本發(fā)明涉及數(shù)據(jù)挖掘，具體涉及一種面向虛擬電廠的云邊協(xié)同異常檢測(cè)方法和系統(tǒng)及設(shè)備。

背景技術(shù)：

1、隨著能源轉(zhuǎn)型的推進(jìn)和可再生能源的快速發(fā)展，虛擬電廠作為一種創(chuàng)新的能源管理模式，引起了廣泛關(guān)注和探討。虛擬電廠是一種通過整合大量分散的分布式能源資源形成的虛擬集合體。這些分布式資源包括太陽能光伏系統(tǒng)、風(fēng)力發(fā)電機(jī)組、電池儲(chǔ)能系統(tǒng)等等。虛擬電廠通過集中管理和協(xié)調(diào)這些分散的能源資源，使其像一個(gè)集中的電廠一樣進(jìn)行運(yùn)營(yíng)和控制。

2、虛擬電廠一般通過云邊協(xié)同處理系統(tǒng)進(jìn)行調(diào)度管理，也就是通過云端服務(wù)器和邊緣設(shè)備之間的協(xié)同合作進(jìn)行虛擬電廠系統(tǒng)的調(diào)度關(guān)聯(lián)。其中，云端服務(wù)器負(fù)責(zé)集中化的能源管理和決策，包括對(duì)能源資源進(jìn)行監(jiān)測(cè)、集中控制、數(shù)據(jù)分析和優(yōu)化調(diào)度等。邊緣設(shè)備則負(fù)責(zé)實(shí)際的能源生產(chǎn)、儲(chǔ)存和消費(fèi)，通過與云端平臺(tái)的通信實(shí)現(xiàn)遠(yuǎn)程監(jiān)控和控制。然而，在虛擬電廠的云邊協(xié)同處理系統(tǒng)中會(huì)存在由于分布式能源資源的多樣性和分散性，以及通信網(wǎng)絡(luò)和傳感器設(shè)備的不確定性，導(dǎo)致在數(shù)據(jù)傳輸過程中出現(xiàn)異常數(shù)據(jù)，比如數(shù)據(jù)誤差、傳輸滯后、數(shù)據(jù)丟失或篡改等問題，進(jìn)而影響虛擬電廠能源管理和決策的準(zhǔn)確性和可靠性。

技術(shù)實(shí)現(xiàn)思路

1、為了克服上述虛擬電廠系統(tǒng)在數(shù)據(jù)傳輸過程中產(chǎn)生的異常數(shù)據(jù)影響能源管理和決策的準(zhǔn)確性和可靠性的問題，本發(fā)明提供一種面向虛擬電廠的云邊協(xié)同異常檢測(cè)方法和系統(tǒng)及設(shè)備。

2、一方面，本發(fā)明提供一種面向虛擬電廠的云邊協(xié)同異常檢測(cè)方法，所述方法包括：

3、基于從云端服務(wù)器獲取的全局異常檢測(cè)模型對(duì)虛擬電廠中各分布式資源的實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)；

4、將檢測(cè)結(jié)果發(fā)送給與邊緣端設(shè)備對(duì)應(yīng)的各分布式資源相關(guān)聯(lián)的監(jiān)控設(shè)備；

5、其中，所述全局異常檢測(cè)模型為云端服務(wù)器根據(jù)各邊緣端設(shè)備分別訓(xùn)練的局部異常檢測(cè)模型進(jìn)行融合處理得到的。

6、可選地，在基于從云端服務(wù)器獲取的全局異常檢測(cè)模型對(duì)虛擬電廠中各分布式資源的實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)之前，還包括：

7、接收虛擬電廠中與邊緣端設(shè)備關(guān)聯(lián)的各分布式資源的歷史運(yùn)行數(shù)據(jù)；

8、基于所述歷史運(yùn)行數(shù)據(jù)和基因表達(dá)式編程訓(xùn)練生成局部異常檢測(cè)模型；

9、將訓(xùn)練好的局部異常檢測(cè)模型上傳至云端服務(wù)器；

10、其中，每個(gè)邊緣端設(shè)備對(duì)應(yīng)訓(xùn)練一個(gè)局部異常檢測(cè)模型。

11、可選地，在基于從云端服務(wù)器獲取的全局異常檢測(cè)模型對(duì)虛擬電廠中各分布式資源的實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)之前，所述方法還包括：

12、接收數(shù)據(jù)采集設(shè)備發(fā)送的虛擬電廠中各分布式資源的實(shí)時(shí)運(yùn)行數(shù)據(jù)，所述實(shí)時(shí)運(yùn)行數(shù)據(jù)包括基于智能傳感器采集的虛擬電廠各所述分布式資源的用電數(shù)據(jù)和狀態(tài)數(shù)據(jù)。

13、可選地，所述分布式資源包括光伏資源節(jié)點(diǎn)、風(fēng)電資源節(jié)點(diǎn)、儲(chǔ)能設(shè)備、負(fù)荷節(jié)點(diǎn)和充電樁。

14、可選地，在基于所述歷史運(yùn)行數(shù)據(jù)和基因表達(dá)式編程訓(xùn)練生成局部異常檢測(cè)模型之前，所述方法還包括：

15、對(duì)所述歷史運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和歸一化處理，獲得預(yù)處理后數(shù)據(jù)。

16、可選地，所述基于所述歷史運(yùn)行數(shù)據(jù)和基因表達(dá)式編程訓(xùn)練生成局部異常檢測(cè)模型，包括：

17、將所述預(yù)處理后數(shù)據(jù)作為訓(xùn)練樣本，產(chǎn)生包括多個(gè)個(gè)體的初始種群，每個(gè)所述個(gè)體用于在所述訓(xùn)練樣本和對(duì)應(yīng)異常識(shí)別結(jié)果之間構(gòu)建關(guān)聯(lián)關(guān)系；

18、基于每個(gè)所述個(gè)體對(duì)每個(gè)所述訓(xùn)練樣本的異常識(shí)別結(jié)果與所述訓(xùn)練樣本的真實(shí)標(biāo)簽之間的差異，確定每個(gè)所述個(gè)體的適應(yīng)度；

19、基于每個(gè)所述個(gè)體的適應(yīng)度篩選出當(dāng)前種群的最優(yōu)個(gè)體；

20、對(duì)所述最優(yōu)個(gè)體進(jìn)行基因進(jìn)化操作，得到新種群；

21、重復(fù)所述個(gè)體的適應(yīng)度確定、所述最優(yōu)個(gè)體的篩選和所述基因進(jìn)化操作，直到達(dá)到迭代終止條件，得到的當(dāng)前種群的最優(yōu)個(gè)體即為訓(xùn)練生成的所述局部異常檢測(cè)模型。

22、另一方面，本發(fā)明提供一種邊緣端設(shè)備，包括：

23、異常檢測(cè)模塊，用于基于從云端服務(wù)器獲取的全局異常檢測(cè)模型對(duì)虛擬電廠中各分布式資源的實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)；

24、發(fā)送模塊，用于將檢測(cè)結(jié)果發(fā)送給與邊緣端設(shè)備對(duì)應(yīng)的各分布式資源相關(guān)聯(lián)的監(jiān)控設(shè)備；

25、其中，所述全局異常檢測(cè)模型為云端服務(wù)器根據(jù)各邊緣端設(shè)備分別訓(xùn)練的局部異常檢測(cè)模型進(jìn)行融合處理得到的。

26、可選地，所述邊緣端設(shè)備還包括：

27、接收模塊，用于接收虛擬電廠中與邊緣端設(shè)備關(guān)聯(lián)的各分布式資源的歷史運(yùn)行數(shù)據(jù)；

28、訓(xùn)練模塊，用于基于所述歷史運(yùn)行數(shù)據(jù)和基因表達(dá)式編程訓(xùn)練生成局部異常檢測(cè)模型，并將訓(xùn)練好的局部異常檢測(cè)模型上傳至云端服務(wù)器；

29、其中，每個(gè)邊緣端設(shè)備對(duì)應(yīng)訓(xùn)練一個(gè)局部異常檢測(cè)模型。

30、可選地，所述接收模塊還用于：

31、接收數(shù)據(jù)采集設(shè)備發(fā)送的虛擬電廠中各分布式資源的實(shí)時(shí)運(yùn)行數(shù)據(jù)，所述實(shí)時(shí)運(yùn)行數(shù)據(jù)包括基于智能傳感器采集的虛擬電廠各所述分布式資源的用電數(shù)據(jù)和狀態(tài)數(shù)據(jù)。

32、可選地，所述邊緣端設(shè)備還包括：

33、預(yù)處理模塊，用于對(duì)所述歷史運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和歸一化處理，獲得預(yù)處理后數(shù)據(jù)。

34、可選地，所述訓(xùn)練模塊包括：

35、初始化子模塊，用于將所述預(yù)處理后數(shù)據(jù)作為訓(xùn)練樣本，產(chǎn)生包括多個(gè)個(gè)體的初始種群，每個(gè)所述個(gè)體用于在所述訓(xùn)練樣本和對(duì)應(yīng)異常識(shí)別結(jié)果之間構(gòu)建關(guān)聯(lián)關(guān)系；

36、適應(yīng)度確定子模塊，基于每個(gè)所述個(gè)體對(duì)每個(gè)所述訓(xùn)練樣本的異常識(shí)別結(jié)果與所述訓(xùn)練樣本的真實(shí)標(biāo)簽之間的差異，確定每個(gè)所述個(gè)體的適應(yīng)度；

37、篩選模塊，用于基于每個(gè)所述個(gè)體的適應(yīng)度篩選出當(dāng)前種群的最優(yōu)個(gè)體；

38、進(jìn)化子模塊，用于對(duì)所述最優(yōu)個(gè)體進(jìn)行基因進(jìn)化操作，得到新種群；

39、迭代子模塊，用于重復(fù)所述個(gè)體的適應(yīng)度確定、所述最優(yōu)個(gè)體的篩選和所述基因進(jìn)化操作，直到達(dá)到迭代終止條件，得到的當(dāng)前種群的最優(yōu)個(gè)體即為訓(xùn)練生成的所述局部異常檢測(cè)模型。另一方面，本發(fā)明提供一種面向虛擬電廠的云邊協(xié)同異常檢測(cè)方法，所述方法包括：

40、接收各邊緣端設(shè)備分別訓(xùn)練的局部異常檢測(cè)模型；

41、對(duì)各邊緣端設(shè)備訓(xùn)練的局部異常檢測(cè)模型進(jìn)行非線性組合得到全局異常檢測(cè)模型；

42、向各邊緣端設(shè)備發(fā)送所述全局異常檢測(cè)模型；

43、其中，所述全局異常檢測(cè)模型用于各邊緣端設(shè)備對(duì)虛擬電廠中各分布式資源的實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)。

44、可選地，一個(gè)邊緣端設(shè)備對(duì)應(yīng)訓(xùn)練一個(gè)所述局部異常檢測(cè)模型，所述對(duì)各邊緣端設(shè)備訓(xùn)練的局部異常檢測(cè)模型進(jìn)行非線性組合得到全局異常檢測(cè)模型，包括：

45、構(gòu)建所述全局異常檢測(cè)模型與各所述局部異常檢測(cè)模型之間的關(guān)聯(lián)關(guān)系式；

46、基于所述關(guān)聯(lián)關(guān)系式，以最小化所述全局異常檢測(cè)模型的檢測(cè)誤差為目標(biāo)，構(gòu)建目標(biāo)函數(shù)；

47、接收各所述邊緣端設(shè)備發(fā)送的目標(biāo)訓(xùn)練樣本；

48、基于所述目標(biāo)訓(xùn)練樣本和最小二乘法求解所述目標(biāo)函數(shù)，得到所述關(guān)聯(lián)關(guān)系式的融合參數(shù)，進(jìn)而獲得所述全局異常檢測(cè)模型。

49、可選地，所述全局異常檢測(cè)模型的具體表達(dá)式為：

50、

51、式中，f(x)表示全局異常檢測(cè)模型，x表示全局異常檢測(cè)模型的輸入數(shù)據(jù)，αi表示與第i個(gè)局部異常檢測(cè)模型的融合參數(shù)，i表示局部異常檢測(cè)模型的序號(hào)，m表示局部異常檢測(cè)模型的數(shù)量，fi(xi)表示第i個(gè)局部異常檢測(cè)模型，xi表示第i個(gè)局部異常檢測(cè)模型的輸入數(shù)據(jù)。

52、可選地，在向各邊緣端設(shè)備發(fā)送所述全局異常檢測(cè)模型之前，所述方法還包括：

53、接收各邊緣端設(shè)備發(fā)送的測(cè)試樣本，所述測(cè)試樣本為對(duì)預(yù)處理后數(shù)據(jù)進(jìn)行訓(xùn)練樣本和測(cè)試樣本劃分獲得的，所述預(yù)處理后數(shù)據(jù)為對(duì)所述歷史運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和歸一化處理獲得的；

54、基于所述測(cè)試樣本對(duì)所述全局異常檢測(cè)模型進(jìn)行性能測(cè)試，得到所述全局異常檢測(cè)模型的性能指標(biāo)；

55、若所述性能指標(biāo)滿足預(yù)設(shè)檢測(cè)需求，向各所述邊緣端設(shè)備發(fā)送所述全局異常檢測(cè)模型；

56、若所述性能指標(biāo)不滿足預(yù)設(shè)檢測(cè)需求，向各所述邊緣端設(shè)備發(fā)送重新訓(xùn)練指令，所述重新訓(xùn)練指令用于指示各邊緣端設(shè)備重新訓(xùn)練對(duì)應(yīng)的局部異常檢測(cè)模型。

57、另一方面，本發(fā)明提供一種云端服務(wù)器，包括：

58、接收模塊，用于接收各邊緣端設(shè)備分別訓(xùn)練的局部異常檢測(cè)模型；

59、融合模塊，用于對(duì)各邊緣端設(shè)備訓(xùn)練的局部異常檢測(cè)模型進(jìn)行非線性組合，得到全局異常檢測(cè)模型；

60、發(fā)送模塊，用于向各邊緣端設(shè)備發(fā)送所述全局異常檢測(cè)模型；

61、其中，所述全局異常檢測(cè)模型用于各邊緣端設(shè)備對(duì)虛擬電廠中各分布式資源的實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)。

62、可選地，一個(gè)邊緣端設(shè)備對(duì)應(yīng)訓(xùn)練一個(gè)所述局部異常檢測(cè)模型，所述融合模塊包括：

63、關(guān)系式構(gòu)建子模塊，用于構(gòu)建所述全局異常檢測(cè)模型與各所述局部異常檢測(cè)模型之間的關(guān)聯(lián)關(guān)系式；

64、目標(biāo)函數(shù)構(gòu)建子模塊，用于基于所述關(guān)聯(lián)關(guān)系式，以最小化所述全局異常檢測(cè)模型的檢測(cè)誤差為目標(biāo)，構(gòu)建目標(biāo)函數(shù)；

65、接收子模塊，用于接收各所述邊緣端設(shè)備發(fā)送的目標(biāo)訓(xùn)練樣本；

66、求解子模塊，用于基于所述目標(biāo)訓(xùn)練樣本和最小二乘法求解所述目標(biāo)函數(shù)，得到所述關(guān)聯(lián)關(guān)系式的融合參數(shù)，進(jìn)而獲得所述全局異常檢測(cè)模型。

67、可選地，所述全局異常檢測(cè)模型的具體表達(dá)式為：

68、

69、式中，f(x)表示全局異常檢測(cè)模型，x表示全局異常檢測(cè)模型的輸入數(shù)據(jù)，αi表示與第i個(gè)局部異常檢測(cè)模型的融合參數(shù)，i表示局部異常檢測(cè)模型的序號(hào)，m表示局部異常檢測(cè)模型的數(shù)量，fi(xi)表示第i個(gè)局部異常檢測(cè)模型，xi表示第i個(gè)局部異常檢測(cè)模型的輸入數(shù)據(jù)。

70、可選地，所述接收子模塊還用于：

71、接收各邊緣端設(shè)備發(fā)送的測(cè)試樣本，所述測(cè)試樣本為對(duì)預(yù)處理后數(shù)據(jù)進(jìn)行訓(xùn)練樣本和測(cè)試樣本劃分獲得的，所述預(yù)處理后數(shù)據(jù)為對(duì)所述歷史運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和歸一化處理獲得的；

72、所述云端服務(wù)器還包括測(cè)試模塊，所述測(cè)試模塊用于：基于所述測(cè)試樣本對(duì)所述全局異常檢測(cè)模型進(jìn)行性能測(cè)試，得到所述全局異常檢測(cè)模型的性能指標(biāo)；

73、所述發(fā)送模塊還用于：

74、若所述性能指標(biāo)滿足預(yù)設(shè)檢測(cè)需求，向各所述邊緣端設(shè)備發(fā)送所述全局異常檢測(cè)模型；

75、若所述性能指標(biāo)不滿足預(yù)設(shè)檢測(cè)需求，向各所述邊緣端設(shè)備發(fā)送重新訓(xùn)練指令，所述重新訓(xùn)練指令用于指示各邊緣端設(shè)備重新訓(xùn)練對(duì)應(yīng)的局部異常檢測(cè)模型。

76、另一方面，本發(fā)明提供一種異常檢測(cè)系統(tǒng)，包括：前述任一項(xiàng)所述的邊緣端設(shè)備和前述任一項(xiàng)所述的云端服務(wù)器。

77、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

78、本發(fā)明提供一種面向虛擬電廠的云邊協(xié)同異常檢測(cè)方法，通過在每個(gè)邊緣端設(shè)備并行執(zhí)行局部異常檢測(cè)模型的訓(xùn)練生成，并基于云端服務(wù)下發(fā)的全局異常檢測(cè)模型在各邊緣端設(shè)備進(jìn)行異常檢測(cè)，一方面降低云端計(jì)算壓力和檢測(cè)時(shí)延能夠充分利用云端服務(wù)器的計(jì)算能力和邊緣端設(shè)備的數(shù)據(jù)收集和處理能力，降低了所有數(shù)據(jù)均需傳輸?shù)皆贫嗽斐傻木W(wǎng)絡(luò)擁塞概率，降低云端計(jì)算壓力和檢測(cè)時(shí)延；另一方面，可以縮短待檢測(cè)數(shù)據(jù)的傳輸路徑，降低異常數(shù)據(jù)的產(chǎn)生概率；同時(shí)，可以避免各分布式資源節(jié)點(diǎn)數(shù)據(jù)傳輸?shù)皆贫藥淼臄?shù)據(jù)泄露風(fēng)險(xiǎn)，提升異常檢測(cè)過程中的數(shù)據(jù)安全性。