[发明专利]一种异常检测方法、装置、存储介质及电子设备

权利要求书

1.一种异常检测方法，其特征在于，包括：

获取变电站中各设备的属性数据，并基于各属性的数据异常范围确定异常属性数据；

基于确定各所述异常属性数据生成所述变电站的异常指数矩阵；

基于预先训练的转换模型对所述异常指数矩阵进行转换处理，得到所述异常指数矩阵对应的自变量异常概率矩阵；

基于所述自变量异常概率矩阵中各属性对应的自变量异常概率，以及对应的属性数据生成所述变电站的异常概率。

2.根据权利要求1所述的方法，其特征在于，所述获取变电站中各设备的属性数据，所述方法还包括：

获取所述变电站的原始电力数据，对所述原始电力数据进行预处理，得到各设备的属性数据；

其中，所述预处理包括：剔除各所述原始电力数据中的离群点数据；和/或，

基于预设采样频率对所述原始电力数据进行离散化抽样；和/或，

对所述原始电力数据进行小数平整化处理，其中，平整化处理后的属性数据保留预设位数的小数。

3.根据权利要求1所述的方法，其特征在于，所述基于确定各所述异常属性数据生成所述变电站的异常指数矩阵，包括：

对于任一设备的任一属性，若所述属性数据为异常属性数据，基于所述异常属性数据与所述属性的正常属性数据确定所述属性的异常指数；

若所述属性数据为正常属性数据，则确定所述属性的异常指数为0；

基于各设备的各属性对应的异常指数，形成所述变电站的异常指数矩阵。

4.根据权利要求1所述的方法，其特征在于，在基于确定各所述异常属性数据生成所述变电站的异常指数矩阵之后，所述方法还包括：

对所述异常指数矩阵进行成分分析，根据成分分析结果对所述异常指数矩阵进行降维处理；

相应的，所述自变量异常概率矩阵为基于所述降维处理后的异常指数矩转换得到。

5.根据权利要求4所述的方法，其特征在于，所述对所述异常指数矩阵进行成分分析，根据成分分析结果对所述异常指数矩阵进行降维处理，包括：

基于主成分分析法对所述异常指数矩阵进行成分分析，得到所述异常指数矩阵中的特征向量以及特征向量的特征值；

将所述特征值与预设阈值进行比对，剔除所述异常指数矩阵小于所述预设阈值的特征值对应的特征维度。

6.根据权利要求1或4所述的方法，其特征在于，所述基于所述自变量异常概率矩阵中各属性对应的自变量异常概率，以及对应的属性数据生成所述变电站的异常概率，包括：

根据所述自变量异常概率矩阵中各属性对应的自变量异常概率，确定各属性的自变量系数，其中，所述自变量系数基于所述自变量异常概率和自变量正常概率确定，所述自变量异常概率和所述自变量正常概率的和为1；

基于所述各属性的自变量系数和对应各属性的属性数值进行加权计算，生成所述变电站的异常概率。

7.根据权利要求1所述的方法，其特征在于，所述预先训练的转换模型为深度学习模型，基于历史异常指数矩阵和自变量异常概率标签训练得到；

所述转换模型的训练方法包括：

初始化待训练的转换模型的权重参数；

基于待训练的转换模型对所述历史异常指数矩阵进行转换处理，得到预测自变量异常概率，基于所述预测自变量异常概率和自变量异常概率标签生成损失函数，并基于所述损失函数对所述待训练的转换模型中的权重参数进行更新，迭代执行训练过程，直到训练过程满足停止条件，得到所述转换模型。

8.一种异常检测方法装置，其特征在于，包括：

属性获取模块，用于获取变电站中各设备的属性数据，并基于各属性的数据异常范围确定异常属性数据；

异常指数矩阵生成模块，用于基于确定各所述异常属性数据生成所述变电站的异常指数矩阵；

异常指数矩阵转换模块，用于基于预先训练的转换模型对所述异常指数矩阵进行转换处理，得到所述异常指数矩阵对应的自变量异常概率矩阵；

异常概率生成模块，用于基于所述自变量异常概率矩阵中各属性对应的自变量异常概率，以及对应的属性数据生成所述变电站的异常概率。