基于人工智能的电力智能分析方法与流程

本发明涉及电测试分析，具体涉及基于人工智能的电力智能分析方法。

背景技术：

1、基于人工智能的电力智能分析方法利用数据分析技术，对电力系统中的数据进行智能化处理和分析，以提高电力系统的效率、可靠性和可持续性。其中，电力数据的异常影响着电力设备的可靠性、安全性及经济成本等诸多因素。为了起到及时检测电力数据异常的目的，使用孤立森林算法获取异常数据，并计算相关异常得分，根据得分判断数据的异常程度，进而根据异常程度进行一系列防范措施。

2、目前常见的对电力系统中的数据进行分析的方法为，使用孤立森林检测不同时间段电力数据的异常值，进而判断异常程度。在这个过程中，会因为不同时间段的电力消耗自身就会存在差异性，进而导致在不同时间段使用同种数量的树检测时，得到的异常值会产生伪异常，即此时间段的异常是正常情况下电力数据的波动范围，但经过同种数量的树进行检测后，结果显示为异常，造成误判。

技术实现思路

1、为了解决使用传统孤立森林检测方法判断电力数据的异常值时，由于存在伪异常，会存在误判的技术问题，本发明的目的在于提供基于人工智能的电力智能分析方法，所采用的技术方案具体如下：

2、获取不同时间段的不同维度的电力数据；

3、根据不同维度的电力数据之间的波动相关程度，分别对不同维度的电力数据进行筛选，得到不同维度的电力筛选数据；

4、分别对不同维度的电力筛选数据进行采样，得到每个过渡时间段下不同维度的多个采样点；分析每个过渡时间段下不同维度的多个采样点之间的变化规律，得到每个过渡时间段下不同维度的时间关联性；基于时间关联性，从电力筛选数据中筛选出时间关联数据；

5、分析不同维度的时间关联数据之间的关联情况，得到维度关联性；基于维度关联性，从时间关联数据中筛选出可容忍数据；

6、结合时间关联性和维度关联性，得到可容忍度；对于可容忍数据，根据可容忍度的大小，确定异常监测时树的数量；基于树的数量，利用孤立森林检测算法对电力数据进行检测。

7、优选的，所述根据不同维度的电力数据之间的波动相关程度，分别对不同维度的电力数据进行筛选，得到不同维度的电力筛选数据，包括：

8、构建，n是维度特征条件的数量，m是维度总次序；为满足维度特征条件的数据点数量；其中，为第一个维度下满足第一个维度特征条件的数据点数量；为第m个维度下满足第n个维度特征条件的数据点数量；

9、计算不同维度次序下的满足维度特征条件的数据点数量的皮尔逊相关系数；

10、不断更新各个维度的电力数据，同步的更新皮尔逊相关系数，将皮尔逊相关系数满足判断阈值条件时对应的电力数据作为电力筛选数据，得到不同维度的电力筛选数据。

11、优选的，所述维度特征条件为：拟合每个维度的电力数据，得到每个维度对应的电力拟合曲线，第一维度特征条件为电力拟合曲线上电力数据对应的一阶导数为0，二阶倒数大于0；第二维度特征条件为电力拟合曲线上电力数据对应的一阶导数属于第一预设范围内；第二维度特征条件为电力拟合曲线上电力数据对应的一阶导数属于第二预设范围内；第三维度特征条件为电力拟合曲线上电力数据对应的一阶导数属于第三预设范围内，以此类推，得到多个维度特征条件；其中，每个预设范围的范围大小相同，且最后一个范围的右侧端点为电力拟合曲线上电力数据的最大切线斜率。

12、优选的，所述皮尔逊相关系数的计算公式为：

13、其中，为皮尔逊相关系数；n是维度特征条件的数量，m是维度总次序；为第m个维度下满足第k个维度特征条件的数据点数量；为第k个维度下满足第n个维度特征条件的数据点数量；为第m个维度下满足不同维度特征条件的数据点数量的均值；为不同维度下满足第n个维度特征条件的数据点数量的均值。

14、优选的，所述分析每个过渡时间段下不同维度的多个采样点之间的变化规律，得到每个过渡时间段下不同维度的时间关联性，包括：

15、每个过渡时间段下不同维度的时间关联性的计算公式为：

16、

17、其中，为过渡时间段下不同维度的时间关联性；ln为自然对数；n是过渡时间段下不同维度的电力筛选数据对应的采样点的总数量；为第i+1个采样点对应的电力筛选数据；为第i个采样点对应的电力筛选数据；为第1个采样点对应的电力筛选数据；为最后一个采样点对应的电力筛选数据；t为过渡时间段中采样点电力筛选数据的总时长；exp为以自然常数为底数的指数函数；var为所有相邻采样点对应的电力筛选数据的差值的方差。

18、优选的，所述基于时间关联性，从电力筛选数据中筛选出时间关联数据，包括：

19、当归一化后的时间关联性大于预设第一阈值时，将对应的过渡时间段内的电力筛选数据作为时间关联数据；其中，预设第一阈值小于1。

20、优选的，所述分析不同维度的时间关联数据之间的关联情况，得到维度关联性，包括：

21、任意两个维度之间的时间关联数据对应的维度关联性的计算公式为：

22、

23、其中，为维度关联性；i为不同维度的时间关联数据对应的采样点的总数量；为维度u对应的第i+1个采样点对应的时间关联数据；维度u对应的第i个采样点对应的时间关联数据；为维度v对应的第i+1个采样点对应的时间关联数据；为维度v对应的第i个采样点对应的时间关联数据；ln为自然对数。

24、优选的，所述结合时间关联性和维度关联性，得到可容忍度，包括：

25、将不同维度下任意两个维度对应的维度关联性的归一化值的均值，作为分母，将可容忍数据的时间关联性的归一化值作为分子，将比值作为可容忍数据的可容忍度。

26、优选的，所述对于可容忍数据，根据可容忍度的大小，确定异常监测时树的数量，包括：

27、当归一化后的可容忍度的大小位于第一预设容忍范围内时，设定树的数量为200；当归一化后的可容忍度的大小位于第二预设容忍范围内时，设定树的数量为300；当归一化后的可容忍度的大小位于第三预设容忍范围内时，设定树的数量为400，依次类推，得到不同可容忍度下对应的树的数量；其中，预设容忍范围的并集为[0,1]。

28、优选的，所述基于维度关联性，从时间关联数据中筛选出可容忍数据，包括：

29、当归一化后的维度关联性小于预设第二阈值时，将对应的过渡时间段内的时间关联数据作为可容忍数据；其中，预设第二阈值小于1。

30、本发明实施例至少具有如下有益效果：

31、本发明涉及电测试分析技术领域，由于使用孤立森林算法对异常电力数据进行检测分析，在这个过程中，不同时间段电力数据自身就会存在一定正常的波动，但使用同一数量的树进行异常检测时，会产伪异常检测结果。故该方法首先根据不同维度的电力数据之间的波动相关程度，分别对不同维度的电力数据进行筛选，得到不同维度的电力筛选数据，对电力数据进行筛选是为了降低后续分析时的计算量；分析每个过渡时间段下不同维度的多个采样点之间的变化规律，得到每个过渡时间段下不同维度的时间关联性，其为了消除伪异常检检测结果的不良影响，结合不同时间段内电力数据的变化情况，进而得到时间关联性，时间关联性就是指在不同时间段数据量的变化情况，将这种变化情况量化为时间关联性，那么就可以消除在时间上的误差；基于时间关联性，从电力筛选数据中筛选出时间关联数据；分析不同维度的时间关联数据之间的关联情况，得到维度关联性，为了更为客观地得到数据之间的关联，需要结合数据特征，确定不同维度之间的关联性，进而可以消除只从时间上分析产生的主观影响；基于维度关联性，从时间关联数据中筛选出可容忍数据；结合时间关联性和维度关联性，得到可容忍度；对于可容忍数据，根据可容忍度的大小，确定异常监测时树的数量，对于可容忍度较大部分，它对应的树的数量也会越多，因为容忍度越大，数据值看起来越异常，但其实际上是正常数据；最后基于树的数量，利用孤立森林检测算法对电力数据进行检测。本发明通过分析不同时间段同一维度数据的关联性以及同一时间段内不同维度数据之间的关联性，得到可容忍度，依据可容忍度进行树的数量自适应，最终得到无伪异常影响的数据。本发明消除在电力智能分析过程中的伪异常检测结果，提高电力数据智能分析的准确性。