CN116204846B - 一种基于可见图的配电网传感器数据异常快速定位方法 - Google Patents
一种基于可见图的配电网传感器数据异常快速定位方法 Download PDFInfo
- Publication number
- CN116204846B CN116204846B CN202310498322.2A CN202310498322A CN116204846B CN 116204846 B CN116204846 B CN 116204846B CN 202310498322 A CN202310498322 A CN 202310498322A CN 116204846 B CN116204846 B CN 116204846B
- Authority
- CN
- China
- Prior art keywords
- data
- graph
- node
- sensor data
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 33
- 238000009826 distribution Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000002360 preparation method Methods 0.000 claims abstract description 6
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000005192 partition Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于可见图的配电网传感器数据异常快速定位方法包括：利用传感器收集数据，并进行数据准备和数据预处理；对预处理后的数据进行图建模；利用图神经网络模型对所述图建模进行训练；利用训练好的模型对新的传感器数据进行异常检测；对监测出的数据进行后处理。本发明提供的基于可见图的配电网传感器数据异常快速定位方法在实践中，与传统的异常检测方法相比，使用本发明所述的基于可见图的配电网传感器数据异常快速定位方法具有更高的精度和更低的误报率，通过适当的调整和优化，针对不同类型的传感器数据进行定制化处理，以获得更好的检测效果。
Description
技术领域
本发明涉及电力系统技术领域，具体为一种基于可见图的配电网传感器数据异常快速定位方法。
背景技术
配电网作为连接输电网与电力用户的纽带，是电网中能量转换和传输的核心之一。近年来，随着设备制造工艺的提升以及状态评价和状态检修技术的推广，配电网的运行可靠性有了大幅提升。然而，由于设备数量众多且分布广阔，以及设备运行中受部件质量缺陷、绝缘老化、异常运行工况等因素的影响，配网故障仍时有发生，且往往导致严重后果。现阶段，如何进一步配电网传感器数据异常的发现识别水平是亟待解决的问题。
现有的配网数据异常检测算法更多的是针对离群点的异常检测，这些算法能够有效地检测出离群点，而配电网传感器数据在实际的运行过程中所表现出的更多是模式异常，因此这些算法对于配电网传感器数据往往无法达到理想的效果。使用现有主流针对离群点的异常检测方法去检测配电网传感器数据，会存在效率低下的问题，并且根据单点的离群情况很难判断整个传感数据的整体异常情况。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：传统的异常检测方法无法满足实践中的精度要求和低误报率。
为解决上述技术问题，本发明提供如下技术方案：一种基于可见图的配电网传感器数据异常快速定位方法，包括：利用传感器收集数据，并进行数据准备和数据预处理；
对预处理后的数据进行图建模；
利用图神经网络模型对所述图建模进行训练；
利用训练好的模型对新的传感器数据进行异常检测；
对监测出的数据进行后处理；
所述数据准备包括，将传感器收集的数据按照时间顺序排序，形成时间序列数据；
所述数据预处理包括，对所述时间序列数据进行预处理，补充缺失值，并按照时间窗口的大小对数据进行切分；
所述图建模包括，将预处理后的所述时间序列数据建模为一个图，其中每个时间点作为一个节点，并通过时间序列的可视图转化进行图建模；
所述进行训练包括：利用图神经网络模型对建模后的图进行训练，以学习传感器数据的复杂规律和关系，在训练过程中，采用监督学习的方法，利用已知正常数据进行训练，并通过监督学习的方式来调整模型参数；
所述异常检测，具体包括：
对输入图进行节点嵌入学习，得到每个节点的嵌入表示；
根据节点嵌入对图进行分区，使用分配矩阵将其划分为不同的子群；
对每个子群递归地执行相同的过程，直到每个子群仅包含单个节点；
在每个子群的嵌入被聚合成一个单独的嵌入，用于表示整个子群；
生成一组更小的子图，其中每个子图都由一个聚合嵌入和它所包含的节点集合组成；
再使用ResNet进行异常数据与非异常数据分类。
作为本发明所述的基于可见图的配电网传感器数据异常快速定位方法的一种优选方案，其中：当用户进行节点嵌入学习时：
若能得到有效的嵌入表示，则提供相应的界面，查看和分析结果，根据特定的需求来筛选、过滤和排序嵌入结果；
若不能得到有效的嵌入表示，则给出相应的错误提示并指导用户如何改善输入数据；
当用户进行图分区操作时：
若能够自动计算最佳的分区方式，则将其作为默认选项，同时，提供手动设置分区参数的选项，对不同分区方案进行比较，并根据评估指标得出推荐方案；
若不能成功地对图进行分区，则给出相应的错误提示，并指导用户检查输入数据和分区参数是否正确；
当用户进行子图生成操作时：
若能够对聚合嵌入进行可视化，则提供相应的界面，查看每个子图的嵌入表示，并对其进行调整，自定义聚合方式和参数；
若不能生成有效的子图，则给出相应的错误提示，并指导用户检查输入数据和聚合参数是否正确；
当用户使用ResNet进行分类时：
若能够成功分类，则提供相应的界面，进行设置和监控训练过程，支持用户自定义损失函数、优化器和学习率，以满足不同的需求；
若不能成功地进行分类，则给出相应的错误提示，并指导用户检查输入数据和参数设置是否正确；
若分类依然失败，则进一步调整模型架构、增加数据量或进行数据增强。
作为本发明所述的基于可见图的配电网传感器数据异常快速定位方法的一种优选方案，其中：将图神经网络模型第层的学习集群分配矩阵表示为/>，/>的每一行对应于第/>层的/>个节点之一，/>的每一列对应于下一层/>的/>个节点之一，表示/>节点范围的实数空间；将这一层的输入邻接矩阵表示为/>，将这一层的输入节点嵌入矩阵表示为/>；
给定输入，的输出表示为
，粗化输入图，生成新的粗化邻接矩阵和新的嵌入矩阵/>：
；
使用独立的 ResNet 生成，以获取系统状态是否异常，其中softmax 函数以逐行方式应用，/>表示/>的转置矩阵，/>表示节点嵌入矩阵的维数，/> 表示节点范围的实数空间；
；
其中表示粗化邻接矩阵，/>嵌入矩阵。
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如上所述的方法的步骤。
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如上所述的方法的步骤。
本发明的有益效果：使用本发明所述的基于可见图的配电网传感器数据异常快速定位方法，可以在保持原始数据结构的情况下，有效地捕捉传感器之间的复杂关系。相比于传统的异常检测方法，本方法可以从传感器之间的相互作用中提取更多的信息，以更准确地检测异常。在实践中，与传统的异常检测方法相比，使用本发明所述的基于可见图的配电网传感器数据异常快速定位方法具有更高的精度和更低的误报率。此外，本方法还可以通过适当的调整和优化，针对不同类型的传感器数据进行定制化处理，以获得更好的检测效果，特别是在处理高维度、复杂的传感器数据时，其技术效果更为明显。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例提供的一种基于可见图的配电网传感器数据异常快速定位方法的整体流程图；
图2为本发明第一个实施例提供的一种基于可见图的配电网传感器数据异常快速定位方法中时间序列的可视图转化；
图3为本发明第一个实施例提供的一种基于可见图的配电网传感器数据异常快速定位方法的节点连接图；
图4为本发明第一个实施例提供的一种基于可见图的配电网传感器数据异常快速定位方法的基于图神经网络的异常识别模型图；
图5为本发明第二个实施例提供的一种基于可见图的配电网传感器数据异常快速定位方法的数据集规划图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~4，为本发明的一个实施例，提供了一种基于可见图的配电网传感器数据异常快速定位方法，包括：
S1：利用传感器收集数据，并进行数据准备和数据预处理；
收集传感器数据，并将其按照时间顺序排序，以形成时间序列数据，并其进行预处理，补齐缺失值等，并按照时间窗口的大小对数据进行切分。
S2：对预处理后的数据进行图建模；
将预处理后的所述时间序列数据建模为一个图，其中每个时间点作为一个节点，并通过时间序列的可视图转化进行图建模。
更进一步的，时间序列的可视图转化，如图2所示，在上部区域，使用垂直条形图表示时间序列窗口的20个值，将每个时间序列的点与“可视”的所有条形图连接起来，从而得到可视图。
应说明的是，在该图中，每个节点按相同顺序对应于序列数据，并且如果相应数据之间存在“可视性”，则两个节点间存在一条边相连。连接后的图片如图3所示。建立以下“可视性”标准：如果在两个任意数据值和/>之间放置的任何其他数据/>满足以下条件，则它们将具有“可视性”，因此将成为对应图的两个连接节点：
；
S3：利用图神经网络模型对所述图建模进行训练；
利用图神经网络模型对建模后的图进行训练，以学习传感器数据的复杂规律和关系，在训练过程中，可以采用监督学习的方法，利用已知正常数据进行训练，并通过监督学习的方式来调整模型参数。
S4：利用训练好的模型对新的传感器数据进行异常检测；
基于先进神经网络的异常识别，如图4所示，提出基于图神经网络的异常识别模型，时间序列的可视图转化后的传感器序列数据建模为图神经网络的节点，将连接关系建模为图神经网络的边，对整体图和各个节点进行二分类任务，即有异常或无异常两种状态，状态的更新使用ResNet神经网络。
具体步骤为，对输入图进行节点嵌入学习，得到每个节点的嵌入表示；
根据节点嵌入对图进行分区，使用分配矩阵将其划分为不同的子群；
对每个子群递归地执行相同的过程，直到每个子群仅包含单个节点；
在每个子群的嵌入被聚合成一个单独的嵌入，用于表示整个子群；
生成一组更小的子图，其中每个子图都由一个聚合嵌入和它所包含的节点集合组成；
再使用ResNet进行异常数据与非异常数据分类。
进一步的，当用户进行节点嵌入学习时：
若能够得到有效的嵌入表示，则提供相应的界面，让用户可以方便地查看和分析结果，支持用户根据特定的需求来筛选、过滤和排序嵌入结果；
若不能得到有效的嵌入表示，则给出相应的错误提示并指导用户如何改善输入数据；
当用户进行图分区操作时：
若能够自动计算最佳的分区方式，则应该将其作为默认选项，同时，提供手动设置分区参数的选项，以满足用户特定的需求，支持用户对不同分区方案进行比较，并根据评估指标得出推荐方案；
若不能成功地对图进行分区，则给出相应的错误提示，并指导用户检查输入数据和分区参数是否正确；
当用户进行子图生成操作时：
若能够对聚合嵌入进行可视化，则提供相应的界面，让用户可以查看每个子图的嵌入表示，并对其进行调整，支持用户自定义聚合方式和参数，以满足不同的需求；
若不能生成有效的子图，则给出相应的错误提示，并指导用户检查输入数据和聚合参数是否正确；
当用户使用ResNet进行分类时：
若能够成功分类，则提供相应的界面，让用户可以方便地进行设置和监控训练过程，支持用户自定义损失函数、优化器和学习率等参数，以满足不同的需求；
若不能成功地进行分类，则给出相应的错误提示，并指导用户检查输入数据和参数设置是否正确；
若分类依然失败，则进一步调整模型架构、增加数据量或进行数据增强。
应说明的是，将图神经网络模型第层的学习集群分配矩阵表示为/>，的每一行对应于第/>层的/>个节点之一，/>的每一列对应于下一层/>的/>个节点之一，/>表示/>节点范围的实数空间。我们将这一层的输入邻接矩阵表示为，将这一层的输入节点嵌入矩阵表示为/>；
给定输入，的输出可以表示为
，粗化输入图，生成新的粗化邻接矩阵和新的嵌入矩阵/>：
；
使用独立的 ResNet 生成，以获取系统状态是否异常；
其中softmax 函数以逐行方式应用，表示/>的转置矩阵，/>表示节点嵌入矩阵的维数，/>表示/>节点范围的实数空间；
；
其中表示粗化邻接矩阵，/>嵌入矩阵。
S5：对监测出的数据进行后处理；
将检测出的所述异常数据点与实际数据进行对比确认，对比出确认异常数据点，并进行进一步的分析和处理。
计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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和内存储器。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。该计算机设备的数据库用于存储电力监控系统的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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基于遗传优化V-I轨迹神经网络的非侵入式负荷识别方法与系统。
实施例2
参照图5，为本发明的一个实施例，提供了一种基于可见图的配电网传感器数据异常快速定位方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
本发明利用仿真软件对配电线路进行建模，其中电源选用Three-Phase Source模块输出三相交流电，然后通过Three-Phase Transformer模块模拟地面变电站，然后通过Distributed Parameter Line模块模拟的电缆模型将电能输送到中央变电所的Three-Phase Transformer模块。仿真的故障类型包含单相接地短路故障、两相短路故障、两相接地短路故障、三相短路故障4类。数据集划分情况如下：
表1 数据集划分情况
本文进行了与KNN模型、BP神经网络模型和随机森林模型的对比实验，实验表明本文所提模型在数据集规模为200，300，400，500时的检测准确率均超过了其他方法，证明了本文所提方法的有效性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于可见图的配电网传感器数据异常快速定位方法，其特征在于，包括：
利用传感器收集数据，并进行数据准备和数据预处理；
对预处理后的数据进行图建模；
利用图神经网络模型对所述图建模进行训练；
利用训练好的模型对新的传感器数据进行异常检测；
对检测出的异常数据进行后处理；
所述数据准备包括，将传感器收集的数据按照时间顺序排序，形成时间序列数据；
所述数据预处理包括，对所述时间序列数据进行预处理，补充缺失值，并按照时间窗口的大小对数据进行切分；
所述图建模包括，将预处理后的所述时间序列数据建模为一个图，其中每个时间点作为一个节点，并通过时间序列的可视图转化进行图建模；
所述进行训练包括，利用图神经网络模型对建模后的图进行训练，以学习传感器数据的复杂规律和关系，在训练过程中，采用监督学习的方法，利用已知正常数据进行训练，并通过监督学习的方式来调整模型参数；
所述异常检测，具体包括：
对输入图进行节点嵌入学习，得到每个节点的嵌入表示；
根据节点嵌入对图进行分区，使用分配矩阵将其划分为不同的子群；
对每个子群递归地执行相同的过程，直到每个子群仅包含单个节点；
在每个子群的嵌入被聚合成一个单独的嵌入，用于表示整个子群；
生成一组更小的子图，其中每个子图都由一个聚合嵌入和它所包含的节点集合组成；
再使用ResNet进行异常数据与非异常数据分类。
2.如权利要求1所述的基于可见图的配电网传感器数据异常快速定位方法，其特征在于：具体包括：
当用户进行节点嵌入学习时：
若能够得到有效的嵌入表示，则提供相应的界面，查看和分析结果，根据特定的需求来筛选、过滤和排序嵌入结果；
若不能得到有效的嵌入表示，则给出相应的错误提示并指导用户如何改善输入数据；
当用户进行图分区操作时：
若能够自动计算最佳的分区方式，则将其作为默认选项，同时，提供手动设置分区参数的选项，对不同分区方案进行比较，并根据评估指标得出推荐方案；
若不能成功地对图进行分区，则给出相应的错误提示，并指导用户检查输入数据和分区参数是否正确；
当用户进行子图生成操作时：
若能够对聚合嵌入进行可视化，则提供相应的界面，查看每个子图的嵌入表示，并对其进行调整，自定义聚合方式和参数；
若不能生成有效的子图，则给出相应的错误提示，并指导用户检查输入数据和聚合参数是否正确；
当用户使用ResNet进行分类时：
若能够成功分类，则提供相应的界面，进行设置和监控训练过程，支持用户自定义损失函数、优化器和学习率，以满足不同的需求；
若不能成功地进行分类，则给出相应的错误提示，并指导用户检查输入数据和参数设置是否正确；
若分类依然失败，则进一步调整模型架构、增加数据量或进行数据增强。
3.如权利要求2所述的基于可见图的配电网传感器数据异常快速定位方法，其特征在于：所述使用ResNet进行异常数据与非异常数据分类，具体包括：
将图神经网络模型第层的学习集群分配矩阵表示为/>，/>的每一行对应于第/>层的/>个节点之一，/>的每一列对应于下一层/>的个/>节点之一， />表示/>节点范围的实数空间；将这一层的输入邻接矩阵表示为/>，将这一层的输入节点嵌入矩阵表示为/>；
给定输入，的输出表示为
，
粗化输入图，生成新的粗化邻接矩阵和新的嵌入矩阵/>：
；
使用独立的 ResNet 生成，以获取系统状态是否异常，其中softmax 函数以逐行方式应用，/>表示/>的转置矩阵，/>表示节点嵌入矩阵的维数，/> 表示/>节点范围的实数空间；
；
其中表示粗化邻接矩阵，/>嵌入矩阵。
4.一种计算机设备，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3中任一项所述的方法的步骤。
5.一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3中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498322.2A CN116204846B (zh) | 2023-05-06 | 2023-05-06 | 一种基于可见图的配电网传感器数据异常快速定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498322.2A CN116204846B (zh) | 2023-05-06 | 2023-05-06 | 一种基于可见图的配电网传感器数据异常快速定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116204846A CN116204846A (zh) | 2023-06-02 |
| CN116204846B true CN116204846B (zh) | 2023-08-01 |
Family
ID=86515076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310498322.2A Active CN116204846B (zh) | 2023-05-06 | 2023-05-06 | 一种基于可见图的配电网传感器数据异常快速定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116204846B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117034179B (zh) * | 2023-10-10 | 2024-02-02 | 国网山东省电力公司营销服务中心(计量中心) | 基于图神经网络的异常电量识别及溯源方法及系统 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2491464A1 (en) * | 2009-10-19 | 2012-08-29 | Siemens Corporation | Fault detection in hvac- systems using building information models and heat flow models |
| CN111046027A (zh) * | 2019-11-25 | 2020-04-21 | 北京百度网讯科技有限公司 | 时间序列数据的缺失值填充方法和装置 |
| CN111524478A (zh) * | 2019-02-05 | 2020-08-11 | 三星显示有限公司 | 检测故障的设备和方法 |
| CN111542010A (zh) * | 2020-04-22 | 2020-08-14 | 青岛黄海学院 | 基于分类自适应估计加权融合算法的wsn数据融合方法 |
| CN113272774A (zh) * | 2018-11-02 | 2021-08-17 | 思睿人工智能公司 | 用于全历史动态网络分析的系统和方法 |
| CN113992718A (zh) * | 2021-10-28 | 2022-01-28 | 安徽农业大学 | 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统 |
| CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
| CN114881115A (zh) * | 2022-04-02 | 2022-08-09 | 中国科学院计算技术研究所 | 一种基于图神经网络的多变量时间序列异常检测方法及系统 |
| CN115018021A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司肇庆供电局 | 基于图结构与异常注意力机制的机房异常检测方法及装置 |
| CN115048971A (zh) * | 2021-03-08 | 2022-09-13 | 罗伯特·博世有限公司 | 经机器学习的异常检测 |
| CN115393269A (zh) * | 2022-07-13 | 2022-11-25 | 中国科学院大学 | 一种基于多模态影像数据的可扩展多层级图神经网络模型 |
| CN115600138A (zh) * | 2022-12-13 | 2023-01-13 | 四川大学（Cn） | 基于动态图残差卷积的流体动压密封环磨损故障检测方法 |
| CN115618296A (zh) * | 2022-10-26 | 2023-01-17 | 河海大学 | 一种基于图注意力网络的大坝监测时序数据异常检测方法 |
| CN115761240A (zh) * | 2023-01-10 | 2023-03-07 | 国科大杭州高等研究院 | 一种混沌反向传播图神经网络的图像语义分割方法及装置 |
| CN115797804A (zh) * | 2022-11-17 | 2023-03-14 | 西北工业大学 | 一种基于不平衡时序航空飞行数据的异常检测方法 |
| CN115952465A (zh) * | 2023-03-10 | 2023-04-11 | 畅捷通信息技术股份有限公司 | 一种传感器数据异常检测的方法、装置及计算机存储介质 |
| CN115982235A (zh) * | 2022-12-19 | 2023-04-18 | 昭通亮风台信息科技有限公司 | 一种异常时序数据检测方法、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210084056A1 (en) * | 2019-09-18 | 2021-03-18 | General Electric Company | Replacing virtual sensors with physical data after cyber-attack neutralization |
-
2023
- 2023-05-06 CN CN202310498322.2A patent/CN116204846B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2491464A1 (en) * | 2009-10-19 | 2012-08-29 | Siemens Corporation | Fault detection in hvac- systems using building information models and heat flow models |
| CN113272774A (zh) * | 2018-11-02 | 2021-08-17 | 思睿人工智能公司 | 用于全历史动态网络分析的系统和方法 |
| CN111524478A (zh) * | 2019-02-05 | 2020-08-11 | 三星显示有限公司 | 检测故障的设备和方法 |
| CN111046027A (zh) * | 2019-11-25 | 2020-04-21 | 北京百度网讯科技有限公司 | 时间序列数据的缺失值填充方法和装置 |
| CN111542010A (zh) * | 2020-04-22 | 2020-08-14 | 青岛黄海学院 | 基于分类自适应估计加权融合算法的wsn数据融合方法 |
| CN115048971A (zh) * | 2021-03-08 | 2022-09-13 | 罗伯特·博世有限公司 | 经机器学习的异常检测 |
| CN113992718A (zh) * | 2021-10-28 | 2022-01-28 | 安徽农业大学 | 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统 |
| CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
| CN114881115A (zh) * | 2022-04-02 | 2022-08-09 | 中国科学院计算技术研究所 | 一种基于图神经网络的多变量时间序列异常检测方法及系统 |
| CN115393269A (zh) * | 2022-07-13 | 2022-11-25 | 中国科学院大学 | 一种基于多模态影像数据的可扩展多层级图神经网络模型 |
| CN115018021A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司肇庆供电局 | 基于图结构与异常注意力机制的机房异常检测方法及装置 |
| CN115618296A (zh) * | 2022-10-26 | 2023-01-17 | 河海大学 | 一种基于图注意力网络的大坝监测时序数据异常检测方法 |
| CN115797804A (zh) * | 2022-11-17 | 2023-03-14 | 西北工业大学 | 一种基于不平衡时序航空飞行数据的异常检测方法 |
| CN115600138A (zh) * | 2022-12-13 | 2023-01-13 | 四川大学（Cn） | 基于动态图残差卷积的流体动压密封环磨损故障检测方法 |
| CN115982235A (zh) * | 2022-12-19 | 2023-04-18 | 昭通亮风台信息科技有限公司 | 一种异常时序数据检测方法、设备及介质 |
| CN115761240A (zh) * | 2023-01-10 | 2023-03-07 | 国科大杭州高等研究院 | 一种混沌反向传播图神经网络的图像语义分割方法及装置 |
| CN115952465A (zh) * | 2023-03-10 | 2023-04-11 | 畅捷通信息技术股份有限公司 | 一种传感器数据异常检测的方法、装置及计算机存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于声发射的航空发动机异常状态识别方法研究;黄矫燕;《北京化工大学》(第3期);C031-7 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116204846A (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106199276B (zh) | 一种用电信息采集系统中异常信息的智能诊断系统及方法 | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN110458230A (zh) | 一种基于多判据融合的配变用采数据异常甄别方法 | |
| CN112382064A (zh) | 一种基于数字孪生技术的电力物联网故障预警方法及系统 | |
| CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN116204846B (zh) | 一种基于可见图的配电网传感器数据异常快速定位方法 | |
| CN112306835B (zh) | 用户数据监控分析方法、装置、设备及介质 | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
| CN115937079A (zh) | 一种基于YOLO v3的输电线路缺陷快速检测方法 | |
| CN112083275A (zh) | 一种配网故障类型识别方法及系统 | |
| CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN113159517B (zh) | 一种三维可视化电网运行数据分析系统 | |
| CN114460519A (zh) | 基于电力互感器检验的现场与终端融合管理系统和方法 | |
| CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
| CN113010394A (zh) | 一种用于数据中心的机房故障检测方法 | |
| CN110471279B (zh) | 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法 | |
| CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
| CN115829168A (zh) | 基于数据分析的新能源设备远程协调运维管理系统 | |
| CN104714205B (zh) | 电表错置侦测系统及其方法 | |
| CN115840920A (zh) | 光伏组串单日可分异常分类方法、装置、设备及存储介质 | |
| CN114282598A (zh) | 多源异构电网数据融合方法、装置、设备及计算机介质 | |
| CN114170291A (zh) | 一种电力设备巡检方法 | |
| CN106451503A (zh) | 带有温度和振动告警单元的三相不平衡治理装置及其实现方法 | |
| CN106600034A (zh) | 带有现场温度告警功能的三相不平衡治理装置及其实现方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |