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

背景技術：

1、配電智能運維服務是以智能運維平臺為核心，通過對配電室、高、低壓配電柜加裝在線監(jiān)測裝置，將運行狀態(tài)實時傳輸?shù)街悄苓\維平臺，進行遠程運維值班，為客戶提供大數(shù)據(jù)時代下的電力運維解決方案，更好地保障了電力供應的安全可靠，同時達到了降損節(jié)能、減少人力開支、提升經濟效益的目的。

2、現(xiàn)有技術對于配電室的智慧監(jiān)控，通常可以采集監(jiān)控室的多類數(shù)據(jù)，并使用lof離群檢測算法獲得監(jiān)控過程中的異常數(shù)據(jù)。但是使用lof離群檢測算法對配電站監(jiān)控數(shù)據(jù)進行異常檢測時，由于需要結合多維數(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取值過小可能導致算法檢測過程中對局部的離群點過于敏感，鄰居數(shù)量參數(shù)k取值過大可能導致算法檢測過程中無法有效地捕捉局部異常。

技術實現(xiàn)思路

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

2、本發(fā)明一個實施例提供了一種基于人工智能的電力運維配電站智慧監(jiān)控平臺，該平臺包括數(shù)據(jù)采集單元、樣本空間構建單元、數(shù)據(jù)點疑似異常程度計算單元和異常數(shù)據(jù)點檢測單元，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前的監(jiān)控數(shù)據(jù)，所述監(jiān)控數(shù)據(jù)為多維數(shù)據(jù)；

4、樣本空間構建單元，用于根據(jù)歷史上的監(jiān)控數(shù)據(jù)中每個維度的數(shù)據(jù)獲得各維度的數(shù)據(jù)曲線；利用數(shù)據(jù)曲線中各個波峰到其對應的波谷點的縱向最大距離計算各維度的波動狀態(tài)特征值；基于所述波動狀態(tài)特征值建立樣本空間；

5、數(shù)據(jù)點疑似異常程度計算單元，用于根據(jù)當前的監(jiān)控數(shù)據(jù)在樣本空間內的聚類結果計算數(shù)據(jù)點的空間分布異常程度；利用數(shù)據(jù)點在樣本空間中每個維度上的值計算數(shù)據(jù)點的多維相似關聯(lián)性；數(shù)據(jù)點的空間分布異常程度和多維相似關聯(lián)性的和為疑似異常程度；

6、異常數(shù)據(jù)點檢測單元，用于利用數(shù)據(jù)點的疑似異常程度對數(shù)據(jù)點的初始鄰居數(shù)量參數(shù)進行修正；利用數(shù)據(jù)點修正后的鄰居數(shù)量參數(shù)在樣本空間中檢測當前的監(jiān)控數(shù)據(jù)中的異常數(shù)據(jù)點。

7、優(yōu)選地，利用數(shù)據(jù)曲線中各個波峰到其對應的波谷點的縱向最大距離計算各維度的波動狀態(tài)特征值，包括：

8、獲取一個維度的數(shù)據(jù)曲線中各個波峰到其對應的波谷點的縱向最大距離的方差，記為縱向方差；獲取各個波峰的橫坐標到左右兩側相對應的波谷點的橫坐標的距離之和，記為波峰的橫跨度；獲得各個波峰的橫跨度的方差，記為橫向方差；對縱向方差和橫向方差進行相加，將各個波峰到其對應的波谷點的縱向最大距離與相加的結果進行相比并求和得到該維度的波動狀態(tài)特征值。

9、優(yōu)選地，基于所述波動狀態(tài)特征值建立樣本空間，包括：

10、獲得波動狀態(tài)特征值最大的預設數(shù)量的維度為主要維度建立樣本空間。

11、優(yōu)選地，根據(jù)當前的監(jiān)控數(shù)據(jù)在樣本空間內的聚類結果計算數(shù)據(jù)點的空間分布異常程度，包括：

12、獲得聚類結果中每個點簇的最小包圍球的體積；獲得聚類后當前的監(jiān)控數(shù)據(jù)中數(shù)據(jù)點所在點簇的最小包圍球的體積；獲得數(shù)據(jù)點所在點簇的重心與其他點簇的重心的連線，獲取垂直距離連線兩個單位長度內的數(shù)據(jù)點個數(shù)的數(shù)量，并除去屬于兩個相連線的點簇的數(shù)據(jù)點，剩余的數(shù)據(jù)點的數(shù)量為連線對應的游離數(shù)據(jù)點數(shù)量；根據(jù)數(shù)據(jù)點所在點簇的最小包圍球的體積以及數(shù)據(jù)點所在點簇的重心與其他點簇的重心之間的連線對應的游離數(shù)據(jù)點數(shù)量獲得數(shù)據(jù)點的空間分布異常程度。

13、優(yōu)選地，空間分布異常程度的計算公式具體為：

14、，

15、其中，表示第p個數(shù)據(jù)點的空間分布異常程度；表示第p個數(shù)據(jù)點所在的點簇的最小外接球的體積；表示所有點簇的數(shù)量；表示第p個數(shù)據(jù)點所在的點簇的重心與第p個數(shù)據(jù)點所在的點簇之外的第i個點簇的中線的連線對應的游離數(shù)據(jù)點數(shù)量。

16、優(yōu)選地，數(shù)據(jù)點的多維相似關聯(lián)性的計算公式具體為：

17、，

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

19、優(yōu)選地，利用數(shù)據(jù)點的疑似異常程度對數(shù)據(jù)點的初始鄰居數(shù)量參數(shù)進行修正，包括：

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

21、優(yōu)選地，利用數(shù)據(jù)點修正后的鄰居數(shù)量參數(shù)在樣本空間中檢測當前的監(jiān)控數(shù)據(jù)中的異常數(shù)據(jù)點，包括：

22、在樣本空間中，基于每個數(shù)據(jù)點修正后的鄰居數(shù)量參數(shù)利用lof離群檢測算法對樣本空間中的數(shù)據(jù)點進行計算，獲得每個數(shù)據(jù)點的lof值；計算每個數(shù)據(jù)點的lof值與所有數(shù)據(jù)點的lof值均值的差值的絕對值并歸一化，得到每個數(shù)據(jù)點的監(jiān)控異常程度；設定異常閾值，當數(shù)據(jù)點的監(jiān)控異常程度大于或者等于異常閾值時，該數(shù)據(jù)點為異常數(shù)據(jù)點。

23、本發(fā)明實施例至少具有如下有益效果：本發(fā)明利用歷史上的監(jiān)控數(shù)據(jù)進行分析獲得各維度的波動狀態(tài)特征值并得到主要維度，進而構建新的樣本空間，避免了lof算法在高維數(shù)據(jù)集上表現(xiàn)不佳的問題，使得后續(xù)的異常檢測更加準確；進一步的，計算數(shù)據(jù)點的空間分布異常程度和多維相似關聯(lián)性，并進行綜合得到每個數(shù)據(jù)點的疑似異常程度，并以此對各個數(shù)據(jù)點的初始鄰居數(shù)量參數(shù)進行修正，相比于現(xiàn)有技術中直接使用固定經驗鄰居數(shù)量參數(shù)k進行l(wèi)of離群檢測會導致離群異常數(shù)據(jù)的檢測結果不準確的問題，本發(fā)明中采用修正后的鄰居數(shù)量參數(shù)進行l(wèi)of離群檢測，對于異常風險越高的數(shù)據(jù)，修正其鄰居數(shù)量參數(shù)能夠讓其更易被檢測到離群，反之對于異常風險越低的，修正其鄰居數(shù)量參數(shù)能夠讓其不易被檢測為異常離群數(shù)據(jù)，由此獲得更準確的配電室監(jiān)控數(shù)據(jù)異常檢測結果，提高異常檢測的準確性。

技術特征：

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

2.根據(jù)權利要求1所述的一種基于人工智能的電力運維配電站智慧監(jiān)控平臺，其特征在于，所述利用數(shù)據(jù)曲線中各個波峰到其對應的波谷點的縱向最大距離計算各維度的波動狀態(tài)特征值，包括：

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

4.根據(jù)權利要求1所述的一種基于人工智能的電力運維配電站智慧監(jiān)控平臺，其特征在于，所述根據(jù)當前的監(jiān)控數(shù)據(jù)在樣本空間內的聚類結果計算數(shù)據(jù)點的空間分布異常程度，包括：

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

6.根據(jù)權利要求1所述的一種基于人工智能的電力運維配電站智慧監(jiān)控平臺，其特征在于，所述數(shù)據(jù)點的多維相似關聯(lián)性的計算公式具體為：

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

8.根據(jù)權利要求1所述的一種基于人工智能的電力運維配電站智慧監(jiān)控平臺，其特征在于，所述利用數(shù)據(jù)點修正后的鄰居數(shù)量參數(shù)在樣本空間中檢測當前的監(jiān)控數(shù)據(jù)中的異常數(shù)據(jù)點，包括：

技術總結
本發(fā)明涉及電力運維數(shù)據(jù)處理技術領域，具體涉及一種基于人工智能的電力運維配電站智慧監(jiān)控平臺。該平臺包括：數(shù)據(jù)采集單元，用于采集配電站的當前的監(jiān)控數(shù)據(jù)；樣本空間構建單元，用于獲得各維度的數(shù)據(jù)曲線并計算各維度的波動狀態(tài)特征值，并基于波動狀態(tài)特征值建立樣本空間；數(shù)據(jù)點疑似異常程度計算單元，用于計算數(shù)據(jù)點的空間分布異常程度和多維相似關聯(lián)性，且數(shù)據(jù)點的空間分布異常程度和多維相似關聯(lián)性的和為疑似異常程度；異常數(shù)據(jù)點檢測單元，用于利用疑似異常程度對數(shù)據(jù)點的初始鄰居數(shù)量參數(shù)進行修正；利用數(shù)據(jù)點修正后的鄰居數(shù)量參數(shù)在樣本空間中檢測當前的監(jiān)控數(shù)據(jù)中的異常數(shù)據(jù)點。本發(fā)明能夠準確的對配電站進行監(jiān)控并獲取異常數(shù)據(jù)。

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