一种基于大数据的电力数据异常检测分析方法及系统与流程

本发明涉及大数据，具体为一种基于大数据的电力数据异常检测分析方法及系统。

背景技术：

1、智能电网领域中，电力数据的实时监控和分析是确保电力系统稳定运行的关键任务之一。随着电力设备种类的增加以及系统复杂性的提升，传统的单一设备数据监控已难以满足现代电力系统的需求。具体到电力系统中的电力数据异常检测，需要从多个设备的协同数据中提取有价值的信息，以确保电网的稳定性和效率。

2、中国专利公开号cn202311687634.4的发明中，公开了一种基于大数据的电力数据监视方法及系统。该方法首先获取相同类型的电力设备包含电力数据的时序序列，对通过时序序列拟合出的电力变化曲线进行分段获得曲线段，从所有曲线段中筛选出电力设备的运行阶段和待机阶段，并分别从运行阶段和待机阶段中检测出电力设备的异常数据，通过获取的异常程度对对应的异常数据进行修正，获得每个电力设备的修正序列，进一步基于修正序列对电力设备未来的电力数据进行预测，得到预测数据，并根据预测数据对电力设备的电力数据进行实时监视。本发明能够提高对电力设备未来的电力数据预测的准确度，进而提高对实时的电力数据监视的准确性。

3、由此可知，在电力数据异常检测中，通常采用单一设备的时间序列数据进行监控和分析，然而，这种方法的局限性在于，它无法充分考虑电力系统中设备之间的相互影响，导致某些跨设备的异常现象难以被准确识别，例如，当一台设备因其他设备的操作或波动出现异常时，现有方法可能将其误判为设备本身的问题，或者无法检测到潜在的异常源，这样的不足使得整体系统的故障定位和应对措施效率不高，缺乏对多设备之间协同关系的深入分析，这种情况下，一旦发生异常，系统可能会面临不必要的设备停机、资源调度错误或无效的应急响应措施，进一步加剧了故障的影响。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于大数据的电力数据异常检测分析方法及系统，解决了背景技术中提到的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种基于大数据的电力数据异常检测分析方法，包括以下步骤：

3、s1、通过在若干个相连的电力设备的各个连接节点布置传感器，以实时采集设备运行中的电力数据p、功率数据w、温度数据t和振动频率数据z，并使用小波变换进行去除噪声，组成设备的特征向量矩阵xpre；

4、s2、建立设备关联交互影响分析模型，将特征向量矩阵xpre作为设备关联交互影响分析模型的输入训练数据，获取设备之间的交互影响关系矩阵iinter，并使用最大似然估计对设备关联交互影响分析模型进行参数优化迭代交互影响关系矩阵iinter；

5、s3、通过获取的交互影响关系矩阵iinter以及设备的历史运行数据hhist进行多维时间序列分析，进行预测设备之间交互影响下的异常模式，获取异常模型矩阵adetect；

6、s4、基于获取的异常模型矩阵adetect构建多维数据融合模型，进行评估多维度数据之间的相关性以及与设备之间的交互影响，生成设备的综合异常评分sabn；

7、s5、对设备的综合异常评分sabn进行预测设备未来交互运行的状态，获取设备预测评估状态结果ppred，并根据设备预测评估状态结果ppred生成设备交互运行电力维护评估方案。

8、优选的，步骤s1还包括s11和s12；

9、s11、通过在若干个相连的电力设备的各个连接节点布置传感器，实时采集设备运行中的电力数据pi、功率数据wi、温度数据ti和振动频率数据zi，传感器包括电力传感器、功率传感器、温度传感器和振动传感器，其中电力传感器包括安装在电力设备的输入端和输出端进行监测电力的输入和输出数据，组成采集的电力数据pi，包括电压pi，v、电流pi，i和相位角pi，θ相关参数，并将不同传感器获取的电力数据pi、功率数据wi、温度数据ti和振动频率数据zi信号进行时间对齐，组成多维数据向量di；

10、s12、对采集的多维数据向量di进行小波变换，以去除噪声并提取相关波动特征，生成设备i的特征向量矩阵xpre；

11、其中特征向量矩阵xpre，具体通过设备i的多维数据向量di组成特征向量矩阵xpre：

12、

13、优选的，步骤s2还包括s21和s22；

14、s21、通过使用图卷积网络进行建立设备关联交互影响分析模型，将设备之间的关系标记为一个图结构g(v，e)，v表示设备集合，包括n个设备，e表示n个设备之间的连接关系，将特征向量矩阵xpre作为设备关联交互影响分析模型的输入训练数据，同时引入注意力机制，调整相关的设备关系，通过设备关联交互影响分析模型的输出获取设备之间的交互影响关系矩阵iinter；

15、s22、使用最大似然估计统计方法对设备关联交互影响分析模型进行参数优化迭代交互影响关系矩阵iinter，通过以下计算公式进行迭代：

16、

17、式中，表示第t次迭代时的交互影响关系矩阵iinter，a表示邻接矩阵，h表示特征向量矩阵xpre。

18、优选的，所述交互影响关系矩阵iinter通过以下计算公式获取：

19、iinter＝σ(a·h(l-1)·w(l))；

20、式中，σ表示激活函数，包括sigmoid激活函数、softmax激活函数和relu激活函数，具体用于对输入的特征向量矩阵xpre数据进行变换，a表示邻接矩阵，具体表示设备之间的物理连接和逻辑连接关系，通过特征向量矩阵xpre进行生成，h(l-1)表示第l-1层的特征向量矩阵xpre，w(l)表示输出层的权重矩阵，具体用于将前一层的特征表示矩阵映射至输出空间；

21、其中，邻接矩阵a为一个n*n的矩阵，其中n表示设备总数，具体表示如下：

22、

23、矩阵中，ai,j表示设备i与设备j之间的连接权重关系，当ai,j＝1时，表示设备i与设备j之间存在物理连接关系或逻辑连接关系，当ai,j＝0时，表示设备i与设备j之间不存在物理连接关系或逻辑连接关系。

24、优选的，步骤s3中还包括s31和s32；

25、s31、将获取的交互影响关系矩阵iinter以及设备的历史运行数据hhist进行整合，历史运行数据hhist包括历史电力数据histp、历史功率数据histw、历史温度数据histt和历史振动频率数据histz，整合包括数据时间轴对齐，对整合后的数据进行多维时间序列分析和提取，获取多维时间序列预测特征矩阵text；

26、s32、对获取的多维时间序列预测特征矩阵text，进行检测设备之间交互影响下的异常模式，包括使用自回归积分滑动平均模型进行预测，同步将预测的时间序列值与实时采集的特征向量矩阵xpre进行匹配，获取偏差值组成偏差值矩阵eanom，进行构建异常模型矩阵adetect。

27、优选的，其中，多维时间序列特征矩阵text通过以下计算公式获取：

28、

29、式中，表示矩阵拼接，pca表示主成分分析方法函数。

30、优选的，其中，基于获取的异常模型矩阵adetect构建多维数据融合模型，进行评估多维度数据之间的相关性以及与设备之间的交互影响，生成设备的综合异常评分sabn；

31、所述综合异常评分sabn通过以下计算公式获取：

32、

33、式中，ki表示第i个设备的预设权重值，f(adetect,i)表示第i设备的异常评分函数。

34、优选的，步骤s5还包括s51和s52；

35、其中，s51对设备的综合异常评分sabn与预设的设备异常评估阈值yc进行对比，获取预测设备未来交互运行的状态，组成设备预测评估状态结果ppred；

36、所述设备预测评估状态结果ppred通过以下对比方式获取：

37、

38、式中，normal表示预测设备未来交互运行的状态为无异常结果，anomalous表示预测设备未来交互运行的状态为异常结果。

39、优选的，s52、根据设备预测评估状态结果ppred生成设备交互运行电力维护评估方案；

40、所述设备交互运行电力维护评估方案通过以下生成方式获取：

41、当设备预测评估状态结果ppred为无异常结果时，生成设备交互运行电力维护评估合格方案，不对当前电力设备进行运行状态调整和关联设备调整；

42、当设备预测评估状态结果ppred为异常结果时，生成设备交互运行电力维护评估不合格方案，对当前电力设备进行运行状态调整和关联设备调整，同步将交互影响关系矩阵iinter和特征向量矩阵xpre进行通知和推送至相关维护人员进行巡检相关设备和关联设备的运行状态。

43、一种基于大数据的电力数据异常检测分析系统，包括数据采集模块、影响分析模块、关联分析模块、异常分析模块和异常评估模块；

44、所述数据采集模块通过在若干个相连的电力设备的各个连接节点布置传感器，以实时采集设备运行中的电力数据p、功率数据w、温度数据t和振动频率数据z，并使用小波变换进行去除噪声，组成设备的特征向量矩阵xpre；

45、所述影响分析模块通过建立设备关联交互影响分析模型，将特征向量矩阵xpre作为设备关联交互影响分析模型的输入训练数据，获取设备之间的交互影响关系矩阵iinter，并使用最大似然估计对设备关联交互影响分析模型进行参数优化迭代交互影响关系矩阵iinter；

46、所述关联分析模块通过获取的交互影响关系矩阵iinter以及设备的历史运行数据hhist进行多维时间序列分析，进行预测设备之间交互影响下的异常模式，获取异常模型矩阵adetect；

47、所述异常分析模块通过获取的异常模型矩阵adetect构建多维数据融合模型，进行评估多维度数据之间的相关性以及与设备之间的交互影响，生成设备的综合异常评分sabn；

48、所述异常评估模块根据获取的设备的综合异常评分sabn进行预测设备未来交互运行的状态，获取设备预测评估状态结果ppred，并根据设备预测评估状态结果ppred生成设备交互运行电力维护评估方案，并根据设备交互运行电力维护评估方案内容进行具体执行和通知。

49、本发明提供了一种基于大数据的电力数据异常检测分析方法及系统，具备以下有益效果：

50、(1)通过s1至s5，通过实时采集设备的特征向量矩阵xpre，获取设备之间的交互影响关系矩阵iinter，并使用最大似然估计对设备关联交互影响分析模型进行参数优化迭代交互影响关系矩阵iinter，进行预测设备之间交互影响下的异常模式，获取异常模型矩阵adetect，以及生成的生成设备的综合异常评分sabn，生成设备交互运行电力维护评估方案，解决了跨设备异常的问题，提升了电力系统的故障定位和应急响应能力，还显著降低了因未识别异常导致的设备停机和资源浪费，从而保障了电力系统的安全性、稳定性和高效性。

51、(2)利用小波变换对多维数据进行去噪和特征提取，生成的特征向量矩阵设备的特征向量矩阵xpre提供了设备状态的精确表征，在设备间的交互影响分析中，引入图卷积网络及注意力机制，有效地建模了设备之间的复杂关系，并通过最大似然估计进行参数优化迭代，从而生成更加精确的交互影响关系矩阵iinter。最终，该系统能够准确识别和分析设备间的异常交互模式，提高了电力系统对跨设备异常现象的敏感度。

52、(3)通过主成分分析方法精炼出关键数据，从而提高了分析精度。基于异常模型矩阵adetect构建的多维数据融合模型进一步增强了对多维度数据之间的相关性分析能力，生成的设备的综合异常评分sabn则为设备健康状况的量化评估提供了科学依据。通过将综合异常评分sabn与预设阈值进行对比，系统能够精准预测设备未来的交互运行状态，并相应生成维护评估方案。能在第一时间做出有效应对，并通知相关维护人员进行必要的调整和巡检。这种方法不仅解决了传统电力数据监控中多设备协同关系分析不足的问题。