CN117726319A - 基于大数据分析的电力系统异常检测方法以及装置 - Google Patents
基于大数据分析的电力系统异常检测方法以及装置 Download PDFInfo
- Publication number
- CN117726319A CN117726319A CN202311730945.4A CN202311730945A CN117726319A CN 117726319 A CN117726319 A CN 117726319A CN 202311730945 A CN202311730945 A CN 202311730945A CN 117726319 A CN117726319 A CN 117726319A
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- detection
- abnormality detection
- target
- 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 382
- 230000005856 abnormality Effects 0.000 title claims abstract description 157
- 238000007405 data analysis Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims description 85
- 238000012423 maintenance Methods 0.000 claims description 78
- 230000006870 function Effects 0.000 claims description 48
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000012790 confirmation Methods 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 49
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种基于大数据分析的电力系统异常检测方法及装置,方法应用于电力系统的检测终端,电力系统还包括多个电力设备,检测终端存储有多个预设的异常检测模型,异常检测模型包括异常检测模型对应的预设设备标识信息,方法包括:获取电力设备的设备信息和电力设备的设备标识信息;根据设备标识信息和预设设备标识信息将电力设备对应的异常检测模型确认为目标异常检测模型;将设备信息输入至目标异常检测模型,目标异常检测模型根据设备信息输出设备信息对应的预测检测信息,完成对电力设备的异常检测。进而能对每个电力设备进行针对性的异常检测,以快速实现对多种功能、种类各异的电力设备的设备的在线异常检测,确保电力系统的正常运行。
Description
技术领域
本发明涉及电力设备检测的技术领域,尤其涉及一种基于大数据分析的电力系统异常检测方法以及装置。
背景技术
电能高效利用能够为用户提供可靠、优质的电能供应。现代社会的发展对电力系统在提高供电可靠性提出了更高的要求。若电力系统中的任一电力设备发生故障导致部分区域需要停电进行检修时,对区域经济造成的影响是难以估量的。
而现有的电力系统的异常检测技术主要基于传统的数据分析方法,通过建立预定义的规则或模型来判断电力系统的运行状态是否正常,但随着电力系统的电力设备种类和功能都不断增多,需要人工不断对预定义的规则或模型进行更新。导致现有的方法在电力设备的异常检测的效率极低,影响检测效率及时间。
发明内容
本申请提供了一种基于大数据分析的电力系统异常检测方法以及装置,旨在解决随着电力系统的电力设备种类和功能都不断增多,需要人工不断对用于判断电力系统运行状态是否正常的预定义的规则或模型进行更新。导致现有的方法在电力设备的异常检测的效率极低,影响检测效率及时间的问题。
第一方面,本申请提供了一种基于大数据分析的电力系统异常检测方法,应用于电力系统的检测终端,所述电力系统还包括多个电力设备,所述检测终端存储有多个预设的异常检测模型,所述异常检测模型包括所述异常检测模型对应的预设设备标识信息;所述方法包括:
获取所述电力设备的设备信息和所述电力设备的设备标识信息;
根据所述设备标识信息和所述预设设备标识信息将所述电力设备对应的异常检测模型确认为目标异常检测模型;
将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息,完成对所述电力设备的异常检测。
在一些实施例中,在所述获取所述电力设备的设备信息和所述电力设备的设备标识信息之前,所述还方法包括:获取所述电力系统的多条历史检测信息,所述异常检测模型为多层感知机模型,每条所述历史检测信息包括设备标识信息、历史设备信息和检测结果信息;根据所述设备标识信息和对应的所述预设设备标识信息将所述历史检测信息对应的待训练的多层感知机模型确认为目标多层感知机模型;将所述历史设备信息输入至所述目标多层感知机模型,所述目标多层感知机模型根据所述历史设备信息输出所述设备信息对应的预测检测信息;根据所述预测检测信息和检测结果信息优化所述目标多层感知机模型,完成对所述目标多层感知机模型的训练。
在一些实施例中,所述根据所述预测检测信息和检测结果信息优化所述目标多层感知机模型,包括:计算所述预测检测信息和历史检测信息的损失函数,根据所述损失函数调整所述目标多层感知机模型,直至所述损失函数符合预设条件;其中,所述损失函数为不变性损失函数,所述不变性损失函数的表达式如下:
LInv(w1,w2)=(w1-w2)2
其中,LInv(,)表示不变性损失值,w1与w2分别表示所述预测检测信息和历史检测信息。
在一些实施例中,在所述将所述设备信息输入至所述目标异常检测模型之前,还包括:对所述设备信息进行数据清洗;对数据清洗后的所述设备信息进行特征提取,以获取所述电力设备的传感器信息、图像信息和操作信息。
在一些实施例中,预测检测信息包括传感器检测信息、外观检测信息和操作检测信息;所述将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息,包括:将所述传感器信息、图像信息和操作信息输入至所述目标异常检测模型,所述目标异常检测模型分别根据所述传感器信息、图像信息和操作信息输出所述传感器检测信息、外观检测信息和操作检测信息。
在一些实施例中,所述预测检测信息包括预测检测结果和预测异常类型;在所述将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息之后,所述方法还包括:根据所述设备信息和所述设备信息对应的预测异常类型确认所述电力设备的异常配件信息,根据所述异常配件信息完成对所述电力设备的维修。
在一些实施例中,所述根据所述异常配件信息完成对所述电力设备的维修,包括:根据所述异常配件信息在所述电力设备中确认待维修的目标配件;根据所述预测异常类型和异常配件信息生成维修信息,根据所述维修信息完成的所述目标配件的维修。
在一些实施例中,所述根据所述预测异常类型和异常配件信息生成维修信息,包括:根据所述预测异常类型获取所述目标配件的历史维修信息和所述历史维修信息对应的历史配件信息,用于根据所述历史维修信息和所述异常配件信息确定所述目标配件的所述维修信息;或,将所述预测异常类型和异常配件信息输入至预设的配件维修模型,所述配件维修模型用于根据所述预测异常类型和异常配件信息生成所述维修信息。
第二方面,本申请提供了一种基于大数据分析的电力系统异常检测装置,应用于电力系统的检测终端,所述电力系统还包括多个电力设备,所述检测终端存储有多个预设的异常检测模型,所述异常检测模型包括所述异常检测模型对应的预设设备标识信息;所述装置包括:
信息获取模块,用于获取所述电力设备的设备信息和所述电力设备的设备标识信息;
目标确认模块,用于根据所述设备标识信息和所述预设设备标识信息将所述电力设备对应的异常检测模型确认为目标异常检测模型;
异常检测模块,用于将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息,完成对所述电力设备的异常检测。
第三方面,本申请实施例提供了一种电力系统,所述电力系统包括检测终端和多个电力设备,所述检测终端存储有多个预设的异常检测模型,所述异常检测模型包括所述异常检测模型对应的预设设备标识信息;其中,所述检测终端包括存储器和处理器;所述存储器与所述处理器连接,用于存储程序;所述处理器用于通过运行所述存储器中存储的程序,实现本申请任一实施例所提供的异常检测方法的步骤。
本申请提供了一种基于大数据分析的电力系统异常检测方法,方法应用于电力系统的检测终端,电力系统还包括多个电力设备,检测终端存储有多个预设的异常检测模型,异常检测模型包括异常检测模型对应的预设设备标识信息,方法包括:获取电力设备的设备信息和电力设备的设备标识信息;根据设备标识信息和预设设备标识信息将电力设备对应的异常检测模型确认为目标异常检测模型;将设备信息输入至目标异常检测模型,目标异常检测模型根据设备信息输出设备信息对应的预测检测信息,完成对电力设备的异常检测。进而通过检测终端在多个异常检测模型中根据电力设备的设备标识信息确定电力设备对应的目标异常检测模型,能够对每个电力设备进行针对性的异常检测,以快速实现对多种功能、种类各异的电力设备的设备的在线异常检测,确保电力系统的正常运行。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
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一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例所提供的一种电力系统的结构示意框图;
图2是本申请实施例提供的一种基于大数据分析的电力系统异常检测方法的步骤示意流程图;
图3是本申请实施例所提供的一种基模型训练方法的步骤示意流程图;
图4是本申请实施例提供的另一种基于大数据分析的电力系统异常检测方法的步骤示意流程图;
图5是本申请实施例所提供的又一种基于大数据分析的电力系统异常检测方法的步骤示意流程图;
图6是本申请实施例提供的还一种基于大数据分析的电力系统异常检测方法的步骤示意流程图;
图7是本申请实施例提供的一种基于大数据分析的电力系统异常检测装置的结构示意框图。
图8是本申请的实施例提供的一种检测终端的结构示意框图。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
具体实施方式
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做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。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
电能高效利用能够为用户提供可靠、优质的电能供应。现代社会的发展对电力系统在提高供电可靠性提出了更高的要求。若电力系统中的任一电力设备发生故障导致部分区域需要停电进行检修时,对区域经济造成的影响是难以估量的。
而现有的电力系统的异常检测技术主要基于传统的数据分析方法,通过建立预定义的规则或模型来判断电力系统的运行状态是否正常,但随着电力系统的电力设备种类和功能都不断增多,需要人工不断对预定义的规则或模型进行更新。导致现有的方法在电力设备的异常检测的效率极低,影响检测效率及时间。
请参照图1,图1是本申请实施例所提供的一种电力系统的结构示意框图。如图1所示,所提供的电力系统10包括检测终端11和多个电力设备12。检测终端11存储有多个预设的异常检测模型,例如多个AI模型,异常检测模型包括异常检测模型对应的预设设备标识信息。
具体地,电力系统10包括用于异常检测的检测终端11和多个用于维持电力系统运行的电力设备12,电力设备12可以是发电设备、变电设备、输电设备和用电设备中的中的任一电力设备12。检测终端11对不同的电力设备12存储有对应的异常检测模型,能够快速实现对电力设备12的异常检测。
在一些实施例中,检测终端11为服务器。在一些实施例中,检测终端11为电脑。在一些实施例中检测终端11为手机。检测终端11只需要能够实时与多个电力设备建立通讯连接以获取电力设备12的设备信息对其进行异常检测即可,故本申请实施例对检测终端11的类型不作限制。
本申请实施例提供了一种电力系统,通过电力系统的检测终端存储有多个异常检测模型,能够对每个电力设备进行针对性的异常检测,以快速实现对多种功能、种类各异的电力设备的设备的在线异常检测,确保电力系统的正常运行。
请参照图2,图2是本申请实施例提供的一种基于大数据分析的电力系统异常检测方法的步骤示意流程图。所提供的方法应用于本申请任一实施例所提供的电力系统的检测终端。
如图2所示,所提供的方法包括步骤S101至S103。
S101.获取电力设备的设备信息和电力设备的设备标识信息。
具体地,检测终端在电力系统运行过程中,在线持续获取各电力设备的设备信息和电力设备的设备标识信息,例如检测终端以预设间隔时间获取设备信息和设备标识。进而检测终端能够实时获取各电力设备当前的设备信息,如设备接口信息、设备连接信息、设备传感器搭载信息等能够表征设备运行状态的信息,从而能提升检测终端对各电力设备的异常检测的准确性。
S102.根据设备标识信息和预设设备标识信息将电力设备对应的异常检测模型确认为目标异常检测模型。
具体地,检测终端根据获取的电力设备的标识信息和所存储的异常检测模型的预设设备标识信息进行匹配,进而能够匹配到电力设备对应的异常检测模型,并将其确认为目标异常检测模型。进而所提供的方法检测终端能够对多种不同的电力设备部署不同的模型进行异常检测,提升异常检测的针对性和准确性。
示例性地,标识信息可以是包含设备型号、序列号、MAC地址等唯一标识设备的第一字符串,预设设备标识信息可以是针对每个异常检测模型预先定义的,用于标识异常检测模型适用的设备对应的设备型号、序列号、MAC地址等唯一标识设备的第二字符串,该第二字符串可以是数据库或配置文件等方式预存储在本地。根据模糊匹配算法,例如字符串匹配算法或正则表达式匹配,来比较第一字符串和第二字符串之间的相似程度,如果第一字符串和第二字符串相似程度大于预设阈值,则表示设备标识信息和预设设备标识信息匹配成功,即两者一致,那么该异常检测模型就可以被确认为目标异常检测模型。
S103.将设备信息输入至目标异常检测模型,目标异常检测模型根据设备信息输出设备信息对应的预测检测信息,完成对电力设备的异常检测。
具体地,检测终端在确认各电力设备对应的目标异常检测模型后,将获取的电力设备的设备信息输入至其对应的目标异常检测模型,能够对每个电力设备进行针对性的异常检测,以快速实现对多种功能、种类各异的电力设备的设备的在线异常检测,确保电力系统的正常运行。
在一些实施例中,如图2所示,图2是本申请实施例提供的一种基于大数据分析的电力系统异常检测方法的步骤示意流程图。
在步骤S101之前,如图2所示,所提供的方法包括步骤S201至S204。
S201.获取电力系统的多条历史检测信息,异常检测模型为多层感知机模型,每条历史检测信息包括设备标识信息、历史设备信息和检测结果信息。
S202.根据设备标识信息和对应的预设设备标识信息将历史检测信息对应的待训练的多层感知机模型确认为目标多层感知机模型。
S203.将历史设备信息输入至目标多层感知机模型,目标多层感知机模型根据历史设备信息输出设备信息对应的预测检测信息。
S204.根据预测检测信息和检测结果信息优化目标多层感知机模型,完成对目标多层感知机模型的训练。
多层感知机模型(Multilayer Perceptron,MLP),通过在单层神经网络的基础上引入了一到多个隐藏层(hidden layer),隐藏层位于输入层和输出层之间。MLP由多个神经元层组成,它的结构和功能使其成为深度学习中的重要组成部分。MLP在各种任务中表现出色,如图像分类、文本分类、预测和回归等。本申请所提供的方法通过检测终端训练多个多层感知机模型,能够根据获取的电力系统的多条历史检测信息作为多层感知机模型的训练样本。其中每条历史检测信息包括用于表征该历史检测信息对应的检测对象的标识信息、该检测对象的历史设备信息和检测结果信息。
检测终端先根据标识信息确定待训练的目标多层感知机模型,进而将历史感知信息输入至目标多层感知机模型,目标多层感知机模型根据历史设备信息输出设备信息对应的预测检测信息。检测终端能够根据预测检测信息和实际的历史设备信息对应的检测结果信息对目标多层感知机模型进行优化,例如通过计算预测检测信息和检测结果信息的损失函数判断目标多层感知机模型是否收敛。进而检测终端能够对各类电力设备均训练对应的多层感知机模型。
在一些实施例中,根据预测检测信息和检测结果信息优化目标多层感知机模型,包括:计算预测检测信息和历史检测信息的损失函数,根据损失函数调整目标多层感知机模型,直至损失函数符合预设条件;其中,损失函数为不变性损失函数,不变性损失函数的表达式如下:
LInv(w1,w2)=(w1-w2)2
其中,LInv(,)表示不变性损失值,w1与w2分别表示预测检测信息和历史检测信息。
通过计算预测检测信息和历史检测信息的不变形损失函数,能够判断预测检测信息和历史检测信息的误差是否符合预设要求,例如不变性损失值LInv(,)是否小于0.2,进而检测终端能够完成对目标异常检测模型的优化。
需要说明的是,在一些实施例中,损失函数可以为L1损失函数(L1 Loss),损失函数可以为交叉熵损失函数,检测终端根据不同的损失函数对其设置对应的收敛条件即可完成对目标异常检测模型的优化,故本申请实施例对采用的损失函数的类型不作限制。
在一些实施例中,请参照图4,图4是本申请实施例提供的另一种基于大数据分析的电力系统异常检测方法的步骤示意流程图。
如图4所示,在步骤S102和S103之间,图4所提供的方法还包括步骤S104至S105。
S104.对设备信息进行数据清洗。
S105.对数据清洗后的设备信息进行特征提取,以获取电力设备的传感器信息、图像信息和操作信息。
由于检测终端获取的电力设备的设备信息受限于电力设备的类型各不相同,设备信息的格式也是各异的。因此为确保异常检测模型能够准确获取设备信息的含义,需要先对设备信息中的缺失数据进行数据清洗,例如通过数据清洗算法,例如分箱法或回归法对所述缺失数据信息进行补齐。清洗后的设备信息能够提取出用于检测电力设备是否异常的关键因素,例如电力设备搭载的传感器信息、电力设备自身外观的图像信息和外部对电力设备的操作信息,进而异常检测模型能够从多个维度确认电力设备是否异常,提高了异常检测的准确性。
示例性的,检测终端在进行数据清洗之后,还能直接删除空白数据信息并对于白噪声数据通过例如卡尔曼滤波算法、高斯滤波算法和低通滤波算法等方法去除数据中的白噪声。以确保数据能够干净、完整地输入至目标异常检测模型中。
示例性的,预测检测信息包括传感器检测信息、外观检测信息和操作检测信息;请参照图5,图5是本申请实施例提供的又一种基于大数据分析的电力系统异常检测方法的步骤示意流程图。
与图4所提供的方法不同的是,图5所提供的方法还包括步骤S103a。
S103a.将设备信息输入至目标异常检测模型,目标异常检测模型根据设备信息输出设备信息对应的预测检测信息,包括:将传感器信息、图像信息和操作信息输入至目标异常检测模型,目标异常检测模型分别根据传感器信息、图像信息和操作信息输出传感器检测信息、外观检测信息和操作检测信息。
检测终端通过将传感器信息、图像信息和操作信息输入至目标异常检测模型,能够获取对电力设备进行检测的传感器检测信息、外观检测信息和操作检测信息。进而能够提升所提供的方法的检测的维度和检测的准确性。
在一些实施例中,预测检测信息包括预测检测结果和预测异常类型;请参照图6,图6是本申请实施例提供的还一种基于大数据分析的电力系统异常检测方法的步骤示意流程图。
如图6所示,在步骤S103之后,图6所提供的方法还包括步骤S106。
S106.根据设备信息和设备信息对应的预测异常类型确认电力设备的异常配件信息,根据异常配件信息完成对电力设备的维修。
检测终端根据设备信息和设备信息对应的预测异常类型能够确认电力设备所搭载的异常配件,如根据图像确认电力设备的壳体异常、根据传感器信息确认电力设备的某一传感器异常、根据操作信息确认电力设备的通信连接异常等。进而检测终端能够快速定位到发生异常的电力设备的具体配件中,实现对电力设备发送异常的配件的快速定位,提高维修的速度和电力系统的运行的稳定性。
示例性的,根据异常配件信息完成对电力设备的维修,包括:根据异常配件信息在电力设备中确认待维修的目标配件;根据预测异常类型和异常配件信息生成维修信息,根据维修信息完成的目标配件的维修。
检测终端根据异常配件信息能够在电力设备中确认待维修的目标配件,例如检测终端构建电力系统的三维模型,三维模型中包括电力系统的检测设备和各电力设备的位置信息、外观信息、配件信息等。用户通过电力系统的三维模型能够清晰了解电力系统的构成、功能等信息。而在检测终端获取到异常配件信息后,能够在三维模型中快速确认对应的电力设备中待维修的目标配件。进而检测终端能够根据预测异常类型和异常配件信息生成维修信息,根据维修信息完成的目标配件的维修。
需要说明的是,在一些实施例中,根据预测异常类型和异常配件信息生成维修信息,包括:根据预测异常类型获取目标配件的历史维修信息和历史维修信息对应的历史配件信息,用于根据历史维修信息和异常配件信息确定目标配件的维修信息。
检测终端能够通过历史异常类型生成多个知识图谱(Knowledge Graph),每个知识图谱对应一种历史异常类型。进而检测终端先通过预测异常类型和目标配件的历史异常类型进行比对,以提取出相同异常类型下的知识图谱,知识图谱内包含历史维修信息和历史维修信息对应的历史配件信息的关联关系。进而检测终端通过将异常配件信息输入至对应的知识图谱中,知识图谱能将匹配成功的历史配件信息对应的历史维修信息作为预测异常类型和异常配件信息对应的维修方式输出。进而终端设备能够将专家的历史异常维修过程进行结合,提升维修的成功率和效率。
需要说明的是,在一些实施例中,根据预测异常类型和异常配件信息生成维修信息,包括:将预测异常类型和异常配件信息输入至预设的配件维修模型,配件维修模型用于根据预测异常类型和异常配件信息生成维修信息。
通过检测终端将每次维修记录作为训练样本训练配件维修模型,例如预设神经网络模型,进而能够挖掘出异常类型、异常配件信息和维修信息的隐含关系,已准确获取异常的配件对应的维修信息,提升维修的成功率和效率。
本申请提供了一种基于大数据分析的电力系统异常检测方法,通过检测终端在多个异常检测模型中根据电力设备的设备标识信息确定电力设备对应的目标异常检测模型,能够对每个电力设备进行针对性的异常检测,以快速实现对多种功能、种类各异的电力设备的设备的在线异常检测,确保电力系统的正常运行。
如图7所示,图7是本申请实施例提供的一种基于大数据分析的电力系统异常检测装置的结构示意流程图,该基于大数据分析的电力系统异常检测装置300用于执行前述的基于大数据分析的电力系统异常检测方法。其中,该基于大数据分析的电力系统异常检测装置300可以配置于终端设备或服务器。
如图7所示,该基于大数据分析的电力系统异常检测装置300,包括信息获取模块301、目标确认模块302和异常检测模块303。
信息获取模块301,用于获取所述电力设备的设备信息和所述电力设备的设备标识信息。
目标确认模块302,用于根据所述设备标识信息和所述预设设备标识信息将所述电力设备对应的异常检测模型确认为目标异常检测模型。
异常检测模块303,用于将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息,完成对所述电力设备的异常检测。
在一些实施例中,基于大数据分析的电力系统异常检测装置300还包括模型训练模块304、损失计算单元304a、数据清洗模块305、信息输出单元305a、修复完成模块306、目标确认单元306a和维修生成子单元306a1。
模型训练模块304,用于获取所述电力系统的多条历史检测信息,所述异常检测模型为多层感知机模型,每条所述历史检测信息包括设备标识信息、历史设备信息和检测结果信息;根据所述设备标识信息和对应的所述预设设备标识信息将所述历史检测信息对应的待训练的多层感知机模型确认为目标多层感知机模型;将所述历史设备信息输入至所述目标多层感知机模型,所述目标多层感知机模型根据所述历史设备信息输出所述设备信息对应的预测检测信息;根据所述预测检测信息和检测结果信息优化所述目标多层感知机模型,完成对所述目标多层感知机模型的训练。
损失计算单元304a,用于计算所述预测检测信息和历史检测信息的损失函数,根据所述损失函数调整所述目标多层感知机模型,直至所述损失函数符合预设条件;其中,所述损失函数为不变性损失函数,所述不变性损失函数的表达式如下:
LInv(w1,w2)=(w1-w2)2
其中,LInv(,)表示不变性损失值,w1与w2分别表示所述预测检测信息和历史检测信息。
数据清洗模块305,用于对所述设备信息进行数据清洗;对数据清洗后的所述设备信息进行特征提取,以获取所述电力设备的传感器信息、图像信息和操作信息。
信息输出单元305a,用于将所述传感器信息、图像信息和操作信息输入至所述目标异常检测模型,所述目标异常检测模型分别根据所述传感器信息、图像信息和操作信息输出所述传感器检测信息、外观检测信息和操作检测信息。
修复完成模块306,用于根据所述设备信息和所述设备信息对应的预测异常类型确认所述电力设备的异常配件信息,根据所述异常配件信息完成对所述电力设备的维修。
目标确认单元306a,用于根据所述异常配件信息在所述电力设备中确认待维修的目标配件;根据所述预测异常类型和异常配件信息生成维修信息,根据所述维修信息完成的所述目标配件的维修。
维修生成子单元306a1,用于根据所述预测异常类型获取所述目标配件的历史维修信息和所述历史维修信息对应的历史配件信息,用于根据所述历史维修信息和所述异常配件信息确定所述目标配件的所述维修信息;或,将所述预测异常类型和异常配件信息输入至预设的配件维修模型,所述配件维修模型用于根据所述预测异常类型和异常配件信息生成所述维修信息。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图8所示的检测终端上运行。
请参阅图8,图8是本申请的实施例提供的一种检测终端的结构示意性框图。该检测终端可以是服务器。参阅图8,该检测终端包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于大数据分析的电力系统异常检测方法。
处理器用于提供计算和控制能力,支撑整个服务器的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于大数据分析的电力系统异常检测方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图8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服务器的限定,具体的检测终端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。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取所述电力设备的设备信息和所述电力设备的设备标识信息。
根据所述设备标识信息和所述预设设备标识信息将所述电力设备对应的异常检测模型确认为目标异常检测模型。
将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息,完成对所述电力设备的异常检测。
在一些实施例中,在所述获取所述电力设备的设备信息和所述电力设备的设备标识信息之前,所述还方法包括:获取所述电力系统的多条历史检测信息,所述异常检测模型为多层感知机模型,每条所述历史检测信息包括设备标识信息、历史设备信息和检测结果信息;根据所述设备标识信息和对应的所述预设设备标识信息将所述历史检测信息对应的待训练的多层感知机模型确认为目标多层感知机模型;将所述历史设备信息输入至所述目标多层感知机模型,所述目标多层感知机模型根据所述历史设备信息输出所述设备信息对应的预测检测信息;根据所述预测检测信息和检测结果信息优化所述目标多层感知机模型,完成对所述目标多层感知机模型的训练。
在一些实施例中,所述根据所述预测检测信息和检测结果信息优化所述目标多层感知机模型,包括:计算所述预测检测信息和历史检测信息的损失函数,根据所述损失函数调整所述目标多层感知机模型,直至所述损失函数符合预设条件;其中,所述损失函数为不变性损失函数,所述不变性损失函数的表达式如下:
LInv(w1,w2)=(w1-w2)2
其中,LInv(,)表示不变性损失值,w1与w2分别表示所述预测检测信息和历史检测信息。
在一些实施例中,在所述将所述设备信息输入至所述目标异常检测模型之前,还包括:对所述设备信息进行数据清洗;对数据清洗后的所述设备信息进行特征提取,以获取所述电力设备的传感器信息、图像信息和操作信息。
在一些实施例中,预测检测信息包括传感器检测信息、外观检测信息和操作检测信息;所述将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息,包括:将所述传感器信息、图像信息和操作信息输入至所述目标异常检测模型,所述目标异常检测模型分别根据所述传感器信息、图像信息和操作信息输出所述传感器检测信息、外观检测信息和操作检测信息。
在一些实施例中,所述预测检测信息包括预测检测结果和预测异常类型;在所述将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息之后,所述方法还包括:根据所述设备信息和所述设备信息对应的预测异常类型确认所述电力设备的异常配件信息,根据所述异常配件信息完成对所述电力设备的维修。
在一些实施例中,所述根据所述异常配件信息完成对所述电力设备的维修,包括:根据所述异常配件信息在所述电力设备中确认待维修的目标配件;根据所述预测异常类型和异常配件信息生成维修信息,根据所述维修信息完成的所述目标配件的维修。
在一些实施例中,所述根据所述预测异常类型和异常配件信息生成维修信息,包括:根据所述预测异常类型获取所述目标配件的历史维修信息和所述历史维修信息对应的历史配件信息,用于根据所述历史维修信息和所述异常配件信息确定所述目标配件的所述维修信息;或,将所述预测异常类型和异常配件信息输入至预设的配件维修模型,所述配件维修模型用于根据所述预测异常类型和异常配件信息生成所述维修信息。本申请的实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项基于大数据分析的电力系统异常检测方法的步骤。
其中,所述计算机可读存储介质可以是前述实施例所述的服务器的内部存储单元,例如所述服务器的硬盘或内存。所述计算机可读存储介质也可以是所述服务器的外部存储设备,例如所述服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
由于该计算机可读存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种基于大数据分析的电力系统异常检测方法,因此,可以实现本申请实施例所提供的任一种基于大数据分析的电力系统异常检测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于大数据分析的电力系统异常检测方法,其特征在于,应用于电力系统的检测终端,所述电力系统还包括多个电力设备,所述检测终端存储有多个预设的异常检测模型,所述异常检测模型包括所述异常检测模型对应的预设设备标识信息;所述方法包括:
获取所述电力设备的设备信息和所述电力设备的设备标识信息;
根据所述设备标识信息和所述预设设备标识信息将所述电力设备对应的异常检测模型确认为目标异常检测模型;
将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息,完成对所述电力设备的异常检测。
2.根据权利要求1所述的方法,其特征在于,在所述获取所述电力设备的设备信息和所述电力设备的设备标识信息之前,所述还方法包括:
获取所述电力系统的多条历史检测信息,所述异常检测模型为多层感知机模型,每条所述历史检测信息包括设备标识信息、历史设备信息和检测结果信息;
根据所述设备标识信息和对应的所述预设设备标识信息将所述历史检测信息对应的待训练的多层感知机模型确认为目标多层感知机模型;
将所述历史设备信息输入至所述目标多层感知机模型,所述目标多层感知机模型根据所述历史设备信息输出所述设备信息对应的预测检测信息;
根据所述预测检测信息和检测结果信息优化所述目标多层感知机模型,完成对所述目标多层感知机模型的训练。
3.根据权利要求2所述的方法,其特征在于,所述根据所述预测检测信息和检测结果信息优化所述目标多层感知机模型,包括:
计算所述预测检测信息和历史检测信息的损失函数,根据所述损失函数调整所述目标多层感知机模型,直至所述损失函数符合预设条件;
其中,所述损失函数为不变性损失函数,所述不变性损失函数的表达式如下:
LInv(w1,w2)=(w1-w2)2
其中,LInv(,)表示不变性损失值,w1与w2分别表示所述预测检测信息和历史检测信息。
4.根据权利要求1所述的方法,其特征在于,在所述将所述设备信息输入至所述目标异常检测模型之前,还包括:
对所述设备信息进行数据清洗;
对数据清洗后的所述设备信息进行特征提取,以获取所述电力设备的传感器信息、图像信息和操作信息。
5.根据权利要求4所述的方法,其特征在于,所述预测检测信息包括传感器检测信息、外观检测信息和操作检测信息;所述将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息,包括:
将所述传感器信息、图像信息和操作信息输入至所述目标异常检测模型,所述目标异常检测模型分别根据所述传感器信息、图像信息和操作信息输出所述传感器检测信息、外观检测信息和操作检测信息。
6.根据权利要求1所述的方法,其特征在于,所述预测检测信息包括预测检测结果和预测异常类型;在所述将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息之后,所述方法还包括:
根据所述设备信息和所述设备信息对应的预测异常类型确认所述电力设备的异常配件信息,根据所述异常配件信息完成对所述电力设备的维修。
7.根据权利要求6所述的方法,其特征在于,所述根据所述异常配件信息完成对所述电力设备的维修,包括:
根据所述异常配件信息在所述电力设备中确认待维修的目标配件;
根据所述预测异常类型和异常配件信息生成维修信息,根据所述维修信息完成的所述目标配件的维修。
8.根据权利要求7所述的方法,其特征在于,所述根据所述预测异常类型和异常配件信息生成维修信息,包括:
根据所述预测异常类型获取所述目标配件的历史维修信息和所述历史维修信息对应的历史配件信息,用于根据所述历史维修信息和所述异常配件信息确定所述目标配件的所述维修信息;
或,将所述预测异常类型和异常配件信息输入至预设的配件维修模型,所述配件维修模型用于根据所述预测异常类型和异常配件信息生成所述维修信息。
9.一种基于大数据分析的电力系统异常检测装置,其特征在于,应用于电力系统的检测终端,所述电力系统还包括多个电力设备,所述检测终端存储有多个预设的异常检测模型,所述异常检测模型包括所述异常检测模型对应的预设设备标识信息;所述装置包括:
信息获取模块,用于获取所述电力设备的设备信息和所述电力设备的设备标识信息;
目标确认模块,用于根据所述设备标识信息和所述预设设备标识信息将所述电力设备对应的异常检测模型确认为目标异常检测模型;
异常检测模块,用于将所述设备信息输入至所述目标异常检测模型,所述目标异常检测模型根据所述设备信息输出所述设备信息对应的预测检测信息,完成对所述电力设备的异常检测。
10.一种电力系统,其特征在于,所述电力系统包括检测终端和多个电力设备,所述检测终端存储有多个预设的异常检测模型,所述异常检测模型包括所述异常检测模型对应的预设设备标识信息;
其中,所述检测终端包括存储器和处理器;所述存储器与所述处理器连接,用于存储程序;所述处理器用于通过运行所述存储器中存储的程序,实现如权利要求1-8中任一项所述的异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311730945.4A CN117726319A (zh) | 2023-12-15 | 2023-12-15 | 基于大数据分析的电力系统异常检测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311730945.4A CN117726319A (zh) | 2023-12-15 | 2023-12-15 | 基于大数据分析的电力系统异常检测方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117726319A true CN117726319A (zh) | 2024-03-19 |
Family
ID=90202902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311730945.4A Pending CN117726319A (zh) | 2023-12-15 | 2023-12-15 | 基于大数据分析的电力系统异常检测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726319A (zh) |
-
2023
- 2023-12-15 CN CN202311730945.4A patent/CN117726319A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Atoui et al. | Coupling data-driven and model-based methods to improve fault diagnosis | |
US11842575B2 (en) | Method and system for vehicle analysis | |
CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
CN114826885B (zh) | 一种基于数据分析的设备故障监测系统及方法 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN113449703B (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
CN115122155A (zh) | 基于工业互联网大数据的机床远程诊断方法及系统 | |
CN108491875A (zh) | 一种数据异常检测方法、装置、设备及介质 | |
CN110597235A (zh) | 一种通用智能故障诊断方法 | |
CN115878992A (zh) | 综合管廊供电系统的监控方法和监控系统 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN117726319A (zh) | 基于大数据分析的电力系统异常检测方法以及装置 | |
CN115345600B (zh) | 一种rpa流程的生成方法和装置 | |
CN111222558A (zh) | 图像处理方法及存储介质 | |
CN115904916A (zh) | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 | |
CN113469237B (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
CN113703401B (zh) | 异常检测算法的配置方法、装置、电子设备和存储介质 | |
CN110715799B (zh) | 断路器机械状态检测方法、装置及终端设备 | |
CN113268419A (zh) | 测试用例优化信息的生成方法、装置、设备和存储介质 | |
CN116028450A (zh) | 一种日志检测方法、装置及设备 | |
CN117554751A (zh) | 基于人工智能的电力系统故障诊断系统 | |
CN117475529A (zh) | 飞机故障的处理方法、装置、设备和介质 | |
CN115935166A (zh) | 检测模型训练方法、装置及相关设备 | |
CN117540160A (zh) | 基于知识约束的电力设备故障诊断方法及相关装置 | |
CN117879947A (zh) | 网络流量异常检测方法、装置、可读存储介质及终端设备 |
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 |