一种电力数据异常检测方法及系统与流程

摘要: 本发明涉及电力系统自动化与人工智能,特别涉及一种电力数据异常检测方法及系统。背景技术:1、在电力系统运行监控领域,电力数据异常检测是保障电网安全稳定运行的关键技...
一种电力数据异常检测方法及系统与流程

本发明涉及电力系统自动化与人工智能,特别涉及一种电力数据异常检测方法及系统。

背景技术:

1、在电力系统运行监控领域,电力数据异常检测是保障电网安全稳定运行的关键技术手段。传统异常检测方法主要基于固定阈值比较或统计模型,对单一维度的时序数据进行分析。随着电力系统规模扩大和复杂化,现有技术逐步引入了基于机器学习的方法,通过提取历史数据的统计特征建立检测模型。然而,上述方案均未充分考虑电力系统中多源数据之间的时空关联性以及运行工况的动态变化特性,导致检测精度和适应性受限。

2、现有电力数据异常检测技术在以下方面仍有改进空间:多源异构数据的融合深度不足,设备级、馈线级、站域级等多尺度空间信息与时间演变规律未能充分结合,对异常的空间传播特征的表征能力有待增强;异常从发生到传播全过程的动态演化追踪机制尚不完善,在检测异常的同时定位异常源头及传播路径的能力有待提升;检测过程与异常根因分析之间存在衔接断点,检测结果对后续调控决策的空间分布信息支撑不足。上述问题的根源在于缺乏对电力系统“数据、图谱、传播、根因”全链条的统一表征与推理框架,致使异常检测主要停留在单点报警层面,难以实现具备空间溯源能力的精准诊断。另外,当前电力行业积累海量工业大数据,但缺少配套因果知识图谱完成异常规律、处置经验的沉淀复用,海量数据价值无法充分挖掘。

3、因此,本发明提出一种电力数据异常检测方法及系统。

技术实现思路

1、本发明提供一种电力数据异常检测方法及系统,通过构建融合时空拓扑与动态关联的电力动态演化图谱,并结合多尺度偏离度向量与异常传播场,实现了异常检测从单点报警向具备根因定位与传播追踪能力的精准诊断升级。

2、本发明提供一种电力数据异常检测方法,包括:

3、构建多模态电力数据矩阵,将多模态电力数据矩阵输入动态图神经网络,动态图神经网络基于深度学习框架构建,生成电力动态演化图谱;

4、将电力动态演化图谱中的节点按照拓扑层级与运行工况划分为多个时空网格,提取每个时空网格内所有节点的图谱状态变化率均值、关联边权重波动幅度均值以及节点间相位差偏移量均值,组合为单个时空网格的电力时空图谱演化特征向量,同一节点在所属拓扑层级下的所有运行工况时空网格中的电力时空图谱演化特征向量构成当前节点的多工况演化特征向量集合;

5、针对目标节点,分别计算目标节点在设备级尺度上相对于同类设备正常状态的第一偏离度、在馈线级尺度上相对于同馈线内节点平均状态的第二偏离度以及在站域级尺度上相对于同变电站管辖范围内节点平均状态的第三偏离度,将第一偏离度、第二偏离度与第三偏离度按照设备级、馈线级、站域级的顺序排列,构成目标节点的节点多尺度偏离度向量;

6、当节点多尺度偏离度向量中任一偏离度超过偏离度所在尺度对应的预设偏离度阈值时,在电力动态演化图谱中追溯目标节点的异常传播路径,确定异常根因节点;

7、以异常根因节点为中心,在电力动态演化图谱中构建异常传播场,异常传播场包含异常传播方向向量与多条图谱收敛等势线;

8、输出异常检测结果,异常检测结果包含异常根因节点、异常传播方向向量以及多条图谱收敛等势线。

9、进一步地,构建多模态电力数据矩阵,包括:

10、将时序采样值沿时间轴排列为时间维度的矩阵行向量;

11、将电气距离值沿拓扑轴排列为空间维度的矩阵行向量;

12、将设备类型编码值作为属性维度的矩阵行向量;

13、基于滑动时间窗口内的历史电力数据,计算任意两个电力数据节点之间的皮尔逊相关系数作为动态关联系数值;

14、将时间维度的矩阵行向量、空间维度的矩阵行向量、属性维度的矩阵行向量按节点编号对齐,以各维度为行、以节点为列,构成节点特征矩阵;将所有节点对之间的动态关联系数值按节点对排列构成节点关联矩阵,节点特征矩阵与节点关联矩阵共同构成多模态电力数据矩阵。

15、进一步地,在电力动态演化图谱中追溯目标节点的异常传播路径,确定异常根因节点,包括:

16、在电力动态演化图谱中,以目标节点为起点,沿图谱中的边方向逐阶扩展遍历目标节点的各阶邻域节点,在遍历过程中优先访问节点多尺度偏离度向量的模长最大的邻域节点;

17、记录遍历路径上每个邻域节点的图谱状态变化时序,将图谱状态变化时序早于目标节点的图谱状态变化时序且变化幅度超过预设变化阈值的邻域节点,标记为候选根因节点;

18、在所有候选根因节点中,将候选根因节点在电力动态演化图谱上的出度最大的候选根因节点,确定为异常根因节点。

19、进一步地,异常传播场的构建方式包括:

20、以异常根因节点为中心,计算异常根因节点向各邻域节点传播异常影响的传播强度与传播速度,对传播强度与传播速度分别进行归一化后相乘得到各邻域方向的综合传播得分,将综合传播得分最高的邻域方向定义为异常传播主方向,将异常传播主方向的单位向量作为异常传播方向向量;

21、以异常根因节点为原点,在电力动态演化图谱上定义异常影响强度函数,异常根因节点自身的异常影响强度函数值设定为1,其余被计算节点的异常影响强度函数值等于被计算节点与异常根因节点之间最短路径跳数的倒数与边权重衰减系数的乘积,异常影响强度函数的值随被计算节点与异常根因节点之间的最短路径跳数增加而单调递减,且随被计算节点与异常根因节点之间的边权重衰减系数减小而单调递减;

22、在电力动态演化图谱上,将所有异常影响强度函数值处于同一预设强度取值区间的被计算节点提取出来,采用线性插值方式拟合形成单条图谱收敛等势线,以预设强度间隔重复提取与拟合操作,获得多条图谱收敛等势线。

23、进一步地,还包括:

24、获取异常检测结果;

25、基于异常检测结果中的异常传播方向向量与多条图谱收敛等势线,生成调控方向调整向量;

26、基于异常传播方向向量、多条图谱收敛等势线与调控方向调整向量,生成并执行自适应调控策略,以驱动目标节点的图谱状态向预构建的电力正常模式库收敛。

27、进一步地,基于异常检测结果中的异常传播方向向量与多条图谱收敛等势线,生成调控方向调整向量,包括:

28、将目标节点当前图谱状态匹配至电力正常模式库中距离最近的正常模式簇,将匹配出的正常模式簇的簇中心作为目标节点在电力正常模式库中对应的基准状态;

29、计算目标节点当前图谱状态与目标节点在电力正常模式库中对应基准状态之间的差值,作为图谱态势偏移向量;

30、计算图谱态势偏移向量在电力动态演化图谱的邻接特征空间中各特征向量方向上的投影分量,将各投影分量除以对应特征值,其中零特征值对应的投影分量设定为零,得到图谱态势收敛梯度,图谱态势收敛梯度与图谱态势偏移向量在邻接特征空间中的投影向量维度相同;

31、将图谱态势偏移向量与图谱态势收敛梯度进行逐元素乘积运算,获得调控响应方向向量;

32、计算异常传播方向向量与各图谱收敛等势线的法线方向之间的方向角偏差,根据方向角偏差确定各图谱收敛等势线对应的投影权重,将调控响应方向向量以异常传播方向向量为投影方向、以投影权重为加权系数投影至实际控制参数空间,获得调控方向调整向量。

33、进一步地,基于异常传播方向向量、多条图谱收敛等势线与调控方向调整向量,生成并执行自适应调控策略,包括:

34、将异常根因节点的节点类型编码、节点多尺度偏离度向量中偏离度最大的尺度标识以及异常传播方向向量的方向角作为查询条件,在预构建的异常-成因-调控因果知识图谱中进行匹配检索,获取候选调控动作集合;

35、针对候选调控动作集合中的每个候选调控动作,以调控方向调整向量为方向引导,利用电力动态演化图谱进行仿真推演,预测在调控方向调整向量指引下执行候选调控动作后目标节点的图谱状态收敛轨迹;

36、选择图谱状态收敛轨迹中目标节点的图谱状态与基准状态之间的欧氏距离下降速度最快的候选调控动作,作为自适应调控策略;

37、在执行自适应调控策略后,再次采集目标节点的图谱状态快照,计算再次采集的图谱状态快照与基准状态之间的欧氏距离,作为收敛判定距离;

38、当收敛判定距离小于预设收敛阈值时,将自适应调控策略对应的调控动作记录作为正样本存入异常-成因-调控因果知识图谱;

39、当收敛判定距离不小于预设收敛阈值时,从候选调控动作集合中剔除已执行调控动作,在剔除后的候选调控动作集合中重新进行仿真推演并选择次优候选调控动作执行,直至收敛判定距离小于预设收敛阈值或候选调控动作集合为空。

40、进一步地,异常-成因-调控因果知识图谱的构建方式包括:

41、从过往电力运行数据中提取异常事件记录以及对应的人工处置记录;

42、基于异常事件记录提取异常模式特征向量,基于人工处置记录提取调控动作特征向量与调控效果标签;

43、利用因果发现算法,学习异常模式特征向量、调控动作特征向量与调控效果标签之间的因果关系方向与因果强度,生成异常-成因-调控因果知识图谱。

44、进一步地,电力正常模式库的构建与更新方式包括:

45、采集历史正常运行工况下各节点在各时空网格中的图谱状态快照,作为初始正常模式样本集;

46、利用高斯混合模型对初始正常模式样本集进行聚类,生成多个正常模式簇,每个正常模式簇具有对应的簇中心;

47、当新产生的图谱状态快照被判定为正常时,将新产生的图谱状态快照增量式地加入对应正常模式簇,并更新对应正常模式簇的簇中心。

48、本发明提供一种电力数据异常检测系统,包括:

49、多模态融合建模模块,用于构建多模态电力数据矩阵,多模态电力数据矩阵融合电力数据的时序采样值、基于电网拓扑的电气距离值、设备类型编码值以及任意两个电力数据节点之间的动态关联系数值;

50、动态演化图谱生成模块,用于将多模态电力数据矩阵输入动态图神经网络,动态图神经网络持续更新节点状态与边权重,生成电力动态演化图谱;

51、时空网格特征提取模块,用于将电力动态演化图谱中的节点按照拓扑层级与运行工况划分为多个时空网格,提取每个时空网格内所有节点的图谱状态变化率均值、关联边权重波动幅度均值以及节点间相位差偏移量均值,将图谱状态变化率均值、关联边权重波动幅度均值与相位差偏移量均值组合为单个时空网格的电力时空图谱演化特征向量,同一节点在所属拓扑层级下的所有运行工况时空网格中的电力时空图谱演化特征向量构成当前节点的多工况演化特征向量集合;

52、多尺度偏离感知模块,用于针对目标节点分别计算目标节点在设备级尺度上相对于同类设备正常状态的第一偏离度、在馈线级尺度上相对于同馈线内节点平均状态的第二偏离度以及在站域级尺度上相对于同变电站管辖范围内节点平均状态的第三偏离度,将第一偏离度、第二偏离度与第三偏离度按照设备级、馈线级、站域级的顺序排列,构成目标节点的节点多尺度偏离度向量;

53、异常根因追溯模块,用于当节点多尺度偏离度向量中任一偏离度超过偏离度所在尺度对应的预设偏离度阈值时,在电力动态演化图谱中追溯目标节点的异常传播路径,确定异常根因节点;

54、异常传播场构建模块,用于以异常根因节点为中心,在电力动态演化图谱中构建异常传播场,异常传播场包含异常传播方向向量与多条图谱收敛等势线,并输出异常检测结果,异常检测结果包含异常根因节点、异常传播方向向量以及多条图谱收敛等势线。

55、本发明相对于现有技术产生的有益效果为:克服了现有电力数据异常检测技术中检测维度单一、缺乏异常传播追踪能力以及检测与根因分析相割裂的根本性缺陷。通过构建融合时空拓扑与动态关联关系的电力动态演化图谱,并基于多尺度偏离度向量实现异常传播路径追溯与根因节点定位,同时以异常传播方向向量与多条图谱收敛等势线构建异常传播场,本发明使异常检测从单点阈值报警升级为具有空间溯源能力的精准诊断,能够同步输出异常根因节点、传播方向及影响范围,为后续调控决策提供完整的异常空间分布信息。本发明依托电力行业工业大数据完成特征挖掘并搭建因果知识图谱,持续沉淀异常处置经验,实现数据价值长效复用。

56、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在本技术文件中所特别指出的结构来实现和获得。

57、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。