CN113435103A - 配电房异常检测方法、系统、服务器、边缘网关和介质 - Google Patents
配电房异常检测方法、系统、服务器、边缘网关和介质 Download PDFInfo
- Publication number
- CN113435103A CN113435103A CN202110545981.8A CN202110545981A CN113435103A CN 113435103 A CN113435103 A CN 113435103A CN 202110545981 A CN202110545981 A CN 202110545981A CN 113435103 A CN113435103 A CN 113435103A
- Authority
- CN
- China
- Prior art keywords
- model
- anomaly detection
- detection model
- power distribution
- 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 347
- 230000005856 abnormality Effects 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims description 91
- 238000004590 computer program Methods 0.000 claims description 25
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000013138 pruning Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 7
- 238000011002 quantification Methods 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 23
- 238000004891 communication Methods 0.000 description 7
- 238000013139 quantization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/20—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
本申请涉及一种配电房异常检测方法、系统、服务器、边缘网关和介质。所述方法包括：接收多个边缘网关发送的异常检测模型；其中，所述异常检测模型为所述边缘网关根据感知层设备发送的配电房运行数据对服务器发送的初始异常检测模型进行训练得到的模型；根据各所述异常检测模型之间的差异度，从各所述异常检测模型的模型参数中确定目标模型参数；根据所述目标模型参数对所述初始异常检测模型进行训练，生成目标异常检测模型，并将所述目标异常检测模型发送至所述边缘网关，以使所述边缘网关能够根据所述目标异常检测模型在接收到所述配电房运行数据时进行数据异常预测。采用本方法能够提高配电房异常检测的全局性。
Description
技术领域
本申请涉及电力系统技术领域，特别是涉及一种配电房异常检测方法、系统、装置、计算机设备和介质。
背景技术
随着目前电力系统的不断发展，各类规模大小不等、设备数量不一的配电房分布于城市与乡村的居民集中区。由于配电房中存在着数量众多的电压配控设备，容易出现由各种异常情况而导致的电力系统崩溃。
目前实现无人化配电房电压配控设备的异常检测的方式，主要是通过边缘网关获取电压配控设备的检测数据，对电压配控设备的检测数据进行分析判断，确定该配电房电压配控设备是否存在异常。但是由于各个边缘网关仅可获取与之对应的感知层设备采集的电压配控设备的检测数据进行分析判断，且边缘网关的计算能力有限，因此，现有技术存在对多个配电房电压配控设备异常检测全局性较差的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高全局性的配电房异常检测方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种配电房异常检测方法，所述方法包括：
接收多个边缘网关发送的异常检测模型；其中，异常检测模型为边缘网关根据感知层设备发送的配电房运行数据对服务器发送的初始异常检测模型进行训练得到的模型；
根据各异常检测模型之间的差异度，从各异常检测模型的模型参数中确定目标模型参数；
根据目标模型参数对初始异常检测模型进行训练，生成目标异常检测模型，并将目标异常检测模型发送至边缘网关，以使边缘网关能够根据目标异常检测模型在接收到配电房运行数据时进行数据异常预测。
在其中一个实施例中，根据各异常检测模型之间的差异度，从各异常检测模型的模型参数中确定目标模型参数，包括：
根据各异常检测模型的模型参数，确定各异常检测模型之间的差异度；
根据差异度从各异常检测模型的模型参数中确定中间模型参数；
根据中间模型参数和各异常检测模型的模型训练迭代次数，确定目标模型参数。
在其中一个实施例中，中间模型参数和各异常检测模型的模型训练迭代次数，确定目标模型参数，包括：
根据各异常检测模型的模型训练迭代次数，确定各异常检测模型的权重；
根据各中间模型参数和各异常检测模型的权重，确定初始异常检测模型的目标模型参数。
在其中一个实施例中，根据差异度从各异常检测模型的模型参数中确定中间模型参数，还包括：
若异常检测模型两两之间的差异度大于等于预设差异度阈值，则根据各异常检测模型的模型参数，确定中间模型参数；
若异常检测模型两两之间的差异度小于预设差异度阈值，则根据差异度较大的异常检测模型的模型参数，确定中间模型参数。
第二方面，本申请提供了一种配电房异常检测方法，方法包括：
接收服务器发送的初始异常检测模型、以及接收感知层设备发送的配电房运行数据；
根据配电房运行数据对初始异常检测模型进行训练，生成异常检测模型；
将异常检测模型发送至服务器。
在其中一个实施例中，将异常检测模型发送至服务器，包括：
对异常检测模型的模型参数和历史异常检测模型的模型参数进行比较，得到模型差异度；
若模型差异度大于预设模型差异度阈值，则发送异常检测模型至服务器。
在其中一个实施例中，方法还包括：
接收服务器发送的目标异常检测模型；目标异常检测模型为服务器在接收到各异常检测模型时，根据目标模型参数对初始异常检测模型进行训练生成的模型；其中，目标模型参数是根据各异常检测模型之间的差异度确定的参数；
根据目标异常检测模型，对接收到的配电房运行数据进行数据异常预测，得到数据异常结果。
在其中一个实施例中，方法还包括：
若数据异常结果为数据异常，则向服务器发送预警信息。
在其中一个实施例中，方法还包括：
若模型差异度小于等于预设模型差异度阈值，采用剪枝和量化方法对目标异常检测模型进行压缩处理，得到压缩异常检测模型；
根据目标异常检测模型，对接收到的配电房运行数据进行数据异常预测，得到数据异常结果，包括：
根据压缩异常检测模型，对接收到的配电房运行数据进行数据异常预测，得到数据异常结果。
第三方面，本申请提供一种配电房异常检测系统，系统包括：：服务器、多个边缘网关、与多个边缘网关对应的多个感知层设备；
服务器，用于执行第一方面任一项实施例中方法的步骤；
边缘网关，用于执行第二方面任一项实施例中方法的步骤；
感知层设备，用于获取配电房运行数据，并发送至边缘网关。
第四方面，本申请提供了一种服务器，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面中任一项实施例中方法的步骤。
第五方面，本申请提供了一种边缘网关，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第二方面中任一项实施例中方法的步骤。
第六方面，本申请提供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第一方面和第二方面中任一项实施例中方法的步骤。
上述配电房异常检测方法、系统、服务器、边缘网关和存储介质，通过接收多个边缘网关发送的异常检测模型，根据各异常检测模型之间的差异度，从各异常检测模型的模型参数中确定目标模型参数，根据目标模型参数对初始异常检测模型进行训练，生成目标异常检测模型，并将目标异常检测模型发送至边缘网关，以使边缘网关能够根据目标异常检测模型在接收到配电房运行数据时进行数据异常预测。能够实现各个边缘网关根据对应的感知层设备发送的配电房运行数据对服务器发送的初始异常检测模型进行训练，得到异常检测模型，通过对各个异常检测模型的模型参数进行加权，获取目标异常检测模型，提高了目标异常检测模型的全局性，能综合考虑各个区域的配电房运行数据，进而提高目标异常检测模型的准确性。
附图说明
图1为一个实施例中配电房异常检测方法的应用环境图；
图2为一个实施例中配电房异常检测方法的流程示意图；
图3为另一个实施例中配电房异常检测方法的流程示意图；
图4为另一个实施例中配电房异常检测方法的流程示意图；
图5为另一个实施例中配电房异常检测方法的流程示意图；
图6为另一个实施例中配电房异常检测方法的流程示意图；
图7为另一个实施例中配电房异常检测方法的流程示意图；
图8为另一个实施例中配电房异常检测方法的流程示意图；
图9为一个实施例中配电房异常检测装置的结构框图；
图10为一个实施例中服务器的内部结构图；
图11为一个实施例中边缘网关的内部结构图。
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，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。
本申请提供的配电房异常检测方法，可以应用于如图1所示的应用环境中。该应用环境中包括：感知层设备101、边缘网关102和服务器103。其中，边缘网关102通过网络与服务器103通过网络进行通信。服务器可以对边缘网关下发初始异常检测模型，对多个边缘网关利用对应感知层设备发送的配电房运行数据对初始异常检测模型进行模型训练生成目标异常检测模型，并下发至边缘网关，并利用其对配电房运行数据是否异常进行预测。其中，服务器103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。
配电房为主要承担将高电压通过变压器的降压至用户所需电压等级并且配置有保护、计量、分配于一体的室内综合系统。因此在配电房运行过程中可能存在着设备异常、人员行为异常或环境异常等异常状态，需要实时对配电房进行异常检测。目前实现无人化设备维护与异常检测的方式主要是使用边缘网关上的模型对配电房各项数据进行分析。但这种方法存在仅能对边缘网关对应的配电房运行数据进行分析，而不能对一个区域范围内多个配电房运行数据进行分析，存在全局性较差的问题。
基于此，在一个实施例中，如图2所示，提供了一种配电房异常检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，接收多个边缘网关发送的异常检测模型；其中，异常检测模型为边缘网关根据感知层设备发送的配电房运行数据对服务器发送的初始异常检测模型进行训练得到的模型。
其中，感知层设备可以包括：温湿度传感器、摄像头、电压电流传感器等等，用于实现对配电房中配电设备与运维环境的统一监测。其中，感知层设备可以通过以太网RJ45、RS485、RS232等有线通讯形式或是WiFi、LoRa以及ZigBee等无线通讯模式将采集到的数据统一上传到边缘网关中。
其中，配电房的运行数据可以包括：配电房的湿度数据、温度数据、配电设备的电力数据、环境数据等。
其中，初始异常检测模型、异常检测模型、目标异常检测模型均为神经网络模型。可以包括：多馈前层神经网络(BP神经网络)、卷积神经网络(CNN神经网络)、单层反馈非线性网络(Hopfield网络)等，在此不加以限制。
具体地，当各个边缘网关接收到服务器下发的初始异常检测模型后，可以根据各个边缘网关对应的感知层设备发送的配电房运行数据作为输入数据，对初始异常检测模型进行训练，将配电房运行数据输入至初始异常检测模型中进行迭代计算，根据损失函数，计算输出结果与目标结果的损失值，根据损失值，调整初始异常检测模型的模型参数，可以是当迭代次数达到预设次数后，训练模型完成，也可以是当损失值达到预设的损失阈值，完成模型的训练，得到多个异常检测模型，在此不加以限制。当异常检测模型训练完毕后，将异常检测模型发送至服务器，即服务器接收到多个边缘网关发送的异常检测模型。可选地，服务器可以周期性的接收不同区域的多个边缘网关发送的异常检测模型。
S204，根据各异常检测模型之间的差异度，从各异常检测模型的模型参数中确定目标模型参数。
具体地，当接收到多个异常检测模型后，首先需要对多个异常检测模型进行预处理，确定各个异常检测模型之间的差异度，可以对比各个异常检测模型的模型参数的差异度，以确定各个异常检测模型的差异度。若各个异常检测模型之间的差异度较大，即，差异度大于预设的差异的最大值，则需要考虑将所有异常检测模型的参数，都要进行加权，以此获取目标模型参数。若各个异常检测模型之间的差异度较小，即，差异度小于等于预设差异度的最大值，则可以选取异常检测模型中模型参数精度较高的预设个数的异常检测模型，进而根据选取的异常检测模型的模型参数进行加权，确定目标模型参数。
S206，根据目标模型参数对初始异常检测模型进行训练，生成目标异常检测模型，并将目标异常检测模型发送至边缘网关，以使边缘网关能够根据目标异常检测模型在接收到配电房运行数据时进行数据异常预测。
具体地，当获取到目标模型参数后，可以根据该目标模型参数，根据神经网络模型的更新规则，更新异常检测模型的网络中的权重，生成目标异常检测模型。
上述配电房异常检测方法中，通过接收多个边缘网关发送的异常检测模型，根据各异常检测模型之间的差异度，从各异常检测模型的模型参数中确定目标模型参数，根据目标模型参数对初始异常检测模型进行训练，生成目标异常检测模型，并将目标异常检测模型发送至边缘网关，以使边缘网关能够根据目标异常检测模型在接收到配电房运行数据时进行数据异常预测。能够实现各个边缘网关根据对应的感知层设备发送的配电房运行数据对服务器发送的初始异常检测模型进行训练，得到异常检测模型，通过对各个异常检测模型的模型参数进行加权，获取目标异常检测模型，提高了目标异常检测模型的全局性，能综合考虑各个区域的配电房运行数据，进而提高目标异常检测模型的准确性。
上述实施例对配电房异常检测方法进行了说明，在其中如何确定目标异常检测模型的目标模型参数，尤为关键，现以一个实施例对如何确定目标模型参数进行说明，在一个实施例中，如图3所示，根据各异常检测模型之间的差异度，从各异常检测模型的模型参数中确定目标模型参数，包括：
S302，根据各异常检测模型的模型参数，确定各异常检测模型之间的差异度。
具体地，可以对各个异常检测模型两联之间进行比较，比较其模型参数之间差异度。可以通过对两个异常检测模型的模型参数进行做差，确定两两之间的异常检测模型的差异度；也可以通过对两个异常检测模型的模型参数进行做商，确定两两之间的异常检测模型的差异度，在此不加以限制。
S304，根据差异度从各异常检测模型的模型参数中确定中间模型参数。
具体地，对两个异常检测模型的模型参数进行做差，确定两两之间的异常检测模型的差异度，若异常检测模型两两之间的差异度大于等于预设差异度阈值，则根据各异常检测模型的模型参数，确定中间模型参数；即将各个异常检测模型的模型参数均作为中间模型参数。
若异常检测模型两两之间的差异度小于预设差异度阈值，则可以根据差异度较大的异常检测模型的模型参数，确定中间模型参数，即再两两异常检测模型之间，选择模型参数差异度较大的异常检测模型的模型参数，作为中间模型参数。
S306，根据中间模型参数和各异常检测模型的模型训练迭代次数，确定目标模型参数。
具体地，服务器接收到各异常检测模型后，可以获取异常检测模型的迭代次数，根据迭代次数，可以确定各个中间模型参数的重要程度。因为，在模型训练过程中，迭代次数越多的模型，其精确度相应较高。因此，可以为迭代次数较多的异常检测模型中的中间模型参数进行赋权时，赋予更高的权重系数。可以根据各中间模型参数以及异常检测模型的中间模型参数的权重，确定目标模型参数。
进一步地，根据各异常检测模型的模型训练迭代次数，确定各异常检测模型的权重；根据各中间模型参数和各异常检测模型的权重，对各个中间目标参数的加权，确定初始异常检测模型的目标模型参数。示例地，若各个中间模型参数为各个异常检测模型的反向梯度参数，最终选择的异常检测模型为A、B、C、D四个异常检测模型，模型A的反向梯度参数为0.8、模型B的反向梯度参数为0.7、模型C的反向梯度参数为0.6、模型D的反向梯度参数为0.9；模型A的迭代次数为100次、B的迭代次数为90次、C的迭代次数为80次、D的迭代次数为120次，则对模型A、B、C、D的反向梯度参数进行赋权时，可以分别为30％、20％、10％、40％，则最终的目标模型参数的反向梯度参数为(0.3*0.8+0.2*0.7+0.1*0.6+0.4*0.9)＝0.8。
本实施例中，通过根据各异常检测模型的模型参数，确定各异常检测模型之间的差异度，根据差异度从各异常检测模型的模型参数中确定中间模型参数，根据中间模型参数和各异常检测模型的模型训练迭代次数，确定目标模型参数，能够综合考虑各个异常检测模型的模型参数，确定目标检测模型的目标模型参数，增加训练全局性的目标异常检测模型的鲁棒性。
上述实施例对如何确定目标异常检测模型的目标模型参数进行了说明，在一个实施例中，如图4所示，提供了一种配电房异常检测方法，以该方法应用于图1中的边缘网关为例进行说明，包括以下步骤：
S402，接收服务器发送的初始异常检测模型、以及接收感知层设备发送的配电房运行数据。
具体地，感知层设备实时发送配电房运行数据至边缘网关，且需进行异常检测模型训练时，可以接收服务器发送的初始异常检测模型。
S404，根据配电房运行数据对初始异常检测模型进行训练，生成异常检测模型。
具体地，可以将配电房运行数据输入至初始异常检测模型中进行迭代计算，根据损失函数，计算输出结果与目标结果的损失值，根据损失值，调整初始异常检测模型的模型参数，可以是当迭代次数达到预设次数后，训练模型完成，也可以是当损失值达到预设的损失阈值，完成模型的训练，得到多个异常检测模型，在此不加以限制。
S406，将异常检测模型发送至服务器。
具体地，各个边缘网关可以周期性地向服务器发送训练好的异常检测模型；也可以先对训练好的异常检测模型进行预处理，判断是否需要将该异常检测模型发送至服务器中，在需要发送的情况下，将异常检测模型发送至服务器。例如，对异常检测模型与预先存储在边缘网关中的历史异常检测模型进行比对，确定两个模型之间的差异度，在差异度大于预设阈值的情况下，将异常检测模型发送至服务器。
在本实施例中，通过接收服务器发送的初始异常检测模型、以及接收感知层设备发送的配电房运行数据，根据配电房运行数据对初始异常检测模型进行训练，生成异常检测模型，将异常检测模型发送至服务器。能够将各个边缘网关根据服务器下发的初始异常检测模型进行训练生成异常检测模型，并发送至服务器中，以使服务器根据各个异常检测模型，训练具有全局性的目标异常检测模型。
上述实施例对配电房异常监测方法进行了说明，现以一个实施例对配电房异常检测方法进一步说明，在一个实施例中，如图5所示，将异常检测模型发送至服务器，包括：
S502，对异常检测模型的模型参数和历史异常检测模型的模型参数进行比较，得到模型差异度。
具体地，可以对异常检测模型的模型参数和历史异常检测模型的模型参数进行做差或者做商，将差值或商值作为模型差异度。
S504，若模型差异度大于预设模型差异度阈值，则发送异常检测模型至服务器。
具体地，若模型差异度大于预设模型差异度阈值，将异常检测模型发送至服务器。若模型差异度小于等于预设模型差异度阈值，则将该异常检测模型作为目标异常检测模型，并进行存储，删除之前的历史异常检测模型。
在本实施例中，通过对异常检测模型的模型参数和历史异常检测模型的模型参数进行比较，得到模型差异度，若模型差异度大于预设模型差异度阈值，则发送异常检测模型至服务器。能够在与历史异常检测模型的模型参数差异度较大的情况下，才将异常检测模型发送至服务器，降低了服务器的计算量。
上述实施例对配电房异常检测方法进行了说明，在得到目标异常检测模型后，需要对配电房运行数据进行预测，判断配电房是否出现异常，现以一个实施例对如何对配电房运行数据进行预测进行说明，在一个实施例中，如图6所示，配电房异常检测方法，还包括：
S602，接收服务器发送的目标异常检测模型；目标异常检测模型为服务器在接收到各异常检测模型时，根据目标模型参数对初始异常检测模型进行训练生成的模型；其中，目标模型参数是根据各异常检测模型之间的差异度确定的参数。
具体地，当服务器根据多个边缘网关发送的异常检测模型后，需要对多个异常检测模型进行预处理，确定各个异常检测模型之间的差异度，可以对比各个异常检测模型的模型参数的差异度，以确定各个异常检测模型的差异度。若各个异常检测模型之间的差异度较大，即，差异度大于预设的差异的最大值，则需要考虑将所有异常检测模型的参数，都要进行加权，以此获取目标模型参数。若各个异常检测模型之间的差异度较小，即，差异度小于等于预设差异度的最大值，则可以选取异常检测模型中模型参数精度较高的预设个数的异常检测模型，进而根据选取的异常检测模型的模型参数进行加权，确定目标模型参数。当获取到目标模型参数后，可以根据该目标模型参数，根据神经网络模型的更新规则，更新异常检测模型的网络中的权重，生成目标异常检测模型。然后将目标异常检测模型发送至边缘网关，即边缘网关接收到服务器发送的目标异常检测模型。
S604，根据目标异常检测模型，对接收到的配电房运行数据进行数据异常预测，得到数据异常结果。
具体地，将感知层设备采集的配电房运行数据输入至目标异常检测模型中，自动输出数据异常结果。其中，数据异常结果为，配电房出现异常，或者配电房未出现异常。
可选地，配电房的异常包括由人员行为导致的异常、环境造成的配电房异常、配电设备的异常。其中，人员行为导致的异常可以包括：配电房中运维人员可能存在着不当着装，如未佩戴安全帽或未穿着工作服；非运维人员入侵配电房等造成的配电房数据异常。环境造成的配电房异常可以包括：环境温度过高，损伤配电房中设备或导致着火；环境湿度过大，配电房中可能存在漏水，会损伤配电房中设备。配电设备的异常包括：配电房中配电设备的电压、电流或总功率产生异常；可能存在配电房中设备损坏或输电线路上的损坏。
可选地，若数据异常结果为数据异常，则向服务器发送预警信息。
在本实施例中，通过接收服务器发送的目标异常检测模型，根据目标异常检测模型，对接收到的配电房运行数据进行数据异常预测，得到数据异常结果，能够准确实时的判断配电房是否存在异常，同时在出现异常时向服务器发送预警信息，能够提高配电房的安全性。
上述实施例对配电房运行数据进行预测进行了说明，为了提高边缘网关利用异常检测模型对配电房异常数据的效率，可以对模型进行压缩，现以一个实施例对如何进行模型压缩进行说明。在一个实施例中，如图7所示，配电房异常检测方法，还包括：
S702，若异常检测模型的差异度小于等于预设模型差异度阈值，采用剪枝和量化方法对目标异常检测模型进行压缩处理，得到压缩异常检测模型。
具体地，当异常检测模型的差异度小于等于预设模型差异度阈值时，此时异常检测模型虽但能够满足对配电房运行数据的异常检测，但是由于配电房运行数据的数据量过大，可能导致计算时间过长，而实时性较差的问题。基于此，可以通过剪枝和量化方法对目标异常检测模型进行压缩处理。首先，通过对异常检测模型中模型参数的权重和神经元进行剪枝，采用权重数值和神经元的输出值大小作为其重要性的度量，对权重和神经元输出数值低于设定阈值的特定对象进行剪枝，实现对神经网络中重要性低的对象进行删剪，以此对异常检测模型的粗粒度压缩。量化方法是进行模型压缩剪枝操作的后续处理，通过将神经网络中的权重和激活值从32位浮点数量化到8位的定点数，实现网络模型的细粒度压缩。具体可以为在模型训练结束后，对模型的权值分布进行分析，以KL散度作为浮点数饱和阈值的判定对象，计算出浮点模型饱和阈值信息。根据饱和值计算模型量化的关键参数，包括零点和缩放因子，并根据量化参数值进行权重量化操作。进行量化后的校准过程，并根据校准过程记录下量化参数并进行激活值的量化操作。可选地，为了保证模型的推理精度，需要对量化后的网络进行微调和再训练，实现模型大小和计算量得到压缩的同时推理精度不受影响。
S704，根据目标异常检测模型，对接收到的配电房运行数据进行数据异常预测，得到数据异常结果，包括：
根据压缩异常检测模型，对接收到的配电房运行数据进行数据异常预测，得到数据异常结果。
具体地，将感知层设备采集的配电房运行数据输入至压缩异常检测模型中，自动输出数据异常结果。其中，数据异常结果为，配电房出现异常，或者配电房未出现异常。
在本实施例中，通过若异常检测模型的差异度小于等于预设模型差异度阈值，采用剪枝和量化方法对目标异常检测模型进行压缩处理，得到压缩异常检测模型，根据压缩异常检测模型，对接收到的配电房运行数据进行数据异常预测，得到数据异常结果。能够减少边缘网关的计算和存储负担，使边缘网关的计算迅速和耗能减少，满足对配电房运行数据异常检测的实时性和低耗能性。
为了便于本领域技术人员的理解，现以一个实施例对配电房异常检测方法进一步说明，在一个实施例中，如图8所示，配电房异常检测方法，包括：
S801，服务器发送的初始异常检测模型至边缘网关。
S802，感知层设备发送的配电房运行数据至边缘网关。
S803，边缘网关根据所述配电房运行数据对所述初始异常检测模型进行训练，生成异常检测模型。
S804，边缘网关对所述异常检测模型的模型参数和历史异常检测模型的模型参数进行比较，得到模型差异度。
S805，若所述模型差异度大于预设模型差异度阈值，则边缘网关发送所述异常检测模型至所述服务器。
S806，服务器根据各所述异常检测模型的模型参数，确定各所述异常检测模型之间的差异度。
S807，服务器根据所述差异度从各所述异常检测模型的模型参数中确定中间模型参数；若所述异常检测模型两两之间的所述差异度大于等于预设差异度阈值，则根据各所述异常检测模型的模型参数，确定所述中间模型参数；若所述异常检测模型两两之间的所述差异度小于预设差异度阈值，则根据所述差异度较大的所述异常检测模型的模型参数，确定所述中间模型参数。
S808，服务器根据各所述异常检测模型的模型训练迭代次数，确定各所述异常检测模型的权重。
S809，服务器根据各所述中间模型参数和各所述异常检测模型的权重，确定所述初始异常检测模型的目标模型参数。
S810，服务器根据所述目标模型参数对所述初始异常检测模型进行训练，生成目标异常检测模型，并将所述目标异常检测模型发送至所述边缘网关。
S811，若所述模型差异度小于等于预设模型差异度阈值，边缘网关采用剪枝和量化方法对所述目标异常检测模型进行压缩处理，得到压缩异常检测模型。
S812，边缘网关根据所述压缩异常检测模型，对接收到的所述配电房运行数据进行数据异常预测，得到数据异常结果。
应该理解的是，虽然图2-8的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2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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9所示，提供了一种配电房异常检测系统，包括：服务器91、多个边缘网关92、与多个边缘网关对应的多个感知层设备93；
服务器91，用于实现上述配电房异常检测方法中任一项实施例中服务器执行的步骤；
边缘网关92，用于实现上述配电房异常检测方法任一项实施例中边缘网关执行的步骤；
感知层设备93，用于获取配电房运行数据，并发送至边缘网关。
关于配电房异常检测系统的具体限定可以参见上文中对于配电房异常检测方法的限定，在此不再赘述。
在一个实施例中，提供了一种服务器，其内部结构图可以如图10所示。该计服务器包括通过系统总线连接的处理器、存储器和网络接口。其中，该服务器的处理器用于提供计算和控制能力。该服务器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、计算机程序和数据库。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。该服务器的数据库用于存储模型参数数据。该服务器的网络接口用于与外部的边缘网关通过网络连接通信。该计算机程序被处理器执行时以实现一种配电房异常检测方法。
在一个实施例中，提供了一种边缘网关，其内部结构图可以如图11所示。该边缘网关包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该边缘网关的处理器用于提供计算和控制能力。该边缘网关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。该边缘网关的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种配电房异常检测方法。该边缘网关的显示屏可以是液晶显示屏或者电子墨水显示屏，该边缘网关的输入装置可以是显示屏上覆盖的触摸层，也可以是边缘网关外壳上设置的按键、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10和图11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，提供了一种服务器，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上述配电房异常检测方法中任一项实施例中服务器执行的步骤。
在一个实施例中，提供了一种边缘网关，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上述配电房异常检测方法中任一项实施例中边缘网关执行的步骤。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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 (13)
1.一种配电房异常检测方法，其特征在于，所述方法包括：
接收多个边缘网关发送的异常检测模型；其中，所述异常检测模型为所述边缘网关根据感知层设备发送的配电房运行数据对服务器发送的初始异常检测模型进行训练得到的模型；
根据各所述异常检测模型之间的差异度，从各所述异常检测模型的模型参数中确定目标模型参数；
根据所述目标模型参数对所述初始异常检测模型进行训练，生成目标异常检测模型，并将所述目标异常检测模型发送至所述边缘网关，以使所述边缘网关能够根据所述目标异常检测模型在接收到所述配电房运行数据时进行数据异常预测。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述异常检测模型之间的差异度，从各所述异常检测模型的模型参数中确定目标模型参数，包括：
根据各所述异常检测模型的模型参数，确定各所述异常检测模型之间的差异度；
根据所述差异度从各所述异常检测模型的模型参数中确定中间模型参数；
根据所述中间模型参数和各所述异常检测模型的模型训练迭代次数，确定所述目标模型参数。
3.根据权利要求2所述的方法，其特征在于，根据所述中间模型参数和各所述异常检测模型的模型训练迭代次数，确定所述目标模型参数，包括：
根据各所述异常检测模型的模型训练迭代次数，确定各所述异常检测模型的权重；
根据各所述中间模型参数和各所述异常检测模型的权重，确定所述初始异常检测模型的目标模型参数。
4.根据权利要求2所述的方法，其特征在于，所述根据所述差异度从各所述异常检测模型的模型参数中确定中间模型参数，还包括：
若所述异常检测模型两两之间的所述差异度大于等于预设差异度阈值，则根据各所述异常检测模型的模型参数，确定所述中间模型参数；
若所述异常检测模型两两之间的所述差异度小于预设差异度阈值，则根据所述差异度较大的所述异常检测模型的模型参数，确定所述中间模型参数。
5.一种配电房异常检测方法，其特征在于，所述方法包括：
接收服务器发送的初始异常检测模型、以及接收感知层设备发送的配电房运行数据；
根据所述配电房运行数据对所述初始异常检测模型进行训练，生成异常检测模型；
将所述异常检测模型发送至所述服务器。
6.根据权利要求5所述的方法，其特征在于，所述将异常检测模型发送至所述服务器，包括：
对所述异常检测模型的模型参数和历史异常检测模型的模型参数进行比较，得到模型差异度；
若所述模型差异度大于预设模型差异度阈值，则发送所述异常检测模型至所述服务器。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
接收所述服务器发送的目标异常检测模型；所述目标异常检测模型为所述服务器在接收到各所述异常检测模型时，根据目标模型参数对所述初始异常检测模型进行训练生成的模型；其中，所述目标模型参数是根据各所述异常检测模型之间的差异度确定的参数；
根据所述目标异常检测模型，对接收到的所述配电房运行数据进行数据异常预测，得到数据异常结果。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
若所述数据异常结果为数据异常，则向所述服务器发送预警信息。
9.根据权利要求7所述的方法，其特征在于，所述方法还包括：
若所述模型差异度小于等于预设模型差异度阈值，采用剪枝和量化方法对所述目标异常检测模型进行压缩处理，得到压缩异常检测模型；
根据所述目标异常检测模型，对接收到的所述配电房运行数据进行数据异常预测，得到数据异常结果，包括：
根据所述压缩异常检测模型，对接收到的所述配电房运行数据进行数据异常预测，得到数据异常结果。
10.一种配电房异常检测系统，其特征在于，所述系统包括：服务器、多个边缘网关、与多个边缘网关对应的多个感知层设备；
所述服务器，用于执行权利要求1至4中任一项所述方法的步骤；
所述边缘网关，用于执行权利要求5至9中任一项所述方法的步骤；
所述感知层设备，用于获取配电房运行数据，并发送至所述边缘网关。
11.一种服务器，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4中任一项所述的方法的步骤。
12.一种边缘网关，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5至9中任一项所述的方法的步骤。
13.一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9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110545981.8A CN113435103A (zh) | 2021-05-19 | 2021-05-19 | 配电房异常检测方法、系统、服务器、边缘网关和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110545981.8A CN113435103A (zh) | 2021-05-19 | 2021-05-19 | 配电房异常检测方法、系统、服务器、边缘网关和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113435103A true CN113435103A (zh) | 2021-09-24 |
Family
ID=77802472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110545981.8A Pending CN113435103A (zh) | 2021-05-19 | 2021-05-19 | 配电房异常检测方法、系统、服务器、边缘网关和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435103A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113873512A (zh) * | 2021-09-28 | 2021-12-31 | 中国电子科技集团公司信息科学研究院 | 一种物联网边缘网关安全架构系统 |
| CN114448830A (zh) * | 2022-03-07 | 2022-05-06 | 中国农业银行股份有限公司 | 一种设备检测系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110365753A (zh) * | 2019-06-27 | 2019-10-22 | 北京邮电大学 | 基于边缘计算的物联网服务低时延负载分配方法及装置 |
| US10505818B1 (en) * | 2015-05-05 | 2019-12-10 | F5 Networks. Inc. | Methods for analyzing and load balancing based on server health and devices thereof |
| CN110619210A (zh) * | 2019-08-27 | 2019-12-27 | 苏宁云计算有限公司 | 一种模拟器检测方法及系统 |
-
2021
- 2021-05-19 CN CN202110545981.8A patent/CN113435103A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10505818B1 (en) * | 2015-05-05 | 2019-12-10 | F5 Networks. Inc. | Methods for analyzing and load balancing based on server health and devices thereof |
| CN110365753A (zh) * | 2019-06-27 | 2019-10-22 | 北京邮电大学 | 基于边缘计算的物联网服务低时延负载分配方法及装置 |
| CN110619210A (zh) * | 2019-08-27 | 2019-12-27 | 苏宁云计算有限公司 | 一种模拟器检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| JIE MEI等: "Intelligent Universal Acceleration Framework and Verification for Edge Cloud Applications", 2020 IEEE/CIC INTERNATIONAL CONFERENCE ON COMMUNICATIONS IN CHINA (ICCC WORKSHOPS), pages 47 - 52 * |
| 李娜等: "基于主观贝叶斯方法的数据预取技术", 计算机应用, vol. 28, pages 136 - 138 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113873512A (zh) * | 2021-09-28 | 2021-12-31 | 中国电子科技集团公司信息科学研究院 | 一种物联网边缘网关安全架构系统 |
| CN113873512B (zh) * | 2021-09-28 | 2024-04-30 | 中国电子科技集团公司信息科学研究院 | 一种物联网边缘网关安全架构系统 |
| CN114448830A (zh) * | 2022-03-07 | 2022-05-06 | 中国农业银行股份有限公司 | 一种设备检测系统及方法 |
| CN114448830B (zh) * | 2022-03-07 | 2024-04-05 | 中国农业银行股份有限公司 | 一种设备检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| CN113435103A (zh) | 配电房异常检测方法、系统、服务器、边缘网关和介质 | |
| CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
| US20240010100A1 (en) | Processing of status data of a battery for aging estimation | |
| US11619674B2 (en) | State estimation method and state estimation apparatus | |
| KR20170127430A (ko) | 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템 | |
| CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测系统 | |
| CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
| CN114254879A (zh) | 多传感器信息融合的电力设备安全诊断方法和装置 | |
| CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
| CN117176560A (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
| CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| CN106844842B (zh) | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 | |
| Lin et al. | Remaining useful life prediction in prognostics using multi-scale sequence and Long Short-Term Memory network⋆ | |
| CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
| CN113919572A (zh) | 一种负荷预测方法、装置及系统 | |
| CN116050475A (zh) | 关键污染物浓度预测模型的训练方法、装置和计算机设备 | |
| CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
| CN116757303A (zh) | 一种沉降预测方法、系统和设备 | |
| CN109213119A (zh) | 基于在线学习的复杂工业关键部件故障预测方法及系统 | |
| CN113393102A (zh) | 一种基于数据驱动的配电变压器运行状态趋势预测方法 | |
| CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
| CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
| CN112256735A (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
| Yucesan et al. | NARX neural networks model for forecasting daily patient arrivals in the emergency department |
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 |