CN114048362A - 基于区块链的电力数据异常检测方法、装置和系统 - Google Patents
基于区块链的电力数据异常检测方法、装置和系统 Download PDFInfo
- Publication number
- CN114048362A CN114048362A CN202210024627.5A CN202210024627A CN114048362A CN 114048362 A CN114048362 A CN 114048362A CN 202210024627 A CN202210024627 A CN 202210024627A CN 114048362 A CN114048362 A CN 114048362A
- Authority
- CN
- China
- Prior art keywords
- power data
- data
- block chain
- power
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供了一种基于区块链的电力数据异常检测方法、装置和系统,本申请基于中继机制为电力区块链构建了一个监管区块链,该方法包括:获得当前时刻待检测的至少一条目标电力数据;将目标电力数据输入到异常检测模型,得到异常检测模型输出的异常分类结果,异常分类结果用于表征目标电力数据是否属于异常数据,异常检测模型基于区块链已上报的电力数据作为训练样本进行模型训练得到的,且在新数据输入后,根据相似的历史数据进行局部训练优化,训练出更精确的分类模型;如果目标电力数据的异常分类结果表征目标电力数据属于异常数据,标记目标电力数据为异常数据。本申请的方案可以实现更为及时和高效的检测到电力数据中的异常数据。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于区块链的电力数据异常检测方法、装置和系统。
背景技术
随着区块链技术的不断发展,通过区块链来存储电力数据已经成为一种趋势。
由于区块链具有数据不可篡改、可溯源以及公开透明可验证等诸多优点,基于区块链存储电力数据有利于提高电力数据的安全性。区块链上存储的电力数据经常会存在一些异常数据,而目前大多是采用人工方法来监测区块链上的异常数据,但是区块链上存储的电力数据的数据量较大,人工方法很难及时和高效的发现异常数据。
发明内容
有鉴于此,本申请提供了一种基于区块链的电力数据异常检测方法、装置和系统,以实现更为及时和高效的检测到电力数据中的异常数据。
为实现上述目的,本申请提供了一种基于区块链的电力数据异常检测方法,应用于监管区块链,所述监管区块链为由多个监管机构的节点构成的区块链,且所述监管区块链为基于中继机制为至少一个电力区块链构建的中继链,所述电力区块链用于存储电力数据,所述方法包括:
获得当前时刻待检测的至少一条目标电力数据,所述至少一条目标电力数据为:至少一个电力区块链向所述监管区块链上报的,且尚未执行异常检测处理的电力数据;
将所述目标电力数据输入到异常检测模型,得到所述异常检测模型输出的异常分类结果,所述异常分类结果用于表征所述目标电力数据是否属于异常数据,所述异常检测模型为基于所述电力区块链已上报的电力数据作为训练样本,训练出的分类模型;
如果所述目标电力数据的异常分类结果表征所述目标电力数据属于异常数据,标记所述目标电力数据为异常数据。
在一种可能的实现方式中,所述异常检测模型为依据即时学习算法,在最近一次到达模型更新时刻时,基于所述模型更新时刻获得的电力数据以及所述模型更新时刻之前获得的历史电力数据训练出的分类模型。
在又一种可能的实现方式中,所述异常检测模型为结合单分类支持向量机算法训练出的分类模型。
在又一种可能的实现方式中,还包括:
在按照设定的模型更新周期确定出当前到达模型更新时刻时,获得当前时刻所述至少一个电力区块链最新上报的至少一条电力数据;
从当前时刻之前获得的多条历史电力数据中,筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据;
将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据,结合单类支持向量机算法训练分类模型,将训练得到的分类模型确定为所述模型更新时刻之后最近一个模型更新周期内的异常检测模型。
在又一种可能的实现方式中,在筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据之前,还包括:
对所述至少一条电力数据和当前时刻之前获得的多条历史电力数据进行主成分分析,得到至少一条主成分电力数据以及多条主成分历史电力数据;
所述从当前时刻之前获得的多条历史电力数据中,筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据,包括:
从所述多条主成分历史电力数据中,筛选出与所述主成分电力数据的相似度较高的前至少一条目标历史电力数据;
所述将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据,包括:
将所述至少一条主成分电力数据以及至少一条目标历史电力数据作为训练数据。
在又一种可能的实现方式中,所述电力区块链为联盟链。
又一方面,本申请还提供了一种基于区块链的电力数据异常检测装置,应用于监管区块链,所述监管区块链为由多个监管机构的节点构成的区块链,且所述监管区块链为基于中继机制为至少一个电力区块链构建的中继链,所述电力区块链用于存储电力数据,所述装置包括:
数据获得单元,用于获得当前时刻待检测的至少一条目标电力数据,所述至少一条目标电力数据为:至少一个电力区块链向所述监管区块链上报的,且尚未执行异常检测处理的电力数据;
异常监测单元,用于将所述目标电力数据输入到异常检测模型,得到所述异常检测模型输出的异常分类结果,所述异常分类结果用于表征所述目标电力数据是否属于异常数据,所述异常检测模型为基于所述电力区块链已上报的电力数据作为训练样本,训练出的分类模型;
异常标记单元,用于如果所述目标电力数据的异常分类结果表征所述目标电力数据属于异常数据,标记所述目标电力数据为异常数据。
在一种可能的实现方式中,该装置还包括:
训练数据获得单元,用于在按照设定的模型更新周期确定出当前到达模型更新时刻时,获得当前时刻所述至少一个电力区块链最新上报的至少一条电力数据;
数据筛选单元,用于从当前时刻之前获得的多条历史电力数据中,筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据;
模型训练单元,用于将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据,结合单类支持向量机算法训练分类模型,将训练得到的分类模型确定为所述模型更新时刻之后最近一个模型更新周期内的异常检测模型。
在又一种可能的实现方式中,该装置还包括:
主成分分析单元,用于在所述数据筛选单元筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据之前,对所述至少一条电力数据和当前时刻之前获得的多条历史电力数据进行主成分分析,得到至少一条主成分电力数据以及多条主成分历史电力数据;
所述数据筛选单元,具体为,用于从所述多条主成分历史电力数据中,筛选出与所述主成分电力数据的相似度较高的前至少一条目标历史电力数据;
所述模型训练单元在将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据时,具体为,将所述至少一条主成分电力数据以及至少一条目标历史电力数据作为训练数据。
又一方面,本申请还提供了一种基于区块链的电力数据异常检测系统,包括:
至少一个电力区块链,以及,基于中继机制为所述至少一个电力区块链构建的监管区块链,所述监管区块链为所述至少一个电力区块链的中继链,所述监管区块链为由多个监管机构的节点构成的区块链;
其中,所述电力区块链用于存储电力数据;
所述监管区块链用于执行如上任意一项所述的基于区块链的电力数据异常检测方法。
由以上可知,在本申请实施例中,基于中继机制为电力系统中存储电力数据的电力区块链构建了监管区块链,监管区块链可以通过跨链及时和高效地收集电力区块链上的电力数据。在此基础上,监管区块链可以利用训练出的异常检测模型来检测获得的电力数据是否存在异常,从而可以在无需人工干预的前提下,便可以及时和高效的分析出电力区块链上的电力数据是否存在异常,提高了电力数据异常监测的及时性和高效性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1示出了本申请实施例提供的基于区块链的电力数据异常检测系统的一种组成结构示意图;
图2示出了本申请实施例提供的基于区块链的电力数据异常检测方法的一种流程示意图;
图3示出了本申请实施例中提供的基于即时学习算法训练异常检测模型的一种实现流程示意图;
图4示出了本申请实施例提供的基于区块链的电力数据异常检测装置的一种组成结构示意图。
具体实施方式
本申请实施例的方案可以适用于对电力系统中用于存储电力数据的区块链上所存储的电力数据进行异常监测,以及时和高效的检测出区块链中存在的异常电力数据。同时还可以提升检测电力数据中异常数据的准确性。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解,先对本申请提供的基于区块链的电力数据异常检测系统进行介绍。
如图1所示,其示出了本申请提供的基于区块链的电力数据异常检测方法的一种组成架构示意图。
本实施例的系统可以包括:
至少一个电力区块链101,以及,基于中继机制为该至少一个电力区块链构建的监管区块链102。
其中,电力区块链为电力系统中用于存储电力数据的区块链。
如图1所示,每个电力区块链101可以有多个节点1011构成,每个节点可以为服务器等设备。
电力区块链上的存储的电力数据可以为电力系统中存在的任意与电力相关的数据,如电力数据可以包括电力系统下的线路或者用电区域等上的电压、电流以及用电量以及用电调度数据等等,还可以是电力系统中涉及到的电力业务的交易数据信息等等,对此不加限制。
在本申请中电力区块链的区块链形式可以有多种可能,作为一种可选方式,本申请中电力区块链可以为联盟链。
监管区块链102为由多个监管机构的节点1021构成的区块链。
由于监管区块链是基于中继机制为电力区块链构建的区块链,因此,监管区块链本质上是至少一个电力区块链的中继链。
中继机制是侧链与公证人机制的一种融合。中继链是一条功能完备的区块链,可以读取并验证连接到其上的区块链数据信息,中继机制可以说是一种更加直接地实现跨链的方法。中继机制可以在不依赖可信第三方的情况下完成交易验证,是一种更加灵活、更易于扩展的跨链技术,实现形式多种多样,如Cosmos中的Hub、Polkadot中的中继链等都充当中继的角色,一些侧链的实现也采用了中继模式。与公证人机制相比,中继机制用中继链代替原先的公证人,接管公证人的任务,是一种去中心化的公证机制。
在本申请中电力区块链相当于连接到监管区块链上的侧链,因此,电力区块链上的数据可以通过跨链传输给监管区块链,使得监管区块链可以获得各电力区块链上存储的电力数据的具体状态,为监管区块链对电力区块链上存储的电力数据进行异常监测提供了实现可能。
结合电力数据异常检测系统,下面从监管区块链侧对本申请的方案提供的基于区块链的电力数据异常检测方法进行介绍。
如图2所示,其示出了本申请实施例提供的基于区块链的电力数据异常检测方法的一种流程示意图。
本实施例的方法应用于监管区块链,监管区块链为由多个监管机构的节点构成的区块链,且该监管区块链为基于中继机制为至少一个电力区块链构建的中继链,关于监管区块链可以参见前面的相关介绍。
本实施例的方法可以包括:
S201,获得当前时刻待检测的至少一条目标电力数据。
其中,该至少一条目标电力数据为:至少一个电力区块链向该监管区块链上报的,且尚未执行异常检测处理的电力数据。
如,电力区块链可以在存在新上链的电力数据后,将最新存储的电力数据跨链传输给监管区块链,由于电力区块链上报的电力数据尚未被监管区块链进行异常分析,因此,该电力数据仍属于待检测的电力数据。
为了便于区分,将待进行异常检测的电力数据称为目标电力数据。
可以理解的是,每条电力数据都可以是包含多种属性数据,如,一条电力数据中可以包括电压以及电流等多个维度的数据。
S202,将目标电力数据输入到异常检测模型,得到异常检测模型输出的异常分类结果。
其中,该异常分类结果用于表征目标电力数据是否属于异常数据。
在本申请中,该异常检测模型为基于电力区块链已上报的电力数据作为训练样本,训练出的分类模型。
其中,异常检测模型可以为训练出的支持向量机模型,也可以是其他网络模型等等,本申请对此不加限制。
作为一种可选方式,本申请中该异常检测模型可以为结合单分类支持向量机算法训练出的分类模型。。
在一些无法获取到两类样本或者代价较高的场景中,可以仅采用一类样本进行学习,形成数据描述从而实现分类,也就出现了单分类算法。其中,单分类支持向量机(Support Vector Machine,SVM)算法可以有多种,如,本申请采用的单分类支持向量机算法可以为支持向量域描述(Support Vector Domain Description,SVDD)或者孤立森林等训练算法,对此不加限制。
可以理解的是,电力数据产生速度快且变化大,导致短时间内可能会生成大量的新数据,如果不同时间段都采用同一个异常检测模型进行电力数据的异常检测,那么在训练得到异常检测模型之后,随着时间推移,异常检测模型检测异常数据的准确度可能会下降。
基于此,为了能够进一步提升异常数据检测的准确度,本申请还可以结合在监管区跨链中应用即时学习算法(JITL)来不断更新异常检测模型。相应的,在一种可能的实现方式中,本申请实施例中采用的该异常检测模型为依据即时学习算法,在最近一次到达模型更新时刻时,基于模型更新时刻获得的电力数据以及模型更新时刻之前获得的历史电力数据训练出的分类模型。
其中,即时学习算法(Just-in-time Learning Algorithm,JITL)基本思路是根据当前状态的数据,从历史数据库中选择与之相似度最高的训练数据集,然后利用相应的全局建模方法构建模型,从而获得当前状态所对应的输出。传统经典的建模方法的训练数据一般试图包含所有情况,模型构建也往往是一蹴而就,得到的模型不再改变。而通过JITL建立的模型会不断更新,每次重新训练模型后之前的模型就会被丢弃。而且,传输的模型训练方法往往是基于全局数据的,得到的是一个全局的模型,而JITL通过选择相关的局部数据,得到是一个局部的模型,其预测误差相比较小。在本申请中局部数据是指利用更接近当前时刻的训练样本训练出更适合对当前时间段内的电力数据进行异常检测的模型。
后续会结合即时学习算法对本申请中更新异常检测模型的过程进行介绍,在此不再赘述。
可选的,该异常检测模型为依据即时学习算法,在最近一次到达模型更新时刻时,基于模型更新时刻获得的电力数据以及模型更新时刻之前获得的历史电力数据,并结合单分类支持向量机算法训练得到的分类模型。
S203,如果目标电力数据的异常分类结果表征该目标电力数据属于异常数据,标记该目标电力数据为异常数据。
其中,电力数据存在异常是指某种维度的电力数据的取值高于或者低于该电力数据的常规数据等等,例如,正常的电力数据呈现规律的周期性,但是当电力数据出现异常高值或低值时,都可能是电力数据发生了异常。当然,本申请对于电力数据的具体异常情况不加限制。
由以上内容可知,在本申请实施例中,基于中继机制为电力系统中存储电力数据的电力区块链构建了监管区块链,监管区块链可以通过跨链及时和高效地收集电力区块链上的电力数据。在此基础上,监管区块链可以利用训练出的异常检测模型来检测获得的电力数据是否存在异常,从而可以在无需人工干预的前提下,便可以及时和高效的分析出电力区块链上的电力数据是否存在异常,提高了电力数据异常监测的及时性和高效性。
可以理解的是,及时发现电力数据中的异常数据,可以及时对相应数据库进行管控,从而可以保障电力能源使用的安全,便于企业更好地进行配电调度等。
另外,由于本申请中监管区块链中异常检测模型来利用电力区块链上报的电力数据训练得到,使得异常检测模型可以有效检测电力数据是否存在异常,相对于人工来分析电力数据是否异常,基于该异常检测模型分析电力数据的异常数据能够提高异常数据分析的准确度。
可以理解的是,在本申请中,为了能够进一步提升异常数据检测的准确度,本申请可以结合即时学习算法异常检测模型,相应的,在本申请中会不断更新异常检测模型。
下面结合一种可能的实现方式对本申请中结合即时学习算法异常检测模型的过程进行介绍。
如图3所示,其示出了本申请中结合即时学习算法训练异常检测模型的一种实现流程示意图,本实施例的方法应用于监管区块链。
本实施例的流程可以包括:
S301,在按照设定的模型更新周期确定出当前到达模型更新时刻时,获得当前时刻至少一个电力区块链最新上报的至少一条电力数据。
如,可以设定模型更新周期为24小时或者7天等等,具体可以根据需要设定。
假设模型更新周期为,并假设时刻为上一次生成异常检测模型的时刻,那么该异常检测模型仅仅适用于对 到之间的时间段内上报的电力数据进行异常检测。假设的时刻为时刻,那么在到达时,则又到达了新的一个模型更新时刻,从而需要重新训练生成异常检测模型,并丢弃时刻生成的异常检测模型。相应的,时刻上报的数据就是最新上报的电力数据。
S302,对至少一条电力数据和当前时刻之前获得的多条历史电力数据进行主成分分析,得到至少一条主成分电力数据以及多条主成分历史电力数据。
其中,主成分分析(Principal Component Analysis,PCA), 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。
在本申请中,由于电力系统的电力数据的结构多样,通过对电力数据进行主成分分析可以去除电力数据(或者历史电力数据)中的冗余数据,以降低电力数据中数据的维度,实现电力数据的精简。
可以理解的是,对电力数据和历史电力数据进行主成分分析为一种可选步骤,其目的是通过对电力数据的降维来实现数据精简,在实际应用中,如果不进行主成分分析而直接利用电力数据和历史电力数据进行后续步骤的操作,也同样适用于本申请。
S303,从多条主成分历史电力数据中,筛选出与主成分电力数据的相似度较高的至少一条目标历史电力数据。
其中,为了便于区分,将与主成分电力数据相似度较高的主成分历史电力数据称为目标历史电力数据。
如,针对每条主成分电力数据,可以依次计算该主成分电力数据与各条主成分历史电力数据构成的向量的相似度,然后按照相似度从到小的顺序,选取出与该主成分电力数据的相似度较高的前设定数量个主成分历史电力数据作为目标历史电力数据,以作为训练局部模型的训练样本。
可以理解的是,如果本实施例中不执行主成分分析,那么该步骤可以为直接从当前时刻之前获得的多条历史电力数据中,筛选出与步骤S301中获得的电力数据的相似度较高的至少一条目标历史电力数据。
S304,将该至少一条主成分电力数据以及至少一条目标历史电力数据作为训练数据,结合单类支持向量机算法训练分类模型,将训练得到的分类模型确定为该模型更新时刻之后最近一个模型更新周期内的异常检测模型。
其中,单类支持向量机算法可以有多种可能。
如,以使用SVDD方法训练分类模型训练分类模型为例说明:
在SVDD方法的基本思想是通过在映射到高维的特征空间中找出一个包围目标样本点的超球体,并通过最小化该超球体所包围的体积让目标样本点尽能地被包围在超球体中,而非目标样本点尽可能地排除在超球体中,从而达到两类之间划分的目的。该方法目标是求出能够包含正常数据样本的最小超球体的中心和半径(或者说球形边界),以最小化异常数据的影响。
基于该SVDD算法进行模型训练的优化目标如下:
基于如上优化目标可以最终得到一个最小分类模型。在此基础上,可以基于拉格朗日对偶性,判断待检测的电力数据是否处于该SVDD算法确定出的超球体内,若该电力数据在超球体之外,则确认该电力数据属于异常数据。
当然,以上是以SVDD算法为例说明,对于其他单分类支持向量机算法训练分类模型的过程也同样适用于本实施例,不再赘述。
可以理解的是,在当前训练得到的异常检测模型仅仅作为该模型更新时刻之后的一个模型更新周期内用于检测异常数据的模型,而在该模型更新时刻之前训练出的异常检测模型则会被丢弃;而且,后续再次到达新的模型更新时刻时,也会重新训练一个新的异常检测模型,并丢弃当前训练出的该异常检测模型。
可以理解的是,如果本实施例不对电力数据执行主成分分析,那么该步骤可以是将至少一条电力数据以及至少一条目标历史电力数据作为训练数据即可。
由于电力数据量大,产生速度快,而本发明利用的JITL框架能够通过设定时间阈值(模型更新周期)定期更新训练模型的训练数据集并重新训练新的模型,可以使得异常监测及管控的效果更加优秀。
对应本申请的一种基于区块链的电力数据异常检测方法,本申请还提供了一种基于区块链的电力数据异常检测装置。
如图4所示,其示出了本申请提供的基于区块链的电力数据异常检测装置的一种组成结构示意图,本实施例的装置应用于监管区块链,所述监管区块链为由多个监管机构的节点构成的区块链,且所述监管区块链为基于中继机制为至少一个电力区块链构建的中继链,所述电力区块链用于存储电力数据,所述装置包括:
数据获得单元401,用于获得当前时刻待检测的至少一条目标电力数据,所述至少一条目标电力数据为:至少一个电力区块链向所述监管区块链上报的,且尚未执行异常检测处理的电力数据;
异常监测单元402,用于将所述目标电力数据输入到异常检测模型,得到所述异常检测模型输出的异常分类结果,所述异常分类结果用于表征所述目标电力数据是否属于异常数据,所述异常检测模型为基于所述电力区块链已上报的电力数据作为训练样本,训练出的分类模型;
异常标记单元403,用于如果所述目标电力数据的异常分类结果表征所述目标电力数据属于异常数据,标记所述目标电力数据为异常数据。
在一种可能的实现方式中,该装置还包括:
训练数据获得单元,用于在按照设定的模型更新周期确定出当前到达模型更新时刻时,获得当前时刻所述至少一个电力区块链最新上报的至少一条电力数据;
数据筛选单元,用于从当前时刻之前获得的多条历史电力数据中,筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据;
模型训练单元,用于将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据,结合单类支持向量机算法训练分类模型,将训练得到的分类模型确定为所述模型更新时刻之后最近一个模型更新周期内的异常检测模型。
在又一种可能的实现方式中,该装置还包括:
主成分分析单元,用于在所述数据筛选单元筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据之前,对所述至少一条电力数据和当前时刻之前获得的多条历史电力数据进行主成分分析,得到至少一条主成分电力数据以及多条主成分历史电力数据;
所述数据筛选单元,具体为,用于从所述多条主成分历史电力数据中,筛选出与所述主成分电力数据的相似度较高的前至少一条目标历史电力数据;
所述模型训练单元在将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据时,具体为,将所述至少一条主成分电力数据以及至少一条目标历史电力数据作为训练数据。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。同时,本说明书中各实施例中记载的特征可以相互替换或者组合,使本领域专业技术人员能够实现或使用本申请。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于区块链的电力数据异常检测方法,其特征在于,应用于监管区块链,所述监管区块链为由多个监管机构的节点构成的区块链,且所述监管区块链为基于中继机制为至少一个电力区块链构建的中继链,所述电力区块链用于存储电力数据,所述方法包括:
获得当前时刻待检测的至少一条目标电力数据,所述至少一条目标电力数据为:至少一个电力区块链向所述监管区块链上报的,且尚未执行异常检测处理的电力数据;
将所述目标电力数据输入到异常检测模型,得到所述异常检测模型输出的异常分类结果,所述异常分类结果用于表征所述目标电力数据是否属于异常数据,所述异常检测模型为基于所述电力区块链已上报的电力数据作为训练样本,训练出的分类模型;
如果所述目标电力数据的异常分类结果表征所述目标电力数据属于异常数据,标记所述目标电力数据为异常数据。
2.根据权利要求1所述的方法,其特征在于,所述异常检测模型为依据即时学习算法,在最近一次到达模型更新时刻时,基于所述模型更新时刻获得的电力数据以及所述模型更新时刻之前获得的历史电力数据训练出的分类模型。
3.根据权利要求2所述的方法,其特征在于,所述异常检测模型为结合单分类支持向量机算法训练出的分类模型。
4.根据权利要求1至3任意一项所述的方法,其特征在于,还包括:
在按照设定的模型更新周期确定出当前到达模型更新时刻时,获得当前时刻所述至少一个电力区块链最新上报的至少一条电力数据;
从当前时刻之前获得的多条历史电力数据中,筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据;
将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据,结合单类支持向量机算法训练分类模型,将训练得到的分类模型确定为所述模型更新时刻之后最近一个模型更新周期内的异常检测模型。
5.根据权利要求4所述的方法,其特征在于,在筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据之前,还包括:
对所述至少一条电力数据和当前时刻之前获得的多条历史电力数据进行主成分分析,得到至少一条主成分电力数据以及多条主成分历史电力数据;
所述从当前时刻之前获得的多条历史电力数据中,筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据,包括:
从所述多条主成分历史电力数据中,筛选出与所述主成分电力数据的相似度较高的前至少一条目标历史电力数据;
所述将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据,包括:
将所述至少一条主成分电力数据以及至少一条目标历史电力数据作为训练数据。
6.根据权利要求1所述的方法,其特征在于,所述电力区块链为联盟链。
7.一种基于区块链的电力数据异常检测装置,其特征在于,应用于监管区块链,所述监管区块链为由多个监管机构的节点构成的区块链,且所述监管区块链为基于中继机制为至少一个电力区块链构建的中继链,所述电力区块链用于存储电力数据,所述装置包括:
数据获得单元,用于获得当前时刻待检测的至少一条目标电力数据,所述至少一条目标电力数据为:至少一个电力区块链向所述监管区块链上报的,且尚未执行异常检测处理的电力数据;
异常监测单元,用于将所述目标电力数据输入到异常检测模型,得到所述异常检测模型输出的异常分类结果,所述异常分类结果用于表征所述目标电力数据是否属于异常数据,所述异常检测模型为基于所述电力区块链已上报的电力数据作为训练样本,训练出的分类模型;
异常标记单元,用于如果所述目标电力数据的异常分类结果表征所述目标电力数据属于异常数据,标记所述目标电力数据为异常数据。
8.根据权利要求7所述的装置,其特征在于,还包括:
训练数据获得单元,用于在按照设定的模型更新周期确定出当前到达模型更新时刻时,获得当前时刻所述至少一个电力区块链最新上报的至少一条电力数据;
数据筛选单元,用于从当前时刻之前获得的多条历史电力数据中,筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据;
模型训练单元,用于将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据,结合单类支持向量机算法训练分类模型,将训练得到的分类模型确定为所述模型更新时刻之后最近一个模型更新周期内的异常检测模型。
9.根据权利要求8所述的装置,其特征在于,还包括:
主成分分析单元,用于在所述数据筛选单元筛选出与所述电力数据的相似度较高的前至少一条目标历史电力数据之前,对所述至少一条电力数据和当前时刻之前获得的多条历史电力数据进行主成分分析,得到至少一条主成分电力数据以及多条主成分历史电力数据;
所述数据筛选单元,具体为,用于从所述多条主成分历史电力数据中,筛选出与所述主成分电力数据的相似度较高的前至少一条目标历史电力数据;
所述模型训练单元在将所述至少一条电力数据以及至少一条目标历史电力数据作为训练数据时,具体为,将所述至少一条主成分电力数据以及至少一条目标历史电力数据作为训练数据。
10.一种基于区块链的电力数据异常检测系统,其特征在于,包括:
至少一个电力区块链,以及,基于中继机制为所述至少一个电力区块链构建的监管区块链,所述监管区块链为所述至少一个电力区块链的中继链,所述监管区块链为由多个监管机构的节点构成的区块链;
其中,所述电力区块链用于存储电力数据;
所述监管区块链用于执行如上权利要求1至6任意一项所述的基于区块链的电力数据异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024627.5A CN114048362A (zh) | 2022-01-11 | 2022-01-11 | 基于区块链的电力数据异常检测方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024627.5A CN114048362A (zh) | 2022-01-11 | 2022-01-11 | 基于区块链的电力数据异常检测方法、装置和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114048362A true CN114048362A (zh) | 2022-02-15 |
Family
ID=80196195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210024627.5A Pending CN114048362A (zh) | 2022-01-11 | 2022-01-11 | 基于区块链的电力数据异常检测方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048362A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756722A (zh) * | 2022-04-25 | 2022-07-15 | 珠海市鸿瑞信息技术股份有限公司 | 一种多元数据集中管理控制系统及方法 |
CN115412336A (zh) * | 2022-08-26 | 2022-11-29 | 国网数字科技控股有限公司 | 联盟链账本篡改攻击检测方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309884A (zh) * | 2019-07-05 | 2019-10-08 | 国网四川省电力公司经济技术研究院 | 基于泛在电力物联网体系的用电数据异常识别系统 |
CN111127038A (zh) * | 2019-12-19 | 2020-05-08 | 山东爱城市网信息技术有限公司 | 一种基于区块链的用电异常检测方法及设备、介质 |
CN111741114A (zh) * | 2020-06-24 | 2020-10-02 | 陈鹏 | 基于区块链的可监管跨链交互系统、方法及设备 |
CN112114175A (zh) * | 2020-08-10 | 2020-12-22 | 国网河北省电力有限公司沧州供电分公司 | 基于区块链的用户窃电行为检测方法 |
CN112465250A (zh) * | 2020-12-08 | 2021-03-09 | 深圳供电局有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN113723954A (zh) * | 2021-06-15 | 2021-11-30 | 复旦大学 | 一种对区块链中异常交易节点进行检测和监管的方法 |
CN113763173A (zh) * | 2021-08-25 | 2021-12-07 | 甘肃同兴智能科技发展有限责任公司 | 一种基于区块链的电网交易一体可视化数据共享平台 |
-
2022
- 2022-01-11 CN CN202210024627.5A patent/CN114048362A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309884A (zh) * | 2019-07-05 | 2019-10-08 | 国网四川省电力公司经济技术研究院 | 基于泛在电力物联网体系的用电数据异常识别系统 |
CN111127038A (zh) * | 2019-12-19 | 2020-05-08 | 山东爱城市网信息技术有限公司 | 一种基于区块链的用电异常检测方法及设备、介质 |
CN111741114A (zh) * | 2020-06-24 | 2020-10-02 | 陈鹏 | 基于区块链的可监管跨链交互系统、方法及设备 |
CN112114175A (zh) * | 2020-08-10 | 2020-12-22 | 国网河北省电力有限公司沧州供电分公司 | 基于区块链的用户窃电行为检测方法 |
CN112465250A (zh) * | 2020-12-08 | 2021-03-09 | 深圳供电局有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN113723954A (zh) * | 2021-06-15 | 2021-11-30 | 复旦大学 | 一种对区块链中异常交易节点进行检测和监管的方法 |
CN113763173A (zh) * | 2021-08-25 | 2021-12-07 | 甘肃同兴智能科技发展有限责任公司 | 一种基于区块链的电网交易一体可视化数据共享平台 |
Non-Patent Citations (2)
Title |
---|
常鹏: "《基于数据驱动的间歇过程建模及故障监测》", 31 January 2019, 知识产权出版社 * |
钱仲文 等: "一种适用于电力供应链的区块链跨链价值交换机制", 《浙江电力》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756722A (zh) * | 2022-04-25 | 2022-07-15 | 珠海市鸿瑞信息技术股份有限公司 | 一种多元数据集中管理控制系统及方法 |
CN114756722B (zh) * | 2022-04-25 | 2022-10-04 | 珠海市鸿瑞信息技术股份有限公司 | 一种多元数据集中管理控制系统及方法 |
CN115412336A (zh) * | 2022-08-26 | 2022-11-29 | 国网数字科技控股有限公司 | 联盟链账本篡改攻击检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Enhancing the locality and breaking the memory bottleneck of transformer on time series forecasting | |
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 | |
Li et al. | Reinforcement learning for cyber-physical systems: with cybersecurity case studies | |
Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
KR102172925B1 (ko) | 딥러닝 기반 기후 변화 예측 시스템의 동작 방법 | |
CN109543901A (zh) | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 | |
CN114048362A (zh) | 基于区块链的电力数据异常检测方法、装置和系统 | |
CN111782491B (zh) | 一种磁盘故障预测方法、装置、设备及存储介质 | |
WO2020060854A1 (en) | Dynamic graph analysis | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
Goel et al. | Dynamically adaptive and diverse dual ensemble learning approach for handling concept drift in data streams | |
CN111141879A (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
Huang et al. | Adaptive quickest estimation algorithm for smart grid network topology error | |
Liao et al. | Probabilistic wind power forecasting for newly-built wind farms based on multi-task Gaussian process method | |
Xu et al. | Integrated system health management-oriented maintenance decision-making for multi-state system based on data mining | |
Li et al. | TC-GATN: Temporal causal graph attention networks with nonlinear paradigm for multivariate time series forecasting in industrial processes | |
Pisica et al. | Feature selection filter for classification of power system operating states | |
Shayeghi et al. | STLF based on optimized neural network using PSO | |
CN113537607B (zh) | 停电预测方法 | |
Piotrowski et al. | On the importance of training methods and ensemble aggregation for runoff prediction by means of artificial neural networks | |
KR20230063905A (ko) | 순환신경망 기반의 폭염 발생 확률 예측 시스템 | |
Shafi et al. | Software quality prediction techniques: A comparative analysis | |
Tunay et al. | Hybrid local search based genetic algorithm and its practical application | |
Karimi et al. | Distinguishing causal and acausal temporal relations | |
Chen | Bridging machine learning to power system operation and control |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220215 |