本發(fā)明涉及人工智能，具體為智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)系統(tǒng)及方法。

背景技術(shù)：

1、在電網(wǎng)系統(tǒng)中，存在多種異構(gòu)數(shù)據(jù)，包括系統(tǒng)運行數(shù)據(jù)、電網(wǎng)設(shè)備運行狀態(tài)和監(jiān)控數(shù)據(jù)等。這些數(shù)據(jù)為特定需求而設(shè)計，記錄了不同的網(wǎng)絡(luò)信息。當(dāng)電網(wǎng)受到高級持續(xù)性威脅時，由于攻擊的潛伏性和持續(xù)性，單獨分析日志難以發(fā)現(xiàn)問題。對異構(gòu)數(shù)據(jù)進(jìn)行融合，利用盡可能多的數(shù)據(jù)，能夠盡早發(fā)現(xiàn)電網(wǎng)中的安全威脅，從而采取應(yīng)對措施。

2、目前，電力異常檢測技術(shù)主要包括基于傳統(tǒng)統(tǒng)計方法、基于規(guī)則的方法以及基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法?；趥鹘y(tǒng)統(tǒng)計方法的異常檢測利用統(tǒng)計學(xué)中的數(shù)據(jù)分析和概率論工具，對電力系統(tǒng)運行數(shù)據(jù)進(jìn)行建模和分析，從而識別異常模式。其優(yōu)點是理論基礎(chǔ)扎實，易于理解和實現(xiàn)，但在處理復(fù)雜、多變的電力系統(tǒng)數(shù)據(jù)時，表現(xiàn)出一定局限性，特別是在處理高維、非線性和多模態(tài)數(shù)據(jù)時，檢測效果不佳?；谝?guī)則的方法依賴專家知識和經(jīng)驗，制定一系列規(guī)則和閾值來判斷電力系統(tǒng)是否異常。其優(yōu)點是實現(xiàn)簡單，適用于一些特定的、結(jié)構(gòu)明確的異常情況。然而，其缺點是規(guī)則的制定依賴于專家的主觀判斷，難以覆蓋所有可能的異常情況，且在面對復(fù)雜、動態(tài)變化的電力系統(tǒng)時，表現(xiàn)出明顯局限性。隨著人工智能技術(shù)的發(fā)展，越來越多的研究嘗試?yán)脵C(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)進(jìn)行電力系統(tǒng)的異常檢測。這種方法通過對大量歷史數(shù)據(jù)的學(xué)習(xí)，自動提取特征并建立模型，實現(xiàn)異常情況的識別。其優(yōu)點是能夠處理復(fù)雜、高維和非線性的電力系統(tǒng)數(shù)據(jù)，檢測精度較高，但也存在模型訓(xùn)練時間長、對數(shù)據(jù)質(zhì)量要求高等問題。

3、盡管現(xiàn)有的電力異常檢測技術(shù)在一定程度上取得進(jìn)展，但仍存在一些問題和挑戰(zhàn)。電力系統(tǒng)的數(shù)據(jù)來源多樣，包括負(fù)荷數(shù)據(jù)、設(shè)備狀態(tài)數(shù)據(jù)、環(huán)境數(shù)據(jù)等，這些數(shù)據(jù)具有不同的格式和特征，如何進(jìn)行有效的數(shù)據(jù)融合成為一大難題。電力系統(tǒng)的異常檢測需要具備實時性，以便及時發(fā)現(xiàn)和處理異常情況，傳統(tǒng)方法在處理大規(guī)模數(shù)據(jù)和復(fù)雜計算時，往往難以滿足實時性要求。電力系統(tǒng)的異常檢測需要具備高準(zhǔn)確性，以避免漏報和誤報，現(xiàn)有方法在面對復(fù)雜的電力系統(tǒng)時，檢測精度仍有待提高。

4、針對上述問題，因此，發(fā)明智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)系統(tǒng)及方法。該系統(tǒng)利用先進(jìn)的數(shù)據(jù)融合技術(shù)，將來自不同來源的異構(gòu)數(shù)據(jù)進(jìn)行有效整合，構(gòu)建統(tǒng)一的數(shù)據(jù)模型，從而提高數(shù)據(jù)的利用效率和信息的完整性。結(jié)合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，通過對大量歷史數(shù)據(jù)的訓(xùn)練，建立高精度的異常檢測模型，有效提高檢測的準(zhǔn)確性和可靠性。通過時間分段檢測，能夠在及時處理實時數(shù)據(jù)的同時減少實時檢測的頻率。

技術(shù)實現(xiàn)思路

1、鑒于上述和/或現(xiàn)有智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)系統(tǒng)及方法中存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明的目的是提供智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)系統(tǒng)及方法，能夠解決上述提出現(xiàn)有的問題。

3、為解決上述技術(shù)問題，根據(jù)本發(fā)明的一個方面，本發(fā)明提供了如下技術(shù)方案：

4、智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)系統(tǒng)，其包括：

5、歷史數(shù)據(jù)和預(yù)處理模塊，用于對電網(wǎng)的歷史數(shù)據(jù)進(jìn)行收集和預(yù)處理；

6、多源數(shù)據(jù)特征工程模塊，用于對一定時間間隔下的數(shù)據(jù)進(jìn)行訓(xùn)練和異常預(yù)測；

7、構(gòu)建異質(zhì)圖網(wǎng)絡(luò)模塊，用于根據(jù)任務(wù)節(jié)點連接所有類型節(jié)點構(gòu)建成一個異質(zhì)圖網(wǎng)絡(luò)；

8、異質(zhì)圖神經(jīng)網(wǎng)絡(luò)模塊，用于使用異質(zhì)圖注意力網(wǎng)絡(luò)對滑動窗口時間下的異質(zhì)圖進(jìn)行傳播學(xué)習(xí)；

9、歷史信息嵌入融合模塊，用于對歷史信息進(jìn)行嵌入融合；

10、歷史標(biāo)簽優(yōu)化模型，用于對新的數(shù)據(jù)劃分窗口進(jìn)行檢測；

11、異常警報模塊，用于針對模型預(yù)測的異常類別，觸發(fā)相應(yīng)的警報與響應(yīng)；

12、所述歷史數(shù)據(jù)和預(yù)處理模塊與所述多源數(shù)據(jù)特征工程模塊相連接，所述多源數(shù)據(jù)特征工程模塊與所述構(gòu)建異質(zhì)圖網(wǎng)絡(luò)模塊相連接，所述構(gòu)建異質(zhì)圖網(wǎng)絡(luò)模塊與所述異質(zhì)圖神經(jīng)網(wǎng)絡(luò)模塊相連接，所述異質(zhì)圖神經(jīng)網(wǎng)絡(luò)模塊與所述歷史信息嵌入融合模塊相連接，所述歷史信息嵌入融合模塊與所述歷史標(biāo)簽優(yōu)化模型相連接，所述歷史標(biāo)簽優(yōu)化模型與所述異常警報模塊相連接。

13、作為本發(fā)明所述的智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)系統(tǒng)的一種優(yōu)選方案，其中：所述歷史數(shù)據(jù)和預(yù)處理模塊包括：

14、多種來源數(shù)據(jù)模塊，用于收集電力系統(tǒng)多種來源數(shù)據(jù)；

15、數(shù)據(jù)預(yù)處理模塊，用于對數(shù)據(jù)進(jìn)行清洗、歸一化、去噪預(yù)處理，確保數(shù)據(jù)質(zhì)量；

16、所述多種來源數(shù)據(jù)模塊與所述數(shù)據(jù)預(yù)處理模塊相連接，所述數(shù)據(jù)預(yù)處理模塊與所述多源數(shù)據(jù)特征工程模塊相連接。

17、智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)方法，包括具體步驟如下：

18、s1：收集電網(wǎng)的歷史數(shù)據(jù)和預(yù)處理；

19、s2：多源數(shù)據(jù)特征工程；

20、s3：構(gòu)建異質(zhì)圖網(wǎng)絡(luò)；

21、s4：異質(zhì)圖神經(jīng)網(wǎng)絡(luò)；

22、s5：歷史信息嵌入融合；

23、s6：通過歷史標(biāo)簽優(yōu)化模型，對新的數(shù)據(jù)劃分窗口進(jìn)行檢測；

24、s7：專家制定異常警報規(guī)則，針對模型預(yù)測的異常類別，觸發(fā)相應(yīng)的警報與響應(yīng)。

25、作為本發(fā)明所述的智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)方法的一種優(yōu)選方案，其中：所述s1的具體步驟如下：

26、s11：收集電力系統(tǒng)多種來源數(shù)據(jù)，包括系統(tǒng)運行數(shù)據(jù)、負(fù)荷數(shù)據(jù)、設(shè)備生命周期數(shù)據(jù)；

27、s12：對數(shù)據(jù)進(jìn)行預(yù)處理，對數(shù)據(jù)進(jìn)行清洗、歸一化、去噪預(yù)處理，確保數(shù)據(jù)質(zhì)量，使用均值、中位數(shù)、眾數(shù)簡單統(tǒng)計量方法填補(bǔ)缺失值，對于數(shù)值特征進(jìn)行歸一化處理，通過最小-最大規(guī)范化使得所有特征具有相同的尺度，對序列數(shù)據(jù)使用小波變換分解和重構(gòu)信號，從而去除噪聲；

28、所述小波變換流程去噪如下：

29、s121：對于一個信號f(t)，選擇小波函數(shù)對信號進(jìn)行變換得到系數(shù)w(a,b)；

30、s122：對小波系數(shù)w(a,b)進(jìn)行閾值處理，使用硬閾值方法以去除噪聲，將小于閾值λ的系數(shù)置為零得到處理后的小波系數(shù)wnew(a,b)；

31、s123：使用處理后的系數(shù)wnew(a,b)通過小波函數(shù)進(jìn)行小波逆變換，重構(gòu)去噪后的信號。

32、作為本發(fā)明所述的智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)方法的一種優(yōu)選方案，其中：所述s2的具體步驟如下：

33、s21：對一定時間間隔下的數(shù)據(jù)進(jìn)行訓(xùn)練和異常預(yù)測；

34、s22：采用滑動窗口方法，捕獲每個時間段的數(shù)據(jù)，針對每個時間段下的不同數(shù)據(jù)類型進(jìn)行不同的特征工程處理，并標(biāo)注每個時間段的狀態(tài)正常或異常類別；

35、s23：對于t時間段，針對日志文件：下載一個適合于文本特征提取的大規(guī)模語言模型到本地環(huán)境中，并調(diào)用本地大模型api接口提取日志文本特征向量xt1；

36、s24：對于序列數(shù)據(jù)：記錄其連續(xù)數(shù)值進(jìn)行歸一化，構(gòu)建成特征向量xt2；

37、s25：針對設(shè)備特征：使用特征工程挖掘潛在的規(guī)律和關(guān)鍵信息，并將數(shù)值特征進(jìn)行拼接并歸一化得到特征向量xt3；

38、s26：針對每個時間段構(gòu)建標(biāo)簽yt，根據(jù)歷史數(shù)據(jù)中的事件記錄，為每個時間段的數(shù)據(jù)打上標(biāo)簽；如果某個時間段內(nèi)發(fā)生了已知的異常事件，則標(biāo)記為異常，如果沒有發(fā)生任何已知的異常，則標(biāo)記為正常。

39、作為本發(fā)明所述的智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)方法的一種優(yōu)選方案，其中：所述s3的具體步驟如下：

40、s31：為每個時間段t構(gòu)建一個包含多種特征的特征向量xt＝[xt1,xt2,xt3]，并為其分配一個異常標(biāo)簽yt；

41、s32：根據(jù)在滑動窗口時間下不同類型構(gòu)建的不同類型節(jié)點的異質(zhì)圖設(shè)置日志本文節(jié)點、序列數(shù)據(jù)節(jié)點和設(shè)備信息節(jié)點，同時根據(jù)任務(wù)節(jié)點連接所有類型節(jié)點構(gòu)建成一個異質(zhì)圖網(wǎng)絡(luò)，其節(jié)點的初始特征初始化為xt＝[xt1,xt2,xt3]特征。

42、作為本發(fā)明所述的智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)方法的一種優(yōu)選方案，其中：所述s4的具體步驟如下：

43、s41：使用異質(zhì)圖注意力網(wǎng)絡(luò)對滑動窗口時間下的異質(zhì)圖進(jìn)行傳播學(xué)習(xí)，使用深度學(xué)習(xí)torch框架生成任務(wù)節(jié)點的初始嵌入xt4，并通過雙層注意力機(jī)制捕獲不同類型節(jié)點的信息以及相鄰節(jié)點的信息，對于t時刻下的v節(jié)點，類型級注意力機(jī)制如下：

44、

45、其中，xtv和xtτ分別表示t時刻下的v節(jié)點和τ節(jié)點類型嵌入；xtτ表示為xtτ＝συ'aυυ'xυ'，即v節(jié)點在類型τ下的所有鄰居的嵌入求和；μτ表示類型τ的神經(jīng)網(wǎng)絡(luò)可學(xué)習(xí)的注意力向量；表示對μτ進(jìn)行轉(zhuǎn)置；||表示向量拼接；σ表示一種激活函數(shù)；表示所有的節(jié)點類別類型；

46、s42：為了捕獲對應(yīng)節(jié)點類別下不同節(jié)點的注意力機(jī)制，在對應(yīng)類型τ'下的節(jié)點級注意力機(jī)制如下：

47、bυυ'＝σ(vt·ατ'[xtυ||xtυ'])

48、

49、υ'表示節(jié)點類型τ'下的鄰居；v表示可學(xué)習(xí)注意力向量；βυυ'表示規(guī)范化注意力權(quán)重后的值；

50、s43：融合類型級和節(jié)點級注意的雙層注意機(jī)制到異構(gòu)圖卷積中：

51、

52、其中，代表注意力權(quán)重矩陣，其第v行第v'列元素是βυυ'；節(jié)點表示通過雙重注意力機(jī)制因子和不同類型τ的相鄰節(jié)點其特征信息與變換矩陣相乘得到的；σ表示一種激活函數(shù)；

53、s44：經(jīng)過多輪迭代后，最終的任務(wù)節(jié)點tt將獲得一個更新的嵌入向量其中，l是神經(jīng)網(wǎng)絡(luò)層數(shù)，其嵌入向量包含了來自不同類型節(jié)點和相鄰節(jié)點的信息，用于不同時間段特征代表。

54、作為本發(fā)明所述的智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)方法的一種優(yōu)選方案，其中：所述s5的具體步驟如下：對于不同滑動時間學(xué)習(xí)到不同的任務(wù)節(jié)點特征使用transformer模型捕獲序列整體信息優(yōu)化任務(wù)節(jié)點嵌入，使得任務(wù)節(jié)點不僅關(guān)注于局部信息，還關(guān)注于整體時間序列信息；

55、其transformer模型的全局注意力公式如下：

56、

57、q＝ewq,k＝ewk,v＝ewv

58、其中，e是所有t時間段下的的特征矩陣；wq，wk和wv都是可訓(xùn)練權(quán)重參數(shù)；d表示e的單個超邊向量維度；transformer模型通過所有時間段之間的注意力得分以全局更新任務(wù)節(jié)點表征xtask。

59、作為本發(fā)明所述的智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)方法的一種優(yōu)選方案，其中：所述s6的具體步驟如下：

60、s61：通過s4和s5得到任務(wù)節(jié)點表征xtask，為了進(jìn)行異常檢測，將任務(wù)節(jié)點表征送入到softmax層，如下：

61、z＝softmax(xtask)

62、s62：為了減少模型的過擬合問題，在訓(xùn)練的過程中，使用l2正則化和交叉熵訓(xùn)練模型，如下：

63、

64、其中，η||θ||2代表l2正則化；c是類別數(shù)量；yij表示是第i個時間段樣本屬于類別j的真實概率；zij是模型預(yù)測第i個樣本屬于類別j的概率；

65、s63：對新的時間段的數(shù)據(jù)，通過相同的預(yù)處理之后，加載訓(xùn)練好的模型，進(jìn)行異常類別預(yù)測。

66、作為本發(fā)明所述的智能電力異構(gòu)數(shù)據(jù)融合的異常檢測與響應(yīng)方法的一種優(yōu)選方案，其中：所述s7中異常類別包括輕微異常、中等異常和嚴(yán)重異常。

67、與現(xiàn)有技術(shù)相比：

68、1.本發(fā)明在數(shù)據(jù)融合方面表現(xiàn)出色，利用異質(zhì)圖構(gòu)建技術(shù)將來自不同來源的異構(gòu)數(shù)據(jù)有效地整合在一起。這樣不僅提高了數(shù)據(jù)的利用效率，還能夠捕捉到更多的隱藏信息，從而提升異常檢測的準(zhǔn)確性和全面性。

69、2.本發(fā)明采用了異質(zhì)圖注意力網(wǎng)絡(luò)，通過引入注意力機(jī)制，使得模型能夠動態(tài)地關(guān)注圖中不同節(jié)點和邊的重要性。這種機(jī)制能夠更精細(xì)地處理復(fù)雜的電力系統(tǒng)數(shù)據(jù)，提高特征提取的精度和魯棒性。

70、3.本發(fā)明通過結(jié)合transformer模型的強(qiáng)大序列建模能力，由于transformer模型在處理時序數(shù)據(jù)和上下文信息方面具有優(yōu)勢，可以更好地捕捉電力系統(tǒng)數(shù)據(jù)中的時序特征和關(guān)聯(lián)關(guān)系，從而進(jìn)一步增強(qiáng)異常檢測的效果。

71、4.本發(fā)明能夠?qū)﹄娏ο到y(tǒng)的異常情況進(jìn)行快速、準(zhǔn)確的分類，并根據(jù)分類結(jié)果觸發(fā)相應(yīng)的響應(yīng)措施。這種實時性和高準(zhǔn)確性的結(jié)合，使得本發(fā)明能夠有效地保障電力系統(tǒng)的安全性和穩(wěn)定性，減少因異常導(dǎo)致的經(jīng)濟(jì)損失和安全隱患。