基于大数据分析的输变电设备状态数据异常检测方法
基于大数据技术的电力设备监测与故障诊断系统
基于大数据技术的电力设备监测与故障诊断系统随着电力行业的快速发展，电力设备越来越复杂，设备的维护和故障诊断变得越来越困难。
传统的电力设备监测和故障诊断方式存在很多局限性，例如数据采集困难、数据处理效率低、难以快速准确诊断问题等等。
然而，基于大数据技术的电力设备监测和故障诊断系统的出现，为电力行业的乃至整个工业领域注入了新的活力。
本文将介绍基于大数据技术的电力设备监测和故障诊断系统的原理、应用场景、特点以及未来的发展趋势。
一、背景随着国民经济的不断发展和技术进步，电力行业成为现代工业的基石。
如今，电力设备已经成为了许多行业中不可或缺的一部分，包括石油化工、钢铁冶金、航空航天、医疗卫生、建筑工程等等。
但是由于电力设备的使用寿命往往较长而且很难更换，一旦出现故障，就会对设备和生产造成严重影响。
因此，如何对电力设备进行监测和故障诊断，是电力行业需要解决的一个重要问题。
在传统的电力设备监测和故障诊断方法中，人工检查和维护一度占据了主导地位。
这种方法存在以下问题：1、人工维护效率低。
由于人工主要通过视觉或听觉等方面进行判断，无法实时、精准获取设备的状态等指标。
通过人工维护，对于一些隐蔽性质的故障无法及时发现。
2、人工维护成本高。
设备一旦出现故障，需要专业人员进行处理，需要花费大量的人力、物力和时间进行处理，难以长期保持高效、低成本的维护。
3、数据分析精度低。
人工检查获得的数据精度和准确性无法保证，导致分析结果存在误差或者无法得到有效的分析结果。
因此，传统的电力设备监测和故障诊断明显已经无法满足电力行业对于高面阿扁发展的需求。
如今，基于大数据技术的电力设备监测和故障诊断系统已经成为了行业的新红利，它可以通过对设备的精准监测和数据分析，提升设备维护效率、降低维护成本、提高维护精度，以及预警潜在故障。
二、基于大数据技术的电力设备监测与诊断系统的原理大数据技术是指在传统的关系型数据库管理系统之外，通过并行处理、分布式存储、数据挖掘等技术，来处理大规模数据的一种新型技术。
电力系统大数据分析中的异常检测方法研究
电力系统大数据分析中的异常检测方法研究电力系统大数据分析是指利用大数据技术和方法对电力系统的运行数据进行收集、存储、处理和分析，以获取有价值的信息和知识，从而实现电力系统的安全稳定运行和能源高效利用。
在电力系统大数据分析中，异常检测是一项重要的任务，通过检测和识别异常数据可以帮助电力系统实现故障预警、故障诊断和故障处理等重要功能。
目前，电力系统大数据分析中的异常检测方法主要包括统计学方法、机器学习方法和深度学习方法。
1.统计学方法：统计学方法是最早应用于异常检测的方法之一，主要通过计算数据的均值、方差、偏度和峰度等统计信息，来判断数据是否异常。
常用的统计学方法包括正态分布检验、箱线图、异常指标法等。
这些方法简单易用，但对于复杂的非线性问题效果较差。
2.机器学习方法：机器学习方法已经成为电力系统大数据分析中异常检测的重要手段。
常用的机器学习方法包括支持向量机（SVM）、决策树、随机森林和神经网络等。
机器学习方法通过训练样本集来建立模型，然后对新的数据进行分类和判别，从而实现异常检测。
相比于统计学方法，机器学习方法具有更强的适应性和预测能力。
3.深度学习方法：深度学习是机器学习中的一个新的研究方向，主要通过构建多个隐层的神经网络来进行数据建模和特征提取。
在电力系统大数据分析中，深度学习方法主要应用于异常检测任务中。
通过深度学习方法可以自动学习数据的复杂特征和表示，从而实现更准确和精确的异常检测。
除了上述的方法，还有一些新的研究方向和方法在电力系统大数据分析中的异常检测中受到越来越多的关注：1.基于时间序列分析的异常检测：时间序列是电力系统中常见的数据类型，基于时间序列分析的异常检测方法可以通过建立模型来预测数据的走势，从而检测和识别异常数据。
2.基于深度强化学习的异常检测：深度强化学习是继深度学习之后的一个新兴研究方向，它结合了深度学习和强化学习的优点，可以通过学习和探索来实现异常检测任务。
3.基于图数据分析的异常检测：电力系统中常常具有复杂的网络结构，基于图数据分析的异常检测方法可以通过分析节点和边的关联关系来检测异常数据。
基于大数据分析的电力设备状态监测与故障预测
基于大数据分析的电力设备状态监测与故障预测电力设备是电力系统中重要的组成部分，它们的状态和运行情况直接关系着电力系统的安全和可靠运行。
随着大数据技术的发展和应用，基于大数据分析的电力设备状态监测与故障预测开始逐渐成为电力行业的研究热点。
本文将从大数据分析的角度，探讨电力设备状态监测与故障预测的相关方法和应用。
一、电力设备状态监测的方法和应用电力设备状态监测是指通过采集设备运行数据，分析和评估设备的状态和性能，以提前预警和诊断设备的故障和隐患。
常用的电力设备状态监测方法主要包括数据采集、数据处理和数据分析。
1. 数据采集：电力设备状态监测需要获取设备的运行数据，包括电压、电流、温度、湿度等参数。
传统的数据采集方式主要依靠传感器、数据采集装置等硬件设备来采集数据。
而基于大数据分析的方法可以利用智能电表、智能传感器等先进设备实现自动采集和传输，减少数据采集成本和工作量。
2. 数据处理：电力设备产生的运行数据通常是海量且复杂的，需要进行数据清洗和处理。
数据清洗包括数据去重、异常值剔除等步骤，以确保数据的准确性和可靠性。
数据处理还可以利用数据压缩、特征提取等技术，减少数据的存储和传输量，提高数据处理效率。
3. 数据分析：基于大数据分析的电力设备状态监测主要通过数据挖掘、机器学习和人工智能等技术来实现。
数据挖掘可以发现数据之间的关联规律和趋势，提取设备状态变化的特征。
机器学习可以建立预测模型，根据历史数据训练模型，并利用模型预测未来设备的状态和故障情况。
人工智能可以实现设备状态的自动识别和评估，提供决策支持和指导。
基于大数据分析的电力设备状态监测已经在电力行业的许多领域得到了广泛应用。
例如，在发电厂的锅炉系统中，可以利用大数据分析技术对燃烧过程进行监测和分析，实时检测燃烧质量，提前发现并预测燃烧异常和故障。
在变电站的电力变压器中，可以利用大数据分析技术对变压器的温度、湿度、振动等参数进行监测和分析，实现对变压器绝缘状况和损耗情况的预测和评估。
分析智能电网大数据流式处理方法与状态监测异常检测
分析智能电网大数据流式处理方法与状态监测异常检测摘要：随着我国智能电网的整体发展层次不断上升，大数据流表现出了较强的实时性、易流失性以及无顺序性等特点。
本文重点针对智能电网大数据流式方法展开了分析和研究，同时提出了状态监测异常检测技术，有效保证智能电网大数据处理工作的质量和效率。
关键词：智能电网；大数据；检测在最近几年的发展过程中，我国各项先进的通信和智能电网技术应用越来越广泛，在智能电表的收集、数据采集以及相关监控工作等方面都表现出了良好的工作优势。
相关测量工作单元、智能电表、配电自动化以及监控系统等所产生的数据增长量非常庞大，如何针对电网数据进行有效的处理，是智能电网工作当中的重要工作环节。
通过大数据技术的有效应用，在智能电网当中可以实现数据的快速收集和储存，并且通过大数据可以对海量数据进行分批次处理，分批处理之后先进行储存后进行计算，整体的数据处理准确度较高。
流式处理系统通常情况下不要求数据绝对的准确度，而需要对动态数据的变化实施性结果进行反馈和分析。
1.智能电网大数据流式处理分析数据流技术可以为配电自动化的信息处理工作，提供出良好的工作保障，具有较高的应用价值。
针对PMU数据、SCADA系统测量值以及电能质量数据等相关问题的处理，相关研究人员研究出了对应的流管理系统。
随着我国智能电网的建设规模不断扩张，通过使用数据流滑动窗口技术，可以对配电自动化当中的海量数据进行在线分析和处理，但是没有给出数据流具体的处理工作方案，因此该项技术需要进行进一步的深化。
依照智能电网数据流具有较强的实时性、易流失性以及无顺序性等特点，通过大数据技术的合理使用，基于流式计算系统框架之上，包含了数据收集、数据处理、流式计算以及数据储存等几个重要的工作过程。
首先，通过采集系统对数据源进行有效的监测，然后将数据直接转发到缓冲系统当中，缓冲系统的数据可以对计算机系统起到良好的空间缓冲作用，并且可以为计算机系统的数据协调和收集打下良好的基础。
基于大数据分析的电力系统设备状态监测与故障预测技术研究
基于大数据分析的电力系统设备状态监测与故障预测技术研究电力系统设备是电力生产与供应的核心组成部分，其运行状态和性能直接关系到电力系统的稳定运行和可靠供电。
随着物联网和大数据技术的发展，基于大数据分析的电力系统设备状态监测与故障预测技术日益成熟，为电力系统的运行和维护提供了新的解决方案。
一、大数据分析在电力系统设备状态监测中的应用1. 数据采集与处理电力系统设备状态监测的第一步是数据采集和处理。
大数据采集技术可以通过传感器、监测装置等手段实时获取设备的工作状态、运行参数等相关数据，并通过数据处理技术将其转化为结构化数据用于后续分析。
例如，利用传感器等设备实时监测电力设备的温度、电流、电压等参数，并通过数据处理技术将其转化为监测数据。
2. 数据存储与管理大数据分析需要海量的数据进行分析和建模，因此对于采集到的数据需要进行存储和管理。
传统的数据库技术已经不能满足大数据分析的需求，因此需要采用类似Hadoop、Spark或NoSQL等分布式存储和计算技术。
这些技术可以对数据进行高效的存储和管理，并支持并行计算和分布式处理。
3. 数据分析与建模大数据分析的核心是对采集到的数据进行深入的分析和建模。
通过数据挖掘、机器学习和统计分析等技术，可以揭示数据背后的规律和趋势。
在电力系统设备状态监测中，可以利用大数据分析技术对设备的运行数据进行模式识别、异常检测和趋势预测等，从而实现对设备状态的实时监测和故障预测。
二、基于大数据分析的电力系统设备故障预测技术研究1. 设备故障模式分析基于大数据分析的电力系统设备故障预测需要首先对设备的故障模式进行分析。
通过对历史数据进行深入挖掘和分析，可以找出设备故障发生的规律和特征。
例如，可以分析不同电力设备在不同负载条件下的故障发生率，以及故障发生前的预兆变化等。
2. 故障预测模型建立基于故障模式分析的结果，可以建立相应的故障预测模型。
这些模型可以基于机器学习、统计分析等方法进行建立。
基于大数据分析的输变电设备状态数据异常检测方法
第35卷第1期中国电机工程学报V ol.35 No.1 Jan.5, 201552 2015年1月5日Proceedings of the CSEE ©2015 Chin.Soc.for Elec.Eng. DOI：10.13334/j.0258-8013.pcsee.2015.01.007 文章编号：0258-8013 (2015) 01-0052-08 中图分类号：TM 76基于大数据分析的输变电设备状态数据异常检测方法严英杰1，盛戈皞1，陈玉峰2，江秀臣1，郭志红2，杜修明2(1．上海交通大学电气工程系，上海市闵行区 200240；2．国网山东省电力公司电力科学研究院，山东省济南市 250002)An Method for Anomaly Detection of State Information of Power EquipmentBased on Big Data AnalysisYAN Yingjie1, SHENG Gehao1, CHEN Yufeng2, JIANG Xiuchen1,GUO Zhihong2, DU Xiuming2(1. Department of Electrical Engineering, Shanghai Jiao Tong University, Minhang District, Shanghai 200240, China;2. Electric Power Reasearch Institute of Shandong Power Supply Company of State Grid, Jinan 250002, Shandong Province, China)ABSTRACT: To detect the anomaly state of power equipment, the traditional method threshold value determination is unable to ensure the accuracy. This paper proposed a method for anomaly detection of state data of power equipment based on big data analysis from time series analysis and unsupervised learning, thus a new perspective of data association and data evolution was achieved. Mining the potential features through time series model and self-organized maps, the method put the original data series into the transition probability series. To simplify the relationship between the multidimensional state sequences, the unsupervised learning was used to form several clusters. The method proposed the anomaly detection framework which has a rapid detection speed and is applicable for the state data flow. At last, the effectiveness of the method is verified by being combined with running instances and the result shows that the abnormal operating state can be rapidly detected.KEY WORDS: big data; anomaly detection; time series; neural network; unsupervised clustering摘要：传统的阈值判定方法难以准确检测输变电设备的状态异常，该文提出一种基于时间序列分析和无监督学习等大数据分析的异常检测方法，从数据演化过程、数据关联的全新角度实现异常检测。
基于大数据分析的电能质量异常检测与评估
基于大数据分析的电能质量异常检测与评估概述在现代社会中，电能质量问题对于各行各业来说都是一个重要的关注点。
电能质量异常可能导致设备运行故障、能源浪费以及对人体健康的影响。
因此，电能质量异常的检测和评估对于确保电力系统的可靠性和稳定性至关重要。
随着大数据技术的不断发展，基于大数据分析的电能质量异常检测与评估成为了一种有前景的解决方案。
一、大数据在电能质量异常检测中的应用大数据分析是指通过对大规模数据的采集、存储、处理和分析，从中挖掘出有价值信息的方法。
在电能质量异常检测中，大数据分析可以帮助实时监控和分析电能质量参数，以便及时发现异常情况。
1. 数据采集大规模的数据采集是基于大数据分析的前提。
电能质量监测设备可以通过传感器等方式采集到电流、电压、功率因数等各种电能质量参数的数据。
2. 数据存储与管理采集到的大量数据需要被存储和管理。
传统的数据库管理系统可能无法存储和处理如此大量的数据，因此需采用分布式存储系统和分布式数据库等大数据技术。
3. 数据处理与分析在大数据分析中，数据处理和分析是核心环节。
通过对电能质量数据进行处理和分析，可以提取出异常特征，快速准确地检测到电能质量异常。
4. 异常检测与警报基于大数据分析的异常检测算法可以根据历史数据和模型进行异常检测，并生成相应的警报。
这有助于工程师及时发现并修复电能质量异常，以避免设备损坏或事故的发生。
二、大数据在电能质量评估中的应用电能质量评估是在检测到电能质量异常后，对异常情况进行分析和评估的过程。
基于大数据分析的电能质量评估可以提供更详细、全面的评估结果。
1. 数据挖掘与分析通过对大规模的电能质量数据进行挖掘和分析，可以发现异常情况和问题的具体原因。
这些分析结果有助于工程师深入了解电网运行状态，并找出解决问题的有效方法。
2. 故障诊断与处理大数据分析可以帮助工程师识别电能质量异常的具体故障类型，并提供相应的处理建议。
这有助于减少故障处理时间，提高电能质量的恢复速度。
基于大数据分析的输变电设备故障诊断与预测研究
基于大数据分析的输变电设备故障诊断与预测研究许 娟（国网信阳供电公司）摘 要：本研究旨在利用大数据分析技术改进输变电设备的故障诊断与预测。
随着大数据技术的发展，传统方法在处理电力设备故障问题的局限性愈发凸显。
本研究采用基于ＬＳＴＭ的序列数据挖掘技术，从历史运行数据中学习模式，提高了故障诊断的准确性和预测的及时性。
实验结果表明，该方法在输变电设备故障诊断和预测场景下具有较高准确性，但对于数据不均衡问题仍需进一步改进。
关键词：输变电设备；故障诊断；大数据分析；电力系统；ＬＳＴＭ网络０ 引言输变电系统作为现代电力系统的核心组成部分，对保障社会经济活动和日常生活具有至关重要的作用［１］。
输变电设备的可靠性直接关系到整个电力系统的稳定性和安全性。
然而，由于设备老化、环境因素及操作不当等原因，这些设备可能会发生故障，从而引起电力供应中断，甚至造成严重的经济损失和社会影响。
因此，及时准确地诊断和预测输变电设备的潜在故障成为电力行业的一项重要任务。
随着大数据技术的发展，可以通过数据挖掘技术分析大量的设备数据来改进故障诊断和预测［２ ３］。
大数据不仅提供了更多的信息量，还能够揭示设备性能中的复杂模式和趋势，这在传统方法中是难以实现的。
此外，借助先进的数据分析技术，如机器学习和深度学习［４］，可以更有效地处理和分析这些大规模数据集，以提高故障诊断的准确性和预测的及时性。
本研究旨在开发基于大数据分析的输变电设备故障诊断与预测系统，运用最新的大数据分析方法开发高效的故障诊断与预测模型，并在实际输变电设备数据上进行系统验证，探究其在电力系统运维中的应用潜力。
通过本研究，有望通过大数据分析技术进行数据挖掘，提高故障检测的准确率，提升电力系统的稳定性和可靠性。
１ 理论基础与技术背景１ １ 输变电设备概述输变电设备包括变压器、断路器、隔离开关等，构成了电力系统的骨干。
其中变压器用于提高或降低电压，以适应不同电网和用户的需求，允许电能在不同电压级别之间转换，以实现有效传输和分配。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于大数据分析的输变电设备状态数据 异常检测方法
严英杰 1，盛戈皞 1，陈玉峰 2，江秀臣 1，郭志红 2，杜修明 2
(1．上海交通大学电气工程系，上海市 闵行区 200240； 2．国网山东省电力公司电力科学研究院，山东省 济南市 250002)
An Method for Anomaly Detection of State Information of Power Equipment Based on Big Data Analysis
2. Electric Power Reasearch Institute of Shandong Power Supply Company of State Grid, Jinan 250002, Shandong Province, China)
ABSTRACT: To detect the anomaly state of power equipment, the traditional method threshold value determination is unable to ensure the accuracy. This paper proposed a method for anomaly detection of state data of power equipment based on big data analysis from time series analysis and unsupervised learning, thus a new perspective of data association and data evolution was achieved. Mining the potential features through time series model and self-organized maps, the method put the original data series into the transition probability series. To simplify the relationship between the multidimensional state sequences, the unsupervised learning was used to form several clusters. The method proposed the anomaly detection framework which has a rapid detection speed and is applicable for the state data flow. At last, the effectiveness of the method is verified by being combined with running instances and the result shows that the abnormal operating state can be rapidly detected.
0 引言
输变电设备在实际运行过程中会受到过负荷、 过电压、内部绝缘老化、自然环境等异常事件影响， 这些异常运行状态会导致设备缺陷、故障的发 生[1-3]，因此对设备状态进行异常检测具有很强的必 要性。在设备的实际运维中，大都是基于单一系统 的部分设备信息，采用简单阈值判定方法来检测异 常[4-6]。这种传统的阈值判定具有局限性，一方面设 备信息利用率和状态评价正确率都偏低，另一方面 难以检测出设备的潜伏性故障及故障类别，而且相 关规范标准[4-6]中的固定阈值难以结合设备运行工 况的差异性。
督聚类方法简化各参量之间的相关关系，从而避免参量间相 关性难以确定的问题。提出异常检测体系，并使之适用于输 变电设备状态监测数据流，实现数据流中异常的快速检出。 最后结合运行实例验证了提出方法的有效性，表明本方法能 快速检测出设备的异常运行状态。
关键词：大数据；异常检测；时间序列；神经网络；无监督 聚类
t −1
∑ xt = α xt−1 + et = α t x0 + α iet−i (α < 1)
(1)
i=0
式中：xt 为在线监测数据的时间序列；et 为正态分 布序列，et~N(μe,λ2)，因此 xt 服从 N(μ,σ2)的正态分 布，其中μ和σ满足如下关系：
μ = μe / (1 − α )
2）设备状态量之间的相关关系及内涵机理复 杂，难以用函数精确描述[15-16]。如文献[15]通过监 测导线覆冰厚度来判断导线的异常覆冰情况，其等 值覆冰厚度通过导线张力、导线倾角、风速的计算 公式求出，但公式中参数根据线路不同而存在差 异，覆冰计算结果不准确；
3）输变电设备状态数据(如在线监测数据)采集 周期短、数据量大，通常以数据流的形式传输到评 估后台，需要快速检出数据流中的异常。文献[17] 通过时间序列模型对电网的趋势进行动态检测，能 够及时检测出电网频率、电压等的短时漂移，但不 足之处在于其无法作用于大量数据流的检测，实时 性差。文献[18]对滑动窗口中的负荷数据通过核平 滑算法及时间序列建模，检测出负荷数据中的异常 值，但该方法的不足在于数据流滑动窗口的大小难 以确定，而且对每个窗口中的数据要重新拟合模 型，不利于异常地快速检出。
由于设备状态数据(包括在线监测、带电检测、 预防性试验数据等)体量大、类型繁多[7-8]的特点， 可以将大数据技术引入到设备异常检测中，充分挖 掘状态数据的异常信息。近两年大数据技术在互联 网、金融、物流领域的发展迅速，体现出极高的社 会价值[9]，而在能源电力行业大数据技术正处于起 步阶段，国内外文献中在电网和设备异常检测领域 的大数 据技 术有时 间序 列分析[10]、 马尔可 夫模
1 单状态量数据流特征量的提取
1.1 单状态量数据的时间序列自回归模型 时间序列的自回归模型(auto-regressive，AR)
适用于很多工业过程，其特点是 AR 系统记忆性强， 在时间 t 的值依赖于从前时刻的行为，这与设备运 行过程中的低动态性相符。输变电设备在正常运行
过程中一部分状态量的变化较小，如导线拉力、接 地电流等，这些状态量数据都属于平稳序列，可直 接用 AR(1)拟合；另一部分状态量呈日周期性变化， 但变化幅值不大，如油温、环境温度等，去除其日 周期性后也可通过 AR(1)拟合。因此，对状态数据 通过一阶 AR 模型拟合[19]，公式如下：
基金项目：国家 863 高技术基金项目(SS2012AA050803)；国家电网 公司科技项目(520626140020)。
The National High Technology Research and Development of China 863 Program (SS2012AA050803); State Grid Science and Technology Program (520626140020).
(6)
式中γ(t)为学习速率，取值在 0~1 之间，随着 t 的增
大而减小。
对于单状态量的时间序列 xt，通过 SOM 训练
完成后，xt 就转化为线性空间中的离散点时间序列
Ct∈{C1,C2,…,CN}：
Ct = Ci(xt )
(7)
这表示对每一个时间点 t，Ct 表示最接近于 xt 的节点，因此 Ct 就代表了对时间序列 xt 的量化。 1.3 时间序列变化过程的挖掘
由于 et~N(μe,λ2)，因此由公式(4)可得仅当α小 于一个限值α0 时，整个序列可以满足属于区间 [a, b]。
由于输变电设备的绝缘劣化过程或潜伏性故
障发展缓慢，因此当设备处于异常状态时，监测到
的参量往往未超出导则或规程中的限值，从而难以
察觉。根据以上结论可知，对于没有超出状态量限
值的在线监测数据，单纯地用 AR 模型不能够检测
第 35 卷 第 1 期 52 2015 年 1 月 5 日
中国电机工程学报 Proceedings of the CSEE
Vol.35 No.1 Jan.5, 2015 ©2015 Chin.Soc.for Elec.Eng.
DOI：10.13334/j.0258-8013.pcsee.2015.01.007 文章编号：0258-8013 (2015) 01-0052-08 中图分类号：TM 76
出其异常状态。
1.2 自组织神经网络对时间序列的量化
自组织神经网络(self organized maps，SOM)工
作原理是通过无监督学习方法，让竞争层各神经元
通过竞争与输入模式进行匹配，最后仅有一个神经
元成为竞争的胜者，这一获取神经元的输入就代表
对输入模式的分类[20]。由于无监督学习的训练样本
中不含有期望输出，没有任何先验知识，因此适用
于数据量大、不含标签的状态监测数据。
运用 SOM 能进行无监督分类的特点，将整个
序列 xt 作为 SOM 的输入节点，序列 C={C1,C2,…,CN} 作为输出节点，对每一个 xt 训练其属于节点 Cj 的公 式为
j
=
i( xt
)
=
arg
min i
d
( xt
(2)
σ 2 = (α 2μ 2 + λ 2 + μe2 ) / (1 − α 2 )
(3)
对于每个在线监测状态量，正常状态下都不应
超过相应的限值，因此假设对所有的 t，xt 都属于区 间[a,b] ，即 a≤xt≤b。