CN113011745A - 电网安全运维中的异常检测方法、装置、设备和介质 - Google Patents
电网安全运维中的异常检测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113011745A CN113011745A CN202110300552.4A CN202110300552A CN113011745A CN 113011745 A CN113011745 A CN 113011745A CN 202110300552 A CN202110300552 A CN 202110300552A CN 113011745 A CN113011745 A CN 113011745A
- Authority
- CN
- China
- Prior art keywords
- monitoring value
- detected
- real
- historical
- predicted
- 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 162
- 238000012423 maintenance Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 153
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000005856 abnormality Effects 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Abstract
本申请涉及电网运维技术领域,提供了一种电网安全运维中的异常检测方法、装置、计算机设备和存储介质。该方法包括:通过获取采集器上传的待检测对象的实时监控值,并获取待检测对象的与实时监控值对应的预测监控值;将实时监控值和预测监控值输入至预先训练的异常检测模型;根据异常检测模型的输出结果,得到待检测对象的异常检测结果,其中,异常检测模型根据检测对象的历史监控值和历史预测值训练得到,本方案通过实时监控值和预测监控值,根据模型的对比结果即可得到异常检测的结果,避免通过人工的方式进行异常检测,提高检测的效率和准确性。
Description
技术领域
本申请涉及电网运维技术领域,尤其是涉及一种电网安全运维中的异常检测方法电网安全运维中的异常检测方法、装置、设备和介质。
背景技术
随着IT新模式、新技术的不断兴起,以及电网信息系统的敏捷化趋势,设备和数据异常分析的速度和精确度要求越来越高。
目前的技术中,电网运维中的异常检测通常通过人工的方式进行,而随着电网系统和设备越来越复杂,人工处理无法快速发现异常情况,导致异常检测的效率较低。
发明内容
针对上述现有技术的不足,本发明提供一种电网安全运维中的异常检测方法、装置、设备及介质。
一种电网安全运维中的异常检测方法,所述方法包括:
获取采集器上传的待检测对象的实时监控值;
获取所述待检测对象的与实时监控值对应的预测监控值;
将所述实时监控值和预测监控值输入至预先训练的异常检测模型;所述异常检测模型根据检测对象的历史监控值和历史预测值训练得到;
根据所述异常检测模型的输出结果,得到所述待检测对象的异常检测结果。
在本发明一个实施例中,所述方法还包括:
获取历史检测对象的历史监控值、历史预测值和对应的异常结果,构建训练样本集;
将所述历史检测对象的历史监控值和历史预测值输入到待训练的异常检测模型进行训练,并结合异常结果对经过训练的异常检测模型进行验证,得到训练后的所述异常检测模型。
在本发明一个实施例中,所述获取所述待检测对象的与实时监控值对应的预测监控值,包括:
将所述实时监控值输入到预测模型,得到所述待检测对象的所述预测监控值。
在本发明一个实施例中,所述预测模型根据所述待检测对象的历史检测数据训练得到,用于被预测器调用,以得到所述待检测对象的预测监控值。
在本发明一个实施例中,所述根据所述异常检测模型的输出结果,得到所述待检测对象的异常检测结果,包括:
若所述输出结果为检测异常,向终端发出告警信息,以使得所述终端针对所述待检测对象进行异常确认。
在本发明一个实施例中,所述若所述输出结果为检测异常,发出告警通知之后,还包括:
获取所述终端针对所述告警通知的确认结果,更新所述异常检测模型。
在本发明一个实施例中,所述获取采集器上传的待检测对象的实时监控值,包括:
通过发布订阅消息系统获取所述采集器上传的待检测对象的实时监控值。
一种电网安全运维中的异常检测装置,所述装置包括:
实时监控值获取单元,用于获取采集器上传的待检测对象的实时监控值;
预测监控值获取单元,用于获取所述待检测对象的与实时监控值对应的预测监控值;
模型处理单元,用于将所述实时监控值和预测监控值输入至预先训练的异常检测模型;所述异常检测模型根据检测对象的历史监控值和历史预测值训练得到;
检测结果获取单元,用于根据所述异常检测模型的输出结果,得到所述待检测对象的异常检测结果。
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上述方法实施例的步骤。
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上述方法实施例的步骤。
本发明通过获取采集器上传的待检测对象的实时监控值,并获取待检测对象的与实时监控值对应的预测监控值;将实时监控值和预测监控值输入至预先训练的异常检测模型;根据异常检测模型的输出结果,得到待检测对象的异常检测结果,其中,异常检测模型根据检测对象的历史监控值和历史预测值训练得到,本方案通过实时监控值和预测监控值,根据模型的对比结果即可得到异常检测的结果,避免通过人工的方式进行异常检测,提高检测的效率和准确性。
附图说明
图1为本发明一个实施例中提供的电网安全运维中的异常检测方法的应用环境图;
图2为本发明一个实施例中提供的电网安全运维中的异常检测方法的流程示意图;
图3为本发明一个实施例中提供的电网安全运维中的异常检测方法的流程示意图;
图4为本发明一个实施例中提供的电网安全运维中的异常检测装置的结构框图;
图5为本发明一个实施例中提供的计算机设备的内部结构图。
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,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
本申请提供的电网运维中的异常检测方法,可以应用于如图1所示的应用环境中。其中,采集器110通过网络与服务器120进行通信。采集器110可以获取待检测对象的监控值,发送给服务器120,服务器120可以对待监控值进行处理,得到该待检测对象的异常处理结果。其中,采集器110可以是配置在电网系统的数据采集装置,服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电网安全运维中的异常检测方法,以该方法应用于图2的服务器120为例进行说明,包括以下步骤:
S110,获取采集器上传的待检测对象的实时监控值。
其中,待检测对象可以是电网系统中的设备、系统等,可以产生运行数据或者通过运行数据进行状态监控,例如电报、计量设备、通信设备等。采集器可以获取各个待检测对象的数据并进行上传。实时监控值可以是待检测设备被采集的即时的数值,实时监测值发生异常时,则表征待检测设备发生异常。服务器120可以通过消息中间件获取采集器110上传的待检测对象的实时监控值,例如发布消息订阅系统等。
S120,获取待检测对象的与实时监控值对应的预测监控值。
其中,待检测设备的监控值通常具有规律性,例如在一定的取值区间范围,或者满足一定的数值变化规律,服务器可以根据待检测设备的历史数据或者经验数据,为各个待检测设备,或者待检测设备的类型和地域特点,预先配置对应的预测模型。
具体地,服务器120可以调用该模型获取与该实时监控值对应的预测监控值。
S130,将实时监控值和预测监控值输入至预先训练的异常检测模型。
其中,异常检测模型可以根据检测对象的历史监控值和历史预测值训练得到,历史监控值可以是服务器预先存储的与检测对象相关的历史上的实际监控值,而历史预测值则是与该历史监控值对应的预测值。服务器可以获取样本数据,通过神经网络模型训练得到异常检测模型。该异常检测模型的训练样本可以是待检测设备的同类设备的历史监控值和历史预测值,例如某个通信设备的网络运行历史负载等。
具体地,服务器120可以将得到的实时监控值和预测监控值输入到该异常检测模型进行处理。
S140,根据异常检测模型的输出结果,得到待检测对象的异常检测结果。
其中,异常检测结果可以包括发现异常或者无异常,服务器120可以根据输出结果得到该异常检测结果。
上述电网运维中的异常检测方法中,通过获取采集器上传的待检测对象的实时监控值,并获取待检测对象的与实时监控值对应的预测监控值;将实时监控值和预测监控值输入至预先训练的异常检测模型;根据异常检测模型的输出结果,得到待检测对象的异常检测结果,其中,异常检测模型根据检测对象的历史监控值和历史预测值训练得到,本方案通过实时监控值和预测监控值,根据模型的对比结果即可得到异常检测的结果,避免通过人工的方式进行异常检测,提高检测的效率和准确性。
在一个实施例中,异常检测模型的训练步骤包括:获取历史检测对象的历史监控值、历史预测值和对应的异常结果,构建训练样本集;将历史检测对象的历史监控值和历史预测值输入到待训练的异常检测模型进行训练,并结合异常结果对经过训练的异常检测模型进行验证,得到训练后的异常检测模型。
其中,历史检测对象对应的异常检测结果为当时实际异常结果,可以作为标签进行模型的验证。以达到模型训练的效果。待训练的异常检测模型可以是预先配置的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。通过历史数据训练得到的异常检测模型,充分考虑历史数据特征和异常结果的复杂关系,提高异常检测的效率。
在一个实施例中,获取待检测对象的与实时监控值对应的预测监控值的步骤包括:将实时监控值输入到预测模型,得到待检测对象的预测监控值。
其中,预测模型可以是根据历史监控数据训练得到的机器学习模型,待检测对象的历史监控数据通常具有一定的规律,例如在历史某一时期的网络环境参数下,待检测对象(例如通信设备)所能达到的监控值,又例如某一历史时间的电压、电流等的参数下,待检测对象(例如电力设备)所能达到的监控值。服务器120可以将训练得到的机器学习模型保存在内部存储模块,当需要进行预测时,调用该模型,得到待检测对象对应的预测监控值,从而提高获取预测监控值的效率和准确性。
在一个实施例中,根据异常检测模型的输出结果,得到待检测对象的异常检测结果的步骤包括:若输出结果为检测异常,向终端发出告警通知,以使得终端针对所述待检测对象进行异常确认。
其中,终端可以是报警终端,用于接收告警通知,并根据告警通知指示的异常情况进行自动确认。其中自动确认结果可以包括确实存在异常或者不存在异常,终端可以向服务器反馈该确认结果。若不存在检测异常,则可以继续执行检测,提高针对检测异常的快速预警的效率,使得异常情况能够快速被响应。
在一个实施例中,若输出结果为检测异常,发出告警通知之后的步骤还包括:获取终端针对所述告警通知的确认结果,更新异常检测模型。
其中,判断结果可以包括确实存在异常或者异常误报,服务器120可以根据该判断结果,作为新的训练样本,更新该异常检测模型,实现异常检测模型的及时更新,提高模型检测的准确性。
在一个实施例中,获取采集器上传的待检测对象的实时监控值的步骤,包括:通过发布订阅消息系统获取采集器上传的待检测对象的实时监控值。
其中,发布订阅消息系统可以是Kafka。kafka是一种高吞吐量的分布式发布订阅消息系统,可以处理系统中的所有动作流数据,Kafka中的术语broker:中间的kafkacluster,存储消息,是由多个server组成的集群。topic:kafka给消息提供的分类方式。broker用来存储不同topic的消息数据。producer:往broker中某个topic里面生产数据。consumer:从broker中某个topic获取数据。服务器120可以通过kafka系统获取采集器上传的待检测对象的实时监控值,以提高数据获取的效率。
在一个实施例中,如图3所示,提供了一种电网安全运维中的异常检测方法,包括:
S310,通过发布订阅消息系统获取采集器上传的待检测对象的实时监控值。
S320,将实时监控值输入到预测模型,得到待检测对象的预测监控值;预测模型根据待检测对象的历史检测数据训练得到,用于被预测器调用,以得到待检测对象的预测监控值。
S330,将实时监控值和预测监控值输入至预先训练的异常检测模型;异常检测模型根据检测对象的历史监控值和历史预测值训练得到。
S340,根据异常检测模型的输出结果,得到待检测对象的异常检测结果。
S350,若输出结果为检测异常,向终端发出告警通知,以使得终端针对待检测对象进行异常确认;获取终端针对告警通知的确认结果,更新异常检测模型。
上述实施例的方法,通过发布订阅消息系统获取采集器上传的待检测对象的实时监控值,开将实时监控数据输入到预测模型,得到待检测对象的预测监控值,将实时监控值和预测监控值输入至预先训练的异常检测模型,根据异常检测模型的输出结果,得到待检测对象的异常检测结果,其中,异常检测模型根据检测对象的历史监控值和历史预测值训练得到,进一步的,若输出结果为检测异常,向终端发出告警通知,并针对告警通知的确认结果,更新该异常检测模型。本方案通过实时监控值和预测监控值,根据模型的对比结果即可得到异常检测的结果,避免通过人工的方式进行异常检测,提高检测的效率和准确性,根据终端的确认结果进行异常检测模型的更新,提高异常检测模型的实用性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明所必须的。
在一个实施例中,如图4所示,提供了一种电网安全运维中的异常检测装置,该装置400包括:
实时监控值获取单元410,用于获取采集器上传的待检测对象的实时监控值;
预测监控值获取单元420,用于获取所述待检测对象的与实时监控值对应的预测监控值;
模型处理单元430,用于将所述实时监控值和预测监控值输入至预先训练的异常检测模型;所述异常检测模型根据检测对象的历史监控值和历史预测值训练得到;
检测结果获取单元440,用于根据所述异常检测模型的输出结果,得到所述待检测对象的异常检测结果;
在一个实施例中,上述装置400还包括:异常检测模型训练单元,用于获取历史检测对象的历史监控值、历史预测值和对应的异常结果,构建训练样本集;将所述历史检测对象的历史监控值和历史预测值输入到待训练的异常检测模型进行训练,并结合异常结果对经过训练的异常检测模型进行验证,得到训练后的所述开常检测模型。
在一个实施例中,预测监控值获取单元420包括:预测监控值获取模块,用于将所述实时监控值输入到预测模型,得到所述待检测对象的所述预测监控值。
在一个实施例中,上述装置400还包括:所述预测模型根据所述待检测对象的历史检测数据训练得到,用于被预测器调用,以得到所述待检测对象的预测监控值。
在一个实施例中,上述装置400还包括:告警单元,用于若所述输出结果为检测异常,向终端发出告警信息,以使得所述终端针对所述待检测对象进行异常确认。
在一个实施例中,告警单元包括:更新模块,用于获取所述终端针对所述告警通知的确认结果,更新所述异常检测模型。
在一个实施例中,实时监控值获取单元410,包括:订阅消息模块,用于通过发布订阅消息系统获取所述采集器上传的待检测对象的实时监控值。
关于电网运维中的异常检测装置的具体限定可以参见上文中对于电网运维中的异常检测方法的限定,在此不再赘述。上述电网运维中的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。
本发明可以应用于计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、处理器,如图5所示。需要指出的是,图5仅示出了具有存储器、处理器组件的计算机设备,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器通常用于存储安装于计算机设备的操作系统和各类应用软件,例如监控值数据、模型数据等。此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中,处理器用于运行存储器中存储的程序代码或者处理数据,以实现一种电网安全运维中的异常检测方法。
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如下步骤:
获取采集器上传的待检测对象的实时监控值;获取所述待检测对象的与实时监控值对应的预测监控值;将所述实时监控值和预测监控值输入至预先训练的异常检测模型;所述异常检测模型根据检测对象的历史监控值和历史预测值训练得到;根据所述异常检测模型的输出结果,得到所述待检测对象的异常检测结果。
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,该计算机程序被处理器执行时实现如下步骤:
获取采集器上传的待检测对象的实时监控值;获取所述待检测对象的与实时监控值对应的预测监控值;将所述实时监控值和预测监控值输入至预先训练的异常检测模型;所述异常检测模型根据检测对象的历史监控值和历史预测值训练得到;根据所述异常检测模型的输出结果,得到所述待检测对象的异常检测结果。
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。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电网安全运维中的异常检测方法,其特征在于,所述方法包括:
获取采集器上传的待检测对象的实时监控值;
获取所述待检测对象的与实时监控值对应的预测监控值;
将所述实时监控值和预测监控值输入至预先训练的异常检测模型;所述异常检测模型根据检测对象的历史监控值和历史预测值训练得到;
根据所述异常检测模型的输出结果,得到所述待检测对象的异常检测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取历史检测对象的历史监控值、历史预测值和对应的异常结果,构建训练样本集;
将所述历史检测对象的历史监控值和历史预测值输入到待训练的异常检测模型进行训练,并结合异常结果对经过训练的异常检测模型进行验证,得到训练后的所述异常检测模型。
3.根据权利要求1所述的方法,其特征在于,所述获取所述待检测对象的与实时监控值对应的预测监控值,包括:
将所述实时监控值输入到预测模型,得到所述待检测对象的所述预测监控值。
4.根据权利要求3所述的方法,其特征在于,所述预测模型根据所述待检测对象的历史检测数据训练得到,用于被预测器调用,以得到所述待检测对象的预测监控值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述异常检测模型的输出结果,得到所述待检测对象的异常检测结果之后,包括:
若所述输出结果为检测异常,向终端发出告警信息,以使得所述终端针对所述待检测对象进行异常确认。
6.根据权利要求5所述的方法,其特征在于,所述若所述输出结果为检测异常,发出告警通知之后,还包括:
获取所述终端针对所述告警通知的确认结果,更新所述异常检测模型。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述获取采集器上传的待检测对象的实时监控值,包括:
通过发布订阅消息系统获取所述采集器上传的待检测对象的实时监控值。
8.一种电网安全运维中的异常检测装置,其特征在于,所述装置包括:
实时监控值获取单元,用于获取采集器上传的待检测对象的实时监控值;
预测监控值获取单元,用于获取所述待检测对象的与实时监控值对应的预测监控值;
模型处理单元,用于将所述实时监控值和预测监控值输入至预先训练的异常检测模型;所述异常检测模型根据检测对象的历史监控值和历史预测值训练得到;
检测结果获取单元,用于根据所述异常检测模型的输出结果,得到所述待检测对象的异常检测结果。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,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任一项所述的方法的步骤。
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 |
---|---|---|---|
CN202110300552.4A CN113011745A (zh) | 2021-03-19 | 2021-03-19 | 电网安全运维中的异常检测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300552.4A CN113011745A (zh) | 2021-03-19 | 2021-03-19 | 电网安全运维中的异常检测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011745A true CN113011745A (zh) | 2021-06-22 |
Family
ID=76403985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300552.4A Pending CN113011745A (zh) | 2021-03-19 | 2021-03-19 | 电网安全运维中的异常检测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011745A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002981A (zh) * | 2021-10-29 | 2022-02-01 | 广东电力信息科技有限公司 | 基于微服务的机房监控方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN110888788A (zh) * | 2019-10-16 | 2020-03-17 | 平安科技(深圳)有限公司 | 异常检测方法、装置、计算机设备及存储介质 |
CN111177714A (zh) * | 2019-12-19 | 2020-05-19 | 未鲲(上海)科技服务有限公司 | 异常行为检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-19 CN CN202110300552.4A patent/CN113011745A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN110888788A (zh) * | 2019-10-16 | 2020-03-17 | 平安科技(深圳)有限公司 | 异常检测方法、装置、计算机设备及存储介质 |
CN111177714A (zh) * | 2019-12-19 | 2020-05-19 | 未鲲(上海)科技服务有限公司 | 异常行为检测方法、装置、计算机设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002981A (zh) * | 2021-10-29 | 2022-02-01 | 广东电力信息科技有限公司 | 基于微服务的机房监控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11499734B2 (en) | Cloud and edge integrated energy optimizer | |
CN111160687B (zh) | 主动资产监控 | |
CN111125864A (zh) | 与使用过的可用材料的可用性和使用相关联的资产性能管理器 | |
CN113805548B (zh) | 一种机械加工智能控制系统、方法及计算机可读介质 | |
CN106796423A (zh) | 智能可编程逻辑控制器 | |
CN113708493B (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
Ren et al. | Big data platform for intelligence industrial IoT sensor monitoring system based on edge computing and AI | |
US11604461B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
CN112532435B (zh) | 一种运维方法、运维管理平台、设备及介质 | |
WO2024065988A1 (zh) | 设备监测方法和系统、电子设备、存储介质 | |
CN113011745A (zh) | 电网安全运维中的异常检测方法、装置、设备和介质 | |
Wang et al. | Intelligent predictive maintenance (IPdM) for elevator service-through CPS, IOT&S and data mining | |
CN108039971A (zh) | 一种告警方法及装置 | |
CN105425739B (zh) | 使用plc日志数据来预测异常发生的系统 | |
CN113052302B (zh) | 基于循环神经网络的机器健康监控方法、装置及终端设备 | |
CN111624874A (zh) | 用于城市污水处理的泵站集群智能化预测方法及系统 | |
US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
CN114722025A (zh) | 基于预测模型的数据预测方法、装置、设备及存储介质 | |
CN113656256A (zh) | 一种基于芯片异常运行的调控方法及系统 | |
CN113052490A (zh) | 一种电力工控系统协同防御方法、装置及存储介质 | |
CN114089206A (zh) | 一种电池冗余模块的寿命预测方法、系统、介质及设备 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
CN112364088A (zh) | 基于工厂数字化制造资源的可视化配置系统 | |
Marti-Puig et al. | Industrial AI in condition-based maintenance: A case study in wooden piece manufacturing | |
Lee et al. | Enhanced Anomaly Detection in Manufacturing Processes through Hybrid Deep Learning Techniques |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |
|
RJ01 | Rejection of invention patent application after publication |