【技术实现步骤摘要】
本专利技术涉及电力物联网异常检测，具体涉及一种基于超图融合的电力物联网异常检测方法及系统。
技术介绍
1、随着电力物联网不断发展，用户对网络的可靠性和稳定性提出了较高要求。异常检测是保障电力物联网可靠、稳定运行的重要手段之一。然而，随着接入终端的增长，电力物联网中也出现了大量的多源异构数据，导致异常检测速度慢、准确率低。对多源异构数据进行有效的检测是保障电力物联网安全的重要手段。
2、多源异构数据呈现数据来自不同的源头和数据格式和类型不一致的特点，需要对多源异构数据进行高效的融合以提高异常检测的准确率和速度。根据数据抽象的层次关系，数据融合可分为以下三类：数据层融合、特征层融合、决策融合。其中数据层融合是指将采集到的原始数据信息直接融合，在未对各种传感器设备的原始数据进行预处理之前进行数据整合和分析。特征层融合属于中间层次的融合，首先从传感器设备的原始信息中提取特征，然后对特征信息进行综合分析和处理。决策融合通过不同类型的传感器设备采集同一目标，每个传感器设备在本地完成预处理、特征提取、识别或判断等基本处理，对被监测目标建立初步结论。其中特征层融合实现了相当大的信息压缩，有利于实时处理。因此更适合深度学习方法的框架，能够实现快速准确的异常检测。
3、伴随着深度学习的发展，越来越多的方法应用在电力物联网异常检测中。面对着越来越多的终端接入，需要更加复杂更加具体的方法来对多个终端接入之间的关系进行建模。图神经网络（gnn）已经成功用于关系表示，从推荐系统到社交网络，再到疾病传播。图神经网络中通过初始化节点特征
4、专利申请号为cn202410442022.7的专利技术中提出了一种多源异构数据预测方法，主要按照以下步骤进行训练：1）获取各数据源的数据流；2）对获取到的数据流进行预处理，获得预处理后的数据流；3）将预处理后的数据流构建为异构图；4）构建多源异构数据预测模型，并进行训练；5）将异构图输入到预训练好的多源异构数据预测模型中进行预测，获得预测结果。但该方案存在以下缺陷：①多源异构数据构建成异构图，异构图中的边虽然可以表示不同类型的关系，但仍是二元的，即只能连接两个节点，要表示多元关系，需要额外的节点和边的间接表示，这可能导致图结构复杂化。②采用transformer模块进行节点聚合并学习节点表示，但这种方法通常依赖于层次化的注意力机制逐层传播信息，可能导致远距离节点信息传播受限，会忽略多节点之间的复杂交互。
5、专利申请号为cn202110999765.0的专利技术中提出了一种基于超图神经网络的学生成绩预测方法，主要按照以下步骤进行训练：1）根据学生多源异构数据提取多源行为特征；2）对所有学生的多源行为特征进行敏感性分析得到每种行为的影响力特征；3）利用影响力特征构建多源行为超图；4）进行学生成绩的预测。但该方案存在以下缺陷：①该方法采用决策树分类模型来得到最高的单行为的影响力特征，但这种方法通常用于静态数据的分类，难以处理时间序列数据或具有顺序关系的数据，并且容易过拟合，特别是在特征维度高且样本量有限的情况下；②采用多个超图拼接方法以形成最终的超图，这种方法可能在拼接的过程中丢失重要的信息，并且不能够灵活的对多个超图进行融合。
6、上述现有技术的缺点可以总结归纳为：在多源异构数据中采用构建异构图结构的方式对数据进行处理，但对于传统的图结构边所表示的关系依旧是二元的，不能够很好的表示多源异构数据的多元关系，并且对于一些高维度特征的时间序列数据或者具有顺序关系的数据不能很好的进行处理，容易产生过拟合。
技术实现思路
1、针对现有技术的不足，本专利技术的目的是提供一种基于超图融合的电力物联网异常检测方法及系统。
2、为了实现上述目的，本专利技术提供如下技术方案：一种基于超图融合的电力物联网异常检测方法，所述检测方法包括以下步骤：
3、捕获电力物联网中的多源异构数据，并将获取到的多源异构数据进行预处理；
4、将预处理后的多源异构数据根据数据类型的不同分别输入到由lstm-transformer编码器、transformer编码器-lstm组成的编码器-解码器中学习多源异构数据的潜在特征表示，并在编码器-解码器的训练过程中加入对抗训练；
5、对学习到的潜在特征表示进行聚类分析，并根据分析结果进行超图的构建；
6、通过hgcn提取每个超图的局部结构信息，并通过transformer编码器对多个超图进行加权融合，采用超图注意力机制对融合后的超图学习超图特征表示；
7、将超图注意力机制的输出分别使用transformer编码器实现预测，使用变分自编码器vae实现重建，将预测值和重建概率计算异常得分，设置阈值，将异常得分与阈值比较，判断是否异常，完成异常检测。
8、在一个优选的实施方式中，捕获电力物联网中的多源异构数据，并将获取到的多源异构数据进行预处理，包括以下步骤：
9、采集来自不同数据源的数据流，包括电力设备传感器数据、网络流量数据、环境数据、日志数据、用户行为数据，并划分测试集与训练集，对采集的数据进行数据清洗、数据标准化、数据格式转换的预处理，其中数据标准化、数据格式转换适用于训练集和测试集，而数据清洗仅适用于训练集；
10、数据清洗：对不同类型的数据流采用不同的方法进行缺失值处理和重复值处理；其中电力设备传感器数据和环境数据都属于时间序列数据，采用线性插值的方法对缺失值进行填充，对于重复值的处理采用检查时间戳重复，删除重复的时间戳记录；对于网络流量数据的缺失值采用均值填补，重复值采用删除重复的数据包；对于日志数据的缺失值直接跳过，重复值采用删除重复的日志记录；对于用户行为数据的缺失值采用众数填充，重复值采用删除重复的用户操作记录；
11、数据标准化：对数据清洗后的数据进行数据标准化，采用min-max 归一化，公式如下：
12、，
13、其中分别表示原始特征值、归一化后的特征值、原始特征中的最小值、原始特征中的最大值。
14、在一个优选的实施方式中，将预处理后的多源异构数据根据数据类型的不同分别输入到由lstm-transformer编码器、transformer编码器-lstm组成的编码器-解码器中学习多源异构数据的潜在特征表示，包括以下步骤：
15、根据电力设备传感器数据、网络流量数据、环境数据、日志数据、用户行为数据的数据类型的不同，将其输入到两种编码器-解码器中；其中，将电力设备传感器数据、网络流量数据、环境数据输入到由lstm-transformer编码器组成的编码器-解码器中，将日志数据、用户行为数据输入到由transformer编码器-lstm组成的编码器-解本文档来自技高网...
【技术保护点】
1.一种基于超图融合的电力物联网异常检测方法，其特征在于：所述检测方法包括以下步骤：
2.根据权利要求1所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：捕获电力物联网中的多源异构数据，并将获取到的多源异构数据进行预处理，包括以下步骤：
3.根据权利要求2所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：将预处理后的多源异构数据根据数据类型的不同分别输入到由LSTM-Transformer编码器、Transformer编码器-LSTM组成的编码器-解码器中学习多源异构数据的潜在特征表示，包括以下步骤：
4.根据权利要求3所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：在编码器-解码器的训练过程中加入对抗训练，包括以下步骤：
5.根据权利要求4所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：对学习到的潜在特征表示进行聚类分析，并根据分析结果进行超图的构建，包括以下步骤：
6.根据权利要求5所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：通过HGCN提取每个超图的局部结
7.根据权利要求6所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：采用超图注意力机制对融合后的超图学习超图特征表示，包括以下步骤：
8.根据权利要求7所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：将超图注意力机制的输出分别使用Transformer编码器实现预测，使用变分自编码器VAE实现重建，将预测值和重建概率计算异常得分，设置阈值，将异常得分与阈值比较，判断是否异常，包括以下步骤：
9.一种基于超图融合的电力物联网异常检测系统，用于实现权利要求1-8任一项所述的检测方法，其特征在于：包括预处理模块、潜在特征提取模块、超图构建模块、加权融合模块、超图特征表示学习模块、异常检测模块；
...【技术特征摘要】
1.一种基于超图融合的电力物联网异常检测方法，其特征在于：所述检测方法包括以下步骤：
2.根据权利要求1所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：捕获电力物联网中的多源异构数据，并将获取到的多源异构数据进行预处理，包括以下步骤：
3.根据权利要求2所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：将预处理后的多源异构数据根据数据类型的不同分别输入到由lstm-transformer编码器、transformer编码器-lstm组成的编码器-解码器中学习多源异构数据的潜在特征表示，包括以下步骤：
4.根据权利要求3所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：在编码器-解码器的训练过程中加入对抗训练，包括以下步骤：
5.根据权利要求4所述的一种基于超图融合的电力物联网异常检测方法，其特征在于：对学习到的潜在特征表示进行聚类分析，并根据分析结果进行超图的构建，包括以下...
【专利技术属性】
技术研发人员：肖勇才，杨浩，潘曙辉，刘恒，姚保明，杜江龙，蔡庆，刘昭阳，
申请(专利权)人：国网江西省电力有限公司电力科学研究院，
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。