一种电网边缘侧轻量级可解释的风险监测方法及系统与流程

本发明属于电网风险监测，具体涉及一种电网边缘侧轻量级可解释的风险监测方法及系统。

背景技术：

1、电网边缘侧监测装置广泛部署于变电站、输电线路、配电台区等电力设备现场，是电网智能化监测的重要终端节点。

2、现有风险监测技术存在四个方面问题：一是资源约束矛盾问题，treeshap等方法未针对低功耗芯片轻量化设计，全量特征计算抢占预警算力，导致预警延迟，无法兼顾实时性与可解释性；二是异步解释数据一致性问题，告警时刻与解释计算时刻之间存在时间差，缺乏对告警现场特征的锁定与缓存机制，导致归因结果错位，且难以满足全量追溯的合规要求；三是静态模型适配不足，电网运行状态随季节、负荷、环境动态变化，离线固化模型无法在线增量更新，评估精度随工况漂移而下降；四是滞后反馈时空错位，运维专家对告警的确认标注存在时间延迟，缺乏将滞后标签精准回溯对齐至原始采样时刻的机制，直接用于模型迭代会引入训练噪声，降低优化效果。

3、有鉴于此，本发明提供一种电网边缘侧轻量级可解释的风险监测方法及系统，以解决现有技术中存在的上述缺陷。

技术实现思路

1、本发明的目的在于，针对上述现有技术存在的资源约束矛盾、异步解释数据一致性、静态模型适配不足、滞后反馈时空错位的缺陷，提供设计一种电网边缘侧轻量级可解释的风险监测方法及系统，以解决上述技术问题。

2、为实现上述目的，本发明给出以下技术方案：

3、一种电网边缘侧轻量级可解释的风险监测方法，包括以下步骤：

4、步骤s1：实时采集电网边缘端设备的运行数据，并判断边缘端设备当前是否有高优先级任务：若有，则从运行数据中提取当前时刻的特征向量，并执行梯度提升树集成模型的预警推理任务，输出风险评分和告警等级，执行步骤s2；若没有，则执行步骤s3；

5、所述梯度提升树集成模型为经过离线训练的轻量级模型；

6、所述运行数据包括变压器油温、振动幅值、油中溶解气体浓度、输电线路载流量、电压、电流以及配电台区负荷数据中的至少一种；

7、所述高优先级任务为周期性执行的预警推理任务，优先占用边缘端设备的核心算力；

8、所述特征向量至少包括：油温、振动幅值、气体浓度、载流量、电压、电流及负荷数据中对应时刻的数值；

9、步骤s2：判断风险评分是否超过预设阈值：若超过阈值，则触发告警，输出预警结果，根据当前时刻的特征向量生成标准化的特征快照，并将特征快照存入有界优先级循环队列，执行步骤s3；若未超过阈值，则返回步骤s1；

10、所述有界优先级循环队列为按告警等级存储特征快照、且长度根据边缘端硬件内存参数适配设定的固定长度循环队列；其中，告警等级越高，越优先存储；

11、步骤s3：判断当前cpu是否空闲：若cpu空闲，执行低优先级任务，从有界优先级循环队列中获取告警时刻的特征快照，采用分层近似treeshap方法计算特征贡献度，并与分段物理约束规则库进行数值比对校验，生成可解释性报告并输出；若cpu不空闲，则等待并重新判断cpu空闲状态。

12、作为优选，所述步骤s1中，从运行数据中提取当前时刻的特征向量，并执行梯度提升树集成模型的预警推理任务，输出风险评分和告警等级，具体包括：

13、将当前时刻的特征向量作为输入，依次遍历梯度提升树集成模型中的每一棵决策树，从根节点开始根据各节点处的特征分裂条件逐层判断并进入子节点，直至到达叶子节点，获取该叶子节点的输出值；将所有决策树的叶子节点输出值按预设的学习率进行加权求和，得到初始预测值；将初始预测值经sigmoid函数映射至概率区间，得到风险评分；

14、根据风险评分确定对应的告警等级，风险评分与告警等级之间的映射关系根据电力设备类型及历史故障数据预先设定，不同告警等级对应不同的预警响应策略。

15、该步骤能够取得以下技术效果：

16、采用梯度提升树模型进行边缘侧风险推理，仅涉及数值比较与累加运算，计算量极低，适配低功耗嵌入式硬件的实时性要求；树模型能自动处理非线性交互与缺失值，对电网噪声数据鲁棒性强；将连续风险评分离散化为预设告警等级，并绑定差异化响应策略，实现了从数值输出到运维动作的平滑衔接，在保证评估精度的同时便于现场按等级应急处置，提升了工程实用性。

17、作为优选，所述步骤s2中：

18、所述标准化的特征快照至少包括：特征数据、风险评分、告警时间戳及告警等级；

19、特征快照按告警等级存入有界优先级循环队列，边缘端设备本地仅缓存高告警等级的、处于预设快照缓存周期内的短期特征快照，低告警等级的特征快照以及超出预设快照缓存周期范围的高告警等级特征快照经压缩后通过窄带断点续传方式同步上传至云端，云端建立基于时间戳的全局唯一索引并采用冷热数据分层存储；其中，所述预设快照缓存周期根据边缘端设备的存储容量和历史告警频率动态设定。

20、该步骤能够取得以下技术效果：

21、通过在告警触发时立即生成标准化的特征快照，并存入有界优先级循环队列，实现了对告警现场原始特征的精准“锁定”与持久化，解决了异步解释中因时间差导致的数据错位问题，确保了解释计算始终基于告警时刻的真实设备状态；有界队列与分级缓存策略兼顾了边缘端有限的内存资源与云端全量追溯的合规要求，在控制本地存储成本的前提下，为事后审计与模型回溯训练提供了完整、可信的数据来源。

22、作为优选，所述步骤s3中，采用分层近似treeshap方法计算得到各特征贡献度，具体包括：

23、步骤s31，确定核心特征集和非核心特征集；其中，所述核心特征集由梯度提升树集成模型离线训练中按“增益”或“覆盖度”指标降序排列的前k个特征构成，其余特征构成非核心特征集；

24、步骤s32，对属于核心特征集内的任意特征，通过对核心特征集中所有不含特征的特征组合的边际贡献进行shap加权求和，得到特征的特征贡献度；对属于非核心特征集中的任意特征，通过全局残差分配方式统一赋值特征贡献度，且所有特征贡献度之和等于梯度提升树集成模型的输出减去基准值。

25、该步骤能够取得以下技术效果：

26、通过分层近似treeshap方法，将计算资源聚焦于由模型固有重要性筛选出的核心特征子集，对其执行精确计算；对非核心特征则采用高效的全局残差补齐策略，降低了可解释性算法在边缘侧的计算负载，避免了因解释任务占用过多算力而挤占预警资源，保证了所有特征贡献度之和与模型输出严格对齐，实现了解释精度与计算效率的工程化平衡。

27、作为优选，所述步骤s31中的核心特征集通过以下方式确定并动态更新：

28、初始确定过程具体包括：在云端对梯度提升树集成模型进行离线训练后，直接提取各特征在树节点分裂时产生的特征重要性指标；将全量特征按所述特征重要性指标的值降序排列，根据边缘端设备算力预设k值，并选取排名前k个特征构成初始核心特征集，全量特征中除初始核心特征集以外的其余特征构成初始非核心特征集；将初始核心特征集、初始非核心特征集与训练好的梯度提升树集成模型一同序列化，下发部署至边缘端设备；

29、动态更新过程具体包括：分别统计当前核心特征集内与非核心特征集内各特征的历史平均绝对shap贡献度，其中，所述历史平均绝对shap贡献度为边缘端设备中历史告警样本的各特征贡献度的绝对值均值；依据预设低阈值，筛选出特征贡献度持续偏低的、待移出的核心特征；依据预设高阈值，筛选出特征贡献度持续偏高的、待移入的候选特征；采用平滑策略，每次替换限定数量，以候选特征中特征贡献度最高的若干个特征替换核心特征中贡献度最低的若干个特征；更新后的核心特征集用于后续计算；动态更新过程还与模型增量更新协同，边缘端设备将当前核心特征集信息反馈至云端，为云端生成下一代梯度提升树集成模型的初始特征集提供参考，形成了特征选择与模型进化的闭环。

30、该步骤能够取得以下技术效果：

31、通过“初始确定”与“动态更新”两阶段机制，解决了分层近似shap算法在系统启动时的“冷启动”难题以及运行期的特征漂移问题；初始阶段直接复用模型训练时产生的固有重要性指标，实现了零额外成本的特征筛选；运行阶段基于历史shap贡献度的统计反馈，平滑、可控地更新核心特征集，并与云端的模型增量更新形成闭环，确保了核心特征集能够持续适配最新的工况数据分布，从而长期维持解释结果的准确性与稳定性。

32、作为优选，所述步骤s3中，各特征贡献度与分段物理约束规则库进行数值比对校验，生成可解释性报告并输出，具体包括：

33、构建轻量化键值对结构的分段物理约束规则库；所述分段物理约束规则库中的物理约束规则包括：单调相关规则、安全区间规则和阈值突变规则，其中，每条规则包括：规则id、规则类型、监测参数、约束阈值、物理机理说明及适用设备类型；所述单调相关规则用于校验特征贡献度和参数变化趋势是否一致；所述安全区间规则用于实时校验参数是否在设备额定的安全区间内；所述阈值突变规则用于校验参数突变幅度是否超出物理合理范围；

34、将采用分层近似treeshap计算得到的特征贡献度及当前时刻的实时特征值，与分段物理约束规则库中各条规则的约束阈值进行快速数值比对校验：若所有规则全部校验通过，则输出标准可解释报告；否则输出带警示标识的专项报告，所述专项报告中至少包括冲突类型、违规规则id及疑似诱因；

35、所述标准可解释报告和所述带警示标识的专项报告，都作为可解释性报告输出。

36、该步骤能够取得以下技术效果：

37、通过构建轻量化的分段物理约束规则库，并在解释计算后执行快速的数值比对校验，为纯数据驱动的ai解释结果附加了一层源自电力物理规律与专家经验的“安全滤网”，能够自动识别并标记违反物理常识的归因逻辑，防止了模型在数据分布外或干扰下产生误导性解释，不仅提升了风险监测结果的可信度与合规性，还为运维人员提供了明确的疑点定位信息，辅助其进行更精准的故障研判。

38、作为优选，所述一种电网边缘侧轻量级可解释的风险监测方法还包括云端增量更新与边缘端模型动态加载步骤，具体包括：

39、边缘端设备实时监测当前工况的数据分布，当检测到特征分布与历史工况的数据分布统计差异超过预设漂移阈值时，判定发生漂移；

40、检测到漂移后，将本地的统计特征、漂移特征数据、当前维护的核心特征集及相关信息、关键时间窗口内的原始样本上传至云端；所述原始样本包括：梯度提升树集成模型预测置信度处于预设模糊阈值区间内的样本，或者特征分布与历史工况数据分布差异超过设定阈值的样本；

41、云端以接收到的原始样本作为增量数据集，并将其划分为训练集和验证集；

42、云端在原梯度提升树集成模型基础上仅追加新树序列作为增量树序列，并采用训练集样本进行增量训练，训练中采用动态收缩系数调节学习率，所述动态收缩系数根据当前梯度提升树集成模型在验证集上的实时误差与历史最优误差的差值经双曲正切函数非线性映射生成；

43、增量训练完成后，云端得到由原梯度提升树集成模型与增量树序列共同构成的新梯度提升树集成模型；云端将增量树序列以及基于新梯度提升树集成模型特征重要性重新生成的新核心特征集下发至边缘端设备；

44、边缘端设备在空闲或重启周期内，将接收到的增量树序列追加至本地原有的梯度提升树集成模型中，并加载接收到的新核心特征集，完成模型的动态更新。

45、该步骤能够取得以下技术效果：

46、通过“边缘上传关键样本与统计特征、云端增量追加新树、边缘热加载”的协同模式，实现了对动态工况的精准、高效适配；云端增量训练遵循梯度提升树的加法原理，仅追加新树序列，保留了历史模型已习得的知识，克服了灾难性遗忘；引入的自适应参数调控公式能够根据模型在新验证集上的实时误差动态调整学习率，在拟合新工况与抑制过拟合之间取得最佳平衡，确保了模型在全生命周期内的评估精度。

47、作为优选，所述一种电网边缘侧轻量级可解释的风险监测方法还包括反馈回溯训练步骤，具体包括：

48、反馈回溯训练前，将所有特征快照、可解释性报告与唯一的告警时间戳绑定，边缘端设备本地仅缓存高告警等级的、处于预设快照缓存周期内的短期特征快照；

49、运维专家通过终端确认告警，生成携带告警时间戳的滞后专家标签发送至边缘端设备；

50、边缘端设备接收滞后专家标签，发起反馈回溯训练请求，根据告警时间戳判断对应的短期特征快照是否存在于本地缓存：若未过期，则直接从本地调取该特征快照并上传云端；若已过期或不存在，则向云端发起带时间戳的检索请求，云端通过时间戳全局索引快速检索并还原特征快照；

51、云端将滞后专家标签与所获取的特征快照绑定，形成带标签的训练样本，采用带标签的训练样本进行云端增量训练；

52、所述反馈回溯训练触发的增量训练优先级高于常规漂移触发的增量训练。

53、该步骤能够取得以下技术效果：

54、通过为每个告警事件绑定唯一时间戳，并建立“本地短期缓存+云端长期索引”的双层回溯机制，解决了运维专家反馈滞后导致样本标签与原始数据时空错位的缺陷；当收到带有时间戳的滞后标签后，能精准还原告警发生时的原始特征快照，从而构建出高质量、时空对齐的训练样本，不仅避免了因标签错位而引入的训练噪声，更优先利用了专家确认的高价值样本驱动模型迭代，提升了模型优化的效率与上限。

55、作为优选，所述一种电网边缘侧轻量级可解释的风险监测方法还包括规则自进化步骤，具体包括：

56、规则自进化步骤触发条件为：云端统计单类告警的误报率，当单类告警的误报率超出预设容忍度阈值时或达到预设固定周期时，触发规则自进化步骤；

57、规则自进化步骤触发后，云端基于历史告警样本、专家在反馈回溯训练中标注为误报的样本以及专家对告警原因、处置结果的标注信息，筛选剔除异常噪声样本，再采用轻量级关联算法自动提取新增的物理约束规则或修正现有物理约束规则的阈值；

58、新增或修正后的物理约束规则进行覆盖多季节、多工况、多设备类型的历史告警样本回测验证，验证效果符合要求且无物理逻辑冲突后，再进行电力专家校验；专家校验通过后将更新后的物理约束规则下发至边缘端设备，以更新分段物理约束规则库。

59、该步骤能够取得以下技术效果：

60、构建了与分段物理约束校验模块协同工作的“监测-校验-迭代”闭环；当监测到特定告警的误报率超标时，会自动触发基于历史数据与专家反馈的轻量级规则挖掘，能够从积累的误报样本中提炼出新的物理约束或修正原有规则的阈值；所有演化后的规则均需通过多工况历史数据回测与专家有效性校验，确保了规则库演进的稳健性与权威性，实现了规则库的持续自我优化，降低了人工维护成本，并使系统能够长期适应复杂多变的电力场景。

61、此外，本发明还提供一种电网边缘侧轻量级可解释的风险监测系统，包括边缘端和云端；

62、所述边缘端部署有：

63、分层调度与快照锁定模块：将计算任务划分为高优先级任务和低优先级任务；告警时生成标准化的特征快照，并按告警等级存入有界优先级循环队列；

64、可解释算法模块：cpu空闲且无高优先级任务时，从有界优先级循环队列中获取特征快照，基于核心特征集执行分层近似treeshap计算，输出特征贡献度；

65、分段物理约束校验模块：存储分段物理约束规则库，将特征贡献度及实时特征值与分段物理约束规则库中的约束阈值进行数值比对校验，若校验通过则输出标准可解释性报告，否则输出带警示标识的专项报告；

66、增量更新与模型动态加载模块：检测到设备漂移后，上传统计特征、漂移特征数据、当前核心特征集相关信息以及关键时间窗口内的原始样本至云端，并动态加载云端下发的增量树序列；

67、反馈回溯训练模块：绑定特征快照、可解释性报告与告警时间戳，缓存高告警等级的短期特征快照；接收滞后专家标签，根据告警时间戳判断对应的短期特征快照是否存在于本地缓存，若存在则直接调取并上传至云端，否则向云端发起带时间戳的检索请求；

68、所述云端部署有：

69、增量更新与模型下发模块：接收原始样本制作增量数据集，追加新树序列进行增量训练，将增量树序列及新核心特征集下发至边缘端；

70、云端反馈回溯训练模块：接收检索请求，通过时间戳检索并还原特征快照；将滞后专家标签与还原的特征快照绑定，形成带标签的训练样本，进行增量训练；该模块触发的增量训练优先级高于常规漂移触发的增量训练；

71、规则自进化模块：统计单类告警的误报率，当超出预设容忍度阈值或按固定周期触发时，剔除异常噪声样本，自动提取新增的物理约束规则或修正现有物理约束规则阈值；经历史样本回测验证及电力专家校验后，将更新后的物理约束规则下发至边缘端并更新。

72、本发明的有益效果在于，

73、针对边缘侧硬件资源约束与可解释性高算力需求的矛盾，通过采用分层异步调度架构，将高优先级预警推理与低优先级解释校验在时间上解耦，利用算力空闲窗口执行解释任务，避免复杂算法抢占预警算力，保障了预警实时性；设计基于告警等级的合规快照机制与有界循环队列，告警时生成轻量级特征快照，本地分级缓存与云端窄带同步结合，既稳定控制内存占用，又满足全量追溯的合规要求；

74、针对异步解释中的数据一致性问题，通过从优先级队列中读取告警时刻快照进行计算，确保解释对象与设备状态严格对齐，消除时间差导致的归因错位；采用分层近似treeshap方法，对核心特征精确计算、非核心特征残差补齐并辅以树路径剪枝，降低了算力消耗，使高精度可解释算法在资源有限的硬件上工程化落地；

75、针对静态模型难以适配动态工况的缺陷，遵循梯度提升树加法模型原理，采用云端增量更新与边缘动态加载模式，仅追加新树而不修改原有结构，保留历史规律；引入自适应参数调控公式，根据工况漂移程度动态调整收缩系数，平衡拟合精度与泛化能力，实现了对动态运行环境的精准适配；

76、针对专家反馈时间差问题，设计滞后反馈回溯训练机制，通过唯一时间戳将滞后标签与原始特征快照精准绑定，利用短期快照本地调取、长期快照云端检索的协同方式，确保训练样本与标签的时空一致性，消除标签错位带来的训练噪声，为模型迭代提供高质量样本；

77、此外，本发明构建了规则自进化机制，与分段物理约束校验形成“校验-迭代”闭环，误报率超标时自动触发轻量级关联规则挖掘，经多工况回测与专家校验后更新规则库，持续降低误报率，减少了人工维护成本，提升了对复杂多变电力场景的长期适应能力。

78、由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。