【技术实现步骤摘要】
本专利技术涉及数据处理，尤其是涉及一种基于图神经网络的电力系统数据异常检测方法及系统。
技术介绍
1、电力系统异常通常是设备故障、网络攻击或外部环境变化的前兆。如果不及时检测并处理这些异常，可能会引发严重的电力故障，甚至导致大规模停电事件。异常检测可以帮助及时发现潜在的问题，预防事故发生，确保电力系统的安全运行。在电力系统中，异常的快速检测和定位对于缩短故障响应时间至关重要。通过异常检测技术，能够迅速发现故障源，采取相应的应对措施，从而减少停电时间，降低经济损失和社会影响。随着智能电网的推进，电力系统变得更加复杂和动态。异常检测技术在智能电网中发挥着关键作用，它不仅有助于实时监控系统状态，还能通过数据分析和预测功能，为决策提供支持，推动电力系统向智能化、自动化方向发展。
2、现有的电力系统异常检测方法主要包括基于规则的传统方法、基于统计的异常检测方法、以及基于机器学习和深度学习的智能检测方法。传统的基于规则和统计的方法依赖于预先设定的阈值和规则，对于复杂的电力系统来说，这些方法往往无法应对多样化的异常模式和突发事件。它们对未知类型的异常表现出较低的检测能力，容易产生漏报或误报。电力系统生成的数据具有高维度和异质性的特点，不同类型的数据之间存在复杂的关联性。现有方法在处理如此大规模、多源异构数据时，可能无法充分捕捉数据之间的复杂关系，从而影响检测效果。许多基于机器学习和深度学习的方法在训练时依赖于大量标注的历史故障数据，而在实际应用中，故障数据的数量有限且标注成本高，导致模型在新场景中的泛化能力不足。目前少见能够准确、
3、此外，传统的基于规则和统计的方法通常基于预先设定的规则和阈值进行异常检测，但电力系统的复杂性和多变性使得这些规则难以全面覆盖所有可能的异常情况。对于未曾预见的异常模式，规则可能无法有效应对，导致漏报或误报，识别电力系统中的设备异常需要考虑应用场景的复杂性和多变性的问题。其次，电力系统生成的数据通常具有高维度和异质性，包含多种类型的信号和数据源。传统方法难以捕捉和处理这些数据之间的复杂关联性，导致对系统状态的全面理解不足，从而影响异常检测的准确性，识别电力系统中的设备异常需要挖掘多个数据源之间的联系。另外，机器学习和深度学习模型通常需要大量标注的历史故障数据进行训练。然而，电力系统中的故障事件相对罕见，标注数据的获取成本高且数量有限。这种数据匮乏会导致模型的训练不足，影响模型在实际场景中的表现，识别电力系统中的设备异常需要减少数据标注，减少人力和数据资源的浪费。目前少见能够准确、高效识别电力系统下设备异常检测的算法。
技术实现思路
1、为了解决上述提到的问题，本专利技术提供一种基于图神经网络的电力系统数据异常检测方法及系统。
2、第一方面，本专利技术提供的一种基于图神经网络的电力系统数据异常检测方法，采用如下的技术方案：
3、一种基于图神经网络的电力系统数据异常检测方法，包括：
4、获取电力系统数据；
5、根据获取的电力系统数据，生成图结构；
6、利用引入残差机制的图卷积神经网络对图结构的节点特征进行初步特征提取，得到特征序列；
7、使用基于异常注意机制的编码器从特征序列中进一步提取特征，得到注意力分数；
8、使用基于多头注意力机制的解码器重构编码器提取的特征，并计算重构误差；
9、根据重构误差计算异常得分，基于异常得分判断是否存在异常。
10、进一步地，所述根据获取的电力系统数据，生成图结构，包括将传感器视为节点，计算每对节点之间的相关性值，并从中选择前k个最相似的节点，将其对应的邻接矩阵a元素设为1，其余设为0，将邻接矩阵 a与可训练的权重 e合并，生成用于输入图卷积神经网络模型的聚合矩阵，计算公式如下：
11、
12、其中，α代表图结构复杂度系数。
13、进一步地，所述利用引入残差机制的图卷积神经网络对图结构的节点特征进行初步特征提取，包括将聚合矩阵和节点特征矩阵输入图卷积神经网络，图中的每个节点其特征通过聚合邻居节点的特征来更新，并使用池化层通过降采样降低特征维度。
14、进一步地，所述使用基于异常注意机制的编码器从特征序列中进一步提取特征还包括利用高斯核函数来计算从特征序列的先验相关性，通过先验相关性关注特征序列中相邻时间点之间的关系；通过标准的自注意力机制来计算序列相关性，通过序列相关性捕捉特征序列中的全局性关系。
15、进一步地，所述使用基于异常注意机制的编码器从特征序列中进一步提取特征，还包括通过对先验相关性和序列相关性加权求和后得到注意力分数矩阵，再对注意力分数矩阵输入归一化层和前馈网络进一步提取特征，得到编码器提取的特征。
16、进一步地，所述使用基于多头注意力机制的解码器重构编码器提取的特征，并计算重构误差，包括基于多头注意力机制对编码器的输出进行解码，获得重构特征，基于重构特征计算模型的损失函数，损失函数由重构误差和加权的相关性差异组成。
17、进一步地，所述根据重构误差计算异常得分，基于异常得分判断是否存在异常，包括对每个传感器的重建误差值进行归一化处理后，通过取各传感器的异常得分的最大值来计算整体的异常得分，当异常得分超过预设的阈值时，该时间点的数据被标记为异常，说明电力系统可能存在异常情况。
18、第二方面，一种基于图神经网络的电力系统数据异常检测系统，包括：
19、数据获取模块，被配置为，获取电力系统数据；
20、图结构模块，被配置为，根据获取的电力系统数据，生成图结构；
21、特征序列模块，被配置为，利用引入残差机制的图卷积神经网络对图结构的节点特征进行初步特征提取，得到特征序列；
22、特征提取模块，被配置为，使用基于异常注意机制的编码器从特征序列中进一步提取特征，得到注意力分数；
23、误差模块，被配置为，使用基于多头注意力机制的解码器重构编码器提取的特征，并计算重构误差；
24、判断模块，被配置为，根据重构误差计算异常得分，基于异常得分判断是否存在异常。
25、第三方面，本专利技术提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于图神经网络的电力系统数据异常检测方法。
26、第四方面，本专利技术提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于图神经网络的电力系统数据异常检测方法。
27、综上所述，本专利技术具有如下的有益技术效果：
28、（1）本专利技术通过引入基于图结构的深度学习技术，结合图卷积神经网络和异常注意机制，有效提升了电力系统中异常检测的本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的电力系统数据异常检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述根据获取的电力系统数据，生成图结构，包括将传感器视为节点，计算每对节点之间的相关性值，并从中选择前K个最相似的节点，将其对应的邻接矩阵A元素设为1，其余设为0，将邻接矩阵A与可训练的权重E合并，生成用于输入图卷积神经网络模型的聚合矩阵，计算公式如下：
3.根据权利要求2所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述利用引入残差机制的图卷积神经网络对图结构的节点特征进行初步特征提取，包括将聚合矩阵和节点特征矩阵输入图卷积神经网络，图中的每个节点其特征通过聚合邻居节点的特征来更新，并使用池化层通过降采样降低特征维度。
4.根据权利要求3所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述使用基于异常注意机制的编码器从特征序列中进一步提取特征还包括利用高斯核函数来计算从特征序列的先验相关性，通过先验相关性关注特征序列中相邻时间点之间的关系；通过标准的自注意力机
5.根据权利要求4所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述使用基于异常注意机制的编码器从特征序列中进一步提取特征，还包括通过对先验相关性和序列相关性加权求和后得到注意力分数矩阵，再对注意力分数矩阵输入归一化层和前馈网络进一步提取特征，得到编码器提取的特征。
6.根据权利要求5所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述使用基于多头注意力机制的解码器重构编码器提取的特征，并计算重构误差，包括基于多头注意力机制对编码器的输出进行解码，获得重构特征，基于重构特征计算模型的损失函数，损失函数由重构误差和加权的相关性差异组成。
7.根据权利要求6所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述根据重构误差计算异常得分，基于异常得分判断是否存在异常，包括对每个传感器的重建误差值进行归一化处理后，通过取各传感器的异常得分的最大值来计算整体的异常得分，当异常得分超过预设的阈值时，该时间点的数据被标记为异常，说明电力系统可能存在异常情况。
8.一种基于图神经网络的电力系统数据异常检测系统，其特征在于，包括：
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的方法。
10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的方法。
...【技术特征摘要】
1.一种基于图神经网络的电力系统数据异常检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述根据获取的电力系统数据，生成图结构，包括将传感器视为节点，计算每对节点之间的相关性值，并从中选择前k个最相似的节点，将其对应的邻接矩阵a元素设为1，其余设为0，将邻接矩阵a与可训练的权重e合并，生成用于输入图卷积神经网络模型的聚合矩阵，计算公式如下：
3.根据权利要求2所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述利用引入残差机制的图卷积神经网络对图结构的节点特征进行初步特征提取，包括将聚合矩阵和节点特征矩阵输入图卷积神经网络，图中的每个节点其特征通过聚合邻居节点的特征来更新，并使用池化层通过降采样降低特征维度。
4.根据权利要求3所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述使用基于异常注意机制的编码器从特征序列中进一步提取特征还包括利用高斯核函数来计算从特征序列的先验相关性，通过先验相关性关注特征序列中相邻时间点之间的关系；通过标准的自注意力机制来计算序列相关性，通过序列相关性捕捉特征序列中的全局性关系。
5.根据权利要求4所述的一种基于图神经网络的电力系统数据异常检测方法，其特征在于，所述使用基于异常注意机制的编码器从特征序列中进一步提...
【专利技术属性】
技术研发人员：刘兆伟，杨海涛，刘延乐，阎维青，刘志中，赵相福，于自强，宋永超，姜岸佐，单垚，李恒，
申请(专利权)人：烟台大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。