基于电力设备画像的异常检测方法及设备、存储介质技术

本发明专利技术公开了一种基于电力设备画像的异常检测方法及设备、存储介质。所述方法包括如下步骤：设备画像构建步骤和异常检测步骤：所述画像构建步骤是根据设备的历史数据，使用数据挖掘及机器学习技术对设备的正常运行模式进行建模，构建个性化设备画像；所述异常检测步骤是在设备画像构建完成后，利用设备画像预测设备运行的正常状态，并输入设备的实时数据进行异常检测，若设备实时数据与预测值偏差过大，则认为存在异常事件。利用电力数据采集设备的历史数据，通过数据挖掘以及机器学习算法构建设备画像，描述设备的正常运行状态；基于设备的个性化画像，预测设备正常运行状态下的数据，并结合实时数据判断是否发生异常。并结合实时数据判断是否发生异常。

【技术实现步骤摘要】
基于电力设备画像的异常检测方法及设备、存储介质


[0001]本专利技术涉及电力系统异常检测
，尤其涉及一种基于电力设备画像的异常检测方法及设备、存储介质。

技术介绍

[0002]异常检测技术涉及多个应用领域和技术，是一个重要且广阔的研究领域。异常检测的应用领域包括网络安全、金融、医疗、工业设备的健康管理、图像处理、传感器网络；异常检测使用的技术包括数据挖掘、机器学习、统计、信息论、谱理论等。由于不同领域间异常的定义和判断依据大相径庭，因此没有通用的异常检测方法，大部分异常检测方法只适用于特定领域。
[0003]电力系统的异常检测属于传感器网络的异常检测技术，其应用场景为分布式部署的传感器网络，不同传感器所处的环境会有较大差异，例如在电网中的非侵入式电力监测装置，其场景可能是商场、学校、医院、社区，因此不同的监测装置检测到的电力信号会存在很大差异。
[0004]目前工业领域应用的电力系统异常检测方法大部分还是以人工设定阈值的方式进行，这种方式难以针对不同设备的运行环境设置阈值，人工设定的阈值会导致漏报率和误报率较高，因此不适用于大规模的传感器网络。

技术实现思路

[0005]本专利技术的目的在于提出一种基于电力设备画像的异常检测方法及设备、存储介质，从而提供一种非侵入式电力检测设备的异常检测算法，通过构建设备画像对设备正常状态建模，完成对电力系统异常事件的检测。
[0006]为实现本专利技术的目的，本专利技术实施例提出的一种基于电力设备画像的异常检测方法及设备、存储介质，具体技术方案如下：
[0007]第一方面
[0008]本实施例提供了一种基于电力设备画像的异常检测方法，所述方法包括如下步骤：设备画像构建步骤和异常检测步骤：
[0009]所述画像构建步骤是根据设备的历史数据，使用数据挖掘及机器学习技术对设备的正常运行模式进行建模，构建个性化设备画像；
[0010]所述异常检测步骤是在设备画像构建完成后，利用设备画像预测设备运行的正常状态，并输入设备的实时数据进行异常检测，若设备实时数据与预测值偏差过大，则认为存在异常事件。
[0011]其中，所述画像构建步骤具体包括如下子步骤：
[0012]步骤S11，输入电力设备的历史运行数据；
[0013]步骤S12，根据历史运行数据自身的分布特征，去除正常范围之外的数据；
[0014]步骤S13，将步骤S12处理后的数据映射到一个固定区；
[0015]步骤S14，将步骤S13处理后的数据分为以天为长度单位的数据段；
[0016]步骤S15，将步骤S14处理后的电力时序数据特征进行提取；
[0017]步骤S16，利用S15提取的数据特征对以天为单位的模式进行分类，识别其中的异常类别并将其去除；
[0018]步骤S17，设备正常运行模式分析；
[0019]步骤S18，第一阶段模型训练数据集构建；
[0020]步骤S19，第一阶段分类模型训练；
[0021]步骤S110，第二阶段模型训练数据集构建；
[0022]步骤S111，第二阶段回归模型训练；
[0023]步骤S112，模型保存。
[0024]其中，步骤S12中，采用四分位数法进行异常点去除。
[0025]其中，步骤S13中采用极大极小归一化、最大值归一化或者z
‑
score归一化。
[0026]其中，所述异常检测步骤具体包括如下子步骤：
[0027]步骤S21，输入电力设备实时数据；
[0028]步骤S22，第一阶段分类模型推理，根据当天的日期推断设备在该天的正常模式；
[0029]步骤S23，电力设备正常模式类别确定；
[0030]步骤S24，第二阶段回归模型推理，回归模型则根据当天的具体时间推断正常的电气数值；
[0031]步骤S25，电力设备正常值预测；
[0032]步骤S26，步骤S25预测的电力设备正常值与实际数值进行比较，若偏差范围大于三倍的历史数据的标准差，则判断其为异常；
[0033]步骤S27，输出判断结果。
[0034]第二方面
[0035]本实施例提供了一种基于电力设备画像的异常检测设备，所述设备包括设备画像构建模块和异常检测模块；
[0036]所述画像构建模块用于根据设备的历史数据，使用数据挖掘及机器学习技术对设备的正常运行模式进行建模，构建个性化设备画像；
[0037]所述异常检测模块用于在设备画像构建完成后，利用设备画像预测设备运行的正常状态，并输入设备的实时数据进行异常检测，若设备实时数据与预测值偏差过大，则认为存在异常事件。
[0038]第三方面
[0039]本实施例提供了一种存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述任一项权利要求所述的基于电力设备画像的异常检测方法。
[0040]与现有技术相比，本专利技术的有益效果为，利用电力数据采集设备的历史数据，通过数据挖掘以及机器学习算法构建设备画像，描述设备的正常运行状态；基于设备的个性化画像，预测设备正常运行状态下的数据，并结合实时数据判断是否发生异常。
[0041]首先，该方法可以减少误报率，如图4所示，该方法为设备自适应的，可以自动学习设备的正常运行状态，并预测设备未来的正常运行状态。相较于简单的阈值设定方法，可以
避免出现大量的误报警，同时该方法不需要人为设定和调整阈值，节省了人力成本。
[0042]其次，该方法可以减少漏报率，如图4上所示，该方法可以检测出部分场景异常，场景异常指该数据点在一定的场景中可以认为异常，这里指电力时序数据中存在和时间相关的异常事件(例如夜晚的低漏电值异常点在白天就视为正常状态)。
附图说明
[0043]图1为本专利技术实施例提供的方法流程图；
[0044]图2为本专利技术实施例提供的画像构建步骤的方法流程图；
[0045]图3为本专利技术实施例提供的异常检测步骤的方法流程图；
[0046]图4为本专利技术实施例提供的异常检测效果示例图。
具体实施方式
[0047]以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0048]随着数据挖掘和机器学习技术的不断发展，针对于大规模传感器的异常检测算法开始在电网中进行应用，这一类算法能够针对特定设备的环境设定自适应的异常判断阈值，能够很大程度上减小漏报率和误报率，对于保障电力系统持续稳定的运行，预防危险事故的发生有非常重要的意义。
[0049]如图1所示，本实施例提供了一种基于电力设备画像的异常检测方法，所述方法包括如下步骤：设备画像构建步骤和异常检测步骤：
[0050]所述画像构建步骤是根据设备的历史数据，使用数据挖掘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电力设备画像的异常检测方法，其特征在于，所述方法包括如下步骤：设备画像构建步骤和异常检测步骤：所述画像构建步骤是根据设备的历史数据，使用数据挖掘及机器学习技术对设备的正常运行模式进行建模，构建个性化设备画像；所述异常检测步骤是在设备画像构建完成后，利用设备画像预测设备运行的正常状态，并输入设备的实时数据进行异常检测，若设备实时数据与预测值偏差过大，则认为存在异常事件。2.根据权利要求1所述的一种基于电力设备画像的异常检测方法，其特征在于，所述画像构建步骤具体包括如下子步骤：步骤S11，输入电力设备的历史运行数据；步骤S12，根据历史运行数据自身的分布特征，去除正常范围之外的数据；步骤S13，将步骤S12处理后的数据映射到一个固定区；步骤S14，将步骤S13处理后的数据分为以天为长度单位的数据段；步骤S15，将步骤S14处理后的电力时序数据特征进行提取；步骤S16，利用S15提取的数据特征对以天为单位的模式进行分类，识别其中的异常类别并将其去除；步骤S17，设备正常运行模式分析；步骤S18，第一阶段模型训练数据集构建；步骤S19，第一阶段分类模型训练；步骤S110，第二阶段模型训练数据集构建；步骤S111，第二阶段回归模型训练；步骤S112，模型保存。3.根据权利要求2所述的一种基于电力设备画像的异常检测方法，其特征在于，步骤S12中，采用四分位数法进行异常点去除。4.根据权利要求2所述的一种基于电力设备画像的异常检测方法，其特征...

【专利技术属性】
技术研发人员：李达，杨柳，张浩东，
申请(专利权)人：天津市鸿远电气股份有限公司，
类型：发明
国别省市：