基于集成学习的电网数据异常检测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113626502A(43)申请公布日2021.11.09(21)申请号202110929020.7G06Q10/06(2012.01)(22)申请日2021.08.13G06Q10/00(2012.01)G06Q50/06(2012.01)(71)申请人南方电网深圳数字电网研究院有限公司地址518053广东省深圳市南山区沙河街道高发社区侨香路智慧广场D栋501、502、601、602(72)发明人李鹏飞段卫国李伟鹏陈迪(74)专利代理机构广州三环专利商标代理有限公司44202代理人肖宇扬(51)Int.Cl.G06F16/2458(2019.01)G06F16/248(2019.01)G06N20/20(2019.01)权利要求书2页说明书11页附图2页(54)发明名称基于集成学习的电网数据异常检测方法及装置(57)摘要本发明公开了一种基于集成学习的电网数据异常检测方法及装置，其中该方法包括：获取目标电网指标数据，对所述目标电网指标数据进行预处理；提取所述目标电网指标数据中的时序数据特征；基于预设的集成学习异常检测模型，对所述目标电网指标数据中的时序数据特征进行异常检测，并得到异常检测结果；所述集成学习异常检测模型的基础模型中包括有统计学异常检测模型、数据距离异常检测模型和聚类异常检测模型中的至少一种。可见，本发明能够结合集成算法实现对电网指标数据的无监督异常检测，从而可以实现对宏观层面上的多种类型的电网指标数据进行异常监控，进而实现对电网企业运营活动中的各种异常模式进行合适全面的检测。CN113626502ACN113626502A权利要求书1/2页1.一种基于集成学习的电网数据异常检测方法，其特征在于，所述方法包括：获取目标电网指标数据，对所述目标电网指标数据进行预处理；提取所述目标电网指标数据中的时序数据特征；基于预设的集成学习异常检测模型，对所述目标电网指标数据中的时序数据特征进行异常检测，并得到异常检测结果；所述集成学习异常检测模型的基础模型中包括有统计学异常检测模型、数据距离异常检测模型和聚类异常检测模型中的至少一种。2.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述获取目标电网指标数据之前，所述方法还包括：检测电网数据是否有变化；若检测到变化，执行所述获取目标电网指标数据的步骤；所述目标电网指标数据为所述电网数据在检测到变化的时刻之前预设时间区间内的数据。3.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述提取所述目标电网指标数据中的时序数据特征，包括：计算所述目标电网指标数据中任一时间点的数据与邻近时间点的数据之间的数据差；将多个所述时间点的数据的所述数据差确定为所述目标电网指标数据中的时序数据特征。4.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述提取所述目标电网指标数据中的时序数据特征，包括：根据预测算法，预测所述目标电网指标数据中任一时间点的数据预测值；计算所述数据预测值数据和所述时间点对应的实际数据值之间的数据差；将多个所述时间点的数据的所述数据差确定为所述目标电网指标数据中的时序数据特征。5.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述提取所述目标电网指标数据中的时序数据特征，包括：对所述目标电网指标数据中的时序数据进行时域‑频域转换得到频域数据；对所述频域数据中的噪声数据进行提取并进行逆转换，确定为所述目标电网指标数据中的时序数据特征。6.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述集成学习异常检测模型，包括：所述基础模型；集成学习算法模型，通过使用所述基础模型的输出结果进行二次集成训练得到；可视化算法模型，用于对所述集成学习异常检测模型进行可视化展示。7.根据权利要求6所述的基于集成学习的电网数据异常检测方法，其特征在于，所述集成学习算法模型为孤立森林算法模型，所述可视化算法模型为echart算法模型。8.根据权利要求1所述的基于集成学习的电网数据异常检测方法，其特征在于，所述统计学异常检测模型包括正态分布异常检测模型和/或高斯核密度异常检测模型；所述数据距离异常检测模型为LOF算法模型；所述聚类异常检测模型为DBScan算法模型。9.一种基于集成学习的电网数据异常检测装置，其特征在于，所述装置包括：获取处理模块，用于获取目标电网指标数据，对所述目标电网指标数据进行预处理；2CN113626502A权利要求书2/2页特征提取模块，用于提取所述目标电网指标数据中的时序数据特征；异常检测模块，用于基于预设的集成学习异常检测模型，对所述目标电网指标数据中的时序数据特征进行异常检测，并得到异常检测