结果 测数据进行清洗时，该算法能够较好地消除单个出
Fig. 9 Results of data processing by different wavelet transform methods 现的异常值，将整段异常的数据进行修复，通过小
波去噪的方法将数据中的高频抖动消除的同时，不
4 应用研究
致将数据的中长期变化趋势抹平。
通过采用基于离群值检索与小波软阈值去噪的 但是不得不指出的是，上述清洗算法仍存在着
数据清洗分析及修正算法，本文分别选取氢气、二 一些不足之处，尤其是对甲烷清洗前后的数据进行
氧化碳及甲烷三种有代表性的气体，对实际的不同 对比后可以发现，算法在原始数据抖动较多、数据
气体的在线监测数据进行了处理（这个过程也被成 呈线性下降等情况下可能会将该段所有数据全部抹
为“数据清洗”），结果如图10所示， 分别选取了 去并以直线代替，这样可能会由于对原始数据的改
氢气、二氧化碳及甲烷三种有代表性的气体。 动过大，而造成部分细节信息的丢失，不利于设备
状态的诊断。

5 结论
本文针对目前在线监测数据可信度较低，、准
确度较差的现状，本文提出了一种基于离群值处理
算法的电力设备在线监测数据清洗方法。通过将在
线监测数据差分化后获得了其增长速率向量，并针
对在线监测数据一般均连续这一特征提出了离群值
检索的思路，。针对两类异常值分别提出了相应的
、(a) 氢气清洗前后对比 数值处理方法，并在离群值清洗处理后，采用预设
软阈值的方式对在线监测数据进行了小波降噪处理
结果表明：
1）在线监测数据中存在着两类间断点，分别
是可去间断点和跳跃间断点。两类间断点的特征不
同，并可分别采用数据增长率离群值检索及极值差
离群值检索的方法获得。对两种间断点可分别采用
直接插值或整体均值抬升的方法进行处理修正；
2）通过带电检测数据与在线监测数据间进行
对比分析的方法可以有效地避免滤油操作带来的误
判影响，提高了间断点判别的准确度。但由于带电 Liu J, Huang Q. Analysis on Operation of Online Monitoring Device

检测数据较少，因此其与在线监测数据中的修正比 for Oil Chromatograph in Guangzhou Power Grid[J]. Guangd

例系数需要通过样本估计的统计方法获取其分布范 Electric Power, 2013.

围，从而确定其上下限； [6] 胡锡幸, 马涛, 王文浩. 浙江电网变电设备在线监测装置应用分析

3）将去除跳跃间断点的在线监测数据极值差 [J]. 浙江电力, 2013, 32(11): 2-5.

的均值作为小波变换降噪方法中的软阈值，对在线 A p p l i c a t i o n A n a l y s i s o n O n l i n e M o n i t o r i n g D e v i c e o f Tr a n s f o r m e r

监测数据进行处理的，效果较好，效果优于默认阈 Equipment in Zhejiang Power Grid[J]. 2013.

值降噪处理的方法，能够有效地去除高频抖动信号 [7] 谭向宇, 许学勤, 孙福,等. 新型自适应广义形态滤波在MOA在线监测

且不会影响数据中长期变化的趋势。 数据处理中的应用[J]. 中国电机工程学报, 2008, 28(19):25-29.

本文所提出方法稳定性较高，不改变油色谱在 [8] 许学勤, 巩玺, 刘生春,等. 广义形态滤波在MOA在线监测数据处理中

线监测数据的整体变化趋势，去除了间断点且消除 的应用[J]. 电瓷避雷器, 2009(3):34-38.

了高频抖动信号，大大提高了油色谱在线监测数据 [9] Y a n g Z , C a o J , X u Y , e t a l . D a t a C l e a n i n g f o r P o

的准确性和可信度。然而，4）当在线监测原始数 Monitoring[J]. 2013:111-115.

据较差，数据抖动幅值大且多、数据呈线性下降时 [10] 王永强, 律方成, 李和明. 采用支持向量机和遗传算法的电容型设备

该本文所提出算法可能会将原始数据抹去并以直线 介质损耗因数修正方法[J]. 中国电机工程学报, 2009, 29(4):123-

代替，这可能会造成原始数据细节信号的丢失，对 128.

电力设备状态诊断带来一定的不利影响，这是下一 [11] 王永强, 谢军, 律方成. 基于改进量子粒子群优化稀疏分解的局放信

步在线监测数据清洗算法研究的重点。 号去噪方法[J]. 电工技术学报, 2015, 30(12):320-329.

[12] 徐志钮. 介损在线监测去噪方法的有效性 [J]. 高电压技术, 2015,

41(3): 909-917.
参考文献 References
X u Z . Va l i d i t y o f n o i s e r e d u c t i o n m e t h o d i n d i e l e c t r i c l o s s o n - l i n e
[1] 严英杰, 盛戈皞, 陈玉峰,等. 基于大数据分析的输变电设备状态数据
m o n i t o r i n g [ J ] . G a o d i a n y a J i s h u / h i g h Vo l t a g e E n
异常检测方法[J]. 中国电机工程学报, 2015, 35(1):52-59.
41(3):909-917.
Yan Y, Sheng G, Chen Y, et al. An Method for Anomaly Detection of
[13] 林峻, 严英杰, 盛戈皞,等. 考虑时间序列关联的变压器在线监测数
S t a t e I n f o r m a t i o n o f P o w e r E q u i p m e n t B a s e d o n B i g D a t a
据清洗[J]. 电网技术, 2017(11):3733-3740.
Analysis[J]. Proceedings of the Csee, 2015, 35(1):52-59.
L i n J , Ya n Y, S h e n g G , e t a l . O n l i n e M o n i t o r i n g D a t a C l e a n i n g o f
[2] 严英杰, 盛戈皞, 刘亚东,等. 基于滑动窗口和聚类算法的变压器状态
Transformer Considering Time Series Correlation[J]. Power System
异常检测[J]. 高电压技术, 2016, 42(12):4020-4025.
Technology, 2017.
Yan Y, Sheng G, Liu Y, et al. Anomalous State Detection of Power
[14] 严英杰, 盛戈皞, 陈玉峰,等. 基于大数据分析的输变电设备状态数
Transformer Based on Algorithm Sliding Windows and Clustering[J].
据异常检测方法[J]. 中国电机工程学报, 2015, 35(1):52-59.
High Voltage Engineering, 2016.
[15] D i n g Y, L i n H , L i R . C h a n g e S e m a n t i c C o n s t r a i n e d O n l i n e D a
[3] Catterson V M, Mcarthur S D J, Moss G. Online Conditional Anomaly
Cleaning Method for Real-Time Observational Data Stream[J]. ISPRS
Detection in Multivariate Data for Transformer Monitoring[J]. IEEE
- International Archives of the Photogrammetry, Remote Sensing and
Transactions on Power Delivery, 2010, 25(4):2556-2564.
Spatial Information Sciences, 2016, XLI-B2:177-183.
[4] S u X , J i a n g X H , Z h a n g S M , e t a l . A p p l i c a t i o n o f D o u b l e - H i d d e n
[16] 王绵森, 马知恩. 工科数学分析基础[M]. 高等教育出版社, 1998.
L a y e r B P N e u r a l N e t w o r k i n T r a n s f o r m e r F a u l t A l a r m [ C ] / /
W a n g M , M a Z , F o u n d a t i o n s o f m a t h e
I n t e r n a t i o n a l C o n f e r e n c e o n S m a r t V e h i c u l a r T e c h n o l o
Engineering[M]. Higher Education Press, 1998.
Tr a n s po r t a t i on , C o m m u ni c a ti o n a n d A p pl i c a t i on s . Sp r i ng e r, C h a m ,

2017:161-169.

[5] 刘静, 黄青丹. 广州电网油色谱在线监测装置运行情况分析[J]. 广东 收稿日期2012-09-25　修回日期2013-10-10　　编辑　

电力, 2013, 26(8): 24-29.