一种微服务架构的指标异常检测的方法及系统与流程

本发明涉及智能电网，具体涉及一种微服务架构的指标异常检测的方法及系统。

背景技术：

1、随着电力系统规模的不断扩大和复杂性的增加，对电网系统的实时监控和异常检测的需求日益迫切，传统的电网监控方法往往依赖于人工操作和经验判断，效率低下且难以适应复杂多变的电网环境；因此，基于自动化和智能化的电网监控系统成为研究热点。

2、现有的相关技术在电网监控领域取得了显著成果，但仍存在一些不足之处。首先，现有的电网监控系统大多采用单一的数据处理和分析方法，无法充分利用电网系统的多模态数据。其次，现有的电网监控系统在异常检测方面主要依赖于传统的机器学习算法，这些算法在面对大规模和高维度的数据时，往往表现出较低的准确性和实时性。此外，现有的电网监控系统在异常检测后，缺乏有效的预警和策略调整机制，导致在异常状态下难以迅速响应和恢复。

技术实现思路

1、鉴于上述现有存在的问题，本发明提供了一种微服务架构的指标异常检测的方法及系统，用以解决现有的电网监控系统在异常检测后，缺乏有效的预警和策略调整机制，导致在异常状态下难以迅速响应和恢复的问题。

2、为解决上述技术问题，提出了一种微服务架构的指标异常检测的方法，包括，

3、实时采集第一电网系统数据，并将第一电网数据进行数据处理获得第二数据，对第二数据进行特征提取获得第三特征数据；利用第三特征数据构建并训练算法，并建立第四状态分类模型，利用第四状态分析模型分析到异常状态时，进行分级预警并调整策略；利用第五指标异常预测算法，预测系统是否出现异常，并根据预测结果做出策略调整和参数调整。

4、作为本发明所述的微服务架构的指标异常检测的方法的一种优选方案，其中：所述第一电网系统数据包括，电网运行数据、环境数据、设备状态数据、用户使用数据、地理信息系统数据、社会经济数据和通信数据。

5、作为本发明所述的微服务架构的指标异常检测的方法的一种优选方案，其中：所述对第二数据进行特征提取获得第三特征数据包括，将实时采集的第一电网数据进行预处理和数据融合获得第二数据，对第二数据利用深度学习模型进行特征提取获得第三特征数据。

6、所述将第一电网数据进行数据处理获得第二数据包括清洗、归一化和标准化；所述数据融合包括特征级融合和决策级融合；所述深度学习模型包括激活神经网络，并进行卷积操作和池化操作；

7、所述归一化公式为：

8、

9、其中，x为原始特征值，xmin为特征的最小值，xmax为特征的最大值，xnorm为归一化后的特征值；

10、所述标准化公式为：

11、

12、其中，xstd为标准化后的特征值，x为原始特征值，μ为特征的均值，σ为特征的标准差；

13、所述深度学习模型包括激活神经网络，并进行卷积操作和池化操作；

14、所述激活神经网络公式表示为：

15、

16、其中，x为输入数据，f(x)为激活函数，e为自然对数的底数；

17、所述卷积操作公式表示为：

18、

19、其中，w为卷积核，x为输入数据，*为卷积操作，m为输入数据的特征图的行数，n为输入数据的特征图的列数，b和c表示位置索引；

20、所述池化操作公式表示为：

21、p(a)＝max(a)

22、其中，a为池化窗口内的数据，p(a)为池化后的数据。

23、作为本发明所述的微服务架构的指标异常检测的方法的一种优选方案，其中：所述利用第三特征数据构建并训练算法包括，提取第三特征数据，构建机器学习算法特征函数，并训练机器学习算法。

24、作为本发明所述的微服务架构的指标异常检测的方法的一种优选方案，其中：所述第四状态分类模型包括，利用第三特征数据构建并训练机器学习算法，并建立第四状态分类模型，将新采集的第一电网系统数据输入到正常与异常状态分类模型的输出值进行状态判断，检测到异常状态时，进行预警。

25、作为本发明所述的微服务架构的指标异常检测的方法的一种优选方案，其中：所述分级预警包括，根据第四状态分类模型的输出值和历史状态数据设定阈值，并将异常状态分为五个等级；所述设定阈值为0.7、0.5、0.2和0.1。

26、其中，五个等级异常状态等级包括，当g(y)>0.7时，表示数据为正常状态，维持现有的监控和操作流程，定期进行系统健康检查；当0.5<g(y)≤0.7时，表示数据有波动，处于轻微异常状态，应加强监控，记录数据和事件，分析异常原因，考虑是否需要调整预警阈值；当0.2<g(y)≤0.5时，表示数据存在异常特征，处于中等异常状态，应提高监控级别，增加数据采集和分析频率，检查异常原因，并进行评估和处理；当0.1<g(y)≤0.2时，表示数据异常程度高，系统出现问题，立即启动应急预案，进行调查和分析，暂停系统功能，并采取修复措施；当g(y)≤0.1时，表示数据严重异常，系统存在故障，立即采取紧急措施，进行全面的问题排查和修复。

27、作为本发明所述的微服务架构的指标异常检测的方法的一种优选方案，其中：所述第五指标异常预测算法包括，根据提取的特征构建微服务架构指标异常预测算法，对系统状态进行预测，并根据预测结果做出策略调整和参数调整。

28、所述微服务架构指标异常预测算法公式为：

29、

30、其中，s(y)为微服务架构指标异常预测得分，y为微服务架构的指标向量，r为预测时间窗口，l为指标数量，o为复杂信息过滤函数的数量，τh为第h个指标的衰减率，δh(yh,r)为第h个指标在时间r的特征函数，ε(y,r)为归一化函数，为第k个复杂信息过滤函数，e为自然对数的底数。

31、当s(y)≥1时，表示系统处于正常运行模式，维持当前微服务架构和策略，进行周期监控；当0<s(y)<1时，表示系统处于异常模式，增加监控频率，启动详细分析流程并实施部分降级策略，进行参数调整，直至s(y)为正常水平。

32、本发明的另外一个目的是提供了一种微服务架构的指标异常检测的系统，增加电网监控系统在异常检测后，进行有效预警和策略调整；本发明系统通过实时采集电网系统数据，并进行多模态数据处理，利用深度学习模型进行特征提取，利用提取的特征构建并训练机器学习算法，建立正常与异常状态分类模型，对新采集的数据进行状态判断，并在检测到异常时进行分级预警和调整策略，解决了现有的电网监控系统在异常检测后，缺乏有效的预警和策略调整机制，导致在异常状态下难以迅速响应和恢复的问题。

33、作为本发明所述的微服务架构的指标异常检测的系统的一种优选方案，其特征在于，包括数据采集与预处理模块、特征提取模块、机器学习算法构建与训练模块、分级预警模块以及指标异常预测模块；

34、所述数据采集与预处理模块，用于实时采集电网系统数据，并进行预处理；

35、所述特征提取模块，用于将电网系统数据输入深度学习模型，从中提取数据特征；

36、所述机器学习算法构建与训练模块，用于将提取的数据特征构建机器学习算法特征函数，并利用数据训练机器学习算法；

37、所述分级预警模块，用于将机器学习算法特征函数构建正常与异常状态分类模型，并对新采集的数据进行状态判断，根据正常与异常状态分类模型的输出值和历史状态数据设定阈值，并将异常状态分为五个等级，进行分级预警；

38、所述指标异常预测模块，用于根据提取的特征构建微服务架构指标异常预测算法，对系统状态进行预测，并根据预测结果做出策略调整和参数调整。

39、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一种微服务架构的指标异常检测的所述的方法的步骤。

40、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一种微服务架构的指标异常检测的所述的方法的步骤。

41、本发明的有益效果：本发明通过实时采集电网系统数据，并进行多模态数据处理，利用深度学习模型进行特征提取，构建并训练机器学习算法，建立正常与异常状态分类模型，实现对电网系统运行状态的实时监控和异常检测；通过分级预警和调整策略，及时应对异常情况，优化电网系统的运行状态；同时，利用微服务架构指标异常预测算法，预测系统是否出现异常，提前预警并采取应对措施，降低异常情况对电网系统的影响，本发明提高了电网系统的运行效率和可靠性，满足电网系统的业务需求，提升用户体验。