一种电力系统设备台账异常数据检测与修复方法与流程

本发明涉及一种电力系统设备台账异常数据检测与修复方法，属于异常数据处理。

背景技术：

1、随着对电力系统现代化的发展，整个电网正朝着智能化、信息化以及网络化的方向迈进。电力系统设备台账是电力系统现代化的重要部分，掌握企业设备资产状况，反映企业各种类型设备的拥有量、设备分布及其变动情况的主要依据。然而由于当前的电力系统设备台账数据类型多、数据关联性强，数据源不断增长，数据在传递过程中的频繁复制、演化，给信息的可靠性、真实性和可信度带来的巨大挑战。当前对设备台账异常数据的检测主要依赖于人工检查，浪费了宝贵的人力资源，并且难免出现错误与遗漏，有很强的主观性。由于运维设备台账对效率、成本、质量等方面的要求，对电力系统设备台账的异常数据检测与修复成为了必然需求。

技术实现思路

1、为了克服上述问题，本发明提供一种电力系统设备台账异常数据检测与修复方法，该方法通过关联规则挖掘以及图神经网络的方法达到定位异常数据位置，并提供修改意见的功能。

2、本发明的技术方案如下：

3、一种电力系统设备台账异常数据检测与修复方法，包括：

4、对设备台账数据进行预处理，所述预处理包括对所述设备台账数据中的设备台账属性进行分类和编码；

5、通过关联规则挖掘算法，对所述设备台账属性进行挖掘，得到若干关联关系组，并形成关联属性组；

6、对各所述关联属性组构建相应的图神经网络，形成包含设备台账结构信息和设备台账属性信息的图数据；

7、通过图注意力机制对所述图神经网络中的各节点进行特征更新，通过对比学习对所述节点的特征进行训练，生成包含设备台账结构信息和设备台账属性信息的特征数据；

8、对所述特征数据进行图聚类，获得设备类簇，对各设备类簇中的节点，根据设备台账属性的类型进行离群属性检测，得到可能的异常设备台账数据；

9、结合特征工程对所述可能的异常设备台账数据进行确定，得到推荐修复结果。

10、进一步的，对设备台账数据进行预处理，具体为：

11、对所述设备台账属性进行分类，将所述设备台账属性分为文本型、编号型和数值型；

12、通过语言编码器对文本型的所述设备台账属性进行特征编码，得到所述设备台账属性的特征；

13、使用独热编码对编号型和数值型的所述设备台账属性进行编码，得到独热编码，使用嵌入层对所述独热编码进行特征转换，将所述设备台账属性的特征进行降维。

14、进一步的，通过语言编码器对文本型的所述设备台账属性进行特征编码，得到所述设备台账属性的特征，包括：

15、将文本型的设备台账属性w＝{w1,w2,…,wn}输入语言编码器，进行语言特征提取，得到设备台账属性的特征xw。

16、进一步的，使用独热编码对编号型和数值型的所述设备台账属性进行编码，得到独热编码，使用嵌入层对所述独热编码进行特征转换，将所述设备台账属性的特征进行降维，包括：

17、将独热编码fi通过线性转化器转换为稠密编码xi＝w*fi，其中，d为维度。

18、进一步的，通过关联规则挖掘算法，对所述设备台账属性进行挖掘，得到若干关联关系组，并形成关联属性组，具体为：

19、通过apriori算法对所述设备台账数据进行关联规则分析，得到设备台账数据间的关联关系组；

20、将置信度高于阈值t的关联关系组形成关联属性组，每一关联属性组中，包含两个以上的设备台账属性。

21、进一步的，对各所述关联属性组构建相应的图神经网络，形成包含设备台账结构信息和设备台账属性信息的图数据，具体为：

22、根据所述关联属性组生成图数据，所述图数据中的节点为设备，节点的特征为设备台账属性；

23、通过多层感知机融合所述节点的特征，初始化的节点特征为：

24、

25、hi＝mlp(xi)；

26、其中，mlp为多层感知机，为第i个节点的第n个属性特征；

27、根据所述关联属性组，将具有相同属性值的设备连接起来，生成图数据。

28、进一步的，通过图注意力机制对所述图神经网络中的各节点进行特征更新，通过对比学习对所述节点的特征进行训练，生成包含设备台账结构信息和设备台账属性信息的特征数据，具体为：

29、通过异构图注意力机制更新图神经网络中节点的信息，图注意力层的输入为h＝{h1,…,hn}，聚合过程中，中心节点vi到邻居节点vj的注意力权重eij为：

30、eij＝eakyrelu(wt[hi||hj])；

31、其中，w∈r2f为权重参数，激活函数为leakyrelu；

32、将所有邻居计算出的相关度进行统一的归一化处理，具体为：

33、

34、其中，n(vi)为中心节点vi的邻居节点集合，vk∈n(vi)为邻居节点集合中的一个节点，eik为中心节点vi到邻居节点vk的注意力权重；

35、更新后的节点vi的特征向量为：

36、

37、将节点的特征向量与其他所有节点的特征向量进行拉远，具体为：

38、

39、

40、通过所述图神经网络的训练和更新，得到节点最终的特征向量。

41、进一步的，对所述特征数据进行图聚类，获得设备类簇，对各设备类簇中的节点，根据设备台账属性的类型进行离群属性检测，得到可能的异常设备台账数据，具体为：

42、根据所述节点特征向量对节点进行聚类操作，得到设备类簇；

43、对所述设备类簇中的每一设备台账属性进行离群点检测，包括：

44、对于文本型和编码型的设备台账属性，计算设备台账属性的相似度，通过相似度阈值判断是否为可能的异常设备台账数据；

45、对于数值型设备台账属性，比对数值，通过比对结果判断是否为可能的异常设备台账数据。

46、进一步的，结合特征工程对所述可能的异常设备台账数据进行确定，得到推荐修复结果，具体为：

47、通过异常数据分类器对所述可能的异常设备台账数据进行分类，类型包括格式错误异常和内容错误异常；

48、对格式错误异常，通过信息抽取技术提取信息，根据预设的模板重构数据，得到推荐修复结果；

49、对内容错误异常，在所述设备类簇中搜索若干个最相似的节点，作为推荐节点，将推荐节点对应的设备台账属性作为推荐修复结果。

50、本发明具有如下有益效果：

51、通过对具体设备台账数据进行关联规则挖掘找到关联属性集合，通过图神经网络的方法融合属性信息和结构信息来完整表示设备特征的方法能够尽可能的挖掘设备之间的相互关系，更准确、全面的划分设备类簇，框定异常数据监测范围，保证完备性；通过异常数据分类器去区分异常数据类型，可以更准确地给出异常修复建议，节省了一定的工作量，有助于电力系统设备台账的智能运维；对于电力系统设备台账的异常数据检测和修复，也可以拓展到其他设备台账系统的异常数据检测和修复中。