CN110942256B - 新能源厂站涉网端实时交互过程异常检测方法及系统 - Google Patents

新能源厂站涉网端实时交互过程异常检测方法及系统 Download PDF

Info

Publication number
CN110942256B
CN110942256B CN201911212398.4A CN201911212398A CN110942256B CN 110942256 B CN110942256 B CN 110942256B CN 201911212398 A CN201911212398 A CN 201911212398A CN 110942256 B CN110942256 B CN 110942256B
Authority
CN
China
Prior art keywords
interaction
background server
new energy
network
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911212398.4A
Other languages
English (en)
Other versions
CN110942256A (zh
Inventor
郭子健
胡习
郑熙
门锟
吴俊阳
何平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Energy Internet Research Institute EIRI Tsinghua University
Original Assignee
Sichuan Energy Internet Research Institute EIRI Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Energy Internet Research Institute EIRI Tsinghua University filed Critical Sichuan Energy Internet Research Institute EIRI Tsinghua University
Priority to CN201911212398.4A priority Critical patent/CN110942256B/zh
Publication of CN110942256A publication Critical patent/CN110942256A/zh
Application granted granted Critical
Publication of CN110942256B publication Critical patent/CN110942256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了新能源厂站涉网端实时交互过程异常检测方法，包括：获取并入新能源厂站对应的电网中的电器设备与电网进行实时交互的第一交互信息；监测新能源厂站的运行参数，并将运行参数传输到后台服务器进行实时交互，获得第二交互信息；基于后台服务器，将获取的第一交互信息和获得的第二交互信息代入预先建立好的异常检测模型，获取异常检测结果。通过异常检测模型对交互信息进行有效异常检测，便于管理。

Description

新能源厂站涉网端实时交互过程异常检测方法及系统
技术领域
本发明涉及异常检测技术领域，特别涉及新能源厂站涉网端实时交互过程异常检测方法及系统。
背景技术
随着新能源的日益兴起，由于新能源，如太阳能、风能等是绿色能源，产生的污染物少，并且是可以持续利用的，因此选择新能源进行供电，变得越来越受欢迎，但是随着在使用新能源的过程中，对新能源提供的电能或者电网进行监控，便于进行有效管理，但是，在其监测数据进行传输的过程中，对监测数据进行异常检测，就变得尤为重要。
发明内容
本发明提供一种新能源厂站涉网端实时交互过程异常检测方法，用以通过异常检测模型对交互信息进行有效异常检测，便于管理。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测方法，包括：
获取并入所述新能源厂站对应的电网中的电器设备与所述电网进行实时交互的第一交互信息；
监测所述新能源厂站的运行参数，并将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息；
基于所述后台服务器，将获取的所述第一交互信息和获得的所述第二交互信息代入预先建立好的异常检测模型，获取异常检测结果。
在一种可能实现的方式中，
在获取所述第一交互信息之前包括：对所述异常检测模型进行构造，所述构造步骤包括：
构建历史数据库，且所述历史数据库中存储有原始数据，所述原始数据包括：电器设备与所述电网进行实时交互的历史交互信息、所述新能源厂站的历史运行参数、所述电器设备与所述电网交互的异常检测结果、所述新能源厂站与所述后台服务器进行实时交互的历史交互信息、所述新能源厂站与所述后台服务器交互的异常检测结果、所述电器设备与所述电网交互的正常检测结果、所述新能源厂站与所述后台服务器交互的正常检测结果；
提取所述历史数据库中的所述电器设备与所述电网的历史交互信息、异常检测结果和正常检测结果，建立所述电器设备与所述电网的第一交互检测向量；
提取所述历史数据库中的所述历史运行参数、及所述新能源厂站与所述后台服务器的历史交互信息、异常检测结果和正常检测结果，建立所述新能源厂站与所述后台服务器的第二交互检测向量；
基于深度学习模型，对建立的所述第一交互检测向量和第二交互检测向量进行构造及训练，得到异常检测模型。
在一种可能实现的方式中，
将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息的过程包括：
采集所述运行参数，并对所述运行参数所包含的参数种类进行确定；
根据确定结果，将与所述参数种类相应的运行参数分别存储到所述后台服务器中的节点树中对应的节点分支中；
根据所述节点分支中预先存储的交互数据库，确定所存储的所述参数种类对应的运行参数的交互向量；
根据所有所述交互向量，形成所述第二交互信息；
其中，所述确定所存储的所述参数种类对应的运行参数的交互向量的过程包括：
建立当前节点分支中所述运行参数的当前参数矩阵，并获取所述当前参数矩阵的当前特征向量；
获取所述当前特征向量对应的当前特征属性值；
判断所述当前特征属性值是否在预设属性值范围内；
若是，将所述当前特征属性值对应的当前特征向量保存到交互矩阵中；
否则，获取所述节点树中的其余所述分支节点对应的特征向量，并构造成匹配矩阵，根据所述匹配矩阵和所述当前特征向量，形成新的当前特征向量，
保存所述新的当前特征向量到所述交互矩阵中，并将所述当前节点分支中的当前特征向量更新为新的当前特征向量；
同时对下一节点分支进行相应操作，直到所述节点树中的所述节点分支都操作结束；
根据所述交互矩阵，获取交互向量。
在一种可能实现的方式中，
所述匹配矩阵包括：未执行所述相应操作的分支节点对应的特征向量和已执行所述相应操作的分支节点对应的并保存到交互矩阵中的特征向量；
其中，所述匹配矩阵是不包括正在执行所述相应操作的分支节点的特征向量的。
在一种可能实现的方式中，
将所述运行参数传输到后台服务器进行实时交互，其传输过程是基于网络进行传输的，且对所述网络进行异常检测的过程包括：
检测通过所述网络并将所述运行参数传输到所述后台服务器时，所述网络的网络节点所处的网络状态；
基于所述网络节点中存储的网络异常检测库，对所述网络进行异常检测，并判断所述网络状态是否是预设状态，若是，将所述运行参数基于所述网络节点传输到所述后台服务器；
否则，对所述网络节点进行跨节点处理，并确定所述网络节点当前所处预设区域中是否存在网络状态处于预设状态的中间节点；
若存在，基于所述中间节点将所述运行参数传输到后台服务器；
否则，调取预先存储的卫星传输方式将所述运行参数传输到所述后台服务器。
在一种可能实现的方式中，
在检测通过所述网络并将所述运行参数传输到所述后台服务器之前，包括：
确定每个所述网络节点与所述后台服务器之间的指向关系，并建立网络连接指向图，其中，所述网络连接指向图包括：所述网络节点在预设区域的分布结构、所述后台服务器在所述预设区域中的分布结构、及所述后台服务器与预设个数个所述网络节点之间的连接结构；
确定每个所述网络节点与所述后台服务器之间的业务类型，并根据预先训练好的格式类型模型，确定所述业务类型对应的格式类型，并在所述网络节点上标注可传输所述运行参数的格式类型；
其中，在所述运行参数在基于所述网络节点进行传输之前，对所述运行参数进行格式处理；
调取与格式处理结果对应的网络节点进行运行参数的传输。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测系统，包括：
获取模块，用于获取并入所述新能源厂站对应的电网中的电器设备与所述电网进行实时交互的第一交互信息；
监测模块，用于监测所述新能源厂站的运行参数，并将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息；
所述后台服务器，用于将所述获取模块获取的第一交互信息和所述监测模块获得的第二交互信息代入预先建立好的异常检测模型，获取异常检测结果。
在一种可能实现的方式中，还包括：
构建模块，用于构建历史数据库，且所述历史数据库中存储有所述电器设备与所述电网进行实时交互的历史交互信息、所述新能源厂站的历史运行参数、所述电器设备与所述电网交互的异常检测结果、所述新能源厂站与所述后台服务器进行实时交互的历史交互信息、所述新能源厂站与所述后台服务器交互的异常检测结果、所述电器设备与所述电网交互的正常检测结果、所述新能源厂站与所述后台服务器交互的正常检测结果；
第一提取模块，用于提取所述历史数据库中的所述电器设备与所述电网的历史交互信息、异常检测结果和正常检测结果，建立所述电器设备与所述电网的第一交互检测向量；
第二提取模块，用于提取所述历史数据库中的所述历史运行参数、及所述新能源厂站与所述后台服务器的历史交互信息、异常检测结果和正常检测结果，建立所述新能源厂站与所述后台服务器的第二交互检测向量；
构造模块，用于基于深度学习模型，对所述第一提取模块建立的第一交互检测向量和所述第二提取模块建立的第二交互检测向量进行构造及训练，得到异常检测模型。
在一种可能实现的方式中，还包括：
所述在构建异常检测模型之前包括，对所述历史数据库中原始数据的有效数据进行获取，其步骤如下：
步骤一：根据公式(1)来提取所述原始数据中的有效数据特征，所述公式(1)如下：
Figure GDA0002674976210000051
其中，G(x)为所述原始数据中的有效数据特征；x为所述历史数据库中原始数据样本；xi为所述历史数据库中原始数据的第i个数据样本；i＝1,2,3,...,n，n代表所述历史数据库中数据样本的总数目；N为输入的历史数据库中样本的维数；∑为所述历史数据库中数据样本的协方差矩阵；T为转置运算符；
步骤二：将所述步骤一提取的所述原始数据中的有效数据特征进行关联关系分析，将有效数据特征相同的原始数据存储在该有效数据特征对应的数据集样本中；
将每个所述数据集样本都映射到标准坐标系中，根据公式(2)计算每个所述数据集样本中的任一有效数据特征(g,p)与其他有效数据特征之间的关联关系，并将计算结果按照升序排列，其中，记具有关联关系的样本为(gj,pj)，
Figure GDA0002674976210000061
其中，λ(gj,pj)表示(g,p)与第j个有效数据特征(gj,pj)具有关联关系的度量；gj表示所述第j个有效数据特征的横坐标；pj表示第j个有效数据特征的的纵坐标；g表示所述有效数据特征的横坐标；p表示所述有效数据特征的纵坐标；m表示与有效数据特征具有关联关系的样本的个数；
计算出每个所述有效数据特征的所有第j个样本的λ(gj,pj)之后，对λ的值进行降序排序，按照排序结果将每个所述数据集样本中的前t个有效数据特征存储到最终数据集中，其中，0<t<m，且所述最终数据集中的有效数据特征为所述原始数据中的有效数据。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种新能源厂站涉网端实时交互过程异常检测方法的流程图；
图2为本发明实施例中一种新能源厂站涉网端实时交互过程异常检测系统的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测方法，如图1所示，包括：
获取并入所述新能源厂站对应的电网中的电器设备与所述电网进行实时交互的第一交互信息；
监测所述新能源厂站的运行参数，并将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息；
基于所述后台服务器，将获取的所述第一交互信息和获得的所述第二交互信息代入预先建立好的异常检测模型，获取异常检测结果。
上述并入新能源厂站对应的电网中的电器设备，其电器设备如可以是发电机、风机等设备；
上述新能源厂站，一般是指多种新能源形成的厂站；
上述电器设备与电网进行实时交互的第一交互信息，例如当风机接入电网时，与电网进行实时交互产生第一交互信息，如：风机干扰电网进行正常供电的交互信息；
上述新能源厂站的运行参数，一般包括：电流、电压、电阻、电功率等参数；
上述第二交互信息，例如可以是运行参数正确或错误交互信息；
上述异常检测模型可以是基于神经网络预先训练好；
上述异常检测结果，例如可以是风机干扰电网进行正常供电、运行参数错误等。
上述技术方案的有益效果是：通过异常检测模型对交互信息进行有效异常检测，便于管理。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测方法，在获取所述第一交互信息之前包括：对所述异常检测模型进行构造，所述构造步骤包括：
构建历史数据库，且所述历史数据库中存储有原始数据，所述原始数据包括：电器设备与所述电网进行实时交互的历史交互信息、所述新能源厂站的历史运行参数、所述电器设备与所述电网交互的异常检测结果、所述新能源厂站与所述后台服务器进行实时交互的历史交互信息、所述新能源厂站与所述后台服务器交互的异常检测结果、所述电器设备与所述电网交互的正常检测结果、所述新能源厂站与所述后台服务器交互的正常检测结果；
提取所述历史数据库中的所述电器设备与所述电网的历史交互信息、异常检测结果和正常检测结果，建立所述电器设备与所述电网的第一交互检测向量；
提取所述历史数据库中的所述历史运行参数、及所述新能源厂站与所述后台服务器的历史交互信息、异常检测结果和正常检测结果，建立所述新能源厂站与所述后台服务器的第二交互检测向量；
基于深度学习模型，对建立的所述第一交互检测向量和第二交互检测向量进行构造及训练，得到异常检测模型。
上述电器设备与电网交互的正常检测结果，如风机不干扰电网进行正常供电；
上述新能源厂站与后台服务器交互的正常检测结果，如运行参数正确；
上述第一交互检测向量，是包含多个向量指标在内的，如电网受风机干扰指标等；
上述第二交互检测向量，是包含多个向量指标在内的，如运行参数错误指标等。
上述技术方案的有益效果是：通过构建历史数据库，便于获取大量的数据样本，为异常检测模型提供数据基础，且通过分别提取电器设备与电网和新能源厂站与后台服务器的数据，具有针对性，且便于构建其两者的交互检测向量。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测方法，将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息的过程包括：
采集所述运行参数，并对所述运行参数所包含的参数种类进行确定；
根据确定结果，将与所述参数种类相应的运行参数分别存储到所述后台服务器中的节点树中对应的节点分支中；
根据所述节点分支中预先存储的交互数据库，确定所存储的所述参数种类对应的运行参数的交互向量；
根据所有所述交互向量，形成所述第二交互信息；
其中，所述确定所存储的所述参数种类对应的运行参数的交互向量的过程包括：
建立当前节点分支中所述运行参数的当前参数矩阵，并获取所述当前参数矩阵的当前特征向量；
获取所述当前特征向量对应的当前特征属性值；
判断所述当前特征属性值是否在预设属性值范围内；
若是，将所述当前特征属性值对应的当前特征向量保存到交互矩阵中；
否则，获取所述节点树中的其余所述分支节点对应的特征向量，并构造成匹配矩阵，根据所述匹配矩阵和所述当前特征向量，形成新的当前特征向量，
保存所述新的当前特征向量到所述交互矩阵中，并将所述当前节点分支中的当前特征向量更新为新的当前特征向量；
同时对下一节点分支进行相应操作，直到所述节点树中的所述节点分支都操作结束；
根据所述交互矩阵，获取交互向量。
上述运行参数，一般包括：电流、电压、电阻、电功率等参数，对应的参数种类可以是电流种类、电压种类、电阻种类和电功率种类；
上述确定结果，例如是当运行参数中只是包括电流和电压参数时，对应的确定结果为：电流种类和电压种类；
上述节点树，例如是包括电流分支节点、电压分支节点、电阻分支节点和电功率分支节点的；根据确定结果，将电流种类的电流参数存储到电流分支节点中，将电压种类的电压参数存储到电压分支节点中；
上述交互数据库是根据参数种类进行确定的；
上述交互向量可以是运行参数中的电流种类的电流参数构成的向量；
且每个分支节点中可构成一个交互向量；
上述第二交互信息，比如是电流参数构成的交互向量和电压参数构成的交互向量所构成的。
上述当前参数矩阵中的参数向量是不同时间段内同种类的运行参数构成的；
上述当前特征属性值，可以是当前参数矩阵的特征值；
上述预设属性值范围，是根据参数种类进行确定的；
上述交互矩阵，是包括不同种类的参数的特征向量的；
上述匹配矩阵，是不同种类的参数的特征向量构成的；
上述，将当前节点分支中的当前特征向量更新为新的当前特征向量，例如前节点分支中的当前特征向量是A1，且新的当前特征向量为A2，则将A1更新为A2，将A2作为当前特征向量，其好处是，降低当前特征向量出错的可能性，提高其的可靠性；
上述对交互矩阵进行特征向量的求解，可获得交互向量。
上述技术方案的有益效果是：通过对不同的节点进行分别获取特征向量，便于获取交互向量，提高交互向量的准确性，便于根据交互向量形成第二交互信息。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测方法，
所述匹配矩阵包括：未执行所述相应操作的分支节点对应的特征向量和已执行所述相应操作的分支节点对应的并保存到交互矩阵中的特征向量；
其中，所述匹配矩阵是不包括正在执行所述相应操作的分支节点的特征向量的。
上述技术方案的有益效果是：便于降低正在执行相应操作的分支节点的特征向量对匹配矩阵的干扰性。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测方法，将所述运行参数传输到后台服务器进行实时交互，其传输过程是基于网络进行传输的，且对所述网络进行异常检测的过程包括：
检测通过所述网络并将所述运行参数传输到所述后台服务器时，所述网络的网络节点所处的网络状态；
基于所述网络节点中存储的网络异常检测库，对所述网络进行异常检测，并判断所述网络状态是否是预设状态，若是，将所述运行参数基于所述网络节点传输到所述后台服务器；
否则，对所述网络节点进行跨节点处理，并确定所述网络节点当前所处预设区域中是否存在网络状态处于预设状态的中间节点；
若存在，基于所述中间节点将所述运行参数传输到后台服务器；
否则，调取预先存储的卫星传输方式将所述运行参数传输到所述后台服务器。
上述网络状态包括：网络连接正常状态或网络连接异常状态；
上述预设状态是网络连接状态状态；
上述跨节点处理，是指从当前网络节点传输转换到另一个网络节点进行传输；
上述中间节点即指的另一网络节点；
上述卫星传输方式，例如可以是GPS定位类的传输方式。
上述技术方案的有益效果是：通过对网络进行异常检测，便于将参数进行有效传输，提高其的传输效率。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测方法，在检测通过所述网络并将所述运行参数传输到所述后台服务器之前，包括：
确定每个所述网络节点与所述后台服务器之间的指向关系，并建立网络连接指向图，其中，所述网络连接指向图包括：所述网络节点在预设区域的分布结构、所述后台服务器在所述预设区域中的分布结构、及所述后台服务器与预设个数个所述网络节点之间的连接结构；
确定每个所述网络节点与所述后台服务器之间的业务类型，并根据预先训练好的格式类型模型，确定所述业务类型对应的格式类型，并在所述网络节点上标注可传输所述运行参数的格式类型；
其中，在所述运行参数在基于所述网络节点进行传输之前，对所述运行参数进行格式处理；
调取与格式处理结果对应的网络节点进行运行参数的传输。
上述网络连接指向图，例如是网络节点在预设区域中分别位置构成的分布结构、后台服务器在预设区域中的分布位置构成的分布结构、及后台服务器与预设个数个所述网络节点之间的连接结构等构成的指向图，便于明确后台服务器、预设节点、预设区域之间的关系。
上述业务类型对应的格式类型，例如是图片业务对应的图片格式、文本业务对应的文本格式。
上述技术方案的有益效果是：通过对运行参数的格式进行处理，便于与要传输的网络节点的格式相匹配，进一步提高其的传输效率。
本发明实施例还提供一种新能源厂站涉网端实时交互过程异常检测系统，如图2所示，包括：
获取模块，用于获取并入所述新能源厂站对应的电网中的电器设备与所述电网进行实时交互的第一交互信息；
监测模块，用于监测所述新能源厂站的运行参数，并将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息；
所述后台服务器，用于将所述获取模块获取的第一交互信息和所述监测模块获得的第二交互信息代入预先建立好的异常检测模型，获取异常检测结果。
上述技术方案的有益效果是：通过异常检测模型对交互信息进行有效异常检测，便于管理。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测系统，还包括：
构建模块，用于构建历史数据库，且所述历史数据库中存储有所述电器设备与所述电网进行实时交互的历史交互信息、所述新能源厂站的历史运行参数、所述电器设备与所述电网交互的异常检测结果、所述新能源厂站与所述后台服务器进行实时交互的历史交互信息、所述新能源厂站与所述后台服务器交互的异常检测结果、所述电器设备与所述电网交互的正常检测结果、所述新能源厂站与所述后台服务器交互的正常检测结果；
第一提取模块，用于提取所述历史数据库中的所述电器设备与所述电网的历史交互信息、异常检测结果和正常检测结果，建立所述电器设备与所述电网的第一交互检测向量；
第二提取模块，用于提取所述历史数据库中的所述历史运行参数、及所述新能源厂站与所述后台服务器的历史交互信息、异常检测结果和正常检测结果，建立所述新能源厂站与所述后台服务器的第二交互检测向量；
构造模块，用于基于深度学习模型，对所述第一提取模块建立的第一交互检测向量和所述第二提取模块建立的第二交互检测向量进行构造及训练，得到异常检测模型。
上述技术方案的有益效果是：通过构建历史数据库，便于获取大量的数据样本，为异常检测模型提供数据基础，且通过分别提取电器设备与电网和新能源厂站与后台服务器的数据，具有针对性，且便于构建其两者的交互检测向量。
本发明实施例提供一种新能源厂站涉网端实时交互过程异常检测系统，在构建模型之前还包括：
对所述历史数据库中原始数据的有效数据进行获取，其步骤如下：
步骤一：根据公式(1)来提取所述原始数据中的有效数据特征，所述公式(1)如下：
Figure GDA0002674976210000141
其中，G(x)为所述原始数据中的有效数据特征；x为所述历史数据库中原始数据样本；xi为所述历史数据库中原始数据的第i个数据样本；i＝1,2,3,...,n，n代表所述历史数据库中数据样本的总数目；N为输入的历史数据库中样本的维数；∑为所述历史数据库中数据样本的协方差矩阵；T为转置运算符；
步骤二：将所述步骤一提取的所述原始数据中的有效数据特征进行关联关系分析，将有效数据特征相同的原始数据存储在该有效数据特征对应的数据集样本中；
将每个所述数据集样本都映射到标准坐标系中，根据公式(2)计算每个所述数据集样本中的任一有效数据特征(g,p)与其他有效数据特征之间的关联关系，并将计算结果按照升序排列，其中，记具有关联关系的样本为(gj,pj)，
Figure GDA0002674976210000151
其中，λ(gj,pj)表示(g,p)与第j个有效数据特征(gj,pj)具有关联关系的度量；gj表示所述第j个有效数据特征的横坐标；pj表示第j个有效数据特征的的纵坐标；g表示所述有效数据特征的横坐标；p表示所述有效数据特征的纵坐标；m表示与有效数据特征具有关联关系的样本的个数；
计算出每个所述有效数据特征的所有第j个样本的λ(gj,pj)之后，对λ的值进行降序排序，按照排序结果将每个所述数据集样本中的前t个有效数据特征存储到最终数据集中，其中，0<t<m，且所述最终数据集中的有效数据特征为所述原始数据中的有效数据。
其中，上述的t取值为100时结果最准确。
上述技术方案的有益效果是：通过对构建历史数据库中的数据进行有效的操作，可以在数据样本中提取具有独特特征的样本数据，除去大量冗余、不规则的样本数据，为模型构建提供集中的具有关联关系的数据，节省了构建模型时的计算内存，具有针对性，更加大了效率节省了时间。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.新能源厂站涉网端实时交互过程异常检测方法，其特征在于，包括：
获取并入所述新能源厂站对应的电网中的电器设备与所述电网进行实时交互的第一交互信息；
监测所述新能源厂站的运行参数，并将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息；
基于所述后台服务器，将获取的所述第一交互信息和获得的所述第二交互信息代入预先建立好的异常检测模型，获取异常检测结果；
将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息的过程包括：
采集所述运行参数，并对所述运行参数所包含的参数种类进行确定；
根据确定结果，将与所述参数种类相应的运行参数分别存储到所述后台服务器中的节点树中对应的节点分支中；
根据所述节点分支中预先存储的交互数据库，确定所存储的所述参数种类对应的运行参数的交互向量；
根据所有所述交互向量，形成所述第二交互信息；
其中，所述确定所存储的所述参数种类对应的运行参数的交互向量的过程包括：
建立当前节点分支中所述运行参数的当前参数矩阵，并获取所述当前参数矩阵的当前特征向量；
获取所述当前特征向量对应的当前特征属性值；
判断所述当前特征属性值是否在预设属性值范围内；
若是，将所述当前特征属性值对应的当前特征向量保存到交互矩阵中；
否则，获取所述节点树中的其余所述节点分支对应的特征向量，并构造成匹配矩阵，根据所述匹配矩阵和所述当前特征向量，形成新的当前特征向量，
保存所述新的当前特征向量到所述交互矩阵中，并将所述当前节点分支中的当前特征向量更新为新的当前特征向量；
同时对下一节点分支进行相应操作，直到所述节点树中的所述节点分支都操作结束；
根据所述交互矩阵，获取交互向量。
2.如权利要求1所述的方法，其特征在于，在获取所述第一交互信息之前包括：对所述异常检测模型进行构造，所述构造步骤包括：
构建历史数据库，且所述历史数据库中存储有原始数据，所述原始数据包括：电器设备与所述电网进行实时交互的历史交互信息、所述新能源厂站的历史运行参数、所述电器设备与所述电网交互的异常检测结果、所述新能源厂站与所述后台服务器进行实时交互的历史交互信息、所述新能源厂站与所述后台服务器交互的异常检测结果、所述电器设备与所述电网交互的正常检测结果、所述新能源厂站与所述后台服务器交互的正常检测结果；
提取所述历史数据库中的所述电器设备与所述电网的历史交互信息、异常检测结果和正常检测结果，建立所述电器设备与所述电网的第一交互检测向量；
提取所述历史数据库中的所述历史运行参数、及所述新能源厂站与所述后台服务器的历史交互信息、异常检测结果和正常检测结果，建立所述新能源厂站与所述后台服务器的第二交互检测向量；
基于深度学习模型，对建立的所述第一交互检测向量和第二交互检测向量进行构造及训练，得到异常检测模型。
3.如权利要求1所述的方法，其特征在于，
所述匹配矩阵包括：未执行所述相应操作的分支节点对应的特征向量和已执行所述相应操作的分支节点对应的并保存到交互矩阵中的特征向量；
其中，所述匹配矩阵是不包括正在执行所述相应操作的分支节点的特征向量的。
4.如权利要求1所述的方法，其特征在于，将所述运行参数传输到后台服务器进行实时交互，其传输过程是基于网络进行传输的，且对所述网络进行异常检测的过程包括：
检测通过所述网络并将所述运行参数传输到所述后台服务器时，所述网络的网络节点所处的网络状态；
基于所述网络节点中存储的网络异常检测库，对所述网络进行异常检测，并判断所述网络状态是否是预设状态，若是，将所述运行参数基于所述网络节点传输到所述后台服务器；
否则，对所述网络节点进行跨节点处理，并确定所述网络节点当前所处预设区域中是否存在网络状态处于预设状态的中间节点；
若存在，基于所述中间节点将所述运行参数传输到后台服务器；
否则，调取预先存储的卫星传输方式将所述运行参数传输到所述后台服务器。
5.如权利要求4所述的方法，其特征在于，在检测通过所述网络并将所述运行参数传输到所述后台服务器之前，包括：
确定每个所述网络节点与所述后台服务器之间的指向关系，并建立网络连接指向图，其中，所述网络连接指向图包括：所述网络节点在预设区域的分布结构、所述后台服务器在所述预设区域中的分布结构、及所述后台服务器与预设个数个所述网络节点之间的连接结构；
确定每个所述网络节点与所述后台服务器之间的业务类型，并根据预先训练好的格式类型模型，确定所述业务类型对应的格式类型，并在所述网络节点上标注可传输所述运行参数的格式类型；
其中，在所述运行参数在基于所述网络节点进行传输之前，对所述运行参数进行格式处理；
调取与格式处理结果对应的网络节点进行运行参数的传输。
6.新能源厂站涉网端实时交互过程异常检测系统，其特征在于，包括：
获取模块，用于获取并入所述新能源厂站对应的电网中的电器设备与所述电网进行实时交互的第一交互信息；
监测模块，用于监测所述新能源厂站的运行参数，并将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息；
所述后台服务器，用于将所述获取模块获取的第一交互信息和所述监测模块获得的第二交互信息代入预先建立好的异常检测模型，获取异常检测结果；
构建模块，用于构建历史数据库，且所述历史数据库中存储有所述电器设备与所述电网进行实时交互的历史交互信息、所述新能源厂站的历史运行参数、所述电器设备与所述电网交互的异常检测结果、所述新能源厂站与所述后台服务器进行实时交互的历史交互信息、所述新能源厂站与所述后台服务器交互的异常检测结果、所述电器设备与所述电网交互的正常检测结果、所述新能源厂站与所述后台服务器交互的正常检测结果；
第一提取模块，用于提取所述历史数据库中的所述电器设备与所述电网的历史交互信息、异常检测结果和正常检测结果，建立所述电器设备与所述电网的第一交互检测向量；
第二提取模块，用于提取所述历史数据库中的所述历史运行参数、及所述新能源厂站与所述后台服务器的历史交互信息、异常检测结果和正常检测结果，建立所述新能源厂站与所述后台服务器的第二交互检测向量；
构造模块，用于基于深度学习模型，对所述第一提取模块建立的第一交互检测向量和所述第二提取模块建立的第二交互检测向量进行构造及训练，得到异常检测模型；
在所述构造模块得到所述异常检测模型之前，对所述历史数据库中原始数据的有效数据进行获取，其步骤如下：
步骤一：根据公式(1)来提取所述原始数据中的有效数据特征，所述公式(1)如下：
Figure FDA0002726346160000051
其中，G(x)为所述原始数据中的有效数据特征；x为所述历史数据库中原始数据样本；xi为所述历史数据库中原始数据的第i个数据样本；i＝1,2,3,...,n，n代表所述历史数据库中数据样本的总数目；N为输入的历史数据库中样本的维数；∑为所述历史数据库中数据样本的协方差矩阵；T为转置运算符；
步骤二：将所述步骤一提取的所述原始数据中的有效数据特征进行关联关系分析，将有效数据特征相同的原始数据存储在该有效数据特征对应的数据集样本中；
将每个所述数据集样本都映射到标准坐标系中，计算每个所述数据集样本中的任一有效数据特征(g,p)与其他有效数据特征之间的关联关系，并将计算结果按照升序排列，其中，记具有关联关系的样本为(gj,pj)，λ(gj,pj)表示(g,p)与第j个有效数据特征(gj,pj)具有关联关系的度量；
计算出每个所述有效数据特征的所有第j个样本的λ(gj,pj)之后，对λ的值进行降序排序，按照排序结果将每个所述数据集样本中的前t个有效数据特征存储到最终数据集中，其中，0<t<m，且所述最终数据集中的有效数据特征为所述原始数据中的有效数据。
CN201911212398.4A 2019-12-02 2019-12-02 新能源厂站涉网端实时交互过程异常检测方法及系统 Active CN110942256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911212398.4A CN110942256B (zh) 2019-12-02 2019-12-02 新能源厂站涉网端实时交互过程异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911212398.4A CN110942256B (zh) 2019-12-02 2019-12-02 新能源厂站涉网端实时交互过程异常检测方法及系统

Publications (2)

Publication Number Publication Date
CN110942256A CN110942256A (zh) 2020-03-31
CN110942256B true CN110942256B (zh) 2020-12-04

Family

ID=69908926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911212398.4A Active CN110942256B (zh) 2019-12-02 2019-12-02 新能源厂站涉网端实时交互过程异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN110942256B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105137251B (zh) * 2015-10-09 2018-11-06 珠海格力电器股份有限公司 空调器及其故障的检测方法、装置和系统
CN109617867B (zh) * 2018-12-04 2020-08-14 海南高信通科技有限公司 一种用于家居设备控制的智能网关系统
CN110086860B (zh) * 2019-04-19 2020-09-08 武汉大学 一种物联网大数据环境下的数据异常检测方法及装置
CN110324323B (zh) * 2019-06-19 2024-01-19 全球能源互联网研究院有限公司 一种新能源厂站涉网端实时交互过程异常检测方法及系统

Also Published As

Publication number Publication date
CN110942256A (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN112699913B (zh) 一种台区户变关系异常诊断方法及装置
CN110596492B (zh) 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法
CN111505433B (zh) 一种低压台区户变关系纠错及相位识别方法
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN109740838B (zh) 基于大数据的供应商服务评价方法及相关设备
CN109298225B (zh) 一种电压量测数据异常状态自动识别模型系统及方法
CN112464995A (zh) 一种基于决策树算法的电网配变故障诊断方法及系统
CN111650472A (zh) 一种电压暂降源定位的方法
CN111179576B (zh) 一种具有归纳学习的用电信息采集故障诊断方法及系统
CN110968703B (zh) 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN112415330A (zh) 一种基于广域信息的电网故障智能辨识方法及系统
CN113740666B (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
CN110942256B (zh) 新能源厂站涉网端实时交互过程异常检测方法及系统
CN112083275A (zh) 一种配网故障类型识别方法及系统
CN112380340B (zh) 一种主站与电厂、变电站之间的错误数据诊断方法及系统
CN114298188A (zh) 一种电力设备故障智能分析方法及系统
CN111459697A (zh) 一种基于深度学习网络的励磁系统故障监测方法
CN117368616B (zh) 一种智能化的配电网接地故障监测方法及系统
CN116910602B (zh) 一种基于关联性分析的线损分析方法及系统
CN109816276B (zh) 一种配电网可靠性指标评价方法、装置和设备
CN115684835B (zh) 配电网故障诊断方法、装置、设备及存储介质
CN116662840A (zh) 一种基于机器学习的低压台区用户相位识别方法
CN117910577A (zh) 基于规则模拟和在线学习的事件化告警推理方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant