[发明专利]一种基于人工智能的传感异常数据实时检测方法

说明书

本发明涉及智能电网领域，尤其涉及一种基于人工智能的传感异常数据实时检测方法，包括：获取历史传感数据并进行预处理；构建AE‑LSTM模型并基于AE‑LSTM模型对预处理后的历史传感数据进行训练；采用迁移学习fine‑tune方法对AE‑LSTM模型调整，得到传感数据异常实时检测模型；获取实时传感数据并输入异常实时检测模型，对实时传感数据进行异常检测。本发明能够实现电网的传感数据异常实时检测，保证电网的运行安全。

技术领域

本发明涉及智能电网领域，尤其涉及一种基于人工智能的传感异常数据实时检测方法。

背景技术

以前定期巡检是排查异常传感的主要方式，虽然电力部门采用统计学以及数据挖掘相关方法进行初步检测，这种处理方式极其耗费人力物力资源，效率低、效果差，虽然之后电力部门采用统计学以及数据挖掘相关方法进行初步检测，但误报很多，凸显“数据海量，信息匮乏”的问题。

在实际的数据采集场景中，传感设备在数据采集与传输的过程中，总是会出现一些异常，多种外部环境的干扰会导致少数测量数据存在测量误差，影响数据分析,进而影响决策。例如输变电设备在实际运行过程中会受到过负荷、过电压、内部绝缘老化、自然环境等异常事件影响，这些异常运行状态会导致设备缺陷、故障的发生；在风电厂系统中，由于电气控制或系统部件故障导致风机故障使得传感器测得的风速、风向等因素都存在很大的误差；水力发电系统中,由于发电机的超负荷运作或者发电机振动失步导致测量数据存在严重误差等。

异常数据的产生有多种原因，但基本可归纳如下:

(1)对数据的测量非同时进行；

(2)数据测量或传输过程中，系统内部设备因意外而发生故障；

(3)数据测量或传输系统受到外部环境因素的干扰而意外失灵。

无论哪种原因导致传感数据异常都会影响电网的调度与管理，以及供电安全，并使电力部门承受巨大损失。因此，对异常传感数据的检测具有重要意义，通过主动实时发现传感数据异常，能够及时对异常的电力装置或异常的监测装置进行维修，保证电网的运行安全。随着传统电网向智能电网的转化，信息采集系统存储着大量传感数据，基于统计的方法却往往不能得到很好的结果。

发明内容

为解决上述问题，本发明提出一种基于人工智能的传感异常数据实时检测方法。

一种基于人工智能的传感异常数据实时检测方法，包括：

获取历史传感数据并进行预处理；

构建AE-LSTM模型并基于AE-LSTM模型对预处理后的历史传感数据进行训练；

采用迁移学习fine-tune方法对AE-LSTM模型调整，得到传感数据异常实时检测模型；

获取实时传感数据并输入异常实时检测模型，对实时传感数据进行异常检测。

优选的，所述获取历史传感数据并进行预处理包括：

过滤噪声数据处理、添补缺失数据处理、统一规整数据处理、标注样本处理。

优选的，所述过滤噪声数据处理包括：

持续性全为零或存在负数值的历史传感数据直接过滤；

对于极大值，其阈值按照箱形图原理设定如下：

极大值＝Q₃+(Q₃-Q₁)*5，

其中Q₃为四分之三分位点，Q₁为四分之一分位点，对高于该阈值的历史传感数据进行过滤。

优选的，所述添补缺失数据处理包括：