一种电力数据流转行为的监测与异常检测方法、装置、设备、介质和程序产品与流程

摘要: 本技术涉及大数据,特别是涉及一种电力数据流转行为的监测与异常检测方法、装置、设备、介质和程序产品。背景技术:1、电力系统作为国家关键基础设施,其安全稳定运行直接...
一种电力数据流转行为的监测与异常检测方法、装置、设备、介质和程序产品与流程

本技术涉及大数据,特别是涉及一种电力数据流转行为的监测与异常检测方法、装置、设备、介质和程序产品。

背景技术:

1、电力系统作为国家关键基础设施,其安全稳定运行直接关系到国民经济和社会生活的正常秩序。随着智能电网建设的深入推进和电力信息化水平的持续提升,电力系统在运行过程中产生了海量高价值数据,包括调度运行数据、负荷预测数据、用电信息采集数据、电网拓扑结构数据以及设备状态监测数据等。这些数据来源广泛、格式多样、更新频率高,且承载着重要的业务含义和安全属性。

2、在当前的电力系统运行管理体系中,上述数据并非孤立存在,而是在多个业务平台、信息系统和职能部门之间持续流转。例如,scada系统需将实时采集的电网运行数据上传至调度主站以供决策分析;计量自动化系统将海量用户用电数据上报至数据中心用于负荷预测和电费核算;能量管理系统与电力交易平台之间需共享部分负荷数据和交易数据以支撑市场运营;此外,大数据分析平台为进行电力负荷预测模型训练和电网态势感知分析,也需要从多个业务系统中集成调用相关数据。上述数据流转行为贯穿于电力系统发、输、变、配、用各个环节,构成了电力数据全生命周期管理的重要组成部分。

3、电力数据在跨系统、跨部门流转过程中面临多重风险。一方面,数据在传输和共享环节存在被篡改、泄露或非法访问的安全隐患;另一方面,异常的数据流转行为本身可能反映系统运行故障、网络攻击或内部操作失误等问题。因此,对电力数据流转行为进行实时监测,及时发现其中存在的异常情况,对于保障电力系统安全稳定运行、防范数据安全风险具有重要意义。

4、相关技术中,电力行业在数据流转监测方面普遍采用较为传统的方法。常见的技术手段包括:针对单一数据源设置固定的监测指标,通过阈值判断方式识别数据是否超出正常范围;或者基于预设的规则模板对数据流转行为进行匹配校验,当数据特征符合特定规则条件时触发告警。此外,部分系统采用简单的统计分析手段,如计算数据的均值、方差等统计量,并与历史基线进行对比,以判断当前数据是否存在偏离。

5、然而,目前的异常检测方法方法,存在如下的技术问题:

6、现有监测手段在数据整合分析能力、异常识别的准确性和智能化程度等方面存在缺陷,有待优化。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够提高诊断的准确性和早期预判率的一种电力数据流转行为的监测与异常检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面,本技术提供了一种电力数据流转行为的监测与异常检测方法。所述方法包括:

3、采集电力系统的电力多源数据,所述电力多源数据包括操作时间、用户角色、敏感字段比例和sql长度;

4、对所述电力多源数据进行预处理以得到标准化后的电力数据,所述预处理包括数据清洗、数据整理和数据标准化;

5、将所述标准化后的电力数据输入至预训练的异常数据检测评估模型中,基于所述异常数据检测评估模型推理计算,输出所述电力多源数据的风险评估结果;

6、获取预设检测周期内的多个风险评估结果,根据各所述风险评估结果分别对应的实际诊断结果,判断各所述风险评估结果的准确性,并根据准确性判断结果生成系统优化升级预警信号。

7、在其中一个实施例中,所述获取预设检测周期内的多个风险评估结果,根据各所述风险评估结果分别对应的实际诊断结果,判断各所述风险评估结果的准确性,并根据准确性判断结果生成系统优化升级预警信号包括:

8、逐一判断各所述风险评估结果是否与实际诊断结果相符,将不相符的风险评估结果标记为风险异评结果;

9、获取所述检测周期内风险异评结果的数量,并计算所述风险异评结果的数量与所述检测周期内风险评估结果总数量的比值,得到风险异评判断值;

10、将所述风险异评判断值与预设风险异评判断阈值进行比较,当所述风险异评判断值超过所述预设风险异评判断阈值时,生成所述优化升级预警信号。

11、在其中一个实施例中,所述将所述风险异评判断值与预设风险异评判断阈值进行比较,当所述风险异评判断值超过所述预设风险异评判断阈值时,生成所述优化升级预警信号包括:

12、获取各所述风险评估结果分别对应的分析时长,所述分析时长为所述风险评估结果的输出时刻与对应数据的采集时刻之间的间隔时长;

13、将各所述分析时长分别与预设分析时长阈值进行比较,将超过所述预设分析时长阈值的分析时长标记为异析时长;

14、获取所述检测周期内异析时长的数量,并计算所述异析时长的数量与所述检测周期内风险评估结果总数量的比值,得到异析数况值;

15、根据所述风险异评判断值和所述异析数况值,生成系统优化升级预警信号。

16、在其中一个实施例中,所述根据准确性判断结果生成系统优化升级预警信号之前,还包括:

17、获取若干组预先准备的测试数据包,分别对各组所述测试数据包执行多次电力多源数据风险评估,得到各组所述测试数据包对应的多个所述风险评估结果;

18、对于每组所述测试数据包,判断该组对应的多个所述风险评估结果之间是否存在差异,若存在差异,则将该组所述测试数据包标记为非稳定测试包;

19、获取被标记为所述非稳定测试包的数量,并计算所述非稳定测试包的数量与所述测试数据包总组数的比值,得到异测数占值;

20、将所述异测数占值与预设异测数占阈值进行比较,当所述异测数占值超过所述预设异测数占阈值时,生成评估非稳定信号。

21、在其中一个实施例中,所述对于每组所述测试数据包,判断该组对应的多个所述风险评估结果之间是否存在差异,若存在差异,则将该组所述测试数据包标记为非稳定测试包包括:

22、获取该组所述测试数据包对应的多次所述风险评估分别对应的分析时长,所述分析时长为所述风险评估结果的输出时刻与对应所述测试数据包的输入时刻之间的间隔时长;

23、计算该组所述测试数据包对应的所有分析时长的方差,得到分析时偏值,将所述分析时偏值与预设分析时偏阈值进行比较,当所述分析时偏值超过所述预设分析时偏阈值时,将该组所述测试数据包标记为非稳定测试包。

24、在其中一个实施例中,所述异常数据检测评估模型为卷积神经网络、循环神经网络、全连接神经网络、随机森林或支持向量机中的任意一种;所述风险评估结果包括风险评分、风险等级或预测异常率中的至少一种,所述风险等级包括低风险、中风险和高风险。

25、第二方面,本技术还提供了一种电力数据流转行为的监测与异常检测装置。所述装置包括:

26、数据采集模块,用于采集电力系统的电力多源数据,所述电力多源数据包括操作时间、用户角色、敏感字段比例和sql长度;

27、数据处理模块,用于对所述电力多源数据进行预处理以得到标准化后的电力数据,所述预处理包括数据清洗、数据整理和数据标准化;

28、模型评估模块,用于将所述标准化后的电力数据输入至预训练的异常数据检测评估模型中,基于所述异常数据检测评估模型推理计算,输出所述电力多源数据的风险评估结果;

29、预警优化模块,用于获取预设检测周期内的多个风险评估结果,根据各所述风险评估结果分别对应的实际诊断结果,判断各所述风险评估结果的准确性,并根据准确性判断结果生成系统优化升级预警信号。

30、在其中一个实施例中,所述预警优化模块还用于:

31、逐一判断各所述风险评估结果是否与实际诊断结果相符,将不相符的风险评估结果标记为风险异评结果;

32、获取所述检测周期内风险异评结果的数量,并计算所述风险异评结果的数量与所述检测周期内风险评估结果总数量的比值,得到风险异评判断值;

33、将所述风险异评判断值与预设风险异评判断阈值进行比较,当所述风险异评判断值超过所述预设风险异评判断阈值时,生成所述优化升级预警信号。

34、在其中一个实施例中,所述预警优化模块还用于:

35、获取各所述风险评估结果分别对应的分析时长,所述分析时长为所述风险评估结果的输出时刻与对应数据的采集时刻之间的间隔时长;

36、将各所述分析时长分别与预设分析时长阈值进行比较,将超过所述预设分析时长阈值的分析时长标记为异析时长;

37、获取所述检测周期内异析时长的数量,并计算所述异析时长的数量与所述检测周期内风险评估结果总数量的比值,得到异析数况值;

38、根据所述风险异评判断值和所述异析数况值,生成系统优化升级预警信号。

39、在其中一个实施例中,所述预警优化模块还用于:

40、获取若干组预先准备的测试数据包,分别对各组所述测试数据包执行多次电力多源数据风险评估,得到各组所述测试数据包对应的多个所述风险评估结果;

41、对于每组所述测试数据包,判断该组对应的多个所述风险评估结果之间是否存在差异,若存在差异,则将该组所述测试数据包标记为非稳定测试包;

42、获取被标记为所述非稳定测试包的数量,并计算所述非稳定测试包的数量与所述测试数据包总组数的比值,得到异测数占值;

43、将所述异测数占值与预设异测数占阈值进行比较,当所述异测数占值超过所述预设异测数占阈值时,生成评估非稳定信号。

44、在其中一个实施例中,所述所述预警优化模块还用于:

45、获取该组所述测试数据包对应的多次所述风险评估分别对应的分析时长,所述分析时长为所述风险评估结果的输出时刻与对应所述测试数据包的输入时刻之间的间隔时长;

46、计算该组所述测试数据包对应的所有分析时长的方差,得到分析时偏值,将所述分析时偏值与预设分析时偏阈值进行比较,当所述分析时偏值超过所述预设分析时偏阈值时,将该组所述测试数据包标记为非稳定测试包。

47、在其中一个实施例中,所述异常数据检测评估模型为卷积神经网络、循环神经网络、全连接神经网络、随机森林或支持向量机中的任意一种;所述风险评估结果包括风险评分、风险等级或预测异常率中的至少一种,所述风险等级包括低风险、中风险和高风险。

48、第三方面,本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任意一项实施例所述的一种电力数据流转行为的监测与异常检测方法中的步骤。

49、第四方面,本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面中任意一项实施例所述的一种电力数据流转行为的监测与异常检测方法中的步骤。

50、第五方面,本技术还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面中任意一项实施例所述的一种电力数据流转行为的监测与异常检测方法中的步骤。

51、上述一种电力数据流转行为的监测与异常检测方法、装置、计算机设备、存储介质和计算机程序产品,通过实施例中的技术特征进行推导,能够达到对应背景技术中的技术问题的如下有益效果:

52、本技术提供了一种电力数据流转行为的监测与异常检测方法。在实施中,通过采集电力系统运行过程中产生的多源数据,并依次执行数据预处理、ai模型推理评估以及评估结果的准确性自校验,实现了电力数据流转行为的自动化监测与异常检测。相较于现有技术中依赖单一数据源和固定阈值判断的监测方式,本方案整合了操作时间、用户角色、敏感字段比例及sql长度等多维度信息,利用预训练的ai模型进行综合推理分析,有效提升了风险评估的准确性和全面性。同时,通过对预设检测周期内各评估结果与实际诊断结果进行比对分析,能够定量衡量系统自身的评估准确性,并在准确性不达标时主动生成优化升级预警信号,实现了系统性能的自感知与主动反馈机制。由此,本方案不仅提高了电力数据异常检测的智能化水平和诊断精度,还通过内置的自校验环节保障了系统长期运行的可靠性与评估质量,减轻了运维人员的人工核查负担,为电力数据的安全流转与高效管理提供了有力的技术支撑。