本發(fā)明涉及電網(wǎng)安全，特別涉及基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測裝置和方法。

背景技術(shù)：

1、現(xiàn)代電力系統(tǒng)的快速發(fā)展使得電力系統(tǒng)的實(shí)際運(yùn)行狀態(tài)充滿了不確定性，給電力系統(tǒng)的穩(wěn)定運(yùn)行帶來了巨大挑戰(zhàn)。

2、首先，電力系統(tǒng)在實(shí)際運(yùn)行過程中可能會遭受到一些干擾，如故障、發(fā)電機(jī)投切等；如果這種干擾使電力系統(tǒng)不能過渡到一個新的平穩(wěn)狀態(tài)，那么電力系統(tǒng)將持續(xù)保持“失穩(wěn)”狀態(tài)，最終導(dǎo)致電力系統(tǒng)全面癱瘓。因此，需要在電力系統(tǒng)受到干擾后，及時并準(zhǔn)確評估出系統(tǒng)的穩(wěn)定性，指導(dǎo)工作人員采取相應(yīng)措施應(yīng)對系統(tǒng)“失穩(wěn)”。

3、其次，為了提高電力系統(tǒng)的運(yùn)行質(zhì)量和可靠性，避免電力系統(tǒng)因收到突發(fā)故障的威脅而導(dǎo)致大面積停電的可能，必須及時處理相關(guān)故障威脅。因此，如何在故障發(fā)生后立即準(zhǔn)確定位、快速清除故障以達(dá)到快速恢復(fù)的目的是至關(guān)重要的。

4、傳統(tǒng)的復(fù)雜電網(wǎng)異常檢測方法通常依賴于大量的已標(biāo)記數(shù)據(jù)，通過監(jiān)督學(xué)習(xí)模型對設(shè)備狀態(tài)進(jìn)行分類。然而，這些方法在實(shí)際應(yīng)用中存在以下幾個顯著的缺點(diǎn)：

5、1.標(biāo)簽稀疏性問題：電網(wǎng)中通常只有一小部分設(shè)備具有已知的標(biāo)簽信息，絕大多數(shù)設(shè)備的狀態(tài)無法被提前標(biāo)記。傳統(tǒng)方法在缺少大量標(biāo)記數(shù)據(jù)的情況下表現(xiàn)不佳，導(dǎo)致對異常設(shè)備的檢測準(zhǔn)確率較低。

6、2.無法充分利用圖結(jié)構(gòu)信息：電網(wǎng)中的設(shè)備通過復(fù)雜的電路相互連接，形成圖結(jié)構(gòu)。然而，傳統(tǒng)檢測方法往往沒有充分利用這種圖結(jié)構(gòu)信息，僅依賴于設(shè)備本身的特征進(jìn)行異常檢測，忽略了設(shè)備間的關(guān)聯(lián)性。因此，它們難以捕捉到電網(wǎng)中的全局信息，降低檢測準(zhǔn)確率。

7、3.模型泛化能力弱：傳統(tǒng)的監(jiān)督學(xué)習(xí)模型通常依賴于特定場景下的數(shù)據(jù)進(jìn)行訓(xùn)練，模型的泛化能力有限。當(dāng)電網(wǎng)的配置或操作條件發(fā)生變化時，模型的性能往往急劇下降，無法在新場景下有效檢測異常，從而降低檢測準(zhǔn)確率。

8、4.計算效率低：面對復(fù)雜電網(wǎng)的大規(guī)模數(shù)據(jù)，傳統(tǒng)的檢測方法往往需要大量的計算資源，且難以在實(shí)時環(huán)境中實(shí)現(xiàn)高效的異常檢測。

9、上述缺點(diǎn)限制了傳統(tǒng)方法在現(xiàn)代復(fù)雜電網(wǎng)異常檢測中的應(yīng)用，尤其是在實(shí)際應(yīng)用場景中無法滿足高效、準(zhǔn)確的需求。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中電網(wǎng)設(shè)備異常檢測準(zhǔn)確性較低的問題，本發(fā)明提出基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測裝置和方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供以下技術(shù)方案：

3、基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測裝置，包括數(shù)據(jù)預(yù)處理模塊、目標(biāo)函數(shù)模塊、存儲模塊和異常檢測模塊；

4、數(shù)據(jù)預(yù)處理模塊，用于從外部電網(wǎng)數(shù)據(jù)采集設(shè)備采集的電網(wǎng)數(shù)據(jù)，對電網(wǎng)數(shù)據(jù)進(jìn)行清洗后，完成關(guān)鍵信息提取，并將關(guān)鍵信息發(fā)送到存儲模塊進(jìn)行存儲；

5、目標(biāo)函數(shù)模塊，用于根據(jù)電網(wǎng)數(shù)據(jù)的關(guān)鍵信息，構(gòu)建目標(biāo)函數(shù)；

6、異常檢測模塊，用于根據(jù)目標(biāo)函數(shù)完成電網(wǎng)數(shù)據(jù)的異常檢測，并生成異常檢測報告存入存儲模塊。

7、優(yōu)選地，所述存儲模塊包括電網(wǎng)數(shù)據(jù)存儲單元和異常存儲單元；電網(wǎng)數(shù)據(jù)存儲單元，用于存儲由數(shù)據(jù)預(yù)處理模塊輸出的關(guān)鍵信息；異常存儲單元，用于存儲異常檢測模塊生成的異常檢測報告，異常檢測包括不同種類的異常。

8、優(yōu)選地，所述異常檢測模塊包括參數(shù)初始化單元、迭代單元和檢測單元；

9、其中，參數(shù)初始化單元，用于參數(shù)初始化電網(wǎng)數(shù)據(jù)異常檢測過程中涉及的過程參數(shù)；

10、迭代單元，用于根據(jù)過程參數(shù)對目標(biāo)函數(shù)進(jìn)行迭代優(yōu)化；

11、迭代結(jié)果輸出單元，用于根據(jù)優(yōu)化后的目標(biāo)函數(shù)輸出精度最高的異常檢測結(jié)果。

12、本發(fā)明還提供基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測方法，具體包括以下步驟：

13、s1：對電網(wǎng)數(shù)據(jù)進(jìn)行清洗后，完成關(guān)鍵信息提取，并將關(guān)鍵信息發(fā)送到存儲模塊進(jìn)行存儲；

14、s2：根據(jù)關(guān)鍵信息，構(gòu)建目標(biāo)函數(shù)；

15、s3：初始化過程參數(shù)，并根據(jù)過程參數(shù)對目標(biāo)函數(shù)進(jìn)行迭代優(yōu)化，輸出異常檢測結(jié)果。

16、優(yōu)選地，所述s1中，清洗包括處理缺失值，重復(fù)數(shù)據(jù)，將數(shù)據(jù)格式標(biāo)準(zhǔn)化；關(guān)鍵信息包括標(biāo)簽信息，鄰接矩陣，特征矩陣。

17、優(yōu)選地，所述s2中，目標(biāo)函數(shù)為：

18、

19、公式(1)中，ε表示構(gòu)建的目標(biāo)函數(shù)；l表示總的損失，λ||θ||2表示正則化項；λ表示正則化系數(shù)，用于控制正則化強(qiáng)度以避免過擬合；θ＝{w，θ1，θ2}表示所有可訓(xùn)練的模型權(quán)重參數(shù)，w表示圖神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣，θ1，θ2分別表示兩個輔助用于重構(gòu)鄰接矩陣，特征矩陣的多層感知機(jī)的可訓(xùn)練參數(shù)；β1、β2、β3表示平衡參數(shù)；λ表示觀察到的標(biāo)簽總數(shù)；vi表示電網(wǎng)數(shù)據(jù)的第i個節(jié)點(diǎn)；yi表示真實(shí)標(biāo)簽；表示預(yù)測標(biāo)簽；xi表示真實(shí)特征；表示重構(gòu)特征；αi表示真實(shí)的圖結(jié)構(gòu)；表示重構(gòu)圖結(jié)構(gòu)；n表示粒子群的規(guī)模。

20、優(yōu)選地，所述s3包括：

21、s3-1：初始化電網(wǎng)數(shù)據(jù)異常檢測過程中涉及的過程參數(shù)；

22、s3-2：使用粒子群優(yōu)化算法對目標(biāo)函數(shù)進(jìn)行迭代優(yōu)化，迭代優(yōu)化包括速度更新和位置更新；

23、s3-3：判斷目標(biāo)函數(shù)是否滿足訓(xùn)練迭代停止條件；若否則繼續(xù)訓(xùn)練；若是則訓(xùn)練停止，返回全局最優(yōu)解，即輸出異常檢測結(jié)果。

24、優(yōu)選地，所述s3-1中，過程參數(shù)包括：

25、過程參數(shù)包括圖神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣w，圖神經(jīng)網(wǎng)絡(luò)偏置項b；粒子群的規(guī)模n；第一加速因子c1；第二加速因子c2；隨機(jī)數(shù)r1、r2，范圍為[0,1]，；搜索空間范圍[h1，h2]；粒子的位置[β2，β3]；每個粒子的個體最優(yōu)解pbest，初始化為粒子當(dāng)前位置；整個粒子群全局最優(yōu)解gbest，初始化為隨機(jī)粒子的初始位置；分散度最大閾值dmax，分散度最小閾值dmin；收斂終止閾值τ；粒子群優(yōu)化優(yōu)化的最大迭代步數(shù)t。

26、優(yōu)選地，所述s3-2中，速度更新公式為：

27、

28、公式(2)中，表示粒子i在t+1代的速度；ω表示慣性權(quán)重，控制粒子速度的慣性；表示粒子i在t代的速度；c1表示第一加速因子、c2表示第二加速因子；r1、r2為隨機(jī)數(shù)，取值范圍為[0,1]；pbest,i表示粒子i的個體最佳位置；gbest,i表示粒子i的全局最佳位置；表示粒子i在t代的位置。

29、優(yōu)選地，所述s3-2中，位置更新為：

30、

31、公式(3)中表示粒子i在t+1代的位置；表示粒子i在t代的位置；表示粒子i在t+1代的速度。

32、綜上所述，由于采用了上述技術(shù)方案，與現(xiàn)有技術(shù)相比，本發(fā)明至少具有以下有益效果：

33、本發(fā)明公開了一種基于自增強(qiáng)的圖神經(jīng)網(wǎng)絡(luò)的檢測電網(wǎng)異常的裝置和方法，其專門作用于電網(wǎng)數(shù)據(jù)，通過引入雙輔助矩陣和粒子群優(yōu)化算法，改進(jìn)了傳統(tǒng)圖神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練過程，使其能夠在標(biāo)簽稀疏條件下提取有效的結(jié)構(gòu)信息，從而提高電網(wǎng)異常檢測的精度。

技術(shù)特征：

1.基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測裝置，其特征在于，包括數(shù)據(jù)預(yù)處理模塊、目標(biāo)函數(shù)模塊、存儲模塊和異常檢測模塊；

2.如權(quán)利要求1所述的基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測裝置，其特征在于，所述存儲模塊包括電網(wǎng)數(shù)據(jù)存儲單元和異常存儲單元；電網(wǎng)數(shù)據(jù)存儲單元，用于存儲由數(shù)據(jù)預(yù)處理模塊輸出的關(guān)鍵信息；異常存儲單元，用于存儲異常檢測模塊生成的異常檢測報告，異常檢測包括不同種類的異常。

3.如權(quán)利要求1所述的基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測裝置，其特征在于，所述異常檢測模塊包括參數(shù)初始化單元、迭代單元和檢測單元；

4.基于權(quán)利要求1-3任一項所述裝置的基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測方法，其特征在于，具體包括以下步驟：

5.如權(quán)利要求4所述的基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測方法，其特征在于，所述s1中，清洗包括處理缺失值，重復(fù)數(shù)據(jù)，將數(shù)據(jù)格式標(biāo)準(zhǔn)化；關(guān)鍵信息包括標(biāo)簽信息，鄰接矩陣，特征矩陣。

6.如權(quán)利要求4所述的基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測方法，其特征在于，所述s2中，目標(biāo)函數(shù)為：

7.如權(quán)利要求4所述的基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測方法，其特征在于，所述s3包括：

8.如權(quán)利要求7所述的基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測方法，其特征在于，所述s3-1中，過程參數(shù)包括：

9.如權(quán)利要求7所述的基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測方法，其特征在于，所述s3-2中，速度更新公式為：

10.如權(quán)利要求7所述的基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測方法，其特征在于，所述s3-2中，位置更新為：

技術(shù)總結(jié)
本發(fā)明公開基于自增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)設(shè)備異常檢測裝置和方法，包括數(shù)據(jù)預(yù)處理模塊、目標(biāo)函數(shù)模塊、存儲模塊和異常檢測模塊；數(shù)據(jù)預(yù)處理模塊，用于從外部電網(wǎng)數(shù)據(jù)采集設(shè)備采集的電網(wǎng)數(shù)據(jù)，對電網(wǎng)數(shù)據(jù)進(jìn)行清洗后，完成關(guān)鍵信息提取，并將關(guān)鍵信息發(fā)送到存儲模塊進(jìn)行存儲；目標(biāo)函數(shù)模塊，用于根據(jù)電網(wǎng)數(shù)據(jù)的關(guān)鍵信息，構(gòu)建目標(biāo)函數(shù)；異常檢測模塊，用于根據(jù)目標(biāo)函數(shù)完成電網(wǎng)數(shù)據(jù)的異常檢測，并生成異常檢測報告存入存儲模塊。

技術(shù)研發(fā)人員：楊大堂,袁野,羅辛
受保護(hù)的技術(shù)使用者：西南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15