CN115760484A - 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 - Google Patents

Abstract

本发明提供一种配电台区隐患辨识能力提升方法、装置、系统及存储介质，该方法包括：步骤一、获取配电台区的数据：所述配电台区的数据包括设备运行时无时序依赖关系的数据以及存在时序关系的数据；步骤二、对于配电台区的无时序依赖关系的数据，使用孤立森林算法检测异常样本点；步骤三、时间序列异常预测：对于存在时序关系的数据，利用长短期神经网络算法进行学习，基于监测数据并结合负荷变化的历史信息序列，考虑负荷日/周/季度间的周期性变化趋势与影响因素导致的突发性变化趋势，对未来的趋势进行预测。本发明以异常检测和异常预测结合的方式帮助判断台区设备的整体状态，使用孤立森林算法和长短期神经网络算法解决问题。

Description

一种配电台区隐患辨识能力提升方法、装置、系统及存储介质

技术领域

本发明涉及电子信息技术领域，具体是一种配电台区隐患辨识能力提升方法、装置、系统及存储介质。

背景技术

台区漏电现象具有隐蔽性强、无规律、数据再现困难等特点。采用传统的排查方法需要投入大量的人力物力，且排查盲目性大、效率低。针对这一现象，利用漏电检测装置和监测系统对可疑台区进行检测，可大大增强漏电检测效果。

目前使用的漏电检测系统多通过直接监测和逐个排查的方法解决，存在效率低下，时间消耗长等问题。

发明内容

针对现有技术存在的上述不足，本发明提供一种配电台区隐患辨识能力提升方法、装置、系统及存储介质，可建立基于孤立森林算法和长短期神经网络算法的低压台区漏电评估与预测算法，加强对线路老化、绝缘性能劣化所导致的漏电进行分析，进而有助于开发台区漏电管家微应用，实现对漏电流状态的评估与预警，为现场漏电故障排查提供数据支撑和指导。

一种配电台区隐患辨识能力提升方法，包括如下步骤：

步骤一、获取配电台区的数据：所述配电台区的数据包括设备运行时无时序依赖关系的数据以及存在时序关系的数据；

步骤二、孤立森林异常检测：对于配电台区的无时序依赖关系的数据，使用孤立森林算法检测异常样本点，基于收集的样本数据集分布情况，考虑异常状态的可能性，从而判断是否数据存在异常；

步骤三、时间序列异常预测：对于存在时序关系的数据，利用长短期神经网络算法进行学习，基于监测数据并结合负荷变化的历史信息序列，考虑负荷日/周/季度间的周期性变化趋势与影响因素导致的突发性变化趋势，对未来的趋势进行预测。

进一步的，所述配电台区的数据按设备进行管理，设备按类型进行管理；台区下同一类设备统一管理，拥有一致的属性变量，根据其模型定义判断各属性变量的类型、定义、处理方式；对设备的属性进行归类，分别进行不同的处理策略：离散数据进行异常监测，判断其在同类设备下的相同属性的取值分布中是否合理；连续时序数据进行时间序列异常预测，判断其在同一设备下的取值波动中取值是否合理。

进一步的，步骤二具体包括：

在孤立森林的训练阶段，对每个子集通过随机选取特征划分的形式生成一棵孤立树，直到孤立树达到限定的高度，或无法继续划分；在孤立森林的测试阶段，用异常值来衡量样本为异常点的可能性大小；将测试样本按中间节点划分条件分支向下走，直到达到叶节点，并记录路径长度h(x)，则异常值s的计算方法为：

其中，c(n)表示孤立树的平均路径长度，E(h(x))表示样本的期望路径长度，通过拟定一个异常阈值，判读异常值大于该异常阈值的样本为异常点。

进一步的，步骤三具体包括：

长短期神经网络算法的模型使用梯度下降法进行训练，根据模型输出与真实数值之间的误差来更新模型权重，误差用损失函数来衡量，根据不同的建模任务选择不同的损失函数来衡量误差；通过计算误差对参数的梯度，以衡量参数对误差造成的影响，得到参数的更新值：

w_ij＝w_ij+η·g_ij

其中，A为对应神经元的激活输出值，w_ij为待更新的第i个神经元的第j个权值，η为学习率，决定模型训练的快慢，待模型训练完成后，对于输入序列X，得到输出序列Y：

Y_t＝σ(W_O[A^＜t-1＞,X_t]+b_O)。

一种配电台区隐患辨识能力提升装置，包括：

数据获取模块，用于获取配电台区的数据，所述配电台区的数据包括设备运行时无时序依赖关系的数据以及存在时序关系的数据；

异常检测模块，用于对于配电台区的无时序依赖关系的数据，使用孤立森林算法检测异常样本点，基于收集的样本数据集分布情况，考虑异常状态的可能性，从而判断是否数据存在异常；

异常预测模块，用于对于存在时序关系的数据，利用长短期神经网络算法进行学习，基于监测数据并结合负荷变化的历史信息序列，考虑负荷日/周/季度间的周期性变化趋势与影响因素导致的突发性变化趋势，对未来的趋势进行预测。

进一步的，所述配电台区的数据按设备进行管理，设备按类型进行管理；台区下同一类设备统一管理，拥有一致的属性变量，根据其模型定义判断各属性变量的类型、定义、处理方式；对设备的属性进行归类，分别进行不同的处理策略：离散数据进行异常监测，判断其在同类设备下的相同属性的取值分布中是否合理；连续时序数据进行时间序列异常预测，判断其在同一设备下的取值波动中取值是否合理。

进一步的，所述异常检测模块对于配电台区的无时序依赖关系的数据，使用孤立森林算法检测异常样本点，基于收集的样本数据集分布情况，考虑异常状态的可能性，从而判断是否数据存在异常，具体包括：

在孤立森林的训练阶段，对每个子集通过随机选取特征划分的形式生成一棵孤立树，直到孤立树达到限定的高度，或无法继续划分；在孤立森林的测试阶段，用异常值来衡量样本为异常点的可能性大小；将测试样本按中间节点划分条件分支向下走，直到达到叶节点，并记录路径长度h(x)，则异常值s的计算方法为：

其中，c(n)表示孤立树的平均路径长度，E(h(x))表示样本的期望路径长度，通过拟定一个异常阈值，判读异常值大于该异常阈值的样本为异常点。

进一步的，所述时间序列异常预测利用长短期神经网络算法进行学习，基于监测数据并结合负荷变化的历史信息序列，考虑负荷日/周/季度间的周期性变化趋势与影响因素导致的突发性变化趋势，对未来的趋势进行预测，具体包括：

长短期神经网络算法的模型使用梯度下降法进行训练，根据模型输出与真实数值之间的误差来更新模型权重，误差用损失函数来衡量，根据不同的建模任务选择不同的损失函数来衡量误差；通过计算误差对参数的梯度，以衡量参数对误差造成的影响，得到参数的更新值：

w_ij＝w_ij+η·g_ij

其中，A为对应神经元的激活输出值，w_ij为待更新的第i个神经元的第j个权值，η为学习率，决定模型训练的快慢，待模型训练完成后，对于输入序列X，得到输出序列Y：

Y_t＝σ(W_O[A^＜t-1＞,X_t]+b_O)。

一种配电台区隐患辨识能力提升系统，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行所述的配电台区隐患辨识能力提升方法。

一种非暂态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所述的配电台区隐患辨识能力提升方法。

本发明根据配电数据特点提出的异常检测与异常预测算法，利用算法的高效性强化台区故障排查的能力，从两方面解决台区设备的异常，隐患分为问题，以异常检测和异常预测结合的方式帮助判断台区设备的整体状态，使用孤立森林算法和长短期神经网络算法解决问题。

附图说明

图1是本发明配电台区隐患辨识能力提升方法的流程图；

图2是本发明实施例台区数据形式；

图3是孤立森林异常检测示意图；

图4是LSTM细胞结构图；

图5是LSTM时序预测图；

图6是孤立森林异常分析示意图；

图7是本发明实施例数据驱动下的状态估计建模及实时评估原理图；

图8是本发明实施例数据驱动下的状态估计建模及实时评估的软件界面图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明从异常检测和异常预测两个角度对台区隐患进行分析判断。配电台区的数据主要分为两类，如图2所示，一类是设备运行时不存在时序依赖关系的各变量、参数数值，通过对这些运行参数的分析比对可判断设备此时的状态是否异常；另一类是存在时序关系的变量，设备实时传递这些信息，需要依靠之前时刻的信息才能对设备此刻或之后的状态进行判断。根据设备的不同变量，可事先根据其定义和数据类型判断其为连续时序依赖的变量还是离散的数值变量。对于收集到的众多设备的离散数据样本点，不存在时序依赖关系的变量，利用孤立森林算法检测异常样本点(如图3所示)，基于收集的样本数据集分布情况，考虑异常状态的可能性，从而判断是否数据存在异常；对于在时间序列上存在依赖关系的数据变量，利用长短期神经网络算法进行学习，基于监测数据并结合负荷变化的历史信息序列，考虑负荷日/周/季度间的周期性变化趋势与由于天气、节假日等影响因素导致的突发性变化趋势，对未来的趋势进行预测。

本发明实施例提供一种配电台区隐患辨识能力提升方法，包括如下步骤：

步骤一、获取配电台区的数据

台区数据按设备进行管理，设备按类型进行管理。台区下同一类设备统一管理，拥有一致的属性变量，根据其模型定义判断各属性变量的类型、定义、处理方式。对设备的属性进行归类，分别进行不同的处理策略：离散数据进行异常监测，判断其在同类设备下的相同属性的取值分布中是否合理；连续时序数据进行时间序列异常预测，判断其在同一设备下的取值波动中取值是否合理。

步骤二、孤立森林异常检测

对于配电台区的无时序依赖数据，使用孤立森林算法进行异常检测。此异常检测问题可描述为，对于给定的样本数据点集合，找出数据集中离群点的过程。孤立森林是一种常见的异常检测算法，凭借其线性的时间复杂度和优秀的准确率被广泛应用于工业界。

孤立森林算法给出两个基础假设：异常数据占总样本量的比例很小；异常点的特征值与正常点的特征值差异很大。根据这两个假设，可得到孤立森林的基本原理：异常样本相较于普通样本可以通过较少次数的随机特征分割被孤立出来。

孤立森林将数据集通过不放回采样的方式得到t个子集，t是超参数，为孤立树的数目，每棵孤立树由子集构建而成。生成的t棵孤立树的集合构成孤立森林，当超参数t到达一定值，孤立森林性能将达到一个顶峰，此后t的增加只会增加消耗的资源而不带来性能的提高。经实验验证，t取100时对大多数数据能提取出足够的信息。

对于每一棵孤立树，包含两种节点：中间节点包含两个子节点，和对应选取的特征和特征分隔值；外部节点即叶节点，包含分割出的样本集合。对于每次的输入样本集合X，取X的特征变量Q，在Q中随机选择变量q和q的分割阈值p，p∈[q_min,q_max]，分割成左右两子树：

X_l←filter(X,q＜p)

X_r←filter(X,q≥p)

对于高度为e，限高为l的孤立树，得到构建的中间节点inNode：

inNode＝{iTree(X_l,e+1,l)iTree(X_r,e+1,l)q p}

若e＞l或|X|≤1，则得到构建的外部节点exNode：

exNode＝{Size←X}

在孤立森林的训练阶段，对每个子集都会通过随机选取特征划分的形式生成一棵孤立树，直到孤立树达到限定的高度，或无法继续划分。在孤立森林的测试阶段，用异常值来衡量样本为异常点的可能性大小。将测试样本按中间节点划分条件分支向下走，直到达到叶节点，并记录路径长度h(x)，则异常值s的计算方法为：

其中，c(n)表示孤立树的平均路径长度，E(h(x))表示样本的期望路径长度。可拟定一个异常阈值，判读异常值大于该值的样本为异常点。

孤立森林是一个基于集成学习的快速异常检测方法，具有线性时间复杂度和高精准度，适用于连续数据的异常检测。孤立森林天然的适合分布式运算，海量数据的场景，其计算开销小的特点很好地适应边缘计算场景。

步骤三、时间序列异常预测

对于配电台区的大量存在时序依赖的变量数据，使用基于时间序列的异常预测算法。时间序列的预测指的是基于序列的历史数据，以及可能对结果产生影响的其他相关序列，对序列未来的可能取值做出预测。时间序列可以分为平稳序列，即存在某种周期，季节性及趋势的方差和均值不随时间而变化的序列和非平稳序列。

针对台区收集到的各类用户用电行为，利用各类智能设备监测的负荷信息，利用负荷的短期、长期变化趋势，分析以及预测用户用电情况，可智能调控电力资源分配，实现系统的高效运行。

神经网络是种拟合任意函数的模型，通过在大量的数据上训练得到逼近真实数据分布的函数模型。循环神经网络属于神经网络的一种，用于处理序列形式的数据，能学习序列数据之间的依赖关系。对于一个RNN模型，在t时刻接收输入x_t和前一时刻的隐藏层输出s_t,得到当前时刻的输出o_t。对于一个序列输入X，模型可以依次生成序列输出Y。

LSTM是RNN的一种特定形式，因其良好的性能而广泛使用。LSTM在RNN的基础上通过增加门机制来解决RNN的短期记忆问题，能够学习到距离更长的依赖关系。其结构图和公式如图4所示。

对于每一时刻的输入，由一个LSTM细胞处理。在细胞中分别有三个门处理记忆信息：遗忘门Γ_f，更新门Γ_u和输出门Γ_o。每个门实际上是一个以sigmoid函数为激活函数的神经元。在序列之间传递的信息由细胞状态c^＜t＞表示，在每一时间步传递时会经过遗忘门和更新门的处理对状态进行更新，当前时刻的输出值由输出门得到。

LSTM模型使用梯度下降法进行训练，根据模型输出与真实数值之间的误差来更新模型权重。误差用损失函数来衡量，一般根据不同的建模任务可选择不同的损失函数来衡量误差。通过计算误差对参数的梯度，以衡量参数对误差造成的影响，得到参数的更新值：

w_ij＝w_ij+η·g_ij

其中，A为对应神经元的激活输出值，w_ij为待更新的第i个神经元的第j个权值，η为学习率，决定模型训练的快慢。待模型训练完成后，对于输入序列X，可得到输出序列Y：

Y_t＝σ(W_O[A^＜t-1＞,X_t]+b_O)

LSTM的优点在于序列建模能力突出，能学习到长距离依赖关系；缺点在于难以并行化，对资源消耗较大。

下面以物联网开关设备举例说明，接收其用电数据，对各属性的数据按照其类别分别进行处理：

其三相电流值，三相电压值都是以波形的形式传输，属于连续的时序依赖变量，对其进行时间序列的异常检测分析；其设备温度，湿度，信号强度以数据点的形式传输，属于无时序依赖变量，对其进行基于孤立森林的异常检测分析。

对于收集到的三相电流，三相电压波形数据，设一段时间t内收集到十个时间点的数据x1，x2，…x9，x10，以序列的形式组织x1，x2，...x9，即[x0,x1,x2,…,x9]。依次输入到LSTM神经网络中，神经网络会依次预测下一个时间点设备对应属性的预测值[y1,y2,…,y9,y10]。设定波动阈值z，若某时间点的预测值yt-xt>z则判断为时序异常。如图5中发现算法预测值在后续与实际传输值发生较大差异，则判断该设备的此属性存在时序异常。

对于收集到的温度，湿度等数据，将其与同类设备的同属性构成数据集合，以数据点的形式构成分布。对其进行随机森林划分，会将各数据点划分为点的集合。设备异常阈值z，判断异常值大于z的属性点被划分为孤立点。若该设备的属性点被划分为孤立点，则该设备的该属性取值异常。如图6中对温度的孤立森林分析，发现设备属性被划分为孤立点X0，则该设备的该属性存在异常。

以台区漏电管家微应用进行示例说明：

微应用通过生成冻结设备物模型，存储过去一段时间的历史数据的方式，使用户能够检索到设备在过去一段时间(日、周、月、年)的各项数据指标，以及通过机器学习算法，对历史数据的变化趋向进行预测。针对数据驱动的配电网态势感知研究主要基于历史多时间断面数据并结合机器学习、神经网络、深度学习等技术构建配电网态势估计模型，进一步根据历史数据学习获得其变化规律，从而预测配电网的未来态势。如图7所示。

智能融合终端会在每一个单位时间读取遥信、遥测、电度等数据并在日志文件中追加更新。数据中心提供了获取实时数据和历史数据的接口。通过在智能终端定义一个LTU、Switch等设备的冻结物模型，让历史数据按照冻结物模型定义的json数据结构文件进行存储，将最终各个时刻的历史数据集合返回给运维系统后台和前端。所有历史数据将根据电压、电流、温湿度、三相关系等数据模型进行分类，并针对LTU、交换机等不同设备类型进行定制开发。使用微应用中的长短期神经网络模型，对某段时期的历史数据进行拟合，计算数据趋势的拟合程度，给出每一类模型的拟合程度数据，给出数据的未来判断。漏电管家中通过孤立森林算法定位出具体的异常设备，通过长短期神经网络模型计算出未来的波形预测情况，如图8所示。

本发明实施例还提供一种配电台区隐患辨识能力提升装置，包括：

数据获取模块，用于获取配电台区的数据，所述配电台区的数据包括设备运行时无时序依赖关系的数据以及存在时序关系的数据；

异常检测模块，用于对于配电台区的无时序依赖关系的数据，使用孤立森林算法检测异常样本点，基于收集的样本数据集分布情况，考虑异常状态的可能性，从而判断是否数据存在异常；

异常预测模块，用于对于存在时序关系的数据，利用长短期神经网络算法进行学习，基于监测数据并结合负荷变化的历史信息序列，考虑负荷日/周/季度间的周期性变化趋势与影响因素导致的突发性变化趋势，对未来的趋势进行预测。

本发明依据电力公司关于配电台区隐患管理工作要求，推进配电台区隐患辨识管理深化应用体系，充分发挥大数据作用，以提升配电台区隐患辨识能力为目标，实现对低压智能设备健康隐患、低压台区漏电隐患、异常用电行为带来的安全隐患等识别能力提升。通过实现采集数据与运维业务的深度融合，完成配电台区重点隐患进行数据分析与辨识，能够很好的指导现场运维高效开展。

通过本发明，可利用智能设备检测配电台区的实时漏电信息，通过对漏电电流的在线监测及变化趋势分析，建立基于孤立森林算法和长短期神经网络算法的低压台区漏电评估与预测算法，加强对线路老化、绝缘性能劣化所导致的漏电进行分析，开发台区漏电管家微应用，实现对漏电流状态的评估与预警，定位漏电设备或线路位置，计算出全台区各设备漏电数值，并提出现场漏电定值设置建议，为现场漏电故障排查提供数据支撑和指导。

本发明另一方面提供了一种配电台区隐患辨识能力提升系统，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行所述的配电台区隐患辨识能力提升方法。

本发明另一方面提供了一种非暂态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所述的配电台区隐患辨识能力提升方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种配电台区隐患辨识能力提升方法，其特征在于：包括如下步骤：

步骤一、获取配电台区的数据：所述配电台区的数据包括设备运行时无时序依赖关系的数据以及存在时序关系的数据；

步骤二、孤立森林异常检测：对于配电台区的无时序依赖关系的数据，使用孤立森林算法检测异常样本点，基于收集的样本数据集分布情况，考虑异常状态的可能性，从而判断是否数据存在异常；

步骤三、时间序列异常预测：对于存在时序关系的数据，利用长短期神经网络算法进行学习，基于监测数据并结合负荷变化的历史信息序列，考虑负荷日/周/季度间的周期性变化趋势与影响因素导致的突发性变化趋势，对未来的趋势进行预测。

2.如权利要求1所述的配电台区隐患辨识能力提升方法，其特征在于：所述配电台区的数据按设备进行管理，设备按类型进行管理；台区下同一类设备统一管理，拥有一致的属性变量，根据其模型定义判断各属性变量的类型、定义、处理方式；对设备的属性进行归类，分别进行不同的处理策略：离散数据进行异常监测，判断其在同类设备下的相同属性的取值分布中是否合理；连续时序数据进行时间序列异常预测，判断其在同一设备下的取值波动中取值是否合理。

3.如权利要求1所述的配电台区隐患辨识能力提升方法，其特征在于：步骤二具体包括：

在孤立森林的训练阶段，对每个子集通过随机选取特征划分的形式生成一棵孤立树，直到孤立树达到限定的高度，或无法继续划分；在孤立森林的测试阶段，用异常值来衡量样本为异常点的可能性大小；将测试样本按中间节点划分条件分支向下走，直到达到叶节点，并记录路径长度h(x)，则异常值s的计算方法为：

其中，c(n)表示孤立树的平均路径长度，E(h(x))表示样本的期望路径长度，通过拟定一个异常阈值，判读异常值大于该异常阈值的样本为异常点。

4.如权利要求1所述的配电台区隐患辨识能力提升方法，其特征在于：步骤三具体包括：

长短期神经网络算法的模型使用梯度下降法进行训练，根据模型输出与真实数值之间的误差来更新模型权重，误差用损失函数来衡量，根据不同的建模任务选择不同的损失函数来衡量误差；通过计算误差对参数的梯度，以衡量参数对误差造成的影响，得到参数的更新值：

w_ij＝w_ij+η·g_ij

其中，A为对应神经元的激活输出值，w_ij为待更新的第i个神经元的第j个权值，η为学习率，决定模型训练的快慢，待模型训练完成后，对于输入序列X，得到输出序列Y：

Y_t＝σ(W_O[A^＜t-1＞,X_t]+b_O)。

5.一种配电台区隐患辨识能力提升装置，其特征在于，包括：

数据获取模块，用于获取配电台区的数据，所述配电台区的数据包括设备运行时无时序依赖关系的数据以及存在时序关系的数据；

异常检测模块，用于对于配电台区的无时序依赖关系的数据，使用孤立森林算法检测异常样本点，基于收集的样本数据集分布情况，考虑异常状态的可能性，从而判断是否数据存在异常；

异常预测模块，用于对于存在时序关系的数据，利用长短期神经网络算法进行学习，基于监测数据并结合负荷变化的历史信息序列，考虑负荷日/周/季度间的周期性变化趋势与影响因素导致的突发性变化趋势，对未来的趋势进行预测。

6.如权利要求5所述的配电台区隐患辨识能力提升装置，其特征在于：所述配电台区的数据按设备进行管理，设备按类型进行管理；台区下同一类设备统一管理，拥有一致的属性变量，根据其模型定义判断各属性变量的类型、定义、处理方式；对设备的属性进行归类，分别进行不同的处理策略：离散数据进行异常监测，判断其在同类设备下的相同属性的取值分布中是否合理；连续时序数据进行时间序列异常预测，判断其在同一设备下的取值波动中取值是否合理。

7.如权利要求5所述的配电台区隐患辨识能力提升装置，其特征在于：所述异常检测模块对于配电台区的无时序依赖关系的数据，使用孤立森林算法检测异常样本点，基于收集的样本数据集分布情况，考虑异常状态的可能性，从而判断是否数据存在异常，具体包括：

在孤立森林的训练阶段，对每个子集通过随机选取特征划分的形式生成一棵孤立树，直到孤立树达到限定的高度，或无法继续划分；在孤立森林的测试阶段，用异常值来衡量样本为异常点的可能性大小；将测试样本按中间节点划分条件分支向下走，直到达到叶节点，并记录路径长度h(x)，则异常值s的计算方法为：

其中，c(n)表示孤立树的平均路径长度，E(h(x))表示样本的期望路径长度，通过拟定一个异常阈值，判读异常值大于该异常阈值的样本为异常点。

8.如权利要求5所述的配电台区隐患辨识能力提升装置，其特征在于：所述时间序列异常预测利用长短期神经网络算法进行学习，基于监测数据并结合负荷变化的历史信息序列，考虑负荷日/周/季度间的周期性变化趋势与影响因素导致的突发性变化趋势，对未来的趋势进行预测，具体包括：

长短期神经网络算法的模型使用梯度下降法进行训练，根据模型输出与真实数值之间的误差来更新模型权重，误差用损失函数来衡量，根据不同的建模任务选择不同的损失函数来衡量误差；通过计算误差对参数的梯度，以衡量参数对误差造成的影响，得到参数的更新值：

w_ij＝w_ij+η·g_ij

其中，A为对应神经元的激活输出值，w_ij为待更新的第i个神经元的第j个权值，η为学习率，决定模型训练的快慢，待模型训练完成后，对于输入序列X，得到输出序列Y：

Y_t＝σ(W_O[A^＜t-1＞,X_t]+b_O)。

9.一种配电台区隐患辨识能力提升系统，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1-4中任一项所述的配电台区隐患辨识能力提升方法。

10.一种非暂态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权利要求1-4中任一项所述的配电台区隐患辨识能力提升方法。

Images