基于机器学习的配电站终端异常检测方法及检测系统与流程

本发明涉及异常检测，尤其涉及一种基于机器学习的配电站终端异常检测方法及检测系统。

背景技术：

1、在电力系统运行中，配电站终端的安全稳定运行对于保障电力供应至关重要。然而，由于各种因素的影响，配电站终端可能会出现异常情况，如设备故障、电压波动等。这些异常情况可能导致电力供应中断、设备损坏等严重后果。因此，对配电站终端进行异常检测是十分必要的。

2、传统的异常检测方法主要基于固定的阈值进行判断，然而，这种方法难以适应配电站终端运行中的动态变化，且阈值设置不当可能导致误判或漏判。为了提高异常检测的准确性和可靠性，研究者们提出了基于机器学习和数据挖掘技术的异常检测方法。这些方法通过对历史数据进行分析和学习，构建异常检测模型，实现对配电站终端的实时监测和异常检测。

3、其中，决策树异常检测模型、支持向量机异常检测模型和神经网络异常检测模型是常见的异常检测模型。这些模型在理论上具有良好的性能，但在实际应用中，由于配电站终端数据的复杂性和动态性，单一模型可能难以满足异常检测的准确性和可靠性要求。因此，需要结合多个模型的优点，进行模型的加权平均和动态调整，以提高异常检测的性能。

4、因此，有必要提供一种基于机器学习的配电站终端异常检测方法及检测系统解决上述技术问题。

技术实现思路

1、为解决上述技术问题，本发明提供一种基于机器学习的配电站终端异常检测方法及检测系统，能够实现对配电站终端的实时监测和异常检测，提高异常检测的准确性和可靠性，同时，通过动态调整模型的权重，能够根据实际情况对模型进行优化和改进，进一步提高异常检测的性能。

2、本发明提供的一种基于机器学习的配电站终端异常检测方法，所述检测方法包括以下步骤：

3、基于所述配电站终端的历史数据和专家领域知识库构建不同的异常检测模型，其中，所述异常检测模型包括决策树异常检测模型、支持向量机异常检测模型和神经网络异常检测模型；

4、获取所述配电站终端的实时遥测数据，并输入不同的异常检测模型进行检测，得到不同的异常检测模型的检测值；

5、基于不同的异常检测模型的权重对不同的异常检测模型的检测值进行加权平均，得到最终检测值；

6、基于最终检测值进行异常检测，输出检测结果，若检测结果为正常，则表明所述配电站终端处于正常状态，若检测结果为异常，则表明所述配电站终端处于异常状态；

7、基于所述检测结果动态调整不同的异常检测模型的权重。

8、优选的，所述基于所述配电站终端的历史数据和专家领域知识库构建不同的异常检测模型，其中，所述异常检测模型包括决策树异常检测模型、支持向量机异常检测模型和神经网络异常检测模型，包括：

9、收集所述配电站终端的历史数据，其中，所述历史数据包括所述配电站终端的历史遥测数据，以及基于所述历史遥测数据判断的所述配电站终端的历史状态，所述历史状态分为正常状态和异常状态；

10、建立专家领域知识库，其中，所述专家领域知识库包括所述配电站终端运行的基本原理、异常行为、故障模式；

11、以所述配电站终端的历史数据和专家领域知识库训练不同的异常检测模型，得到决策树异常检测模型、支持向量机异常检测模型和神经网络异常检测模型。

12、优选的，所述收集所述配电站终端的历史数据，其中，所述历史数据包括所述配电站终端的历史遥测数据，以及基于所述历史遥测数据判断的所述配电站终端的历史状态，所述历史状态分为正常状态和异常状态，包括：

13、收集所述配电站终端的初步历史遥测数据及对应的历史状态；

14、预处理所述配电站终端的初步历史数据，其中，所述预处理包括数据清洗、格式统一、异常值处理；

15、提取预处理后的初步历史数据中与历史状态关联的历史数据。

16、优选的，所述获取所述配电站终端的实时遥测数据，并输入不同的异常检测模型进行检测，得到不同的异常检测模型的检测值，包括：

17、从所述配电站终端中提取所需的实时遥测数据；

18、基于所述决策树异常检测模型对所述实时遥测数据进行异常检测，得到第一检测值；

19、基于所述支持向量机异常检测模型对所述实时遥测数据进行异常检测，得到第二检测值；

20、基于所述神经网络异常检测模型对所述实时遥测数据进行异常检测，得到第三检测值。

21、优选的，所述基于不同的异常检测模型的权重对不同的异常检测模型的检测值进行加权平均，得到最终检测值，包括：

22、为决策树异常检测模型、支持向量机异常检测模型和神经网络异常检测模型分配初始权重，其中，所述初始权重是在基于所述配电站终端的历史数据构建不同的异常检测模型的步骤获取；

23、基于第一检测值、第二检测值和第三检测值以及分配的初始权重进行加权平均，得到所述配电站终端的最终检测值。

24、优选的，所述基于最终检测值进行异常检测，输出检测结果，若检测结果为正常，则表明所述配电站终端处于正常状态，若检测结果为异常，则表明所述配电站终端处于异常状态，包括：

25、获取最终检测值；

26、基于历史数据和专家领域知识库设定用于区分正常和异常状态的阈值范围；

27、将计算出的最终检测值与设定的阈值进行比较，若检测值在阈值范围内，则认为配电站终端处于正常状态；如果检测值超出阈值范围，则认为配电站终端处于异常状态。

28、优选的，所述基于所述检测结果动态调整不同的异常检测模型的权重，包括：

29、根据所述检测结果评估各个异常检测模型的性能，得到评估结果，其中，所述评估的指标包括各个异常检测模型的准确率、召回率、f1分数，评估结果包括性能优的第一结果和性能差的第二结果；

30、基于所述评估结果动态和调整策略动态调整各个模型的权重，其中，所述调整策略为对第一结果的异常检测模型增加权重，对第二结果的异常检测模型减少权重。

31、优选的，所述历史数据和实时遥测数据包括所述配电站终端的电压、电流、开关状态、功率因数、温度和湿度。

32、本发明还提供了一种基于机器学习的配电站终端异常检测系统，应用于基于机器学习的配电站终端异常检测方法，检测系统包括：

33、异常检测模型构建模块，用于基于所述配电站终端的历史数据和专家领域知识库构建不同的异常检测模型，其中，所述异常检测模型包括决策树异常检测模型、支持向量机异常检测模型和神经网络异常检测模型；

34、检测值获取模块，用于获取所述配电站终端的实时遥测数据，并输入不同的异常检测模型进行检测，得到不同的异常检测模型的检测值；

35、加权平均模块，用于基于不同的异常检测模型的权重对不同的异常检测模型的检测值进行加权平均，得到最终检测值；

36、异常判断模块，用于基于最终检测值进行异常检测，输出检测结果，若检测结果为正常，则表明所述配电站终端处于正常状态，若检测结果为异常，则表明所述配电站终端处于异常状态；

37、权重动态调整模块，用于基于所述检测结果动态调整不同的异常检测模型的权重。

38、与相关技术相比较，本发明提供的一种基于机器学习的配电站终端异常检测方法及检测系统具有如下有益效果：

39、本发明通过结合决策树异常检测模型、支持向量机异常检测模型和神经网络异常检测模型，通过结合多个模型的优点，进行模型的加权平均和动态调整，提高了异常检测的准确性和可靠性，降低了误判或漏判的可能性，并且能够实时更新模型权重，更好地适应配电站终端的动态变化，最终实现了对配电站终端的异常检测。