基于集成学习的电网数据异常检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于集成学习的电网数据异常检测方法及装置，其中该方法包括：获取目标电网指标数据，对所述目标电网指标数据进行预处理；提取所述目标电网指标数据中的时序数据特征；基于预设的集成学习异常检测模型，对所述目标电网指标数据中的时序数据特征进行异常检测，并得到异常检测结果；所述集成学习异常检测模型的基础模型中包括有统计学异常检测模型、数据距离异常检测模型和聚类异常检测模型中的至少一种。可见，本发明专利技术能够结合集成算法实现对电网指标数据的无监督异常检测，从而可以实现对宏观层面上的多种类型的电网指标数据进行异常监控，进而实现对电网企业运营活动中的各种异常模式进行合适全面的检测。测。测。

【技术实现步骤摘要】
基于集成学习的电网数据异常检测方法及装置


[0001]本专利技术涉及数据处理
，尤其涉及一种基于集成学习的电网数据异常检测方法及装置。

技术介绍

[0002]随着电网信息化程度的提高，电网数据量也在日益增加，针对电网数据的异常分析任务也越来越重。目前针对电网的异常检测主要集中在运维监控领域，比如对网络流量异常、温度过高或过低等电网信息运维过程中常见的各类异常现象或故障问题。这类检测由于传统异常检测技术的限制，能检测的异常检测问题与时间因素密切相关，即异常在初期形成时可以在数据集中得以体现，且异常的发展是随着时间的累积而愈专利技术显，并不适用于突发类型异常的检测：如突然的环境因素或人为因素导致的设备功能异常或损坏等形成与发展特别迅速的故障等。同时，在企业运营经济活动领域，也就是宏观指标检测领域，却罕有针对电网运营指标的异常检测算法。而企业运营生产活动存在的异常模式与运维监控领域存在很大的差别，并且运维监控领域大多采用有监督方法，不适用于企业运营生产活动数据少，标签少的特点，因此无法对企业运营活动中的各种异常模式进行合适全面的检测。

技术实现思路

[0003]本专利技术所要解决的技术问题在于，提供一种基于集成学习的电网数据异常检测方法及装置，能够结合集成算法实现对电网指标数据的无监督异常检测，从而可以实现对宏观层面上的多种类型的电网指标数据进行异常监控，进而实现对电网企业运营活动中的各种异常模式进行合适全面的检测。
[0004]为了解决上述技术问题，本专利技术第一方面公开了一种基于集成学习的电网数据异常检测方法，所述方法包括：
[0005]获取目标电网指标数据，对所述目标电网指标数据进行预处理；
[0006]提取所述目标电网指标数据中的时序数据特征；
[0007]基于预设的集成学习异常检测模型，对所述目标电网指标数据中的时序数据特征进行异常检测，并得到异常检测结果；所述集成学习异常检测模型的基础模型中包括有统计学异常检测模型、数据距离异常检测模型和聚类异常检测模型中的至少一种。
[0008]作为一种可选的实施方式，在本专利技术第一方面中，所述获取目标电网指标数据之前，所述方法还包括：
[0009]检测电网数据是否有变化；
[0010]若检测到变化，执行所述获取目标电网指标数据的步骤；所述目标电网指标数据为所述电网数据在检测到变化的时刻之前预设时间区间内的数据。
[0011]作为一种可选的实施方式，在本专利技术第一方面中，所述提取所述目标电网指标数据中的时序数据特征，包括：
[0012]计算所述目标电网指标数据中任一时间点的数据与邻近时间点的数据之间的数据差；
[0013]将多个所述时间点的数据的所述数据差确定为所述目标电网指标数据中的时序数据特征。
[0014]作为一种可选的实施方式，在本专利技术第一方面中，所述提取所述目标电网指标数据中的时序数据特征，包括：
[0015]根据预测算法，预测所述目标电网指标数据中任一时间点的数据预测值；
[0016]计算所述数据预测值数据和所述时间点对应的实际数据值之间的数据差；
[0017]将多个所述时间点的数据的所述数据差确定为所述目标电网指标数据中的时序数据特征。
[0018]作为一种可选的实施方式，在本专利技术第一方面中，所述提取所述目标电网指标数据中的时序数据特征，包括：
[0019]对所述目标电网指标数据中的时序数据进行时域
‑
频域转换得到频域数据；
[0020]对所述频域数据中的噪声数据进行提取并进行逆转换，确定为所述目标电网指标数据中的时序数据特征。
[0021]作为一种可选的实施方式，在本专利技术第一方面中，所述集成学习异常检测模型，包括：
[0022]所述基础模型；
[0023]集成学习算法模型，通过使用所述基础模型的输出结果进行二次集成训练得到；
[0024]可视化算法模型，用于对所述集成学习异常检测模型进行可视化展示。
[0025]作为一种可选的实施方式，在本专利技术第一方面中，所述集成学习算法模型为孤立森林算法模型，所述可视化算法模型为echart算法模型。
[0026]作为一种可选的实施方式，在本专利技术第一方面中，所述统计学异常检测模型包括正态分布异常检测模型和/或高斯核密度异常检测模型；所述数据距离异常检测模型为LOF算法模型；所述聚类异常检测模型为DBScan算法模型。
[0027]本专利技术第二方面公开了一种基于集成学习的电网数据异常检测装置，其包括：
[0028]获取处理模块，用于获取目标电网指标数据，对所述目标电网指标数据进行预处理；
[0029]特征提取模块，用于提取所述目标电网指标数据中的时序数据特征；
[0030]异常检测模块，用于基于预设的集成学习异常检测模型，对所述目标电网指标数据中的时序数据特征进行异常检测，并得到异常检测结果；所述集成学习异常检测模型的基础模型中包括有统计学异常检测模型、数据距离异常检测模型和聚类异常检测模型中的至少一种。
[0031]作为一种可选的实施方式，在本专利技术第二方面中，所述装置还包括检测模块，用于检测电网数据是否有变化，若检测到变化，则触发所述获取处理模型执行所述获取目标电网指标数据的步骤；所述目标电网指标数据为所述电网数据在检测到变化的时刻之前预设时间区间内的数据。
[0032]作为一种可选的实施方式，在本专利技术第二方面中，所述特征提取模块提取所述目标电网指标数据中的时序数据特征的具体方式，包括：
[0033]计算所述目标电网指标数据中任一时间点的数据与邻近时间点的数据之间的数据差；
[0034]将多个所述时间点的数据的所述数据差确定为所述目标电网指标数据中的时序数据特征。
[0035]作为一种可选的实施方式，在本专利技术第二方面中，所述特征提取模块提取所述目标电网指标数据中的时序数据特征的具体方式，包括：
[0036]根据预测算法，预测所述目标电网指标数据中任一时间点的数据预测值；
[0037]计算所述数据预测值数据和所述时间点对应的实际数据值之间的数据差；
[0038]将多个所述时间点的数据的所述数据差确定为所述目标电网指标数据中的时序数据特征。
[0039]作为一种可选的实施方式，在本专利技术第二方面中，所述特征提取模块提取所述目标电网指标数据中的时序数据特征的具体方式，包括：
[0040]对所述目标电网指标数据中的时序数据进行时域
‑
频域转换得到频域数据；
[0041]对所述频域数据中的噪声数据进行提取并进行逆转换，确定为所述目标电网指标数据中的时序数据特征。
[0042]作为一种可选的实施方式，在本专利技术第二方面中，所述集成学习异常检测模型，包括：
[0043]所述基础模型；
[0044]集成学习算法模型，通过使用所述基础模型的输出结果进行二次集成训练得到；
[0045]可视化算法模型，用于对所述集成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的电网数据异常检测方法，其特征在于，所述方法包括：获取目标电网指标数据，对所述目标电网指标数据进行预处理；提取所述目标电网指标数据中的时序数据特征；基于预设的集成学习异常检测模型，对所述目标电网指标数据中的时序数据特征进行异常检测，并得到异常检测结果；所述集成学习异常检测模型的基础模型中包括有统计学异常检测模型、数据距离异常检测模型和聚类异常检测模型中的至少一种。2.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述获取目标电网指标数据之前，所述方法还包括：检测电网数据是否有变化；若检测到变化，执行所述获取目标电网指标数据的步骤；所述目标电网指标数据为所述电网数据在检测到变化的时刻之前预设时间区间内的数据。3.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述提取所述目标电网指标数据中的时序数据特征，包括：计算所述目标电网指标数据中任一时间点的数据与邻近时间点的数据之间的数据差；将多个所述时间点的数据的所述数据差确定为所述目标电网指标数据中的时序数据特征。4.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述提取所述目标电网指标数据中的时序数据特征，包括：根据预测算法，预测所述目标电网指标数据中任一时间点的数据预测值；计算所述数据预测值数据和所述时间点对应的实际数据值之间的数据差；将多个所述时间点的数据的所述数据差确定为所述目标电网指标数据中的时序数据特征。5.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述提取所述目标电网指标数据中的时序数据特征，包括：对所述目标电网指标数据中的时序数据进行时域
‑
频域转换得到频域数...

【专利技术属性】
技术研发人员：李鹏飞，段卫国，李伟鹏，陈迪，
申请(专利权)人：南方电网深圳数字电网研究院有限公司，
类型：发明
国别省市：