【技术实现步骤摘要】
本专利技术涉及电网数据检测的，尤其涉及一种基于张量的电力网络流量数据异常检测方法及系统。
技术介绍
1、在新型电力网络中，为了实现对网络状况的有效监测，需要实时采集电力网络中的网络流量信息，这些信息被表征为网络中通信链路起点和终点(origin-destination，od)对之间传输的数据量。通过对网络流量信息的分析研判，可以有效应对网络拥塞、网络攻击、安全漏洞以及数据丢失等问题。然而，在开放网络环境下，基于od对之间获取的流量数据，往往容易受到攻击或者干扰，导致数据本身的可信性和完整性遭到破坏，无法准确的反映网络的实际运行状态，进而对电力数据分析尤其是电网运行安全和稳定造成恶劣影响。
2、现有的针对电网异常业务数据检测可以分为两种基本类型，即基于传统技术的异常数据检测和基于机器学习的异常数据检测，基于传统技术的异常检测，往往需要结合电网数据特征进行统计分析，其检测性能无法适用于新型电力网络中数据多源、异构等特性。基于人工智能的检测方法，能够通过学习和模型训练，准确的发现异常数据，但检测性能的前提是必须有海量数据集作为训练样本，并且学习和训练的运算开销较高。因此，亟需行之有效的技术手段用以实现流量数据中异常行为的准确检测和定位。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本
2、鉴于上述现有存在的问题，提出了本专利技术。
3、因此，本专利技术提供了一种基于张量的电力网络流量数据异常检测方法及系统解决
技术介绍
中提到的问题。
4、为解决上述技术问题，本专利技术提供如下技术方案：
5、第一方面，本专利技术实施例提供了一种基于张量的电力网络流量数据异常检测方法，包括：获取目标区域的电力网络流量数据集合，基于所述电力网络流量数据在不同维度的结构特征构建三维张量；
6、对所述电力网络流量数据的张量进行约束，并构建电力网络流量数据异常检测模型；
7、基于所述电力网络流量数据异常检测模型，进行电力网络流量数据的异常检测。
8、作为本专利技术所述的基于张量的电力网络流量数据异常检测方法的一种优选方案，其中：基于所述电力网络流量数据在不同维度的结构特征构建三维张量，包括：所述电力网络流量数据包括具有低秩特性的正常数据和具有结构稀疏特性的异常数据；所述维度包括日期维度、时间维度以及空间维度，三维张量表示为：
9、
10、其中，为电力网络流量数据的日期维度，同时每天分为个时间维度，为对应的空间维度，若目标区域内共有n个节点，则会产生n×n个od对，的第i1，i2，i3个元素等于表示第i3个od对在第i1天的i2时间段内采集到的流量数据。
11、作为本专利技术所述的基于张量的电力网络流量数据异常检测方法的一种优选方案，其中：对所述电力网络流量数据的张量进行约束，并构建电力网络流量数据异常检测模型，包括：采用张量分解以及l2,1范数对目标区域电力网络中正常数据对应的正常张量和异常数据对应的异常张量进行约束，构建的电力网络流量数据异常检测模型表示为：
12、
13、
14、其中，为异常检测的正常张量，为异常检测的目标张量，λ是可调参数，用于均衡l2,1范数和lf范数。
15、作为本专利技术所述的基于张量的电力网络流量数据异常检测方法的一种优选方案，其中：基于所述电力网络流量数据异常检测模型，进行电力网络流量数据的异常检测包括：利用近端前后向分裂算法求解所述电力网络流量数据异常检测模型中函数的最小化解作为异常张量的检测结果；
16、定义异常检测的输入张量基于所述异常数据的结构特征进行优化表示为：
17、
18、其中，为沿第三维展开的切片矩阵，为第三维异常检测的输入张量，为矩阵优化值；
19、定义函数在的次微分表示为：
20、
21、其中，且||y||f≤λ。
22、作为本专利技术所述的基于张量的电力网络流量数据异常检测方法的一种优选方案，其中：还包括：
23、令函数在的次微分表示为：
24、
25、当时，令为0；
26、当时，
27、每一轮迭代异常张量的正面切片表示为：
28、
29、作为本专利技术所述的基于张量的电力网络流量数据异常检测方法的一种优选方案，其中：还包括：若两次迭代结果相差小于迭代结束的门限值，则迭代结果收敛，设定异常点检测门限值以及异常od对检测比例门限值；
30、当异常张量中的元素大于异常点检测门限值时，则判定所述元素为异常数据，否则判定所述元素为正常数据；
31、当任一od对中的异常点比例大于异常od对检测比例门限值，则判定所述od对为异常od对，否则判定所述od对为正常od对；
32、若两次迭代结果相差不小于迭代结束的门限值，则基于电力网络流量数据异常检测模型，利用张量分解的hosvd算法，对剩余数据进行tucker分解，优化异常检测结果。
33、作为本专利技术所述的基于张量的电力网络流量数据异常检测方法的一种优选方案，其中：利用张量分解的hosvd算法，对剩余数据进行tucker分解，优化异常检测结果包括：
34、定义输入张量将进行三维展开分别得到p(1)、p(2)、p(3)，通过svd算法分别对p(1)、p(2)、p(3)进行分解获得p(1)、p(2)、p(3)的奇异值矩阵并进行截断；
35、分别保留前r1、r2、r3个奇异值，使得前r1、r2、r3个奇异值总和为所有奇异值总和的第一占比；设定因子矩阵u、v、w分别为前r1、r2、r3列左奇异值矩阵；
36、计算核心张量表示为：
37、
38、其中，×1、×2、×3分别为沿第一维、第二维、第三维进行模积运算，t为矩阵的转置运算；
39、计算重构张量表示为：
40、
41、基于重构张量计算结果，优化异常检测结果。
42、第二方面，本专利技术提供了一种基于张量的电力网络流量数据异常检测系统，包括：
43、数据获取模块，用于获取目标区域的电力网络流量数据集合，基于所述电力网络流量数据在不同维度的结构特征构建三维张量；
44、模型构建模块，用于对所述电力网络流量数据的张量进行约束，并构建电力网络流量数据异常检测模型；
45、检测模块，用于基于所述电力网络流量数据异常检测模型，进行电力网络流量数据的异常检测。
46、第三方面，本专利技术提供了一种计算设备，包括：
47、存储器和处理器；
48、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指本文档来自技高网...
【技术保护点】
1.一种基于张量的电力网络流量数据异常检测方法，其特征在于，包括：
2.如权利要求1所述的基于张量的电力网络流量数据异常检测方法，其特征在于，基于所述电力网络流量数据在不同维度的结构特征构建三维张量，包括：所述电力网络流量数据包括具有低秩特性的正常数据和具有结构稀疏特性的异常数据；所述维度包括日期维度、时间维度以及空间维度，三维张量表示为：
3.如权利要求2所述的基于张量的电力网络流量数据异常检测方法，其特征在于，对所述电力网络流量数据的张量进行约束，并构建电力网络流量数据异常检测模型，包括：采用张量分解以及L2,1范数对目标区域电力网络中正常数据对应的正常张量和异常数据对应的异常张量进行约束，构建的电力网络流量数据异常检测模型表示为：
4.如权利要求3所述的基于张量的电力网络流量数据异常检测方法，其特征在于，基于所述电力网络流量数据异常检测模型，进行电力网络流量数据的异常检测包括：利用近端前后向分裂算法求解所述电力网络流量数据异常检测模型中函数的最小化解作为异常张量的检测结果；
5.如权利要求4所述的基于张量的电力网络流量数据异常
6.如权利要求5所述的基于张量的电力网络流量数据异常检测方法，其特征在于，还包括：若两次迭代结果相差小于迭代结束的门限值，则迭代结果收敛，设定异常点检测门限值以及异常OD对检测比例门限值；
7.如权利要求6所述的基于张量的电力网络流量数据异常检测方法，其特征在于，利用张量分解的HOSVD算法，对剩余数据进行Tucker分解，优化异常检测结果包括：
8.一种基于张量的电力网络流量数据异常检测系统，其特征在于，包括：
9.一种电子设备，包括：
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于张量的电力网络流量数据异常检测方法的步骤。
...【技术特征摘要】
1.一种基于张量的电力网络流量数据异常检测方法，其特征在于，包括：
2.如权利要求1所述的基于张量的电力网络流量数据异常检测方法，其特征在于，基于所述电力网络流量数据在不同维度的结构特征构建三维张量，包括：所述电力网络流量数据包括具有低秩特性的正常数据和具有结构稀疏特性的异常数据；所述维度包括日期维度、时间维度以及空间维度，三维张量表示为：
3.如权利要求2所述的基于张量的电力网络流量数据异常检测方法，其特征在于，对所述电力网络流量数据的张量进行约束，并构建电力网络流量数据异常检测模型，包括：采用张量分解以及l2,1范数对目标区域电力网络中正常数据对应的正常张量和异常数据对应的异常张量进行约束，构建的电力网络流量数据异常检测模型表示为：
4.如权利要求3所述的基于张量的电力网络流量数据异常检测方法，其特征在于，基于所述电力网络流量数据异常检测模型，进行电力网络流量数据的异常检测包括：利用近端前后向分裂...
【专利技术属性】
技术研发人员：李东洋，马伟哲，孙宝华，金倩倩，李威，李冲，张富翔，孙俊伟，吴赫，张磊，孙海波，张滔，
申请(专利权)人：国网辽宁省电力有限公司信息通信分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。