CN113343847B - 异常数据检测方法、装置、计算机设备和可读存储介质 - Google Patents
异常数据检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN113343847B CN113343847B CN202110627411.3A CN202110627411A CN113343847B CN 113343847 B CN113343847 B CN 113343847B CN 202110627411 A CN202110627411 A CN 202110627411A CN 113343847 B CN113343847 B CN 113343847B
- Authority
- CN
- China
- Prior art keywords
- operation data
- data set
- characterization image
- abnormal
- characterization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000012512 characterization method Methods 0.000 claims abstract description 152
- 238000000034 method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种异常数据检测方法、装置、计算机设备和可读存储介质,该方法通过获取配电房的运行数据集,根据运行数据集中的运行数据以及运行数据对应的时刻对运行数据集进行转换处理,得到运行数据集的表征图像;将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常。本申请提供的异常数据检测方法将运行数据集转换为表征图像进行检测,可以提高检测的准确性。
Description
技术领域
本申请涉及电力***的技术领域,特别是涉及一种异常数据检测方法、装置、计算机设备和可读存储介质。
背景技术
随着我国电力***技术的不断发展,以及电力***的规模的不断扩大,电力***的安全性成为电力***中最为重要的指标之一。配电房作为电力***中电量供给至关重要的一环,对配电房的异常数据的检测是能够保证电力***整体安全的关键。
传统技术中,通过人工神经网络构建的预测模型,对配电房的运行数据是否存在异常进行检测。然而,通常情况下,获取的配电房的运行数据都是时间序列的数据,在针对时间序列的数据,通过人工神经网络构建预测模型时非常难,从而使得使用该预测模型对配电房的运行数据进行检测时的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种异常数据检测方法、装置、计算机设备和可读存储介质。
第一方面,本申请一个实施例提供一种异常数据检测方法,包括:
获取配电房的运行数据集,其中,运行数据集包括配电房在不同时刻的运行数据;
根据运行数据以及运行数据对应的时刻对运行数据集进行转换处理,得到运行数据集的表征图像,其中,表征图像的像素值与运行数据相关;
将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常,其中,表征图像识别模型是根据多个历史表征图像对初始神经网络模型进行训练得到的。
在其中一个实施例中,根据运行数据以及运行数据对应的时刻对运行数据集进行转换,得到运行数据集的表征图像,包括:
基于格拉姆角场转换方法,根据运行数据以及运行数据对应的时刻对运行数据集进行转换,得到表征图像。
在其中一个实施例中,基于格拉姆角场转换方法,根据运行数据以及运行数据对应的时刻对运行数据集进行转换,得到表征图像,包括:
对运行数据集进行归一化处理,得到归一化运行数据集;
将归一化运行数据集转换到极坐标系下,得到多个极坐标;
根据多个极坐标,确定表征图像。
在其中一个实施例中,将归一化运行数据集转换到极坐标系下,得到多个极坐标,包括:
根据归一化运行数据集中的时刻,确定极坐标的极径;
根据归一化运行数据集中的时刻对应的归一化运行数据,确定极坐标的极角。
在其中一个实施例中,根据多个极坐标,确定表征图像,包括:
对多个极坐标的极角进行余弦运算,得到多个余弦值;
根据多个余弦值确定格拉姆矩阵的元素;
根据格拉姆矩阵中的元素,确定元素在所述表征图像中对应的像素的值,以获得表征图像。
在其中一个实施例中,还包括:
获取配电房的多个历史运行数据集,其中,多个历史运行数据集中包括异常运行数据集和正常运行数据集;
根据历史运行数据集中的运行数据以及运行数据对应的时刻对历史运行数据集进行转换处理,得到历史运行数据集对应的历史表征图像。
在其中一个实施例中,将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常之后,还包括:
若确定运行数据集存在异常,则发送警示信息。
第二方面,本申请一个实施例提供一种异常数据检测装置,包括:
获取模块,用于获取配电房的运行数据集,其中,运行数据集包括配电房在不同时刻的运行数据;
表征图像确定模块,用于根据运行数据以及运行数据对应的时刻对运行数据集进行转换处理,得到运行数据集的表征图像,其中,表征图像的像素值与运行数据相关;
异常数据确定模块,用于将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常,其中,表征图像识别模型是根据多个历史表征图像对初始神经网络模型进行训练得到的。
第三方面,本申请一个实施例还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述实施例提供的方法的步骤。
第四方面,本申请一个实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例提供的方法的步骤。
本申请实施例提供一种异常数据检测方法、装置、计算机设备和可读存储介质,该方法通过获取配电房的运行数据集,根据运行数据集中的运行数据以及运行数据对应的时刻对运行数据集进行转换处理,得到运行数据集的表征图像;将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常。本申请实施例提供的异常数据检测方法通过将获取到的配电房的运行数据集转换为表征图像,可以降低训练初始神经网络模型的难度,从而能够保证通过使用训练得到的表征图像识别模型对表征图像检测的准确性和稳定性,进而能够提高配电房的异常数据检测的准确性和稳定性。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域不同技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的异常数据检测方法的步骤流程示意图;
图2为本申请一个实施例提供的异常数据检测方法的步骤流程示意图;
图3为本申请一个实施例提供的异常数据检测方法的步骤流程示意图;
图4为本申请一个实施例提供的异常数据检测方法的步骤流程示意图;
图5为本申请一个实施例提供的异常数据检测方份的步骤流程示意图;
图6为本申请一个实施例提供的异常数据检测装置的结构示意图;
图7为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
配电房作为电力***中电量供给至关重要的一环,为了提高电力***的安全性,对配电房的异常数据检测十分重要。目前,在检测配电房的运行数据是否异常时,通常使用配电房的历史运行数据对神经网络模型进行训练得到异常数据识别模型,使用该异常数据识别模型可以确定采集的配电房的运行数据是否异常。然而,通常情况下,配电房的运行数据是周期性的获取,并且每个周期内获取的运行数据是时序数据,即运行数据是按照时间顺序排列的。对于这种时序数据,神经网络模型较难训练,从而使得使用训练得到的异常数据识别模型对配电房的运行数据进行识别时,准确性较低。针对该问题,本申请提供一种异常数据检测方法。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请提供的异常数据检测方法可以通过计算机设备实现。计算机设备包括但不限于控制芯片、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本申请提供的方法可以通过JAVA软件实现,也可以应用于其他软件。
请参见图1,本申请一个实施例提供一种异常数据检测方法,本实施例以计算机设备为执行主体对该异常数据检测方法进行说明。异常数据检测方法的步骤包括:
步骤100、获取配电房的运行数据集,其中,运行数据集包括配电房在不同时刻的运行数据。
计算机设备获取配电房的运行数据集,该运行数据集可以是存储在计算机设备的储存器中,计算机设备在需要时直接从存储器中获取即可;该运行数据集还可以是存储在配电房的存储设备中,计算机设备在需要时从配电房的存储设备中获取即可。运行数据可以是配电房在某个周期内某一时刻监测指标的值,监测指标用于衡量配电房是否正常运行,监测指标可以是配电房运行时的电压、电流和功率等参数。本实施例对获取运行数据集的方法,以及获取的运行数据集的种类和数量等不作任何限制,只要能够实现其功能即可。
步骤110、根据运行数据以及运行数据对应的时刻对运行数据集进行转换处理,得到运行数据集的表征图像,其中,表征图像的像素值与运行数据相关。
计算机设备在获取运行数据集后,运行数据集中包括多个运行数据,以及每个运行数据对应的时刻。计算机设备根据运行数据以及运行数据对应的时刻对获取的运行数据集进行转换处理,可以得到运行数据集对应的表征图像,即该表征图像可以表示运行数据集,也就是说,若表征图像存在异常,则运行数据集也存在异常,表征图像正常,则运行数据集也正常。表征图像是根据运行数据集中的运行数据和运行数据对应的时刻得到的,则表征图像的像素值与运行数据相关。本实施例对确定运行数据集的表征图像的具体方法不作限制,只要能够实现其功能即可。
步骤120、将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常,其中,表征图像识别模型是根据多个历史表征图像对初始神经网络模型进行训练得到的。
计算机设备将得到的表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果可以确定运行数据集是否异常。表征图像识别模型是根据多个历史表征图像对初始神经网络模型训练得到的,也就是说,历史表征图像作为输入参数,以历史表征图像异常或历史表征图像正常作为输出参数,对初始神经网络模型训练,可以得到表征图像识别模型。历史表征图像异常或历史表征图像正常是在获取历史表征图像时就确定了该历史表征图像是正常,还是异常。计算机设备将表征图像输入表征图像识别模型后,表征图像识别模型的输出结果是该表征图像是正常或异常,根据表征图像正常或异常可以确定表征图像对应的运行数据集是正常或异常。具体的,若表征图像识别模型的输出结果是表征图像正常,则确定该表征图像对应的运行数据集正常;若表征图像识别模型的输出结果是表征图像异常,则确定该表征图像对应的运行数据集异常。本实施例对训练初始神经网络模型的具体过程不作限制,只要能够实现其功能即可。
本申请实施例提供的异常数据检测方法,通过获取配电房的运行数据集,根据运行数据集中的运行数据以及运行数据对应的时刻对运行数据集进行转换处理,得到运行数据集的表征图像;将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常。本申请实施例提供的异常数据检测方法通过将获取到的配电房的运行数据集转换为表征图像,可以降低训练初始神经网络模型的难度,从而能够保证通过使用训练得到的表征图像识别模型对表征图像检测的准确性和稳定性,进而能够提高配电房的异常数据检测的准确性和稳定性。
在一个实施例中,根据运行数据以及运行数据对应的时刻对运行数据集进行转换,得到所述运行数据集的表征图像,包括:
基于格拉姆角场转换方法,根据运行数据以及运行数据对应的时刻对与逆行数据集进行转换,得到表征图像。
计算机设备使用格拉姆角场(Gramian Angular Field,GAF)转换方法,可以很好的保留运行数据集中的时间特征,从而使得对转换得到的表征图像是否异常的判断结果与运行数据集是否异常的判断结果更加相近,进而能够提高异常数据检测方法的准确性。本实施例对格拉姆角场转换方法的具体过程不作任何限制,只要能够实现其功能即可。
请参见图2,在一个实施例中,基于格拉姆角场转换方法,根据运行数据以及运行数据对应的时刻对运行数据及进行转换,得到表征图像,包括:
步骤200、对运行数据集进行归一化处理,得到归一化运行数据集;
计算机设备在得到运行数据集后,对其进行归一化处理,可以得到归一化运行数据集。在一个可选的实施例中,计算机设备使用最小-最大定标器(Min-Max scaler)对运行数据集进行归一化处理,以将其缩放到[-1,1]内。使用最小-最大定标器得到的归一化数据集使得后续得到的表征图像能够很好的保留运行数据集的特征,从而能够提高对运行数据集检测的准确性。
步骤210、将归一化运行数据集转换到极坐标系下,得到多个极坐标。
计算机设备在得到归一化数据集后,将其转换到极坐标系下,可以得到多个极坐标。极坐标的数量与运行数据集中的运行数据的数量相同,且极坐标与运行数据集中的运行数据一一对应。极坐标属于二维坐标系,极坐标包括极径和极角。计算机设备根据归一化数据集中的归一化数据和归一化数据对应的时刻,可以确定极径和极角,从而得到多个极坐标。本实施例对具体的确定极径和极角的方法不作任何限制,只要能够实现其功能即可。
在一个实施例中,将归一化运行数据集转换到极坐标系下,得到多个极坐标的步骤如图3所示,包括:
步骤300、根据归一化运行数据集中的时刻,确定极坐标的极径。
计算机设备根据归一化运行数据集中的时刻,确定极坐标中的极径。即计算机设备根据归一化运行数据集中包括的多个归一化运行数据分别对应的时刻,可以确定归一化运行数据集对应的极坐标系的极径。在一个具体的实施例中,通过将区间[0,1]分成N等份(N表示归一化运行数据集中归一化运行数据的数据),可以得到N+1个分隔点{0,...,1},丢弃0,并连续地将剩余的分割点与时刻关联起来,可以得到多个时刻对应的极坐标系的极径。
步骤310、根据归一化运行数据集中的时刻对应的归一化运行数据,确定极坐标的极角。
计算机设备根据归一化数据集中的时刻对应的运行数据,确定极坐标的极角。即计算机设备根据确定的极坐标的极径的时刻对应的归一化运行数据,可以确定该极坐标对应的极角,从而可以确定该归一化运行数据对应的极坐标。在一个具体的实施例中,使用公式arccos(x)计算x对应的极角,其中,x表示归一化运行数据。
步骤220、根据多个极坐标,确定表征图像。
计算机设备根据得到归一化运行数据集中多个归一化运行数据对应的多个极坐标后,可以确定表征图像。在一个可选的实施例中,根据多个极坐标确定表征图像对应的像素值,从而确定表征图像。本实施例对根据多个极坐标确定表征图像的具体方法不作任何限制,只要能够实现其功能即可。
在本实施例中,得到的归一化运行数据集在[-1,1]内的,则采用arccos函数,也就是双射编码,可以降低得到的表征图像的噪声,从而提高对运行数据集进行异常检测的准确性和稳定性。同时,极坐标的极角与归一化运行数据集的时刻相关,保持了运行数据集中的时间特性,能够使得到的表征图像可以更加准确的表示运行数据集。
在一个实施例中,根据多个极坐标,确定表征图像的步骤如图4所示,包括:
步骤400、对多个极坐标的极角进行余弦运算,得到多个余弦值。
步骤410、根据多个余弦值确定格拉姆矩阵的元素。
计算机设备在得到多个极坐标后,将多个极坐标的极角进行余弦运算,可以得到多个余弦值,并将多个余弦值作为格拉姆矩阵的元素,按照预设的排列规则确定格拉姆矩阵。
在一个可选的实施例中,归一化运行数据集可以表示为X=xi,i=1,2,...N,则极坐标的极角对应的可以表示为Φ=φi,i=1,2,...N。计算第i极角与第j极角的和,并对其进行余弦运算,得到多个余弦值,其中,j=1,2,...N。具体的,将第1极角与第j(j=1,2,...N)极角的和的余弦值作为格拉姆矩阵的第一行的元素,将第2极角与第j(j=1,2,...N)极角的和的余弦值作为格拉姆矩阵的第一行的元素,以此类推,将第N极角与第j(j=1,2,...N)极角的和的余弦值作为格拉姆矩阵的第N行的元素,可以形成如下所示的格拉姆矩阵G:
步骤420、根据格拉姆矩阵中的元素,确定元素在表征图像中对应的像素的值,以获得表征图像。
计算机设备根据格拉姆矩阵中的元素,可以确定表征图像的像素值,从而可以根据格拉姆矩阵中的所有元素获得表征图像。本实施例对根据元素确定表征图像的像素值的方法不作任何限制,只要能够实现其功能即可。
在一个可选的实施例中,将格拉姆矩阵中的元素的大小作为该元素在表征图像中的像素值。
请参见图5,在一个实施例中,异常数据检测方法还包括:
步骤500、获取配电房的多个历史运行数据集,其中,历史运行数据集中包括异常运行数据集和正常运行数据集;
计算机设备获取配电房的多个历史运行数据集。多个历史运行数据集可以存储在计算机设备的存储器中,计算机设备在需要时直接从存储器中获取即可;多个历史运行数据集也可以存储在配电房的存储设备中,计算机设备在需要时直接在配电房的存储设备中获取即可。多个历史运行数据集中既包括异常运行数据集,也包括正常运行数据集。也就是说,计算机设备在获取多个历史运行行数据集时,也确定了每个历史运行数据集是否正常。对于每个历史运行数据集的具体描述可以参考上述对运行数据集的描述,在此不再赘述。本实施例对具体获取历史运行数据集的方法不作任何限制,只要能够实现其功能即可。
步骤510、根据历史运行数据集中的运行数据以及运行数据对应的时刻对历史运行数据集进行转换处理,得到历史运行数据集对应的历史表征图像。
计算机设备根据得到的历史运行数据集中的运行数据以及运行数据对应的时刻对历史运行数据集进行转换处理,得到历史运行数据集对应的历史表征图像。计算机设备通过对每个历史运行数据集均进行转换处理,可以得到每个历史运行数据集对应的历史表征图像。对得到历史运行数据集对应的历史表征图像的具体过程的描述可以参考上述得到运行数据集对应的表征图像的具体描述,在此不再赘述。
在一个可选的实施例中,计算机设备在得到每个历史表征图像后,对每个历史表征图像进行标注,以表示每个历史表征图像数据是否异常。每个历史表征图像是否异常可以根据历史表征图像对应的历史运行数据集是否异常进行确定。
在一个实施例中,将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常之后,还包括:
若确定运行数据集存在异常,则发送警示信息。
计算机设备在确定运行数据集存在异常后,可以发送警示信息,以提示工作人员该运行数据存在异常。警示信息可以是警示铃,也可以是警示灯,还可以是声光警示器。本实施例对警示信息的种类不作任何限制,只要能够实现其功能即可。
在一个可选的实施例中,计算机设备可以将警示信息发送至终端平台,由终端平台对监控者进行异常报警,在监控者确定该运行数据对应的异常设备后,可接触报警。这样可以避免计算机设备设置的位置没有工作人员,从而使工作人员接收不到该警示信息。
应该理解的是,虽然图中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图6,本申请一个实施例提供一种异常数据检测装置10,该装置包括获取模块11、表征图像确定模块12和异常数据确定模块13。其中,
获取模块11用于获取配电房的运行数据集,其中,运行数据集包括配电房在不同时刻的运行数据;
表征图像确定模块12用于根据运行数据以及运行数据对应的时刻对运行数据集进行转换处理,得到运行数据集的表征图像,其中,表征图像的像素值与运行数据相关;
异常数据确定模块13用于将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常,其中,表征图像识别模型是根据多个历史表征图像对初始神经网络模型进行训练得到的。
在一个实施例中,表征图像确定模块12具体用于基于格拉姆角场转换方法,根据运行数据以及运行数据对应的时刻对运行数据集进行转换,得到表征图像。
在一个实施例中,表征图像确定模块12包括处理单元、第一确定单元和第二确定单元。其中,
处理单元用于对运行数据集进行归一化处理,得到归一化运行数据集;
第一确定单元用于将归一化运行数据集转换到极坐标系下,得到多个极坐标;
第二确定单元用于根据多个极坐标,确定表征图像。
在一个实施例中,第一确定单元具体用于根据归一化运行数据集中的时刻,确定极坐标的极径;根据归一化运行数据集中的时刻对应的归一化运行数据,确定极坐标的极角。
在一个实施例中,第二确定单元具体用于对多个极坐标的极角进行余弦运算,得到多个余弦值;根据多个余弦值确定格拉姆矩阵的元素;根据格拉姆矩阵中的元素,确定元素在所述表征图像中对应的像素的值,以获得表征图像。
在一个实施例中,异常数据检测装置10还包括历史表征图像确定模块,该模块用于获取配电房的多个历史运行数据集,其中,多个历史运行数据集中包括异常运行数据集和正常运行数据集;根据历史运行数据集中的运行数据以及运行数据对应的时刻对历史运行数据集进行转换处理,得到历史运行数据集对应的历史表征图像。
在一个实施例中,异常数据检测装置10还包括警示模块,该模块用于若确定运行数据集存在异常,则发送警示信息。
关于上述异常数据检测装置10的具体限定可以参见上文中对于异常数据检测方法的限定,在此不在赘述。异常数据检测装置10中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个装置或模块对应的操作。
请参见图7,在一个实施例中,提供了一种计算机设备,计算机设备可以是服务器,其内部结构图可以如图7所示。计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,计算机设备的处理器用于提供计算和控制能力。计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。计算机设备的数据库用于存储运行数据集和表征图像识别模型等。计算机设备的网络接口用于与外部的终端通过网络连接通信。计算机设备被处理器执行时以实现一种异常数据检测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取配电房的运行数据集,其中,运行数据集包括配电房在不同时刻的运行数据;
根据运行数据以及运行数据对应的时刻对运行数据集进行转换处理,得到运行数据集的表征图像,其中,表征图像的像素值与运行数据相关;
将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常,其中,表征图像识别模型是根据多个历史表征图像对初始神经网络模型进行训练得到的。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于格拉姆角场转换方法,根据运行数据以及运行数据对应的时刻对运行数据集进行转换,得到表征图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对运行数据集进行归一化处理,得到归一化运行数据集;将归一化运行数据集转换到极坐标系下,得到多个极坐标;根据多个极坐标,确定表征图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据归一化运行数据集中的时刻,确定极坐标的极径;根据归一化运行数据集中的时刻对应的归一化运行数据,确定极坐标的极角。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对多个极坐标的极角进行余弦运算,得到多个余弦值;根据多个余弦值确定格拉姆矩阵的元素;根据格拉姆矩阵中的元素,确定元素在所述表征图像中对应的像素的值,以获得表征图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取配电房的多个历史运行数据集,其中,多个历史运行数据集中包括异常运行数据集和正常运行数据集;根据历史运行数据集中的运行数据以及运行数据对应的时刻对历史运行数据集进行转换处理,得到历史运行数据集对应的历史表征图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若确定运行数据集存在异常,则发送警示信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取配电房的运行数据集,其中,运行数据集包括配电房在不同时刻的运行数据;
根据运行数据以及运行数据对应的时刻对运行数据集进行转换处理,得到运行数据集的表征图像,其中,表征图像的像素值与运行数据相关;
将表征图像输入表征图像识别模型,根据表征图像识别模型的输出结果确定运行数据集是否异常,其中,表征图像识别模型是根据多个历史表征图像对初始神经网络模型进行训练得到的。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于格拉姆角场转换方法,根据运行数据以及运行数据对应的时刻对运行数据集进行转换,得到表征图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对运行数据集进行归一化处理,得到归一化运行数据集;将归一化运行数据集转换到极坐标系下,得到多个极坐标;根据多个极坐标,确定表征图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据归一化运行数据集中的时刻,确定极坐标的极径;根据归一化运行数据集中的时刻对应的归一化运行数据,确定极坐标的极角。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对多个极坐标的极角进行余弦运算,得到多个余弦值;根据多个余弦值确定格拉姆矩阵的元素;根据格拉姆矩阵中的元素,确定元素在所述表征图像中对应的像素的值,以获得表征图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取配电房的多个历史运行数据集,其中,多个历史运行数据集中包括异常运行数据集和正常运行数据集;根据历史运行数据集中的运行数据以及运行数据对应的时刻对历史运行数据集进行转换处理,得到历史运行数据集对应的历史表征图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若确定运行数据集存在异常,则发送警示信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种异常数据检测方法,其特征在于,包括:
获取配电房的运行数据集,其中,所述运行数据集包括所述配电房在不同时刻的运行数据;所述运行数据包括所述配电房的监测指标,所述监测指标包括所述配电房在运行时的电压、电流和功率,所述运行数据集存储在计算机设备的存储器中或所述配电房的存储在设备中;
根据所述运行数据以及所述运行数据对应的时刻对所述运行数据集进行转换处理,得到所述运行数据集的表征图像,其中,所述表征图像的像素值与所述运行数据相关;
将所述表征图像输入表征图像识别模型,根据所述表征图像识别模型的输出结果确定所述运行数据集是否异常,其中,所述表征图像识别模型是根据多个历史表征图像对初始神经网络模型进行训练得到的,所述输出结果是所述表征图像为正常或所述表征图像为异常,所述运行数据集为正常是根据所述表征图像为正常确定的,所述运行数据集异常是根据所述表征图像为异常确定的;
若确定所述运行数据集存在异常,则发送警示信息;所述警示消息用于发送至终端平台,通过所述终端平台进行异常报警;
所述根据所述运行数据以及所述运行数据对应的时刻对所述运行数据集进行转换处理,得到所述运行数据集的表征图像,包括:
利用最小-最大定标器对所述运行数据集进行归一化处理,得到归一化运行数据集;
将所述归一化运行数据集转换到极坐标系下,得到多个极坐标;
根据所述多个极坐标,确定所述表征图像;
所述将所述归一化运行数据集转换到极坐标系下,得到多个极坐标,包括:
根据所述归一化运行数据集中的时刻,确定所述极坐标的极径;
根据所述归一化运行数据集中的时刻对应的归一化运行数据,确定所述极坐标的极角;
所述根据多个极坐标,确定所述表征图像,包括:
对所述多个极坐标的极角进行余弦运算,得到多个余弦值;
根据所述多个余弦值确定格拉姆矩阵的元素;
根据所述格拉姆矩阵中的元素,确定所述元素在所述表征图像中对应的像素的值,以获得所述表征图像。
2.根据权利要求1所述的异常数据检测方法,其特征在于,所述根据所述运行数据以及所述运行数据对应的时刻对所述运行数据集进行转换,得到所述运行数据集的表征图像,包括:
基于格拉姆角场转换方法,根据所述运行数据以及所述运行数据对应的时刻对所述运行数据集进行转换,得到所述表征图像。
3.根据权利要求1所述的异常数据检测方法,其特征在于,还包括:
获取所述配电房的多个历史运行数据集,其中,所述多个历史运行数据集中包括异常运行数据集和正常运行数据集;
根据所述历史运行数据集中的运行数据以及所述运行数据对应的时刻对所述历史运行数据集进行转换处理,得到所述历史运行数据集对应的历史表征图像。
4.一种异常数据检测装置,其特征在于,包括:
获取模块,用于获取配电房的运行数据集,其中,所述运行数据集包括所述配电房在不同时刻的运行数据;所述运行数据包括所述配电房的监测指标,所述监测指标包括所述配电房在运行时的电压、电流和功率,所述运行数据集存储在计算机设备的存储器中或所述配电房的存储在设备中;
表征图像确定模块,用于根据所述运行数据以及所述运行数据对应的时刻对所述运行数据集进行转换处理,得到所述运行数据集的表征图像,其中,所述表征图像的像素值与所述运行数据相关;
异常数据确定模块,用于将所述表征图像输入表征图像识别模型,根据所述表征图像识别模型的输出结果确定所述运行数据集是否异常,其中,所述表征图像识别模型是根据多个历史表征图像对初始神经网络模型进行训练得到的,所述输出结果是所述表征图像为正常或所述表征图像为异常,所述运行数据集为正常是根据所述表征图像为正常确定的,所述运行数据集异常是根据所述表征图像为异常确定的;
异常报警模块,用于若确定所述运行数据集存在异常,则发送警示信息;所述警示消息用于发送至终端平台,通过所述终端平台进行异常报警;
所述表征图像确定模块,具体用于利用最小-最大定标器对所述运行数据集进行归一化处理,得到归一化运行数据集;将所述归一化运行数据集转换到极坐标系下,得到多个极坐标;根据所述多个极坐标,确定所述表征图像;
所述表征图像确定模块,具体用于根据所述归一化运行数据集中的时刻,确定所述极坐标的极径;根据所述归一化运行数据集中的时刻对应的归一化运行数据,确定所述极坐标的极角;
所述表征图像确定模块,具体用于对所述多个极坐标的极角进行余弦运算,得到多个余弦值;根据所述多个余弦值确定格拉姆矩阵的元素;根据所述格拉姆矩阵中的元素,确定所述元素在所述表征图像中对应的像素的值,以获得所述表征图像。
5.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述的方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110627411.3A CN113343847B (zh) | 2021-06-04 | 2021-06-04 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
PCT/CN2021/121639 WO2022252454A1 (zh) | 2021-06-04 | 2021-09-29 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110627411.3A CN113343847B (zh) | 2021-06-04 | 2021-06-04 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343847A CN113343847A (zh) | 2021-09-03 |
CN113343847B true CN113343847B (zh) | 2024-03-26 |
Family
ID=77474194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110627411.3A Active CN113343847B (zh) | 2021-06-04 | 2021-06-04 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113343847B (zh) |
WO (1) | WO2022252454A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343847B (zh) * | 2021-06-04 | 2024-03-26 | 深圳供电局有限公司 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
CN114070609B (zh) * | 2021-11-15 | 2023-03-28 | 湖南大学 | 一种基于格拉姆角场的低速率拒绝服务攻击检测方法 |
CN113822270B (zh) * | 2021-11-24 | 2022-02-11 | 深圳大学 | 一种结构健康监测高频数据异常值的确定方法及装置 |
CN116189023B (zh) * | 2023-04-28 | 2023-07-11 | 成都市环境应急指挥保障中心 | 基于无人机实现环境应急监测的方法及*** |
CN116521465B (zh) * | 2023-06-26 | 2023-10-13 | 深圳市晶存科技有限公司 | 硬盘测试数据处理方法、装置及介质 |
CN117195320B (zh) * | 2023-09-11 | 2024-04-05 | 重庆千信新能源有限公司 | 通过大数据图像生成光伏组件能源数据的安全方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086876A (zh) * | 2018-09-21 | 2018-12-25 | 广州发展集团股份有限公司 | 设备的运行状态检测方法、装置、计算机设备和存储介质 |
CN111428641A (zh) * | 2020-03-24 | 2020-07-17 | 深圳供电局有限公司 | 安全着装检测方法、装置、计算机设备和可读存储介质 |
CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120256920A1 (en) * | 2011-04-05 | 2012-10-11 | Julian Marshall | System and Method for Fusing Computer Assisted Detection in a Multi-Modality, Multi-Dimensional Breast Imaging Environment |
US10664966B2 (en) * | 2018-01-25 | 2020-05-26 | International Business Machines Corporation | Anomaly detection using image-based physical characterization |
CN114450646B (zh) * | 2019-09-09 | 2024-04-26 | 通用电气可再生能源西班牙有限公司 | 用于使用深度学习来检测风力涡***作异常的***和方法 |
CN113343847B (zh) * | 2021-06-04 | 2024-03-26 | 深圳供电局有限公司 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
-
2021
- 2021-06-04 CN CN202110627411.3A patent/CN113343847B/zh active Active
- 2021-09-29 WO PCT/CN2021/121639 patent/WO2022252454A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086876A (zh) * | 2018-09-21 | 2018-12-25 | 广州发展集团股份有限公司 | 设备的运行状态检测方法、装置、计算机设备和存储介质 |
CN111428641A (zh) * | 2020-03-24 | 2020-07-17 | 深圳供电局有限公司 | 安全着装检测方法、装置、计算机设备和可读存储介质 |
CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113343847A (zh) | 2021-09-03 |
WO2022252454A1 (zh) | 2022-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343847B (zh) | 异常数据检测方法、装置、计算机设备和可读存储介质 | |
WO2021204010A1 (zh) | 一种时序异常检测方法、装置、计算机设备及存储介质 | |
CN110008251B (zh) | 基于时序数据的数据处理方法、装置和计算机设备 | |
CN111914661A (zh) | 异常行为识别方法、目标异常识别方法、设备及介质 | |
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN112488242B (zh) | 电力计量终端异常检测方法、装置、计算机设备和介质 | |
CN110990645B (zh) | 用电监测方法、装置、计算机设备和存储介质 | |
CN110580488B (zh) | 基于字典学习的多工况工业监测方法、装置、设备及介质 | |
CN113284002A (zh) | 用电数据异常检测方法、装置、计算机设备和存储介质 | |
CN111679953B (zh) | 基于人工智能的故障节点识别方法、装置、设备和介质 | |
CN112541016A (zh) | 用电异常检测方法、装置、计算机设备和存储介质 | |
CN116629435A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN116712048A (zh) | 血压测量方法、装置及相关设备 | |
CN114242196B (zh) | 临床医疗记录自动生成方法和装置 | |
CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
CN111126425B (zh) | 复杂工业过程工况监测和分类方法 | |
CN110781366A (zh) | 网页数据处理方法、装置、计算机设备和存储介质 | |
CN113259324B (zh) | 数据攻击检测方法、装置、计算机设备和可读存储介质 | |
CN111400126B (zh) | 网络服务异常数据检测方法、装置、设备和介质 | |
CN113407422B (zh) | 数据异常告警处理方法、装置、计算机设备和存储介质 | |
CN116597971B (zh) | 基于数字孪生的医院空间优化模拟方法及*** | |
CN111738848B (zh) | 特征数据的生成方法、装置、计算机设备和存储介质 | |
CN116881099A (zh) | ***性能的评估方法、装置、计算机设备和存储介质 | |
CN117520940A (zh) | 输电线路元件寿命预测方法、装置、计算机设备和介质 | |
CN116824508A (zh) | 一种人员异常行为监控方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |