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)同異常檢測方法和系統(tǒng)及設備。

背景技術：

1、隨著能源轉型的推進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)、風力發(fā)電機組、電池儲能系統(tǒng)等等。虛擬電廠通過集中管理和協(xié)調這些分散的能源資源，使其像一個集中的電廠一樣進行運營和控制。

2、虛擬電廠一般通過云邊協(xié)同處理系統(tǒng)進行調度管理，也就是通過云端服務器和邊緣設備之間的協(xié)同合作進行虛擬電廠系統(tǒng)的調度關聯(lián)。其中，云端服務器負責集中化的能源管理和決策，包括對能源資源進行監(jiān)測、集中控制、數(shù)據(jù)分析和優(yōu)化調度等。邊緣設備則負責實際的能源生產、儲存和消費，通過與云端平臺的通信實現(xiàn)遠程監(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)絡和傳感器設備的不確定性，導致在數(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，進而影響虛擬電廠能源管理和決策的準確性和可靠性。

技術實現(xiàn)思路

1、為了克服上述虛擬電廠系統(tǒng)在數(shù)據(jù)傳輸過程中產生的異常數(shù)據(jù)影響能源管理和決策的準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)同異常檢測方法和系統(tǒng)及設備。

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

3、基于從云端服務器獲取的全局異常檢測模型對虛擬電廠中各分布式資源的實時運行數(shù)據(jù)進行異常檢測；

4、將檢測結果發(fā)送給與邊緣端設備對應的各分布式資源相關聯(lián)的監(jiān)控設備；

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

6、可選地，在基于從云端服務器獲取的全局異常檢測模型對虛擬電廠中各分布式資源的實時運行數(shù)據(jù)進行異常檢測之前，還包括：

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

8、基于所述歷史運行數(shù)據(jù)和基因表達式編程訓練生成局部異常檢測模型；

9、將訓練好的局部異常檢測模型上傳至云端服務器；

10、其中，每個邊緣端設備對應訓練一個局部異常檢測模型。

11、可選地，在基于從云端服務器獲取的全局異常檢測模型對虛擬電廠中各分布式資源的實時運行數(shù)據(jù)進行異常檢測之前，所述方法還包括：

12、接收數(shù)據(jù)采集設備發(fā)送的虛擬電廠中各分布式資源的實時運行數(shù)據(jù)，所述實時運行數(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、風電資源節(jié)點、儲能設備、負荷節(jié)點和充電樁。

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

15、對所述歷史運行數(shù)據(jù)進行數(shù)據(jù)清洗和歸一化處理，獲得預處理后數(shù)據(jù)。

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

17、將所述預處理后數(shù)據(jù)作為訓練樣本，產生包括多個個體的初始種群，每個所述個體用于在所述訓練樣本和對應異常識別結果之間構建關聯(lián)關系；

18、基于每個所述個體對每個所述訓練樣本的異常識別結果與所述訓練樣本的真實標簽之間的差異，確定每個所述個體的適應度；

19、基于每個所述個體的適應度篩選出當前種群的最優(yōu)個體；

20、對所述最優(yōu)個體進行基因進化操作，得到新種群；

21、重復所述個體的適應度確定、所述最優(yōu)個體的篩選和所述基因進化操作，直到達到迭代終止條件，得到的當前種群的最優(yōu)個體即為訓練生成的所述局部異常檢測模型。

22、另一方面，本發(fā)明提供一種邊緣端設備，包括：

23、異常檢測模塊，用于基于從云端服務器獲取的全局異常檢測模型對虛擬電廠中各分布式資源的實時運行數(shù)據(jù)進行異常檢測；

24、發(fā)送模塊，用于將檢測結果發(fā)送給與邊緣端設備對應的各分布式資源相關聯(lián)的監(jiān)控設備；

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

26、可選地，所述邊緣端設備還包括：

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

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

29、其中，每個邊緣端設備對應訓練一個局部異常檢測模型。

30、可選地，所述接收模塊還用于：

31、接收數(shù)據(jù)采集設備發(fā)送的虛擬電廠中各分布式資源的實時運行數(shù)據(jù)，所述實時運行數(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，所述邊緣端設備還包括：

33、預處理模塊，用于對所述歷史運行數(shù)據(jù)進行數(shù)據(jù)清洗和歸一化處理，獲得預處理后數(shù)據(jù)。

34、可選地，所述訓練模塊包括：

35、初始化子模塊，用于將所述預處理后數(shù)據(jù)作為訓練樣本，產生包括多個個體的初始種群，每個所述個體用于在所述訓練樣本和對應異常識別結果之間構建關聯(lián)關系；

36、適應度確定子模塊，基于每個所述個體對每個所述訓練樣本的異常識別結果與所述訓練樣本的真實標簽之間的差異，確定每個所述個體的適應度；

37、篩選模塊，用于基于每個所述個體的適應度篩選出當前種群的最優(yōu)個體；

38、進化子模塊，用于對所述最優(yōu)個體進行基因進化操作，得到新種群；

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

40、接收各邊緣端設備分別訓練的局部異常檢測模型；

41、對各邊緣端設備訓練的局部異常檢測模型進行非線性組合得到全局異常檢測模型；

42、向各邊緣端設備發(fā)送所述全局異常檢測模型；

43、其中，所述全局異常檢測模型用于各邊緣端設備對虛擬電廠中各分布式資源的實時運行數(shù)據(jù)進行異常檢測。

44、可選地，一個邊緣端設備對應訓練一個所述局部異常檢測模型，所述對各邊緣端設備訓練的局部異常檢測模型進行非線性組合得到全局異常檢測模型，包括：

45、構建所述全局異常檢測模型與各所述局部異常檢測模型之間的關聯(lián)關系式；

46、基于所述關聯(lián)關系式，以最小化所述全局異常檢測模型的檢測誤差為目標，構建目標函數(shù)；

47、接收各所述邊緣端設備發(fā)送的目標訓練樣本；

48、基于所述目標訓練樣本和最小二乘法求解所述目標函數(shù)，得到所述關聯(lián)關系式的融合參數(shù)，進而獲得所述全局異常檢測模型。

49、可選地，所述全局異常檢測模型的具體表達式為：

50、

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

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

53、接收各邊緣端設備發(fā)送的測試樣本，所述測試樣本為對預處理后數(shù)據(jù)進行訓練樣本和測試樣本劃分獲得的，所述預處理后數(shù)據(jù)為對所述歷史運行數(shù)據(jù)進行數(shù)據(jù)清洗和歸一化處理獲得的；

54、基于所述測試樣本對所述全局異常檢測模型進行性能測試，得到所述全局異常檢測模型的性能指標；

55、若所述性能指標滿足預設檢測需求，向各所述邊緣端設備發(fā)送所述全局異常檢測模型；

56、若所述性能指標不滿足預設檢測需求，向各所述邊緣端設備發(fā)送重新訓練指令，所述重新訓練指令用于指示各邊緣端設備重新訓練對應的局部異常檢測模型。

57、另一方面，本發(fā)明提供一種云端服務器，包括：

58、接收模塊，用于接收各邊緣端設備分別訓練的局部異常檢測模型；

59、融合模塊，用于對各邊緣端設備訓練的局部異常檢測模型進行非線性組合，得到全局異常檢測模型；

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

61、其中，所述全局異常檢測模型用于各邊緣端設備對虛擬電廠中各分布式資源的實時運行數(shù)據(jù)進行異常檢測。

62、可選地，一個邊緣端設備對應訓練一個所述局部異常檢測模型，所述融合模塊包括：

63、關系式構建子模塊，用于構建所述全局異常檢測模型與各所述局部異常檢測模型之間的關聯(lián)關系式；

64、目標函數(shù)構建子模塊，用于基于所述關聯(lián)關系式，以最小化所述全局異常檢測模型的檢測誤差為目標，構建目標函數(shù)；

65、接收子模塊，用于接收各所述邊緣端設備發(fā)送的目標訓練樣本；

66、求解子模塊，用于基于所述目標訓練樣本和最小二乘法求解所述目標函數(shù)，得到所述關聯(lián)關系式的融合參數(shù)，進而獲得所述全局異常檢測模型。

67、可選地，所述全局異常檢測模型的具體表達式為：

68、

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

70、可選地，所述接收子模塊還用于：

71、接收各邊緣端設備發(fā)送的測試樣本，所述測試樣本為對預處理后數(shù)據(jù)進行訓練樣本和測試樣本劃分獲得的，所述預處理后數(shù)據(jù)為對所述歷史運行數(shù)據(jù)進行數(shù)據(jù)清洗和歸一化處理獲得的；

72、所述云端服務器還包括測試模塊，所述測試模塊用于：基于所述測試樣本對所述全局異常檢測模型進行性能測試，得到所述全局異常檢測模型的性能指標；

73、所述發(fā)送模塊還用于：

74、若所述性能指標滿足預設檢測需求，向各所述邊緣端設備發(fā)送所述全局異常檢測模型；

75、若所述性能指標不滿足預設檢測需求，向各所述邊緣端設備發(fā)送重新訓練指令，所述重新訓練指令用于指示各邊緣端設備重新訓練對應的局部異常檢測模型。

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

77、與現(xiàn)有技術相比，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)同異常檢測方法，通過在每個邊緣端設備并行執(zhí)行局部異常檢測模型的訓練生成，并基于云端服務下發(fā)的全局異常檢測模型在各邊緣端設備進行異常檢測，一方面降低云端計算壓力和檢測時延能夠充分利用云端服務器的計算能力和邊緣端設備的數(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)絡擁塞概率，降低云端計算壓力和檢測時延；另一方面，可以縮短待檢測數(shù)據(jù)的傳輸路徑，降低異常數(shù)據(jù)的產生概率；同時，可以避免各分布式資源節(jié)點數(shù)據(jù)傳輸?shù)皆贫藥淼臄?shù)據(jù)泄露風險，提升異常檢測過程中的數(shù)據(jù)安全性。