【技术实现步骤摘要】
本专利技术涉及大数据，具体为一种基于大数据的电力数据异常检测分析方法及系统。
技术介绍
1、智能电网领域中，电力数据的实时监控和分析是确保电力系统稳定运行的关键任务之一。随着电力设备种类的增加以及系统复杂性的提升，传统的单一设备数据监控已难以满足现代电力系统的需求。具体到电力系统中的电力数据异常检测，需要从多个设备的协同数据中提取有价值的信息，以确保电网的稳定性和效率。
2、中国专利公开号cn202311687634.4的专利技术中，公开了一种基于大数据的电力数据监视方法及系统。该方法首先获取相同类型的电力设备包含电力数据的时序序列，对通过时序序列拟合出的电力变化曲线进行分段获得曲线段，从所有曲线段中筛选出电力设备的运行阶段和待机阶段，并分别从运行阶段和待机阶段中检测出电力设备的异常数据，通过获取的异常程度对对应的异常数据进行修正，获得每个电力设备的修正序列，进一步基于修正序列对电力设备未来的电力数据进行预测，得到预测数据，并根据预测数据对电力设备的电力数据进行实时监视。本专利技术能够提高对电力设备未来的电力数据预测的准确度，进而提高对实时的电力数据监视的准确性。
3、由此可知，在电力数据异常检测中，通常采用单一设备的时间序列数据进行监控和分析，然而，这种方法的局限性在于，它无法充分考虑电力系统中设备之间的相互影响，导致某些跨设备的异常现象难以被准确识别，例如，当一台设备因其他设备的操作或波动出现异常时，现有方法可能将其误判为设备本身的问题，或者无法检测到潜在的异常源，这样的不足使得整体系统的故障定位和应
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于大数据的电力数据异常检测分析方法及系统，解决了
技术介绍
中提到的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于大数据的电力数据异常检测分析方法，包括以下步骤：
3、s1、通过在若干个相连的电力设备的各个连接节点布置传感器，以实时采集设备运行中的电力数据p、功率数据w、温度数据t和振动频率数据z，并使用小波变换进行去除噪声，组成设备的特征向量矩阵xpre；
4、s2、建立设备关联交互影响分析模型，将特征向量矩阵xpre作为设备关联交互影响分析模型的输入训练数据，获取设备之间的交互影响关系矩阵iinter，并使用最大似然估计对设备关联交互影响分析模型进行参数优化迭代交互影响关系矩阵iinter；
5、s3、通过获取的交互影响关系矩阵iinter以及设备的历史运行数据hhist进行多维时间序列分析，进行预测设备之间交互影响下的异常模式，获取异常模型矩阵adetect；
6、s4、基于获取的异常模型矩阵adetect构建多维数据融合模型，进行评估多维度数据之间的相关性以及与设备之间的交互影响，生成设备的综合异常评分sabn；
7、s5、对设备的综合异常评分sabn进行预测设备未来交互运行的状态，获取设备预测评估状态结果ppred，并根据设备预测评估状态结果ppred生成设备交互运行电力维护评估方案。
8、优选的，步骤s1还包括s11和s12；
9、s11、通过在若干个相连的电力设备的各个连接节点布置传感器，实时采集设备运行中的电力数据pi、功率数据wi、温度数据ti和振动频率数据zi，传感器包括电力传感器、功率传感器、温度传感器和振动传感器，其中电力传感器包括安装在电力设备的输入端和输出端进行监测电力的输入和输出数据，组成采集的电力数据pi，包括电压pi，v、电流pi，i和相位角pi，θ相关参数，并将不同传感器获取的电力数据pi、功率数据wi、温度数据ti和振动频率数据zi信号进行时间对齐，组成多维数据向量di；
10、s12、对采集的多维数据向量di进行小波变换，以去除噪声并提取相关波动特征，生成设备i的特征向量矩阵xpre；
11、其中特征向量矩阵xpre，具体通过设备i的多维数据向量di组成特征向量矩阵xpre：
12、
13、优选的，步骤s2还包括s21和s22；
14、s21、通过使用图卷积网络进行建立设备关联交互影响分析模型，将设备之间的关系标记为一个图结构g(v，e)，v表示设备集合，包括n个设备，e表示n个设备之间的连接关系，将特征向量矩阵xpre作为设备关联交互影响分析模型的输入训练数据，同时引入注意力机制，调整相关的设备关系，通过设备关联交互影响分析模型的输出获取设备之间的交互影响关系矩阵iinter；
15、s22、使用最大似然估计统计方法对设备关联交互影响分析模型进行参数优化迭代交互影响关系矩阵iinter，通过以下计算公式进行迭代：
16、
17、式中，表示第t次迭代时的交互影响关系矩阵iinter，a表示邻接矩阵，h表示特征向量矩阵xpre。
18、优选的，所述交互影响关系矩阵iinter通过以下计算公式获取：
19、iinter＝σ(a·h(l-1)·w(l))；
20、式中，σ表示激活函数，包括sigmoid激活函数、softmax激活函数和relu激活函数，具体用于对输入的特征向量矩阵xpre数据进行变换，a表示邻接矩阵，具体表示设备之间的物理连接和逻辑连接关系，通过特征向量矩阵xpre进行生成，h(l-1)表示第l-1层的特征向量矩阵xpre，w(l)表示输出层的权重矩阵，具体用于将前一层的特征表示矩阵映射至输出空间；
21、其中，邻接矩阵a为一个n*n的矩阵，其中n表示设备总数，具体表示如下：
22、
23、矩阵中，ai,j表示设备i与设备j之间的连接权重关系，当ai,j＝1时，表示设备i与设备j之间存在物理连接关系或逻辑连接关系，当ai,j＝0时，表示设备i与设备j之间不存在物理连接关系或逻辑连接关系。
24、优选的，步骤s3中还包括s31和s32；
25、s31、将获取的交互影响关系矩阵iinter以及设备的历史运行数据hhist进行整合，历史运行数据hhist包括历史电力数据histp、历史功率数据histw、历史温度数据histt和历史振动频率数据histz，整合包括数据时间轴对齐，对整合后的数据进行多维时间序列分析和提取，获取多维时间序列预测特征矩阵text；
26、s32、对获取的多维时间序列预测特征矩阵text，进行检测设备之间交互影响下的异常模式，包括使用自回归积分滑动平均模型进行预测，同步将预测的时间序列值与实时采集的特征向量矩阵xpre进行匹配，获取偏差值组成偏差值矩阵eanom，进行构建异常模型矩阵adetect。
27、优选的，其中，多维时间序列特征矩阵text通过以下计算公式获取：
【技术保护点】
1.一种基于大数据的电力数据异常检测分析方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：步骤S1还包括S11和S12；
3.根据权利要求1所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：步骤S2还包括S21和S22；
4.根据权利要求3所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：所述交互影响关系矩阵Iinter通过以下计算公式获取：
5.根据权利要求1所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：步骤S3中还包括S31和S32；
6.根据权利要求5所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：其中，多维时间序列特征矩阵Text通过以下计算公式获取：
7.根据权利要求1所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：其中，基于获取的异常模型矩阵Adetect构建多维数据融合模型，进行评估多维度数据之间的相关性以及与设备之间的交互影响，生成设备的综合异常评分Sabn；
8
9.根据权利要求8所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：S52、根据设备预测评估状态结果Ppred生成设备交互运行电力维护评估方案；
10.一种基于大数据的电力数据异常检测分析系统，包括上述权利要求1～9任一项所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：包括数据采集模块、影响分析模块、关联分析模块、异常分析模块和异常评估模块；
...【技术特征摘要】
1.一种基于大数据的电力数据异常检测分析方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：步骤s1还包括s11和s12；
3.根据权利要求1所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：步骤s2还包括s21和s22；
4.根据权利要求3所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：所述交互影响关系矩阵iinter通过以下计算公式获取：
5.根据权利要求1所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：步骤s3中还包括s31和s32；
6.根据权利要求5所述的一种基于大数据的电力数据异常检测分析方法，其特征在于：其中，多维时间序列特征矩阵text通过以下计算公式获取：
【专利技术属性】
技术研发人员：李兰，
申请(专利权)人：南京星创越科技有限公司，
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。