CN111709447A - 电网异常检测方法、装置、计算机设备和存储介质 - Google Patents
电网异常检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111709447A CN111709447A CN202010409068.0A CN202010409068A CN111709447A CN 111709447 A CN111709447 A CN 111709447A CN 202010409068 A CN202010409068 A CN 202010409068A CN 111709447 A CN111709447 A CN 111709447A
- Authority
- CN
- China
- Prior art keywords
- power grid
- score
- state information
- sample set
- anomaly
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 230000005856 abnormality Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000013136 deep learning model Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种电网异常检测方法、装置、计算机设备和存储介质。所述方法包括获取电网各时段状态信息的样本集,根据样本集对电网异常检测模型进行训练,得到各样本对应的异常评分,计算参考评分和异常评分的实际偏差,并根据实际偏差优化所述电网异常检测模型,直至所述实际偏差达到预期,完成训练并得到训练后的电网异常检测模型。采用本方法能够提高电网故障的诊断速度,并且能够准确的识别故障源。
Description
技术领域
本申请涉及数据挖掘技术领域,特别是涉及一种电网异常检测方法、装置、计算机设备和存储介质。
背景技术
目前我国的经济建设进入飞速发展的阶段,各类行业对电力系统的依赖程度日渐增加,电力系统的稳定运行已经成为关系到国计民生的主要任务。然而,由于操作失误、人为破坏以及自然不可抗拒力等原因,大规模的停电事故时有发生。因此,电力系统的自愈性即电网发生故障后快速诊断、隔离故障并且自我恢复的能力成为智能电网的一个主要研究方向。而作为智能电网可“自愈性”能够实现的先决条件,电力系统故障诊断方法一直是国内外研究的重点课题。
电网故障诊断的作用主要是对各级各类保护装置产生的报警信息、断路器的状态变化信息以及电压电流等电气量测量的特征进行分析,根据保护动作的逻辑和运行人员的经验来推断可能的故障位置和故障类型。电网故障诊断算法需要底层的数据平台作为支撑。目前电力系统配备的信息系统根据其信息的来源和在电网运行、控制以及事故处理中的职能和作用,大体可分为三类:静态安全监视和控制系统,即通常所说的系统、动态安全监视和控制系统,该系统又称为广域测量系统、电网故障信息系统。上述三种系统构成了故障诊断系统的数据源。
故障发生后,调度中心能够获取大量与故障诊断相关的数据,如此多的信息让调度运行人员及时了解电网状态的同时,也产生了极大的负面影响:当故障发生后,特别是大面积故障且伴有保护或者断路器误动、拒动等情况时,会有海量的信息同时拥入调度中心,给人工判断带来异常复杂的情况。因此,研究一种基于人工智能的方法来快速、准确对故障进行定位并诊断,以便于故障后检修及电网自愈,具有很大的应用价值。同时,在已经发展的故障诊断算法的基础上进一步提升诊断速度,以及在信息缺失等特殊情况下仍然能够准确的识别故障元件成为了诚待解决的挑战性难题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高故障诊断速度的电网异常检测方法、装置、计算机设备和存储介质。
一种电网异常检测方法,所述电网异常检测方法包括:
获取电网各时段状态信息的样本集;
根据所述样本集对电网异常检测模型进行训练,得到各样本对应的异常评分;
计算参考评分和所述异常评分的实际偏差,并根据所述实际偏差优化所述电网异常检测模型;
直至所述实际偏差达到预期,完成训练并得到训练后的电网异常检测模型。
优选的,所述根据所述样本集对电网异常检测模型进行训练,得到各样本对应的异常评分包括:
将所述样本集分为无标签样本集和有标签样本集;
所述电网异常检测模型包括深度学习模型以及异常评分器;
将所述有标签样本集输入所述深度学习模型,得到所述有标签样本集中各样本对应的状态特征;
将各所述状态特征输入所述异常评分器,得到对应的异常评分。
优选的,所述将所述有标签样本集输入所述深度学习模型,得到所述有标签样本集中各样本对应的状态特征包括:
将所述有标签样本集中的各样本进行分类,得到时序/文本数据以及图像数据;
将时序/文本数据以及图像数据分别输入所述深度学习模型中对应的网络进行训练,得到各样本对应的状态特征。
优选的,所述异常评分器采用线性分类器。
优选的,所述计算参考评分和所述异常评分的实际偏差,并根据所述实际偏差优化所述电网异常检测模型包括:
将所述异常评分以及参考评分输入Z-score模型,计算得到所述实际偏差;
根据所述实际偏差以及损失函数对所述异常评分器进行优化。
优选的,所述无标签样本集中为正常状态信息;
所述有标签样本集为待筛选状态信息,包括正常状态信息以及故障状态信息。
优选的,获取电网的实时状态信息;
将所述实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分;
根据所述异常评分对电网进行异常判定。
本申请还提供了一种电网异常检测装置,所述装置包括:
实时状态信息获取模块,用于获取电网的实时状态信息;
异常评分得到模块,用于将所述实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分;
异常判定模块,用于根据所述异常评分对电网进行异常判定。
本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取电网的实时状态信息;
将所述实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分;
根据所述异常评分对电网进行异常判定。
本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取电网的实时状态信息;
将所述实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分;
根据所述异常评分对电网进行异常判定。
上述电网异常检测方法、装置、计算机设备和存储介质,通过利用各时段的电网状态信息对电网异常检测模型进行训练,直至得到的异常评分与参考评分之间的实际偏差符合预期以完成训练,通过将实时获取的电网状态信息输入训练后的电网异常检测模型,得到异常评分,可根据异常评分进行故障诊断,这样提高了电网故障诊断速度。
附图说明
图1为一个实施例中电网异常检测方法的流程示意图;
图2为一个实施例中电网异常检测方法中102步骤的流程示意图;
图3为另一个实施例中电网异常检测方法的流程示意图;
图4为一个实施例中电网异常检测方法装置的结构框图;
图5为一个实施例中计算机设备的内部结构图;
图6为一个实施例中深度学习模型的结构示意图;
图7为一个实施例中线性分类器的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种电网异常检测方法,包括以下步骤:
步骤100,获取电网各时段状态信息的样本集。
在本实施例中,对电网进行故障诊断采用异常检测的方式。异常检测(AnomalyDetection),又被称作离群点检测(Outlier Detection),是数据挖掘研究领域中跟现实紧密联系、有广泛应用需求的一类问题。并将异常(离群点)定义为:某个观测值过于偏离其他观测值以至于让人们认为它产生于一种不同的机制。通常对异常进行如下两个假设:异常数据跟样本中大多数数据不太一样;以及异常数据在整体数据样本中占比比较小。在对电网进行故障诊断时,通过利用异常检测的方式从电网各状态信息中提取出异常状态信息的状态特征,并通过对状态特征进行异常评分,直接对异常评分进行故障诊断,从而提高了诊断效率。
在步骤101中,样本集中信息样本为电网调控系统中的各个故障源设备中获取的各个时段对应的各种状态信息。状态信息主要包括保护动作信息、短路器跳闹信息、电网拓扑信息以及录波数据信息。需要说明的是,所有的状态信息为电网各设备中调取的历史状态信息,其中包括电网无故障时的状态信息以及电网出现故障时的状态信息。
步骤102,根据样本集对电网异常检测模型进行训练,得到各样本对应的异常评分。
在步骤102中,还包括:
步骤201,将样本集分为无标签样本集和有标签样本集。
其中,无标签样本集中为正常状态信息;有标签样本集为待筛选状态信息,包括正常状态信息以及故障状态信息。
在步骤201中,对样本集中的各状态信息进行分类,将电网正常工作时的状态信息标注为无标签,将电网故障时的状态信息标注为有标签。此时标注为有标签的状态信息中包含有正常状态信息以及故障状态信息,需要对由标签样本集中的状态信息进行进一步的筛选。
在对样本集中的的状态信息进行分类时可采用人工记录的方式,当电网故障时的状态信息记录下来,并且标注为有故障也就是有标签;当电网正常运行时的状态信息也记录下来,并且标注为无故障也就是无标签。
在本实施例中,电网异常检测模型包括深度学习模型以及异常评分器。
步骤202,将所有标签样本集输入深度学习模型,得到有标签样本集中各样本对应的状态特征。
在步骤102中包括:将有标签样本集中的各样本进行分类,得到时序/文本数据以及图像数据;将时序/文本数据以及图像数据分别输入深度学习模型中对应的网络进行训练,得到各样本对应的状态特征。
在本实施例中,利用深度学习模型也就是深度学习神经网络作为对少数的有标签样本集中的各状态信息进行特征提取和训练。具体的深度神经网络模型如图6所示,保护动作信息、断路器跳闹信息、电网拓扑以及录波数据等时序数据和文本数据通过左边的网络输入到深度学习模型,而图像等数据通过右边的网络输入到深度学习模型,然后深度学习模型通过有标签的状态信息进行训练,输出并学习到对应的状态特征。
其中,状态特征为各状态中于故障相关的信息。
步骤203,将各状态特征输入异常评分器,得到对应的异常评分。
在步骤203中,在上一步骤中,并不能通过得到的状态特征进行判断该状态信息是否为故障信息,通过利用异常评分器对各状态特征进行异常评分,可对有标签样本集中的状态信息进一步的分类,从而区分出其中故障状态信息。其中,异常评分为具体的分数,每个分数代表不同的异常程度,当异常评分达到预设的分数时,可直接判断为该异常评分对应的状态信息为故障信息。
其中,线性分类器的结构如图7所示。提取状态特征到类别分值的映射损失函数以量化预测值和真实值的差距,其差距越小越好。利用梯度最优化,求出损失函数值最小时的参数(权重W)。损失函数包含两个部分:数据损失和正则化损失。其中,数据损失是对所有样本的数据损失求平均。
步骤102,计算参考评分和异常评分的实际偏差,并根据实际偏差优化电网异常检测模型。
将状态特征输入到异常评分器生成异常评分后,还需要利用参考评分对异常评分器输出的异常评分进行一定的微调,这里主要采用先验驱动的微调方法,首先假定异常评分服从先验概率分布F,参考评分为随机抽取的k个样本的异常评分{r1,r2,…,rk}的均值。先验驱动的方法预先定义先验概率分布F,使用这种方法一方面可以提供一定的可解释性。
在其他的实施例中,可以通过快速采样得到异常分数,相比数据驱动的方法更加高效。根据概率论的中心极限定理,高斯正态的分布能够更好地拟合数据样本中的故障异常分数。因此通常直接采用高斯正态分布在数据样本集中采样,得到样本的表示如下:
对于高斯正态分布中的参数,通过实际的测试实验结果得知,最终结果对这些参数的选取不太敏感。
在步骤102中包括:将异常评分以及参考评分输入Z-score模型,计算得到实际偏差;根据所述实际偏差以及损失函数对所述异常评分器进行优化。
在本实施例中,为了优化异常评分器,使其输出的异常评分与参考评分之间的差距缩小,需要再定义一个损失函数,这个损失函数的输入包括异常评分R和参考评分对异常评分器进行优化实际上是对异常评分器中的参数进行修改。
根据Z-score来计算异常评分的实际偏差:
再根据实际偏差对损失函数做如下的定义:
其中正常的样本y=1,异常的样本y=0,参数a是一个经验常量,用于约束实际偏差不能超过参数a。
该损失函数使得有标签样本集中故障信息的异常评分显著偏离参考评分实际偏差损失函数,而正常信息的异常评分与参考评分的距离越近越好。对于无标签样本数据集U中的样本,直接将U中所有样本看成是正常的数据样本。在这里需要说明的是,一般将有标签样本集中的状态信息输入电网异常检测模型中进行训练,但是由于有标签样本集中的状态信息太少,还是需要利用无标签样本集中的状态信息对模型进行训练,提供模型的学习能力。
步骤103,直至实际偏差达到预期,完成训练并得到训练后的电网异常检测模型。
在步骤103中,通过利用大量的历史电网状态信息对电网异常检测模型进行训练,并且进行每一次训练后都优化该模型,使得异常评分器输出的异常评分越来越接近参考评分,直至两者之间的实际偏差达到预期,则完成训练得到训练后的电网异常检测模型。
如图3所示,对电网异常检测模型训练完成后,对训练后的模型进行实际运用包括:
步骤301,获取电网的实时状态信息。
步骤302,将实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分。
步骤303,根据所述异常评分对电网进行异常判定。
在本实施例中,将实时获取的电网状态信息输入训练后的电网异常检测模型,得到异常评分为准确的评分,可通过该评分直接判断此时获取的状态信息是否为故障信息,从而做出准确的故障判断。
上述电网异常检测方法中,在很难或不可能得到大量的有标签样本的条件下,基于有监督学习的异常检测算法显然不太能够适用,针对整个样本可能的无标签样本为极大多数,有标签样本为极少数的现实情况,充分利用已知的极少数有标签样本,为电网异常检测模型的学习训练提供了一定的先验信息,与基于无监督学习的异常检测算法相比,性能有了比较大的改进。
通常基于深度学习的异常检测算法产生的输出是异常评分或二进制标签。不同于输出二进制标签的方式,本方法采用异常评分的方式,既可以区分有标签样本的异常与否,还可以对有标签样本做进一步的区分,本发明为异常检测提供了一定的可解释性,适用范围更广,功能更加强大。
应该理解的是,虽然图1-3流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种电网异常检测装置,包括:实时状态信息获取模块401、异常评分得到模块402和异常判定模块403,其中:
实时状态信息获取模块401,用于获取电网的实时状态信息;
异常评分得到模块402,用于将所述实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分;
异常判定模块403,用于根据所述异常评分对电网进行异常判定。
关于电网异常检测装置的具体限定可以参见上文中对于电网异常检测方法的限定,在此不再赘述。上述电网异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电网异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电网的实时状态信息;
将所实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分;
根据所述异常评分对电网进行异常判定。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电网的实时状态信息;
将所实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分;
根据所述异常评分对电网进行异常判定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.电网异常检测方法,其特征在于,所述电网异常检测方法包括:
获取电网各时段状态信息的样本集;
根据所述样本集对电网异常检测模型进行训练,得到各样本对应的异常评分;
计算参考评分和所述异常评分的实际偏差,并根据所述实际偏差优化所述电网异常检测模型;
直至所述实际偏差达到预期,完成训练并得到训练后的电网异常检测模型。
2.根据权利要求1所述的电网异常检测方法,其特征在于,所述根据所述样本集对电网异常检测模型进行训练,得到各样本对应的异常评分包括:
将所述样本集分为无标签样本集和有标签样本集;
所述电网异常检测模型包括深度学习模型以及异常评分器;
将所述有标签样本集输入所述深度学习模型,得到所述有标签样本集中各样本对应的状态特征;
将各所述状态特征输入所述异常评分器,得到对应的异常评分。
3.根据权利要求2所述的电网异常检测方法,其特征在于,所述将所述有标签样本集输入所述深度学习模型,得到所述有标签样本集中各样本对应的状态特征包括:
将所述有标签样本集中的各样本进行分类,得到时序/文本数据以及图像数据;
将时序/文本数据以及图像数据分别输入所述深度学习模型中对应的网络进行训练,得到各样本对应的状态特征。
4.根据权利要求2所述的电网异常检测方法,其特征在于,所述异常评分器采用线性分类器。
5.根据权利要求2所述的电网异常检测方法,其特征在于,所述计算参考评分和所述异常评分的实际偏差,并根据所述实际偏差优化所述电网异常检测模型包括:
将所述异常评分以及参考评分输入Z-score模型,计算得到所述实际偏差;
根据所述实际偏差以及损失函数对所述异常评分器进行优化。
6.根据权利要求1所述的电网异常检测方法,其特征在于,
所述无标签样本集中为正常状态信息;
所述有标签样本集为待筛选状态信息,包括正常状态信息以及故障状态信息。
7.根据权利要求1-6任一项所述的电网异常检测方法,其特征在于,
获取电网的实时状态信息;
将所述实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分;
根据所述异常评分对电网进行异常判定。
8.一种电网异常检测装置,其特征在于,所述装置包括:
实时状态信息获取模块,用于获取电网的实时状态信息;
异常评分得到模块,用于将所述实时状态信息输入训练后的电网异常检测模型,得到与该状态信息对应的异常评分;
异常判定模块,用于根据所述异常评分对电网进行异常判定。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409068.0A CN111709447A (zh) | 2020-05-14 | 2020-05-14 | 电网异常检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409068.0A CN111709447A (zh) | 2020-05-14 | 2020-05-14 | 电网异常检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709447A true CN111709447A (zh) | 2020-09-25 |
Family
ID=72537416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409068.0A Pending CN111709447A (zh) | 2020-05-14 | 2020-05-14 | 电网异常检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709447A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367293A (zh) * | 2020-10-10 | 2021-02-12 | 浙江大学 | 一种基于时序特征的加密流量异常检测方法 |
US11288602B2 (en) | 2019-09-18 | 2022-03-29 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11328177B2 (en) | 2019-09-18 | 2022-05-10 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11334645B2 (en) | 2011-08-19 | 2022-05-17 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
CN114615026A (zh) * | 2022-02-22 | 2022-06-10 | 国网宁夏电力有限公司信息通信公司 | 异常流量检测方法、装置及电子设备 |
EP4071572A1 (en) * | 2021-04-09 | 2022-10-12 | Hitachi Energy Switzerland AG | Asset protection, monitoring, or control device and method, and electric power system |
CN115272983A (zh) * | 2022-09-29 | 2022-11-01 | 成都中轨轨道设备有限公司 | 基于图像识别的接触网悬挂状态监测方法及系统 |
US11550874B2 (en) | 2014-04-11 | 2023-01-10 | Hartford Steam Boiler Inspection And Insurance Company | Future reliability prediction based on system operational and performance data modelling |
US11615348B2 (en) | 2019-09-18 | 2023-03-28 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
CN117349775A (zh) * | 2023-10-30 | 2024-01-05 | 浙江大学 | 一种面向集群计算的异常子任务识别方法及装置 |
CN118095970A (zh) * | 2024-04-26 | 2024-05-28 | 湖北华中电力科技开发有限责任公司 | 微电网状态评估方法、相关装置、计算设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN109902373A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 一种辖区变电站故障诊断、定位方法及系统 |
CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
CN110794254A (zh) * | 2018-08-01 | 2020-02-14 | 北京映翰通网络技术股份有限公司 | 一种基于强化学习的配电网故障预测方法及系统 |
-
2020
- 2020-05-14 CN CN202010409068.0A patent/CN111709447A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN110794254A (zh) * | 2018-08-01 | 2020-02-14 | 北京映翰通网络技术股份有限公司 | 一种基于强化学习的配电网故障预测方法及系统 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN109902373A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 一种辖区变电站故障诊断、定位方法及系统 |
CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11334645B2 (en) | 2011-08-19 | 2022-05-17 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11868425B2 (en) | 2011-08-19 | 2024-01-09 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11550874B2 (en) | 2014-04-11 | 2023-01-10 | Hartford Steam Boiler Inspection And Insurance Company | Future reliability prediction based on system operational and performance data modelling |
US11803612B2 (en) | 2018-09-28 | 2023-10-31 | Hartford Steam Boiler Inspection And Insurance Company | Systems and methods of dynamic outlier bias reduction in facility operating data |
US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11288602B2 (en) | 2019-09-18 | 2022-03-29 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11328177B2 (en) | 2019-09-18 | 2022-05-10 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11615348B2 (en) | 2019-09-18 | 2023-03-28 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
CN112367293A (zh) * | 2020-10-10 | 2021-02-12 | 浙江大学 | 一种基于时序特征的加密流量异常检测方法 |
EP4071572A1 (en) * | 2021-04-09 | 2022-10-12 | Hitachi Energy Switzerland AG | Asset protection, monitoring, or control device and method, and electric power system |
CN114615026A (zh) * | 2022-02-22 | 2022-06-10 | 国网宁夏电力有限公司信息通信公司 | 异常流量检测方法、装置及电子设备 |
CN114615026B (zh) * | 2022-02-22 | 2023-06-27 | 国网宁夏电力有限公司信息通信公司 | 异常流量检测方法、装置及电子设备 |
CN115272983B (zh) * | 2022-09-29 | 2023-01-03 | 成都中轨轨道设备有限公司 | 基于图像识别的接触网悬挂状态监测方法及系统 |
CN115272983A (zh) * | 2022-09-29 | 2022-11-01 | 成都中轨轨道设备有限公司 | 基于图像识别的接触网悬挂状态监测方法及系统 |
CN117349775A (zh) * | 2023-10-30 | 2024-01-05 | 浙江大学 | 一种面向集群计算的异常子任务识别方法及装置 |
CN117349775B (zh) * | 2023-10-30 | 2024-04-26 | 浙江大学 | 一种面向集群计算的异常子任务识别方法及装置 |
CN118095970A (zh) * | 2024-04-26 | 2024-05-28 | 湖北华中电力科技开发有限责任公司 | 微电网状态评估方法、相关装置、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
Jia et al. | A review of PHM Data Competitions from 2008 to 2017: Methodologies and Analytics | |
CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
WO2020049087A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
Atoui et al. | A single Bayesian network classifier for monitoring with unknown classes | |
BR102018003437A2 (pt) | sistema para proteger um sistema de controle de rede de energia elétrica, método computadorizado para proteger um sistema de controle de rede de energia elétrica e meio não transitório | |
US20180231394A1 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
Sica et al. | A cognitive system for fault prognosis in power transformers | |
KR20170125265A (ko) | 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 | |
Zhou et al. | A fault detection and health monitoring scheme for ship propulsion systems using SVM technique | |
US8560279B2 (en) | Method of determining the influence of a variable in a phenomenon | |
US20210232104A1 (en) | Method and system for identifying and forecasting the development of faults in equipment | |
Steurtewagen et al. | Adding interpretability to predictive maintenance by machine learning on sensor data | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN114003422A (zh) | 主机异常检测方法、计算机设备和存储介质 | |
Hadad et al. | Enhanced neural network based fault detection of a VVER nuclear power plant with the aid of principal component analysis | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
Gęca | Performance comparison of machine learning algotihms for predictive maintenance | |
WO2022162060A1 (de) | Big-data für fehlererkennung in batteriesystemen | |
Kou et al. | Machine learning based models for fault detection in automatic meter reading systems | |
CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 | |
Dash et al. | FDI-X: An occlusion-based approach for improving the explainability of deep learning models in fault detection and isolation | |
CN110865939A (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
EP4231198A1 (en) | Method of generating a signal processing logic, device for controlling, monitoring, and/or analyzing a physical asset, and electric power system |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200925 |
|
WD01 | Invention patent application deemed withdrawn after publication |