开云优惠体育网页版入口

专利名称：一种农村电网供电故障异常检测方法

专利类型：发明专利

专利申请号：CN202410233619.0

专利申请（专利权）人：国网黑龙江省电力有限公司佳木斯供电公司,国家电网有限公司
权利人地址：黑龙江省佳木斯市前进区保卫路151号

专利发明（设计）人：王琢,李双厚,徐毓皓,安旭,孙李坚,徐菲,李雪楠,丁超,李扬,牛特,王培峰,许鑫

专利摘要：本发明涉及大数据资源服务技术领域，具体涉及一种农村电网供电故障异常检测方法。该方法包括：获取输出电压数据，确定每个输出电压数据的初始显著度；根据初始显著度进行聚类，得到聚类簇，根据聚类簇中输出电压数据的初始显著度的差异、数值和初始显著度的分布，确定相关指标；根据相关指标对所有聚类簇进行合并，得到目标簇，根据目标簇中所有输出电压数据的确定目标显著度；根据目标显著度确定异常判断阈值，根据异常判断阈值对不同区域电网供电的输出电压数据进行异常检测，确定异常电压数据。本发明能够降低电网线路损耗的误差对实际异常检测的影响，使得异常检测效果更优、准确性更强，增强异常检测的客观性与可靠性。

主权利要求：
1.一种农村电网供电故障异常检测方法，其特征在于，所述方法包括：
周期性获取不同区域电网供电的输出电压数据，根据每个输出电压数据的数值和输出电压数据在预设邻域范围内与其他输出电压数据的差异，确定每个输出电压数据的初始显著度；
根据每个输出电压数据的初始显著度对所有输出电压数据进行聚类，得到预设数量个聚类簇，根据任意两个聚类簇中所有输出电压数据的初始显著度的差异，确定对应两个聚类簇的第一关联程度，根据任意两个聚类簇中所有输出电压数据的数值和初始显著度的分布，确定对应两个聚类簇的第二关联程度，根据任意两个聚类簇的第一关联程度和第二关联程度确定相关指标；
根据所述相关指标对所有聚类簇进行合并，得到目标簇，根据所述目标簇中所有输出电压数据的数值，对所述目标簇中每一输出电压数据的初始显著度进行数值修正，得到目标显著度；
根据所有输出电压数据的所述目标显著度，确定异常判断阈值，根据所述异常判断阈值对不同区域电网供电的输出电压数据进行异常检测，确定异常电压数据；
所述根据所述目标簇中所有输出电压数据的数值，对所述目标簇中每一输出电压数据的初始显著度进行数值修正，得到目标显著度，包括：将所述目标簇中所有输出电压数据的均值作为目标均值，将所述目标簇中任一输出电压数据与目标均值的差值绝对值作为对应输出电压数据的电压值修正差异；
获取所述目标簇中所有输出电压数据的极大值与极小值；
计算所述目标簇中任一输出电压数据与极大值的差值绝对值，得到极大差异；计算所述目标簇中任一输出电压数据与极小值的差值绝对值，得到极小差异；将所述极大差异和所述极小差异的差值绝对值作为极值差异；
计算所述电压值修正差异和所述极值差异的乘积，归一化得到显著性权重；
将每一输出电压数据的所述显著性权重与对应的初始显著度的乘积作为目标显著度。
2.如权利要求1所述的一种农村电网供电故障异常检测方法，其特征在于，所述根据每个输出电压数据的数值和输出电压数据在预设邻域范围内与其他输出电压数据的差异，确定每个输出电压数据的初始显著度，包括：计算所有输出电压数据的均值作为输出电压均值，任选一个输出电压数据作为待测数据，将所述待测数据与所述输出电压均值的差值绝对值归一化处理得到所述待测数据的第一显著性影响指标；
将距离所述待测数据所对应区域最近的预设数量个其他区域作为相邻区域，计算所述待测数据所处区域与所有所述相邻区域输出电压数据的差值绝对值的均值，归一化处理得到所述待测数据的第二显著性影响指标；
将所有相邻区域的输出电压数据的方差作为所述待测数据的第三显著性影响指标；
根据所述第一显著性影响指标、所述第二显著性影响指标和所述第三显著性影响指标，确定所述待测数据的初始显著度，更新待测数据，得到每一输出电压数据的初始显著度，其中，所述第一显著性影响指标、所述第二显著性影响指标和所述第三显著性影响指标均与所述待测数据的初始显著度呈正相关关系，所述初始显著度的取值范围为归一化后的数值。
3.如权利要求1所述的一种农村电网供电故障异常检测方法，其特征在于，所述根据每个输出电压数据的初始显著度对所有输出电压数据进行聚类，得到预设数量个聚类簇，包括：以输出电压数据的数值为横轴，所述初始显著度纵轴构建二维坐标系，确定所有区域的输出电压数据在所述二维坐标系中的数据点；
将所述预设数量作为k值，使用k?means聚类算法对所有所述数据点进行聚类，得到预设数量个聚类簇。
4.如权利要求1所述的一种农村电网供电故障异常检测方法，其特征在于，所述根据任意两个聚类簇中所有输出电压数据的初始显著度的差异，确定对应两个聚类簇的第一关联程度，包括：计算每个聚类簇中所有输出电压数据的初始显著度的均值，得到簇显著性均值；
将两个聚类簇的簇显著性均值的差值绝对值进行负相关映射得到对应两个聚类簇的第一关联程度。
5.如权利要求1所述的一种农村电网供电故障异常检测方法，其特征在于，所述根据任意两个聚类簇中所有输出电压数据的数值和初始显著度的分布，确定对应两个聚类簇的第二关联程度，包括：将每个聚类簇的所有输出电压数据的均值作为簇电压均值；将每个聚类簇中所有输出电压数据的初始显著度的方差作为簇显著性方差；
计算同一聚类簇的簇电压均值和簇显著性方差的乘积得到对应聚类簇的簇分布指标；
将两个聚类簇的簇分布指标的差值绝对值负相关映射，得到对应两个聚类簇的第二关联程度。
6.如权利要求1所述的一种农村电网供电故障异常检测方法，其特征在于，两个聚类簇的所述第一关联程度和所述第二关联程度均与对应两个聚类簇的相关指标呈正相关关系，所述相关指标的取值为归一化后的数值。
7.如权利要求1所述的一种农村电网供电故障异常检测方法，其特征在于，所述根据所述相关指标对所有聚类簇进行合并，得到目标簇，包括：将所述相关指标大于预设相关阈值的聚类簇进行合并，得到目标簇。
8.如权利要求1所述的一种农村电网供电故障异常检测方法，其特征在于，所述根据所有输出电压数据的所述目标显著度，确定异常判断阈值，包括：计算所有目标显著度的均值作为异常判断阈值。
9.如权利要求1所述的一种农村电网供电故障异常检测方法，其特征在于，所述根据所述异常判断阈值对不同区域电网供电的输出电压数据进行异常检测，确定异常电压数据，包括：将所述目标显著度大于所述异常判断阈值的输出电压数据作为异常电压数据。 说明书 : 一种农村电网供电故障异常检测方法技术领域[0001] 本发明涉及大数据资源服务技术领域，具体涉及一种农村电网供电故障异常检测方法。背景技术[0002] 农村地区的电力供应对于居民、农业和其他生产活动至关重要。供电不稳定或故障异常可能导致生产中断、设备损坏以及生活不便。农村电网的特殊环境包括较长的输电距离、分布不均匀的用户、设备老化等因素，这使得故障检测方法需要考虑更多复杂的情况，使得农村地区电力大数据的分析受多种环境影响。[0003] 相关技术中直接根据电压数值的大小进行异常的检测，但实际上并未考虑到较长的输电距离所产生的电路损耗和农村地区的电路分布等误差影响，使得异常检测效果较差、异常分析准确性较低，异常检测的客观性与可靠性不足。发明内容[0004] 为了解决相关技术中并未考虑到较长的输电距离所产生的电路损耗和农村地区的电路分布等误差影响，使得异常检测效果较差、异常分析准确性较低，异常检测的客观性与可靠性不足的技术问题，本发明提供一种农村电网供电故障异常检测方法，所采用的技术方案具体如下：[0005] 本发明提出了一种农村电网供电故障异常检测方法，方法包括：[0006] 周期性获取不同区域电网供电的输出电压数据，根据每个输出电压数据的数值和输出电压数据在预设邻域范围内其他输出电压数据的差异，确定每个输出电压数据的初始显著度；[0007] 根据每个输出电压数据的初始显著度对所有输出电压数据进行聚类，得到预设数量个聚类簇，根据任意两个聚类簇中所有输出电压数据的初始显著度的差异，确定对应两个聚类簇的第一关联程度，根据任意两个聚类簇中所有输出电压数据的数值和初始显著度的分布，确定对应两个聚类簇的第二关联程度，根据任意两个聚类簇的第一关联程度和第二关联程度确定相关指标；[0008] 根据所述相关指标对所有聚类簇进行合并，得到目标簇，根据所述目标簇中所有输出电压数据的数值，对所述目标簇中每一输出电压数据的初始显著度进行数值修正，得到目标显著度；[0009] 根据所有输出电压数据的所述目标显著度，确定异常判断阈值，根据所述异常判断阈值对不同区域电网供电的输出电压数据进行异常检测，确定异常电压数据。[0010] 进一步地，所述根据每个输出电压数据的数值和输出电压数据在预设邻域范围内其他输出电压数据的差异，确定每个输出电压数据的初始显著度，包括：[0011] 计算所有输出电压数据的均值作为输出电压均值，任选一个输出电压数据作为待测数据，将所述待测数据与所述输出电压均值的差值绝对值归一化处理得到所述待测数据的第一显著性影响指标；[0012] 将距离所述待测数据所对应区域最近的预设数量个其他区域作为相邻区域，计算所述待测数据所处区域与所有所述相邻区域输出电压数据的差值绝对值的均值，归一化处理得到所述待测数据的第二显著性影响指标；[0013] 将所有相邻区域的输出电压数据的方差作为所述待测数据的第三显著性影响指标；[0014] 根据所述第一显著性影响指标、所述第二显著性影响指标和所述第三显著性影响指标，确定所述待测数据的初始显著度，更新待测数据，得到每一输出电压数据的初始显著度，其中，所述第一显著性影响指标、所述第二显著性影响指标和所述第三显著性影响指标均与所述待测数据的初始显著度呈正相关关系，所述初始显著度的取值范围为归一化后的数值。[0015] 进一步地，所述根据每个输出电压数据的初始显著度对所有输出电压数据进行聚类，得到预设数量个聚类簇，包括：[0016] 以输出电压数据的数值为横轴，所述初始显著度纵轴构建二维坐标系，确定所有区域的输出电压数据在所述二维坐标系中的数据点；[0017] 将所述预设数量作为k值，使用k?means聚类算法对所有所述数据点进行聚类，得到预设数量个聚类簇。[0018] 进一步地，所述根据任意两个聚类簇中所有输出电压数据的初始显著度的差异，确定对应两个聚类簇的第一关联程度，包括：[0019] 计算每个聚类簇中所有输出电压数据的初始显著度的均值，得到簇显著性均值；[0020] 将两个聚类簇的簇显著性均值的差值绝对值进行负相关映射得到对应两个聚类簇的第一关联程度。[0021] 进一步地，所述根据任意两个聚类簇中所有输出电压数据的数值和初始显著度的分布，确定对应两个聚类簇的第二关联程度，包括：[0022] 将每个聚类簇的所有输出电压数据的均值作为簇电压均值；将每个聚类簇中所有输出电压数据的初始显著度的方差作为簇显著性方差；[0023] 计算同一聚类簇的簇电压均值和簇显著性方差的乘积得到对应聚类簇的簇分布指标；[0024] 将两个聚类簇的簇分布指标的差值绝对值负相关映射，得到对应两个聚类簇的第二关联程度。[0025] 进一步地，两个聚类簇的所述第一关联程度和所述第二关联程度均与对应两个聚类簇的相关指标呈正相关关系，所述相关指标的取值为归一化后的数值。[0026] 进一步地，所述根据所述相关指标对所有聚类簇进行合并，得到目标簇，包括：[0027] 将所述相关指标大于预设相关阈值的聚类簇进行合并，得到目标簇。[0028] 进一步地，所述根据所述目标簇中所有输出电压数据的数值，对所述目标簇中每一输出电压数据的初始显著度进行数值修正，得到目标显著度，包括：[0029] 将所述目标簇中所有输出电压数据的均值作为目标均值，将所述目标簇中任一输出电压数据与目标均值的差值绝对值作为对应输出电压数据的电压值修正差异；[0030] 获取所述目标簇中所有输出电压数据的极大值与极小值；[0031] 计算所述目标簇中任一输出电压数据与极大值的差值绝对值，得到极大差异；计算所述目标簇中任一输出电压数据与极小值的差值绝对值，得到极小差异；将所述极大差异和所述极小差异的差值绝对值作为极值差异；[0032] 计算所述电压值修正差异和所述极值差异的乘积，归一化得到显著性权重；[0033] 将每一输出电压数据的所述显著性权重与对应的初始显著度的乘积作为目标显著度。[0034] 进一步地，所述根据所有输出电压数据的所述目标显著度，确定异常判断阈值，包括：[0035] 计算所有目标显著度的均值作为异常判断阈值。[0036] 进一步地，所述根据所述异常判断阈值对不同区域电网供电的输出电压数据进行异常检测，确定异常电压数据，包括：[0037] 将所述目标显著度大于所述异常判断阈值的输出电压数据作为异常电压数据。[0038] 本发明具有如下有益效果：[0039] 本发明实施例通过每个输出电压数据的数值和输出电压数据在预设邻域范围内其他输出电压数据的差异，确定每个输出电压数据的初始显著度，初始显著度表征输出电压数据本身的数值差异，其数值差异并未考虑传输时的线路损耗的正常情况，进而需要进行分类分析，通过聚类的方式进行分类，而后，基于初始显著度的差异，确定两个聚类簇的第一关联程度，基于输出电压数据的数值和初始显著度的分布的差异确定第二关联程度，结合第一关联程度和第二关联程度确定相关指标，相关指标即表征聚类簇的相似程度，结合相关指标对所有聚类簇进行合并，从而得到更为符合当前实际电压分布的目标簇，根据目标簇内输出电压数据的数值的分布和初始显著度，从而得到目标显著度，目标显著度也即结合输出电压数据本身的数值异常、局部地区范围内输出电压数据的数值分布和输出电压数据的显著效果所确定的显著度值，目标显著度具有更高的客观效果，能够根据所有输出电压数据的目标显著度对不同区域电网供电的输出电压数据进行异常检测，降低电网线路损耗的误差和农村地区的电路分布对实际异常检测的影响，使得异常检测效果更优、准确性更强，增强异常检测的客观性与可靠性。附图说明[0040] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它附图。[0041] 图1为本发明一个实施例所提供的一种农村电网供电故障异常检测方法流程图。具体实施方式[0042] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种农村电网供电故障异常检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。[0043] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。[0044] 下面结合附图具体的说明本发明所提供的一种农村电网供电故障异常检测方法的具体方案。[0045] 请参阅图1，其示出了本发明一个实施例提供的一种农村电网供电故障异常检测方法流程图，该方法包括：[0046] S101：周期性获取不同区域电网供电的输出电压数据，根据每个输出电压数据的数值和输出电压数据在预设邻域范围内其他输出电压数据的差异，确定每个输出电压数据的初始显著度。[0047] 本发明的一种具体实现场景为，通过获取不同农村区域电网供电时的输出电压，对电网供电的异常情况进行分析，需要说明的是，相较于城市地区，农村地区不同村庄与村庄之间距离较远，而电能在传输过程中的损耗也较大，会导致电压出现波动，在农村地区的用电传输时，电压波动属于正常现象，由此在进行异常检测时需要结合电压波动的情况，避免错误的异常分析。[0048] 需要说明的是，农村地区电网供电数据由于设计多处输出点，其对应的采集频率较快，因此数据量级别较大，也即输出电压数据通常为百万级别的大数据信息，则可以使用大数据分析的方式对输出电压数据进行分析。[0049] 本发明实施例中，输出电压数据的获取周期可以具体例如为0.5秒，也即0.5秒获取一次不同区域的输出电压数据，需要说明的是，本发明由于适用于不同农村地区，但相同农村地区可能由于电网管辖分配的原因，会使用多个不同的输电线路，由此，本发明实施例的区域指代使用相同输电线路的区域，以便于后续电压的分析。[0050] 进一步地，在本发明的一些实施例中，根据每个输出电压数据的数值和输出电压数据在预设邻域范围内其他输出电压数据的差异，确定每个输出电压数据的初始显著度，包括：计算所有输出电压数据的均值作为输出电压均值，任选一个输出电压数据作为待测数据，将待测数据与输出电压均值的差值绝对值归一化处理得到待测数据的第一显著性影响指标；将距离待测数据所对应区域最近的预设数量个其他区域作为相邻区域，计算待测数据所处区域与所有相邻区域输出电压数据的差值绝对值的均值，归一化处理得到待测数据的第二显著性影响指标；将所有相邻区域的输出电压数据的方差作为待测数据的第三显著性影响指标；根据第一显著性影响指标、第二显著性影响指标和第三显著性影响指标，确定待测数据的初始显著度，更新待测数据，得到每一输出电压数据的初始显著度，其中，第一显著性影响指标、第二显著性影响指标和第三显著性影响指标均与待测数据的初始显著度呈正相关关系，初始显著度的取值范围为归一化后的数值。[0051] 本发明实施例中，所有输出电压数据的均值表征对应所有区域的平均水平，也即该值能够有效表征正常的输出电压的数值，由此，与输出电压均值相差较大的输出电压数据，其对应的异常概率越大，第一显著性影响指标越大，由此，其显著性越强。[0052] 本发明实施例中，由于农村地区相距较远，其电网分布的区域产生的损耗较大，由此，在异常计算过程中，可以根据对应局部范围内的其他区域的输出电压数据进行分析，其中，预设邻域范围，可以具体例如为直径5km的圆形区域范围，或者，也可以根据实际的农村电网区域分布进行划分，对此不做限制。将该范围内的其他区域作为相邻区域，而后，计算得到第二显著性影响指标，第二显著性指标越大，表征待测数据在实际空间分布越异常。[0053] 本发明实施例中，所有相邻区域的输出电压数据的方差表征对应预设邻域范围内所有电压的波动情况，该数值越大，表征在预设邻域范围内的电压波动越异常，由此，第三显著性影响指标越大，待测数据所对应局部空间范围内的整体输出电压数据的数值分布越异常，待测数据本身的异常可能性越大。[0054] 其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减。咛骞叵悼梢晕喑斯叵、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减。虮淞炕崴孀抛员淞康募跣《龃，可以为相减关系、相除关系等，由实际应用进行确定。[0055] 在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。[0056] 结合上述内容，可以计算第一显著性影响指标、第二显著性影响指标和第三显著性影响指标的乘积的归一化值作为初始显著度。本发明实施例中，初始显著度表征了对应的输出电压数据的异常程度，在输出电压数据越大或者越小时，其对应的初始显著度均会较大。[0057] S102：根据每个输出电压数据的初始显著度对所有输出电压数据进行聚类，得到预设数量个聚类簇，根据任意两个聚类簇中所有输出电压数据的初始显著度的差异，确定对应两个聚类簇的第一关联程度，根据任意两个聚类簇中所有输出电压数据的数值和初始显著度的分布，确定对应两个聚类簇的第二关联程度，根据任意两个聚类簇的第一关联程度和第二关联程度确定相关指标。[0058] 本发明实施例中，初始显著度表征了对应的输出电压数据异常程度，由此，可以根据初始显著度进行聚类分析。[0059] 进一步地，在本发明的一些实施例中，根据每个输出电压数据的初始显著度对所有输出电压数据进行聚类，得到预设数量个聚类簇，包括：以输出电压数据的数值为横轴，初始显著度纵轴构建二维坐标系，确定所有区域的输出电压数据在二维坐标系中的数据点；将预设数量作为k值，使用k?means聚类算法对所有数据点进行聚类，得到预设数量个聚类簇。[0060] 其中，预设数量，为聚类所得到的数量，本发明的预设数量可以具体例如为5，也即将所有输出电压数据划分为5个聚类簇。需要说明的是，由于k?means聚类算法为本领域技术人员所熟知的密度聚类算法，由此，通过密度聚类可以确定异常程度较大的聚类簇。[0061] 进一步地，在本发明的一些实施例中，根据任意两个聚类簇中所有输出电压数据的初始显著度的差异，确定对应两个聚类簇的第一关联程度，包括：计算每个聚类簇中所有输出电压数据的初始显著度的均值，得到簇显著性均值；将两个聚类簇的簇显著性均值的差值绝对值进行负相关映射得到对应两个聚类簇的第一关联程度。[0062] 本发明实施例中，簇显著性均值表征了每个聚类簇的显著性的整体水平，两个聚类簇的簇显著性均值差异越大，则对应两个聚类簇的关联性越。纱，本发明对两个聚类簇的簇显著性均值的差值绝对值进行负相关映射，得到第一关联程度。[0063] 其中，负相关映射，可以具体例如为两个聚类簇的簇显著性均值的差值绝对值的倒数，或者求负数并归一化，得到第一关联程度，也即两个聚类簇的簇显著性均值的差值绝对值越大，对应的第一关联程度越小。[0064] 进一步地，在本发明的一些实施例中，根据任意两个聚类簇中所有输出电压数据的数值和初始显著度的分布，确定对应两个聚类簇的第二关联程度，包括：将每个聚类簇的所有输出电压数据的均值作为簇电压均值；将每个聚类簇中所有输出电压数据的初始显著度的方差作为簇显著性方差；计算同一聚类簇的簇电压均值和簇显著性方差的乘积得到对应聚类簇的簇分布指标；将两个聚类簇的簇分布指标的差值绝对值负相关映射，得到对应两个聚类簇的第二关联程度。[0065] 本发明实施例中，簇电压均值表征聚类簇内输出电压数据的整体水平，而簇显著性方差表征初始显著度的分布波动，由此，计算得到的聚类簇的簇分布指标，能够结合输出电压数据的数值特征和初始显著度的波动特征，进而在两个聚类簇的簇分布指标的差值绝对值负相关映射，能够进一步表征对应的两个聚类簇的关联程度，其差值绝对值越。杂Φ墓亓栽酱。[0066] 其中，两个聚类簇的第一关联程度和第二关联程度均与对应两个聚类簇的相关指标呈正相关关系，相关指标的取值为归一化后的数值。[0067] 本发明实施例中，可以计算两个聚类簇的第一关联程度和第二关联程度的乘积，归一化得到相关指标，或者，也可以计算两个聚类簇的第一关联程度和第二关联程度的和值，归一化得到相关指标，对此不做限制。[0068] 相关指标表征两个聚类簇的相关程度，也即在初始显著度不在同一个聚类簇时，可以通过相关程度对两个聚类簇的特征进行分析。[0069] S103：根据相关指标对所有聚类簇进行合并，得到目标簇，根据目标簇中所有输出电压数据的数值，对目标簇中每一输出电压数据的初始显著度进行数值修正，得到目标显著度。[0070] 需要说明的是，由于不同区域的分布不同，因此，通过预设数量个聚类簇进行分簇分析的客观性较低，无法有效表征电网分布的实际特征，由此，本发明对聚类簇进行合并处理，从而更符合实际的电网区域特征。[0071] 进一步地，在本发明的一些实施例中，根据相关指标对所有聚类簇进行合并，得到目标簇，包括：将相关指标大于预设相关阈值的聚类簇进行合并，得到目标簇。[0072] 其中，预设相关阈值，为相关指标的门限值，本发明实施例的预设相关阈值可以具体例如为0.8，也即是说，将相关指标大于0.8的聚类簇进行合并，得到目标簇，由此，遍历所有聚类簇进行合并，得到至少一个目标簇。[0073] 本发明实施例中，在确定目标簇之后，可以对目标簇内的电网分布特征进行分析。[0074] 进一步地，在本发明的一些实施例中，根据目标簇中所有输出电压数据的数值，对目标簇中每一输出电压数据的初始显著度进行数值修正，得到目标显著度，包括：将目标簇中所有输出电压数据的均值作为目标均值，将目标簇中任一输出电压数据与目标均值的差值绝对值作为对应输出电压数据的电压值修正差异；获取目标簇中所有输出电压数据的极大值与极小值；计算目标簇中任一输出电压数据与极大值的差值绝对值，得到极大差异；计算目标簇中任一输出电压数据与极小值的差值绝对值，得到极小差异；将极大差异和极小差异的差值绝对值作为极值差异；计算电压值修正差异和极值差异的乘积，归一化得到显著性权重；将每一输出电压数据的显著性权重与对应的初始显著度的乘积作为目标显著度。[0075] 本发明实施例中，通过计算目标簇中每一输出电压数据的电压值修正差异，从而确定该输出电压数据在目标簇中的差异特征，也即任一输出电压数据与目标簇的整体数值的差异，电压值修正差异能够表征输出电压数据与目标簇的整体数值的差异，电压值修正差异越大，表征对应输出电压数据在目标簇内越异常。[0076] 本发明实施例中，实际的输出电压数据还可能具有一定的偏向性，将该偏向性的特征进行分析，也即计算极大差异和极小差异的差值绝对值，得到极值差异，极值差异越大，表征越偏向于某一极值，则对应的异常程度越大。[0077] 由此，本发明实施例计算电压值修正差异和极值差异的乘积，归一化得到显著性权重，也即显著性权重数值越大，对应的输出电压数据越异常。[0078] 本发明实施例基于显著性权重进行初始显著度的加权分析，将每一输出电压数据的显著性权重与对应的初始显著度的乘积作为目标显著度，则目标显著度不仅结合了实际的地区电压数据波动，还结合了相似的其他区域的电压波动情况，进而避免了正常的输出损耗影响，提升目标显著度的客观性。[0079] S104：根据所有输出电压数据的目标显著度，确定异常判断阈值，根据异常判断阈值对不同区域电网供电的输出电压数据进行异常检测，确定异常电压数据。[0080] 本发明实施例在确定目标显著度之后，可以根据目标显著度进行异常判断。[0081] 进一步地，在本发明的一些实施例中，根据所有输出电压数据的目标显著度，确定异常判断阈值，包括：计算所有目标显著度的均值作为异常判断阈值。[0082] 本发明实施例中，可以计算所有目标显著度的均值作为异常判断阈值，或者，在本发明的另一些实施例中，也可以将目标显著度按照由大到小的顺序进行排序，将前10%位置处的目标显著度作为异常判断阈值，对此不做限制。[0083] 进一步地，在本发明的一些实施例中，根据异常判断阈值对不同区域电网供电的输出电压数据进行异常检测，确定异常电压数据，包括：将目标显著度大于异常判断阈值的输出电压数据作为异常电压数据。[0084] 本发明实施例中，在输出电压数据的目标显著度大于异常判断阈值时，将对应输出电压数据作为异常电压数据，否则，将其作为正常的电压数据，由此，实现异常检测。[0085] 本发明实施例通过每个输出电压数据的数值和输出电压数据在预设邻域范围内其他输出电压数据的差异，确定每个输出电压数据的初始显著度，初始显著度表征输出电压数据本身的数值差异，其数值差异并未考虑传输时的线路损耗的正常情况，进而需要进行分类分析，通过聚类的方式进行分类，而后，基于初始显著度的差异，确定两个聚类簇的第一关联程度，基于输出电压数据的数值和初始显著度的分布的差异确定第二关联程度，结合第一关联程度和第二关联程度确定相关指标，相关指标即表征聚类簇的相似程度，结合相关指标对所有聚类簇进行合并，从而得到更为符合当前实际电压分布的目标簇，根据目标簇内输出电压数据的数值的分布和初始显著度，从而得到目标显著度，目标显著度也即结合输出电压数据本身的数值异常、局部地区范围内输出电压数据的数值分布和输出电压数据的显著效果所确定的显著度值，目标显著度具有更高的客观效果，能够根据所有输出电压数据的目标显著度对不同区域电网供电的输出电压数据进行异常检测，降低电网线路损耗的误差和农村地区的电路分布对实际异常检测的影响，使得异常检测效果更优、准确性更强，增强异常检测的客观性与可靠性。[0086] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。[0087] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

专利地区：黑龙江

专利申请日期：2024-03-01

专利公开日期：2024-09-10

专利公告号：CN118035916B