CN117077731A - 一种多设备协同的配电物联网异常检测方法和系统 - Google Patents
一种多设备协同的配电物联网异常检测方法和系统 Download PDFInfo
- Publication number
- CN117077731A CN117077731A CN202310977543.8A CN202310977543A CN117077731A CN 117077731 A CN117077731 A CN 117077731A CN 202310977543 A CN202310977543 A CN 202310977543A CN 117077731 A CN117077731 A CN 117077731A
- Authority
- CN
- China
- Prior art keywords
- things
- power distribution
- state
- distribution internet
- state data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000010606 normalization Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 206010048669 Terminal state Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种多设备协同的配电物联网异常检测方法和系统，属于电力系统安全领域。方法包括：采集正常状态下的配电物联网的多终端设备的状态数据并做归一化处理；构建基于编码器和解码器的神经网络模型并用归一化处理后的正常状态下配电物联网的多终端设备状态数据进行训练；选取正常状态下配电物联网的多终端设备状态数据通过神经网络模型重建后的误差最大值为阈值；将待测状态下的配电物联网的多终端设备的状态数据归一化处理后输入训练好的基于编码器和解码器的神经网络模型，将输出结果与阈值进行比较，判断待测状态为正常或异常状态。本发明可以实时检测配电物联网的安全状态，对优化电网防护策略，提高配电安全性和稳定性具有重要意义。
Description
技术领域
本发明属于电力系统安全领域，具体涉及一种多设备协同的配电物联网异常检测方法和系统。
背景技术
随着信息技术、大数据、人工智能和自动化技术等的不断发展，传统工业控制系统和基础设施智能化程度增加，信息技术被广泛的应用到配电物联网中，使得电力配网系统变得越来越开放，这给传统相对封闭的电力配网系统带来了全新的挑战。同时，以新能源为主体的新型电力系统加速推进，以分布式光伏、风电为代表的新能源发电装机容量和占比持续扩大，正处于高速发展阶段。我国新能源发电规模持续扩大，其中分布式新能源发电占比不断增加，据国家能源局统计，截至2021年底，我国的分布式光伏的总装机容量已经突破1亿千瓦，约占全部光伏发电并网装机容量的三分之一，并且新增装机占比显著提高。随着高比例分布式新能源的接入，在配电网业务广泛交互、高比例新能源并网的趋势下，终端海量互联，多设备之间协同攻击的风险加剧。
在新型电力系统的配电物联网中，分布式新能源发电设备、光伏逆变器等硬件设备和聚合商平台、云服务、远程控制的软件算法相互依赖，紧密耦合。设备运行的软件算法，业务数据和网络流量等计算过程和数据相互依赖，紧密耦合。一个典型的配电物联网业务依赖软件算法进行控制决策计算，并通过物理实体设备感知采集数据、在物理世界中执行决策。在配电物联终端日益增多、系统结构日益复杂、运行方式日益多样的趋势下，配电物联网面临的安全风险激增。虽然近年来已有大量研究关注面向配电物联网网络攻击的防御，但现有的研究侧重于对单终端的异常检测或对智能电网的网络流量分析，对包含多终端设备的配电物联网异常检测方法还不够成熟。
综上所述，针对配电物联网，设计一种多终端协同的异常检测方法是非常有必要的。
发明内容
本发明提出了一种多设备协同的配电物联网异常检测方法和系统，能实时检测配电物联网各终端设备的异常状态，有助于提高电网的配电安全性和稳定性。
为了实现上述目的，本发明采用的技术方案如下：
第一方面，本发明提供了一种多设备协同的配电物联网异常检测方法，包括：
步骤1，采集正常状态下的配电物联网的多终端设备的状态数据，并进行归一化处理；
步骤2，构建基于编码器和解码器的神经网络模型，将归一化处理后的正常状态下的配电物联网的多终端设备的状态数据作为输入，利用神经网络模型对输入进行重构，根据重构误差训练模型；
步骤3，将正常状态下的配电物联网的多终端设备的状态数据归一化后输入到训练后的神经网络模型中，将重构误差中的最大值为阈值；
步骤4，采集待检测状态下的配电物联网的多终端设备的状态数据，并进行归一化处理；
步骤5，将归一化处理后的待检测状态下的配电物联网的多终端设备的状态数据输入到训练好的基于编码器和解码器的神经网络模型中，将输出结果与阈值进行比较，判断待检测状态下的配电物联网的多终端设备的状态为正常或异常状态。
作为本发明的优选方案，所述的步骤5中，若输出结果小于等于阈值，判断待检测状态下的配电物联网的多终端设备为正常状态；反之，则判断为异常状态。
作为本发明的优选方案，设置阈值更新间隔，每隔一段时间进行一次阈值更新。
作为本发明的优选方案，阈值更新方法：从上一个阈值更新间隔内的历史数据中选取重构误差最大值Emax和最小值Emin，对当前阈值进行更新，更新公式为：
T′＝0.5·T+0.5·(Emax+0.1·(Emax-Emin))
其中，T表示当前阈值，T′表示更新后的阈值。
作为本发明的优选方案，所述的状态数据包括配电物联网中各设备的日志、温度、电流、电压、电源功率和开关开闭情况。
作为本发明的优选方案，所述的步骤S2中，神经网络模型的输入窗口长度为t*L，L表示多终端设备每秒的状态数据的长度，t表示窗口时间。
作为本发明的优选方案，所述的神经网络模型中的编码器为三层结构，第一层由t*L个GRU单元组成，除最后一个GRU单元外，每个GRU单元都向相邻的下一个GRU单元传递隐状态；第二层为Dropout层，用于将第一层的GRU单元的输出压缩后传递至第三层；第三层由L个GRU单元组成，除最后一个GRU单元外，每个GRU单元都向相邻的下一个GRU单元传递隐状态，第三层的输出传递至解码器；
所述的神经网络模型中的解码器结构与编码器结构相反，用于将编码器压缩后的数据进行重构。
第二方面，本发明提供了一种多设备协同的配电物联网异常检测系统，其用于实现上述方法。
本发明的有益效果是：
本发明基于多终端协同的技术，考虑配电物联网多终端设备状态数据的相关性，根据异常情况下多终端状态数据的整体变化，提出针对具有多终端设备的配电物联网的异常检测方法。本发明可实时检测配电物联网的异常情况，对于保障电网的配电安全、稳定运行具有重要的意义。
附图说明
图1是本发明的多设备协同的配电物联网异常检测方法的流程图；
图2是基于编码器和解码器的神经网络模型构建的示意图。
具体实施方式
以下结合附图和实施例对本发明做进一步的说明。
本发明提出的一种多终端协同的配电物联网异常检测方法，适用于各类包含多终端设备的配电物联网等。在配电网业务广泛交互、高比例新能源并网的趋势下，终端海量互联，跨域能力加强，多设备之间协同攻击的风险加剧，但是配电网中信息受限，导致多设备跨域协同攻击造成的安全威胁日益严峻。针对包含多终端的配电物联网，本发明首先采集正常情况下配电物联网中多终端设备的状态数据，并进行归一化处理；其次构建基于编码器和解码器的神经网络模型，并使用归一化处理后的配电物联网多终端设备状态数据训练模型；然后采集待测情况下的配电物联网中多终端设备的状态数据，并进行归一化处理；最后通过模型处理，将输出与阈值相比较，判断待测状态是否为异常状态。
如图1所示，具体实现步骤如下：
S1：采集正常状态下的配电物联网多终端设备状态数据，并进行归一化处理；
当配电物联网正常工作时，针对配电物联网中每台终端设备部署探针，通过在每台终端上内置日志探针软件实时上传各终端设备的日志数据Lk(i)；通过在每台终端的CPU附件部署温度探针，采集各终端设备的温度数据Tk(i)；通过在每台终端的电源处部署电流、电压、功率探针，采集各终端设备的电流数据Ik(i)、功率数据Pk(i)、电压数据Ck(i)；通过在每台终端的控制开关处串联探针，采集各终端设备的开关开闭情况Sk(i)。其中i表示数据采集的时刻，采集频率为每秒1次，k＝1,2,…,m，m为该配电物联网中的终端总数。
总共采集不少于10000条正常情况下的各终端设备状态数据。数据采集完成后，对数据进行归一化处理，归一化处理的方法为：
其中X(i)替换为各设备日志Lk(i)、各设备温度Tk(i)、各设备电流Ik(i)、各设备电源功率Pk(i)、各设备电压Ck(i)、各设备开关开闭情况Sk(i)。
归一化处理后，构建事件eventi＝[l1(i),l2(i),…,lm(i),t1(i),t2(i),…,tm(i),i1(i),i2(i),…,im(i),p1(i),p2(i),…,pm(i),c1(i),c2(i),…,cm(i),s1(i),s2(i),…,sm(i)]，事件eventi表示第i秒时的各终端状态数据，eventi的总长度为L，其中L＝6*m。随后将每5个事件eventi组合成一个窗口，窗口时间t＝5s，一个窗口将包括5秒内的各终端设备的状态数据，能够体现此5秒内的各终端状态数据的变化特点及其关联性。该窗口的长度为5L。
S2：构建基于编码器和解码器的神经网络模型，使用归一化处理后的正常状态下配电物联网的多终端设备状态数据训练模型；
基于编码器和解码器的神经网络模型，由两部分组成：编码器(Encoder)和解码器(Decoder)。
编码器负责将输入数据压缩成较低维度的表示，也称为编码。其目标是将输入数据的关键特征捕捉到编码中。解码器则负责将编码后的数据重新映射为原始输入数据的维度，实现重建。解码器通常与编码器的结构相似，层的大小和参数通常是对称的。解码器的目标是尽可能地恢复原始输入数据，并在重建过程中保留重要的特征。
本发明中使用编码器压缩配电物联网的多终端设备状态数据，并通过解码器进行重构，而重构的数据与输入数据之间存在误差，使用均方误差来表示重构误差，那么理论上使用正常状态下的数据进行训练后的模型对于正常状态下的数据的重构误差较小，而对于异常情况下的数据输入，模型的重构误差相对较大，通过与阈值相比较，即可判断待检测状态是否存在异常。
如图2所示，构建基于编码器和解码器的神经网络模型M，其具体参数为：编码器层为[GRU,GRU](门控循环单元)，解码器层为[GRU,GRU]，编码器隐藏层单元模式为[GRU:5L,GRU:L]，解码器隐藏层单元模式为[GRU:L,GRU:5L]，优化器Adam，损失函数MSE(均方误差)，学习率0.001，迭代次数35000，批大小64。
在本发明的一项具体实施中，将[event0,event1,…,event4]＝[x0,x1,x2,x3,…,x5L-1]输入模型M，数据首先进入编码器，编码器第一层由5L个GRU单元组成，除最后一个GRU单元外，每个GRU单元都向相邻的下一个GRU单元传递隐状态，并向Dropout层传递其输出，记为[y0,y1,y2,y3,…,y5L-1]。Dropout层的输入维度为5L，输出维度为L，记为[z0,z1,z2,z3,…,zL-1]。Dropout层的输出传递给由L个GRU单元组成的第三层，将编码器第三层输出记为第三层结构与第一层相似，第三层结构的输出为L维被压缩的数据。L维被压缩的数据将传递给解码器，解码器的结构与编码器相似，但输入输出模式相反。解码器第一层由L个GRU单元组成，输入为编码器第三层的输出，并向解码器Dropout层传递其输出，记为/>编码器Dropout层的输入维度为L，输出维度为5L，记为编码器Dropout层的输出传递给由5L个GRU单元组成的第三层，将解码器第三层输出记为/>解码器的输入为L维，输出为5L维，其输出即是[event0,event1,…,event4]的重构数据。经过训练，模型M对[event0,event1,…,event4]的维度进行压缩，视为通过编码器实现对输入数据主要特征的自动提取，解码器从所提取的特征中重构数据，重构的数据与原始输入的数据之间的误差作为模型的优化对象。
将每个窗口输入M进行训练，其中训练所用的状态均为正样本，无负样本。正样本为状态下的配电物联网多终端状态数据。训练模型所使用参数如上所示。
S3：采集待检测状态下的配电物联网多终端状态数据，并进行归一化处理；
同步骤S1，采集待检测状态下的配电物联网多终端状态数据，并进行归一化处理，得到待检测状态下的配电物联网多终端状态数据事件eventi＝[l1(i),l2(i),…,lm(i),t1(i),t2(i),…,tm(i),i1(i),i2(i),…,im(i),p1(i),p2(i),…,pm(i),c1(i),c2(i),…,cm(i),s1(i),s2(i),…,sm(i)]。
S4：将待测状态下的配电物联网的各终端设备的归一化处理后的状态数据输入到训练好的基于编码器和解码器的神经网络模型中，将输出结果与阈值进行比较，判断待测状态为正常或异常状态。
本发明中，阈值的定义方法如下：
将正常情况下的状态数据eventi，按照5s的窗口时间构成一个窗口[event0,event1,…,event4]，将所有的正常情况下的状态输入训练后的神经网络模型M，其输出的误差值中的最大值T为异常检测的阈值，即通过神经网络模型M重建的数据与原数据相比的误差最大值为T。如此即可保证所有正常状态输入M后都将判断为正常状态，可有效降低假警率。
确定阈值后，将待测状态下配电物联网多终端状态数据eventi按窗口构成[event0,event1,…,event4]，输入到训练后的神经网络模型M中，输出误差值为H，则有下列判断公式：
在本发明的一项具体实施中，上述神经网络模型每运行24小时，进行一次阈值更新。
具体为：
从上一个24小时的阈值更新间隔内的历史数据中选取重构误差最大值Emax和最小值Emin，对当前阈值进行更新，更新公式为：
T′＝0.5·T+0.5·(Emax+0.1·(Emax-Emin))
其中，T表示当前阈值，T′表示更新后的阈值。再过24小时后同理。根据上述公式再次进行阈值更新，实现多设备协同的配电物联网异常检测方法每运行24小时的阈值更新。
通过上述步骤，即可实现对配电物联网的异常检测，根据多终端协同技术，有助于提高电网的配电安全性和稳定性对于保障电网的安全、稳定运行具有重要的意义。
在本实施例中还提供了一种多设备协同的配电物联网异常检测系统系统，该系统用于实现上述实施例，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能的。
所述的系统包括：
数据采集模块，其用于在训练阶段采集正常状态下的配电物联网的多终端设备的状态数据，以及在检测阶段采集待检测状态下的配电物联网的多终端设备的状态数据；
预处理阶段，其用于对数据采集模块采集的状态数据进行归一化处理；
神经网络模型模块，其由编码器和解码器构成；
训练模块，其用于将归一化处理后的正常状态下的配电物联网的多终端设备的状态数据作为输入，利用神经网络模型对输入进行重构，根据重构误差训练模型；
阈值计算模块，其用于将正常状态下的配电物联网的多终端设备的状态数据归一化后输入到训练后的神经网络模型中，将重构误差中的最大值为阈值；
异常检测模块，其用于将归一化处理后的待检测状态下的配电物联网的多终端设备的状态数据输入到训练好的基于编码器和解码器的神经网络模型中，将输出结果与阈值进行比较，判断待检测状态下的配电物联网的多终端设备的状态为正常或异常状态。
阈值更新模块，其用于根据预设的阈值更新间隔，每隔一段时间进行一次阈值更新，更新公式为：
T′＝0.5·T+0.5·(Emax+0.1·(Emax-Emin))
其中，T表示当前阈值，T′表示更新后的阈值。
所述的神经网络模型的输入窗口长度为t*L，L表示多终端设备每秒的状态数据的长度，t表示窗口时间，所述的多终端设备每秒的状态数据包括配电物联网中各设备的日志、温度、电流、电压、电源功率和开关开闭情况。上述系统中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。对于系统实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明的系统的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。系统实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。
Claims (10)
1.一种多设备协同的配电物联网异常检测方法，其特征在于，包括以下步骤：
步骤1，采集正常状态下的配电物联网的多终端设备的状态数据，并进行归一化处理；
步骤2，构建基于编码器和解码器的神经网络模型，将归一化处理后的正常状态下的配电物联网的多终端设备的状态数据作为输入，利用神经网络模型对输入进行重构，根据重构误差训练模型；
步骤3，将正常状态下的配电物联网的多终端设备的状态数据归一化后输入到训练后的神经网络模型中，将重构误差中的最大值为阈值；
步骤4，采集待检测状态下的配电物联网的多终端设备的状态数据，并进行归一化处理；
步骤5，将归一化处理后的待检测状态下的配电物联网的多终端设备的状态数据输入到训练好的基于编码器和解码器的神经网络模型中，将输出结果与阈值进行比较，判断待检测状态下的配电物联网的多终端设备的状态为正常或异常状态。
2.根据权利要求1所述的多设备协同的配电物联网异常检测方法，其特征在于，所述的步骤5中，若输出结果小于等于阈值，判断待检测状态下的配电物联网的多终端设备为正常状态；反之，则判断为异常状态。
3.根据权利要求1或2所述的多设备协同的配电物联网异常检测方法，其特征在于，设置阈值更新间隔，每隔一段时间进行一次阈值更新。
4.根据权利要求3所述的多设备协同的配电物联网异常检测方法，其特征在于，阈值更新方法：从上一个阈值更新间隔内的历史数据中选取重构误差最大值Emax和最小值Emin，对当前阈值进行更新，更新公式为：
T′＝0.5·T+0.5·(Emax+0.1·(Emax-Emin))
其中，T表示当前阈值，T′表示更新后的阈值。
5.根据权利要求1所述的多设备协同的配电物联网异常检测方法，其特征在于，所述的状态数据包括配电物联网中各设备的日志、温度、电流、电压、电源功率和开关开闭情况。
6.根据权利要求1或5所述的多设备协同的配电物联网异常检测方法，其特征在于，所述的步骤S2中，神经网络模型的输入窗口长度为t*L，L表示多终端设备每秒的状态数据的长度，t表示窗口时间。
7.根据权利要求6所述的多设备协同的配电物联网异常检测方法，其特征在于，所述的神经网络模型中的编码器为三层结构，第一层由t*L个GRU单元组成，除最后一个GRU单元外，每个GRU单元都向相邻的下一个GRU单元传递隐状态；第二层为Dropout层，用于将第一层的GRU单元的输出压缩后传递至第三层；第三层由L个GRU单元组成，除最后一个GRU单元外，每个GRU单元都向相邻的下一个GRU单元传递隐状态，第三层的输出传递至解码器；
所述的神经网络模型中的解码器结构与编码器结构相反，用于将编码器压缩后的数据进行重构。
8.一种多设备协同的配电物联网异常检测系统，其特征在于，包括：
数据采集模块，其用于在训练阶段采集正常状态下的配电物联网的多终端设备的状态数据，以及在检测阶段采集待检测状态下的配电物联网的多终端设备的状态数据；
预处理阶段，其用于对数据采集模块采集的状态数据进行归一化处理；
神经网络模型模块，其由编码器和解码器构成；
训练模块，其用于将归一化处理后的正常状态下的配电物联网的多终端设备的状态数据作为输入，利用神经网络模型对输入进行重构，根据重构误差训练模型；
阈值计算模块，其用于将正常状态下的配电物联网的多终端设备的状态数据归一化后输入到训练后的神经网络模型中，将重构误差中的最大值为阈值；
异常检测模块，其用于将归一化处理后的待检测状态下的配电物联网的多终端设备的状态数据输入到训练好的基于编码器和解码器的神经网络模型中，将输出结果与阈值进行比较，判断待检测状态下的配电物联网的多终端设备的状态为正常或异常状态。
9.根据权利要求8所述的多设备协同的配电物联网异常检测系统，其特征在于，还包括：
阈值更新模块，其用于根据预设的阈值更新间隔，每隔一段时间进行一次阈值更新，更新公式为：
T′＝0.5·T+0.5·(Emax+0.1·(Emax-Emin))
其中，T表示当前阈值，T′表示更新后的阈值。
10.根据权利要求8所述的多设备协同的配电物联网异常检测系统，其特征在于，所述的神经网络模型的输入窗口长度为t*L，L表示多终端设备每秒的状态数据的长度，t表示窗口时间，所述的多终端设备每秒的状态数据包括配电物联网中各设备的日志、温度、电流、电压、电源功率和开关开闭情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310977543.8A CN117077731A (zh) | 2023-08-04 | 2023-08-04 | 一种多设备协同的配电物联网异常检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310977543.8A CN117077731A (zh) | 2023-08-04 | 2023-08-04 | 一种多设备协同的配电物联网异常检测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117077731A true CN117077731A (zh) | 2023-11-17 |
Family
ID=88710665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310977543.8A Pending CN117077731A (zh) | 2023-08-04 | 2023-08-04 | 一种多设备协同的配电物联网异常检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077731A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118278603A (zh) * | 2024-03-04 | 2024-07-02 | 南通汉舟海洋科技有限公司 | 一种海上升压站电气预制舱的配电监测方法及系统 |
| CN118364311A (zh) * | 2024-05-15 | 2024-07-19 | 广东财经大学 | 基于sac的交易设备数据处理方法及系统 |
-
2023
- 2023-08-04 CN CN202310977543.8A patent/CN117077731A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118278603A (zh) * | 2024-03-04 | 2024-07-02 | 南通汉舟海洋科技有限公司 | 一种海上升压站电气预制舱的配电监测方法及系统 |
| CN118364311A (zh) * | 2024-05-15 | 2024-07-19 | 广东财经大学 | 基于sac的交易设备数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| CN117077731A (zh) | 一种多设备协同的配电物联网异常检测方法和系统 | |
| CN111024158B (zh) | 一种结合边缘计算的厨电危险智能监测方法 | |
| CN111710150A (zh) | 一种基于对抗自编码网络的异常用电数据检测方法 | |
| CN113738595B (zh) | 一种风力发电机组叶片状态监测方法及其系统 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN113988136B (zh) | 一种基于深度学习与智能优化的中压断路器故障诊断方法 | |
| CN108390380A (zh) | 一种变压器状态参量趋势预测方法及系统 | |
| CN116840720A (zh) | 燃料电池剩余寿命预测方法 | |
| CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控系统及方法 | |
| Zhang et al. | Electricity theft detection using generative models | |
| CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
| CN118133203A (zh) | 一种电能计量检测信息故障诊断方法 | |
| Hu et al. | Robust feature extraction and ensemble classification against cyber-physical attacks in the smart grid | |
| Lu et al. | False data injection attacks detection on power systems with convolutional neural network | |
| CN113687610B (zh) | 一种gan-cnn电力监测系统终端信息防护法方法 | |
| CN118193954A (zh) | 一种基于边缘计算的配电网异常数据检测方法及系统 | |
| CN112085043B (zh) | 一种变电站网络安全智能监控方法及系统 | |
| CN117521020A (zh) | 一种风电机组齿轮箱轴承状态预测方法 | |
| Kezunovic et al. | Neural network applications to real-time and off-line fault analysis | |
| CN114962186A (zh) | 一种风电机组叶片结冰预测的方法 | |
| Hu et al. | Photovoltaic inverter anomaly detection method based on LSTM serial depth autoencoder | |
| Li et al. | Risk prediction of the SCADA communication network based on entropy-gray model | |
| Dai et al. | A microgrid controller security monitoring model based on message flow | |
| Xu | Research on fault diagnosis of electromechanical actuator based on convolution neural network |
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 |