本發(fā)明涉及電力運(yùn)維數(shù)據(jù)處理，具體涉及一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)。

背景技術(shù)：

1、配電智能運(yùn)維服務(wù)是以智能運(yùn)維平臺(tái)為核心，通過(guò)對(duì)配電室、高、低壓配電柜加裝在線監(jiān)測(cè)裝置，將運(yùn)行狀態(tài)實(shí)時(shí)傳輸?shù)街悄苓\(yùn)維平臺(tái)，進(jìn)行遠(yuǎn)程運(yùn)維值班，為客戶提供大數(shù)據(jù)時(shí)代下的電力運(yùn)維解決方案，更好地保障了電力供應(yīng)的安全可靠，同時(shí)達(dá)到了降損節(jié)能、減少人力開(kāi)支、提升經(jīng)濟(jì)效益的目的。

2、現(xiàn)有技術(shù)對(duì)于配電室的智慧監(jiān)控，通?？梢圆杉O(jiān)控室的多類數(shù)據(jù)，并使用lof離群檢測(cè)算法獲得監(jiān)控過(guò)程中的異常數(shù)據(jù)。但是使用lof離群檢測(cè)算法對(duì)配電站監(jiān)控?cái)?shù)據(jù)進(jìn)行異常檢測(cè)時(shí)，由于需要結(jié)合多維數(shù)據(jù)，不易確定鄰居數(shù)量參數(shù)的取值，鄰居數(shù)量參數(shù)k取值過(guò)小可能導(dǎo)致算法檢測(cè)過(guò)程中對(duì)局部的離群點(diǎn)過(guò)于敏感，鄰居數(shù)量參數(shù)k取值過(guò)大可能導(dǎo)致算法檢測(cè)過(guò)程中無(wú)法有效地捕捉局部異常。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問(wèn)題，本發(fā)明的目的在于提供一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，所采用的技術(shù)方案具體如下：

2、本發(fā)明一個(gè)實(shí)施例提供了一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，該平臺(tái)包括數(shù)據(jù)采集單元、樣本空間構(gòu)建單元、數(shù)據(jù)點(diǎn)疑似異常程度計(jì)算單元和異常數(shù)據(jù)點(diǎn)檢測(cè)單元，具體的：

3、數(shù)據(jù)采集單元，用于利用傳感器采集配電站的當(dāng)前的監(jiān)控?cái)?shù)據(jù)，所述監(jiān)控?cái)?shù)據(jù)為多維數(shù)據(jù)；

4、樣本空間構(gòu)建單元，用于根據(jù)歷史上的監(jiān)控?cái)?shù)據(jù)中每個(gè)維度的數(shù)據(jù)獲得各維度的數(shù)據(jù)曲線；利用數(shù)據(jù)曲線中各個(gè)波峰到其對(duì)應(yīng)的波谷點(diǎn)的縱向最大距離計(jì)算各維度的波動(dòng)狀態(tài)特征值；基于所述波動(dòng)狀態(tài)特征值建立樣本空間；

5、數(shù)據(jù)點(diǎn)疑似異常程度計(jì)算單元，用于根據(jù)當(dāng)前的監(jiān)控?cái)?shù)據(jù)在樣本空間內(nèi)的聚類結(jié)果計(jì)算數(shù)據(jù)點(diǎn)的空間分布異常程度；利用數(shù)據(jù)點(diǎn)在樣本空間中每個(gè)維度上的值計(jì)算數(shù)據(jù)點(diǎn)的多維相似關(guān)聯(lián)性；數(shù)據(jù)點(diǎn)的空間分布異常程度和多維相似關(guān)聯(lián)性的和為疑似異常程度；

6、異常數(shù)據(jù)點(diǎn)檢測(cè)單元，用于利用數(shù)據(jù)點(diǎn)的疑似異常程度對(duì)數(shù)據(jù)點(diǎn)的初始鄰居數(shù)量參數(shù)進(jìn)行修正；利用數(shù)據(jù)點(diǎn)修正后的鄰居數(shù)量參數(shù)在樣本空間中檢測(cè)當(dāng)前的監(jiān)控?cái)?shù)據(jù)中的異常數(shù)據(jù)點(diǎn)。

7、優(yōu)選地，利用數(shù)據(jù)曲線中各個(gè)波峰到其對(duì)應(yīng)的波谷點(diǎn)的縱向最大距離計(jì)算各維度的波動(dòng)狀態(tài)特征值，包括：

8、獲取一個(gè)維度的數(shù)據(jù)曲線中各個(gè)波峰到其對(duì)應(yīng)的波谷點(diǎn)的縱向最大距離的方差，記為縱向方差；獲取各個(gè)波峰的橫坐標(biāo)到左右兩側(cè)相對(duì)應(yīng)的波谷點(diǎn)的橫坐標(biāo)的距離之和，記為波峰的橫跨度；獲得各個(gè)波峰的橫跨度的方差，記為橫向方差；對(duì)縱向方差和橫向方差進(jìn)行相加，將各個(gè)波峰到其對(duì)應(yīng)的波谷點(diǎn)的縱向最大距離與相加的結(jié)果進(jìn)行相比并求和得到該維度的波動(dòng)狀態(tài)特征值。

9、優(yōu)選地，基于所述波動(dòng)狀態(tài)特征值建立樣本空間，包括：

10、獲得波動(dòng)狀態(tài)特征值最大的預(yù)設(shè)數(shù)量的維度為主要維度建立樣本空間。

11、優(yōu)選地，根據(jù)當(dāng)前的監(jiān)控?cái)?shù)據(jù)在樣本空間內(nèi)的聚類結(jié)果計(jì)算數(shù)據(jù)點(diǎn)的空間分布異常程度，包括：

12、獲得聚類結(jié)果中每個(gè)點(diǎn)簇的最小包圍球的體積；獲得聚類后當(dāng)前的監(jiān)控?cái)?shù)據(jù)中數(shù)據(jù)點(diǎn)所在點(diǎn)簇的最小包圍球的體積；獲得數(shù)據(jù)點(diǎn)所在點(diǎn)簇的重心與其他點(diǎn)簇的重心的連線，獲取垂直距離連線兩個(gè)單位長(zhǎng)度內(nèi)的數(shù)據(jù)點(diǎn)個(gè)數(shù)的數(shù)量，并除去屬于兩個(gè)相連線的點(diǎn)簇的數(shù)據(jù)點(diǎn)，剩余的數(shù)據(jù)點(diǎn)的數(shù)量為連線對(duì)應(yīng)的游離數(shù)據(jù)點(diǎn)數(shù)量；根據(jù)數(shù)據(jù)點(diǎn)所在點(diǎn)簇的最小包圍球的體積以及數(shù)據(jù)點(diǎn)所在點(diǎn)簇的重心與其他點(diǎn)簇的重心之間的連線對(duì)應(yīng)的游離數(shù)據(jù)點(diǎn)數(shù)量獲得數(shù)據(jù)點(diǎn)的空間分布異常程度。

13、優(yōu)選地，空間分布異常程度的計(jì)算公式具體為：

14、，

15、其中，表示第p個(gè)數(shù)據(jù)點(diǎn)的空間分布異常程度；表示第p個(gè)數(shù)據(jù)點(diǎn)所在的點(diǎn)簇的最小外接球的體積；表示所有點(diǎn)簇的數(shù)量；表示第p個(gè)數(shù)據(jù)點(diǎn)所在的點(diǎn)簇的重心與第p個(gè)數(shù)據(jù)點(diǎn)所在的點(diǎn)簇之外的第i個(gè)點(diǎn)簇的中線的連線對(duì)應(yīng)的游離數(shù)據(jù)點(diǎn)數(shù)量。

16、優(yōu)選地，數(shù)據(jù)點(diǎn)的多維相似關(guān)聯(lián)性的計(jì)算公式具體為：

17、，

18、其中，表示第p個(gè)數(shù)據(jù)點(diǎn)的多維相似關(guān)聯(lián)性；表示第p個(gè)數(shù)據(jù)點(diǎn)在第t個(gè)維度的數(shù)值；表示第t個(gè)維度上數(shù)據(jù)點(diǎn)的數(shù)值的均值；和分別表示第t個(gè)維度上數(shù)據(jù)點(diǎn)的數(shù)值的最大值和最小值；σ[?]表示求方差函數(shù)；t表示第t個(gè)維度。

19、優(yōu)選地，利用數(shù)據(jù)點(diǎn)的疑似異常程度對(duì)數(shù)據(jù)點(diǎn)的初始鄰居數(shù)量參數(shù)進(jìn)行修正，包括：

20、數(shù)據(jù)點(diǎn)的初始鄰居數(shù)量參數(shù)與該數(shù)據(jù)點(diǎn)的疑似異常程度的比值為該數(shù)據(jù)點(diǎn)修正后的鄰居數(shù)量參數(shù)。

21、優(yōu)選地，利用數(shù)據(jù)點(diǎn)修正后的鄰居數(shù)量參數(shù)在樣本空間中檢測(cè)當(dāng)前的監(jiān)控?cái)?shù)據(jù)中的異常數(shù)據(jù)點(diǎn)，包括：

22、在樣本空間中，基于每個(gè)數(shù)據(jù)點(diǎn)修正后的鄰居數(shù)量參數(shù)利用lof離群檢測(cè)算法對(duì)樣本空間中的數(shù)據(jù)點(diǎn)進(jìn)行計(jì)算，獲得每個(gè)數(shù)據(jù)點(diǎn)的lof值；計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的lof值與所有數(shù)據(jù)點(diǎn)的lof值均值的差值的絕對(duì)值并歸一化，得到每個(gè)數(shù)據(jù)點(diǎn)的監(jiān)控異常程度；設(shè)定異常閾值，當(dāng)數(shù)據(jù)點(diǎn)的監(jiān)控異常程度大于或者等于異常閾值時(shí)，該數(shù)據(jù)點(diǎn)為異常數(shù)據(jù)點(diǎn)。

23、本發(fā)明實(shí)施例至少具有如下有益效果：本發(fā)明利用歷史上的監(jiān)控?cái)?shù)據(jù)進(jìn)行分析獲得各維度的波動(dòng)狀態(tài)特征值并得到主要維度，進(jìn)而構(gòu)建新的樣本空間，避免了lof算法在高維數(shù)據(jù)集上表現(xiàn)不佳的問(wèn)題，使得后續(xù)的異常檢測(cè)更加準(zhǔn)確；進(jìn)一步的，計(jì)算數(shù)據(jù)點(diǎn)的空間分布異常程度和多維相似關(guān)聯(lián)性，并進(jìn)行綜合得到每個(gè)數(shù)據(jù)點(diǎn)的疑似異常程度，并以此對(duì)各個(gè)數(shù)據(jù)點(diǎn)的初始鄰居數(shù)量參數(shù)進(jìn)行修正，相比于現(xiàn)有技術(shù)中直接使用固定經(jīng)驗(yàn)鄰居數(shù)量參數(shù)k進(jìn)行l(wèi)of離群檢測(cè)會(huì)導(dǎo)致離群異常數(shù)據(jù)的檢測(cè)結(jié)果不準(zhǔn)確的問(wèn)題，本發(fā)明中采用修正后的鄰居數(shù)量參數(shù)進(jìn)行l(wèi)of離群檢測(cè)，對(duì)于異常風(fēng)險(xiǎn)越高的數(shù)據(jù)，修正其鄰居數(shù)量參數(shù)能夠讓其更易被檢測(cè)到離群，反之對(duì)于異常風(fēng)險(xiǎn)越低的，修正其鄰居數(shù)量參數(shù)能夠讓其不易被檢測(cè)為異常離群數(shù)據(jù)，由此獲得更準(zhǔn)確的配電室監(jiān)控?cái)?shù)據(jù)異常檢測(cè)結(jié)果，提高異常檢測(cè)的準(zhǔn)確性。

技術(shù)特征：

1.一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，其特征在于，該平臺(tái)包括：

2.根據(jù)權(quán)利要求1所述的一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，其特征在于，所述利用數(shù)據(jù)曲線中各個(gè)波峰到其對(duì)應(yīng)的波谷點(diǎn)的縱向最大距離計(jì)算各維度的波動(dòng)狀態(tài)特征值，包括：

3.根據(jù)權(quán)利要求1所述的一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，其特征在于，所述基于所述波動(dòng)狀態(tài)特征值建立樣本空間，包括：

4.根據(jù)權(quán)利要求1所述的一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，其特征在于，所述根據(jù)當(dāng)前的監(jiān)控?cái)?shù)據(jù)在樣本空間內(nèi)的聚類結(jié)果計(jì)算數(shù)據(jù)點(diǎn)的空間分布異常程度，包括：

5.根據(jù)權(quán)利要求4所述的一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，其特征在于，所述空間分布異常程度的計(jì)算公式具體為：

6.根據(jù)權(quán)利要求1所述的一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，其特征在于，所述數(shù)據(jù)點(diǎn)的多維相似關(guān)聯(lián)性的計(jì)算公式具體為：

7.根據(jù)權(quán)利要求1所述的一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，其特征在于，所述利用數(shù)據(jù)點(diǎn)的疑似異常程度對(duì)數(shù)據(jù)點(diǎn)的初始鄰居數(shù)量參數(shù)進(jìn)行修正，包括：

8.根據(jù)權(quán)利要求1所述的一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)，其特征在于，所述利用數(shù)據(jù)點(diǎn)修正后的鄰居數(shù)量參數(shù)在樣本空間中檢測(cè)當(dāng)前的監(jiān)控?cái)?shù)據(jù)中的異常數(shù)據(jù)點(diǎn)，包括：

技術(shù)總結(jié)
本發(fā)明涉及電力運(yùn)維數(shù)據(jù)處理技術(shù)領(lǐng)域，具體涉及一種基于人工智能的電力運(yùn)維配電站智慧監(jiān)控平臺(tái)。該平臺(tái)包括：數(shù)據(jù)采集單元，用于采集配電站的當(dāng)前的監(jiān)控?cái)?shù)據(jù)；樣本空間構(gòu)建單元，用于獲得各維度的數(shù)據(jù)曲線并計(jì)算各維度的波動(dòng)狀態(tài)特征值，并基于波動(dòng)狀態(tài)特征值建立樣本空間；數(shù)據(jù)點(diǎn)疑似異常程度計(jì)算單元，用于計(jì)算數(shù)據(jù)點(diǎn)的空間分布異常程度和多維相似關(guān)聯(lián)性，且數(shù)據(jù)點(diǎn)的空間分布異常程度和多維相似關(guān)聯(lián)性的和為疑似異常程度；異常數(shù)據(jù)點(diǎn)檢測(cè)單元，用于利用疑似異常程度對(duì)數(shù)據(jù)點(diǎn)的初始鄰居數(shù)量參數(shù)進(jìn)行修正；利用數(shù)據(jù)點(diǎn)修正后的鄰居數(shù)量參數(shù)在樣本空間中檢測(cè)當(dāng)前的監(jiān)控?cái)?shù)據(jù)中的異常數(shù)據(jù)點(diǎn)。本發(fā)明能夠準(zhǔn)確的對(duì)配電站進(jìn)行監(jiān)控并獲取異常數(shù)據(jù)。

技術(shù)研發(fā)人員：馬文棟,李太焰,孫京都
受保護(hù)的技術(shù)使用者：山東德源電力科技股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19