开云优惠体育网页版入口

专利名称：基于相似数据的容错分析系统

专利类型：发明专利

专利申请号：CN202411356844.X

专利申请（专利权）人：华能澜沧江水电股份有限公司
权利人地址：云南省昆明市官渡区世纪城中路1号

专利发明（设计）人：马月姣,王海达,尹述红,杨龙保,阳灿,胡丰,唐睿高,樊磊,陈川,倪旺丹,刘会杰

专利摘要：本发明涉及容错分析技术领域，具体为基于相似数据的容错分析系统，系统包括：相似特征识别模块基于实时数据流中的数据点，将数据点映射到低维空间，通过计算数据点在低维空间中的位置关系，生成拟合度评分。本发明中，通过基于实时数据流中数据点的低维空间映射与位置关系计算来生成拟合度评分，从而实现对数据中关键拓扑变化的精确识别，这种处理策略能够实时监测和预警潜在的系统故障，优于传统技术中延迟的响应方式，分析故障点的具体位置和预测其传播路径及范围允许系统进行针对性的预防和快速的响应，此外，对同类数据点的集体修正和异常数据点的隔离策略有效限制了错误的传播，维护了系统的稳定性和数据完整性。

主权利要求：
1.基于相似数据的容错分析系统，其特征在于，所述系统包括：相似特征识别模块基于实时数据流中的数据点，将数据点映射到低维空间，通过计算数据点在低维空间中的位置关系，生成拟合度评分，利用所述拟合度评分，识别数据中的关键拓扑变化，包括连通性、洞的出现和消失，生成拓扑特征变化记录；
动态故障检测模块接收所述拓扑特征变化记录，通过映射数据结构的变化，识别拓扑图中的关键异常结构，包括新出现的空洞或突变的簇，生成初步故障定位，根据所述初步故障定位，检测数据中出现的异常位置和类型，生成故障检测结果；
所述初步故障定位的获取步骤具体为：接收所述拓扑特征变化记录，分析数据结构的变化，采用公式：计算每个数据点的异常指数，生成变化指数集合；
其中， 代表第 个数据点的异常指数， 为数据点在第 维的值， 为维度的权重，、调整指数增长的影响；
根据所述变化指数集合，进行数据的低维映射，强调关键异常结构，采用公式：评估映射后的拓扑变化，生成映射后的关键结构分数；
其中， 为映射后的关键结构分数， 为映射后的数据点值， 为映射调整参数，为平滑参数；
利用所述映射后的关键结构分数，识别出现的空洞和突变簇，采用公式：确定最关键的异常结构，生成初步故障定位结果；
其中，为初步故障定位结果， 为结构分数， 为历史平均分数， 为稳定性调整因子；
所述故障检测结果的获取步骤具体为：接收并分析所述初步故障定位结果，采用公式：生成异常位置的分析结果；
其中， 为异常位置的分析结果， 为故障定位分量， 为平均值， 为标准差，为平滑常数， 为权重系数；
利用所述异常位置的分析结果，采用公式：生成故障类型的初步分类结果；
其中，为故障类型的初步分类结果， 、 为调整参数， 为幂次调节参数；
基于所述故障类型的初步分类结果，确定故障位置和类型，采用公式：生成故障检测结果；
其中，为故障检测结果， 为显著性调节参数；
故障影响分析模块利用所述故障检测结果，分析故障点在数据集中的位置，预估故障传播路径和范围，分析受影响的数据区域，生成故障影响范围预测；
数据恢复与隔离模块根据所述故障影响范围预测，对同类数据点群组进行集体修正，对检测到的异常行为数据点隔离，限制错误传播，建立数据隔离。
2.根据权利要求1所述的基于相似数据的容错分析系统，其特征在于，所述拟合度评分的获取步骤具体为：收集实时数据流中的数据点，使用主成分分析将数据点从高维空间映射到低维空间，采用公式：计算得到映射后的数据点集合；
其中，代表原始数据点矩阵，P代表投影矩阵，代表映射后的数据点集合；
使用所述映射后的数据点集合，计算数据点之间的距离矩阵，采用距离计算公式：生成距离矩阵；
其中， 表示数据点 与数据点 之间的距离， 、 分别表示数据点在第 维的坐标， 为正则化参数；
根据所述距离矩阵，计算每个数据点的拟合度评分，采用公式：得到拟合度评分；
其中， 代表数据点 的拟合度评分， 、 为调节参数， 为数据点 和 之间的距离，为拟合度评分集合。
3.根据权利要求2所述的基于相似数据的容错分析系统，其特征在于，所述拓扑特征变化记录的获取步骤具体为：基于所述拟合度评分集合，通过统计方法确定评分的临界值，辨识拓扑变化，采用公式：计算得到临界值；
其中， 为临界值， 为平均值， 为标准偏差， 为调整系数， 为变异系数；
利用所述临界值，对每个评分执行阶跃函数分析，采用公式：生成阶跃函数响应集合；
其中， 为数据点 的阶跃响应， 为阶跃函数， 、 为调节因子， 为数据点的拟合度评分；
根据所述阶跃函数响应集合，统计拓扑变化，采用公式：计算关键拓扑变化的总数，生成拓扑特征变化记录；
其中，代表拓扑变化的总数。
4.根据权利要求1所述的基于相似数据的容错分析系统，其特征在于，所述故障影响范围预测的获取步骤具体为：对所述故障检测结果进行分析，确定数据集中故障点的位置，采用公式：计算每个故障点的位置指标，生成故障位置分析结果；
其中， 为故障位置分析结果， 为故障值， 为标准差， 为平均值，为调整参数；
使用所述故障位置分析结果预估故障传播路径和范围，采用公式：计算故障传播的潜在路径，生成故障传播预测结果；
其中， 为故障传播预测结果， 、 为敏感度调整参数；
基于所述故障传播预测结果，分析受影响的数据区域，采用公式：计算每个受影响区域的影响程度，生成故障影响范围预测；
其中，为故障影响范围预测， 为故障传播预测的值， 为影响度调整参数。
5.根据权利要求4所述的基于相似数据的容错分析系统，其特征在于，所述建立数据隔离的步骤具体为：从所述故障影响范围预测开始，识别受影响的数据点群组，采用公式：计算每个数据点的影响权重，生成影响权重分布结果；
其中，为影响权重分布结果， 为数据点值， 为数据点的平均值， 为标准差，为权重因子， 为误差缩减系数；
利用所述影响权重分布结果对受影响数据点进行集体修正，并进行异常行为数据点隔离准备，采用公式：调整数据点的值减少错误传播，生成集体修正结果；
其中，为集体修正结果， 为原数据点值， 为影响权重， 为调整参数；
利用所述集体修正结果对检测的异常行为数据点进行隔离，采用公式：隔离异常数据点，限制错误传播，建立数据隔离；
其中， 为数据隔离， 为修正后的数据点值， 为隔离阈值， 为调节数据隔离灵敏度的参数，为指示函数。 说明书 : 基于相似数据的容错分析系统技术领域[0001] 本发明涉及容错分析技术领域，尤其涉及基于相似数据的容错分析系统。背景技术[0002] 容错分析技术领域涉及在计算机系统、网络、和其他信息处理系统中实现错误检测、错误预防、和错误恢复的方法和机制。这一技术的核心目的是保证系统即使在部分硬件或软件故障的情况下也能继续运行，从而提高系统的可靠性和可用性。容错技术通常包括冗余设计（如多个处理器、磁盘镜像）、错误检测和校正代码（如ECC内存）、以及故障恢复策略（如检查点/回滚机制）。此外，容错分析也涉及到系统行为的建模与仿真，通过预先识别潜在的错误场景和弱点，来设计更具完整性的系统。[0003] 容错分析系统是应用容错分析技术的具体实例，这类系统专门用于监控和评估其他系统的容错能力。它们通过实时分析数据来识别可能导致系统故障的条件，评估系统在遇到特定错误时的响应能力，以及提供改进措施的建议。这些系统的主要用途包括提高关键基础设施的稳定性和安全性，例如在金融服务、医疗保健、航空航天和其他需要高度可靠性的行业。通过实施容错分析系统，组织能够降低突发故障的风险，确保服务的连续性和数据的完整性。[0004] 现有技术包括冗余设计、错误检测与校正代码，以及故障恢复策略，但这些技术通常依赖于较为静态和预设的故障响应机制，如检查点和回滚，这在动态和复杂的数据环境中可能不够灵活或及时。传统方法在高变动性的数据流中识别微小或初期异常的能力有限，导致故障响应时间延迟，无法有效预防和缓解故障的即时发展。现有技术的故障恢复策略缺乏对故障传播路径和范围的预测，导致恢复过程中可能的资源浪费，例如可能过度修复非关键区域或忽略潜在的关键受影响区域。这种处理方式不仅提高了系统运维成本，还可能影响到系统的长期稳定性和可用性。发明内容[0005] 本发明的目的是解决现有技术中存在的缺点，而提出的基于相似数据的容错分析系统。[0006] 为了实现上述目的，本发明采用了如下技术方案：基于相似数据的容错分析系统包括：[0007] 相似特征识别模块基于实时数据流中的数据点，将数据点映射到低维空间，通过计算数据点在低维空间中的位置关系，生成拟合度评分，利用所述拟合度评分，识别数据中的关键拓扑变化，包括连通性、洞的出现和消失，生成拓扑特征变化记录；[0008] 动态故障检测模块接收所述拓扑特征变化记录，通过映射数据结构的变化，识别拓扑图中的关键异常结构，包括新出现的空洞或突变的簇，生成初步故障定位，根据所述初步故障定位，检测数据中出现的异常位置和类型，生成故障检测结果；[0009] 故障影响分析模块利用所述故障检测结果，分析故障点在数据集中的位置，预估故障传播路径和范围，分析受影响的数据区域，生成故障影响范围预测；[0010] 数据恢复与隔离模块根据所述故障影响范围预测，对同类数据点群组进行集体修正，对检测到的异常行为数据点隔离，限制错误传播，建立数据隔离。[0011] 作为本发明的进一步方案，所述拟合度评分的获取步骤具体为：[0012] 收集实时数据流中的数据点，使用主成分分析将数据点从高维空间映射到低维空间，采用公式：[0013][0014] 计算得到映射后的数据点集合；[0015] 其中，代表原始数据点矩阵，P代表投影矩阵，代表映射后的数据点集合；[0016] 使用所述映射后的数据点集合，计算数据点之间的距离矩阵，采用距离计算公式：[0017][0018] 生成距离矩阵；[0019] 其中， 表示数据点 与数据点 之间的距离， 、 分别表示数据点在第 维的坐标， 为正则化参数；[0020] 根据所述距离矩阵，计算每个数据点的拟合度评分，采用公式：[0021][0022] 得到拟合度评分；[0023] 其中， 代表数据点 的拟合度评分， 为调节参数， 为数据点 和 之间的距离，为拟合度评分集合。[0024] 作为本发明的进一步方案，所述拓扑特征变化记录的获取步骤具体为：[0025] 基于所述拟合度评分集合，通过统计方法确定评分的临界值，辨识拓扑变化，采用公式：[0026][0027] 计算得到临界值；[0028] 其中， 为临界值， 为平均值， 为标准偏差， 为调整系数， 为变异系数；[0029] 利用所述临界值，对每个评分执行阶跃函数分析，采用公式：[0030][0031] 生成阶跃函数响应集合；[0032] 其中， 为数据点 的阶跃响应， 为阶跃函数， 、 为调节因子， 为数据点的拟合度评分；[0033] 根据所述阶跃函数响应集合，统计拓扑变化，采用公式：[0034][0035] 计算关键拓扑变化的总数，生成拓扑特征变化记录；[0036] 其中，代表拓扑变化的总数。[0037] 作为本发明的进一步方案，所述初步故障定位的获取步骤具体为：[0038] 接收所述拓扑特征变化记录，分析数据结构的变化，采用公式：[0039][0040] 计算每个数据点的异常指数，生成变化指数集合；[0041] 其中， 代表第 个数据点的异常指数， 为数据点在第 维的值， 为维度的权重， 、调整指数增长的影响；[0042] 根据所述变化指数集合，进行数据的低维映射，强调关键异常结构，采用公式：[0043][0044] 评估映射后的拓扑变化，生成映射后的关键结构分数；[0045] 其中， 为映射后的关键结构分数， 为映射后的数据点值， 为映射调整参数，为平滑参数；[0046] 利用所述映射后的关键结构分数，识别出现的空洞和突变簇，采用公式：[0047][0048] 确定最关键的异常结构，生成初步故障定位结果；[0049] 其中， 为初步故障定位结果， 为结构分数， 为历史平均分数， 为稳定性调整因子。[0050] 作为本发明的进一步方案，所述故障检测结果的获取步骤具体为：[0051] 接收并分析所述初步故障定位结果，采用公式：[0052][0053] 生成异常位置的分析结果；[0054] 其中， 为异常位置的分析结果， 为故障定位分量， 为平均值， 为标准差，为平滑常数， 为权重系数；[0055] 利用所述异常位置的分析结果，采用公式：[0056][0057] 生成故障类型的初步分类结果；[0058] 其中，为故障类型的初步分类结果， 、为调整参数， 为幂次调节参数；[0059] 基于所述故障类型的初步分类结果，确定故障位置和类型，采用公式：[0060][0061] 生成故障检测结果；[0062] 其中，为故障检测结果， 为显著性阈值， 为显著性调节参数。[0063] 作为本发明的进一步方案，所述故障影响范围预测的获取步骤具体为：[0064] 对所述故障检测结果进行分析，确定数据集中故障点的位置，采用公式：[0065][0066] 计算每个故障点的位置指标，生成故障位置分析结果；[0067] 其中， 为故障位置分析结果， 为故障值， 为标准差， 为平均值，为调整参数；[0068] 使用所述故障位置分析结果预估故障传播路径和范围，采用公式：[0069][0070] 计算故障传播的潜在路径，生成故障传播预测结果；[0071] 其中， 为故障传播预测结果， 、 为敏感度调整参数；[0072] 基于所述故障传播预测结果，分析受影响的数据区域，采用公式：[0073][0074] 计算每个受影响区域的影响程度，生成故障影响范围预测；[0075] 其中，为故障影响范围预测， 为故障传播预测的值， 为影响度调整参数。[0076] 作为本发明的进一步方案，所述建立数据隔离的步骤具体为：[0077] 从所述故障影响范围预测开始，识别受影响的数据点群组，采用公式：[0078][0079] 计算每个数据点的影响权重，生成影响权重分布结果；[0080] 其中， 为影响权重分布结果， 为数据点值， 为数据点的平均值， 为标准差， 为权重因子， 为误差缩减系数；[0081] 利用所述影响权重分布结果对受影响数据点进行集体修正，并进行异常行为数据点隔离准备，采用公式：[0082][0083] 调整数据点的值减少错误传播，生成集体修正结果；[0084] 其中，为集体修正结果， 为原数据点值， 为影响权重， 为调整参数；[0085] 利用所述集体修正结果对检测的异常行为数据点进行隔离，采用公式：[0086][0087] 隔离异常数据点，限制错误传播，建立数据隔离；[0088] 其中， 为数据隔离， 为修正后的数据点值， 为隔离阈值， 为调节数据隔离灵敏度的参数，为指示函数。[0089] 与现有技术相比，本发明的优点和积极效果在于：[0090] 本发明中，通过基于实时数据流中数据点的低维空间映射与位置关系计算来生成拟合度评分，从而实现对数据中关键拓扑变化的精确识别。这种处理策略能够实时监测和预警潜在的系统故障，优于传统技术中延迟的响应方式。分析故障点的具体位置和预测其传播路径及范围允许系统进行针对性的预防和快速的响应。此外，对同类数据点的集体修正和异常数据点的隔离策略有效限制了错误的传播，维护了系统的稳定性和数据完整性，不仅减少了系统的停机时间，还提高了系统处理故障的效率和准确性。附图说明[0091] 图1为本发明的系统流程图；[0092] 图2为本发明拟合度评分的获取步骤流程图；[0093] 图3为本发明拓扑特征变化记录的获取步骤流程图；[0094] 图4为本发明初步故障定位的获取步骤流程图；[0095] 图5为本发明故障检测结果的获取步骤流程图；[0096] 图6为本发明故障影响范围预测的获取步骤流程图；[0097] 图7为本发明述建立数据隔离的步骤流程图。具体实施方式[0098] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0099] 在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。[0100] 实施例一[0101] 请参阅图1，基于相似数据的容错分析系统包括：[0102] 相似特征识别模块基于实时数据流中的数据点，将数据点映射到低维空间，通过计算数据点在低维空间中的位置关系，生成拟合度评分，利用拟合度评分，识别数据中的关键拓扑变化，包括连通性、洞的出现和消失，生成拓扑特征变化记录；[0103] 动态故障检测模块接收拓扑特征变化记录，通过映射数据结构的变化，识别拓扑图中的关键异常结构，包括新出现的空洞或突变的簇，生成初步故障定位，根据初步故障定位，检测数据中出现的异常位置和类型，生成故障检测结果；[0104] 故障影响分析模块利用故障检测结果，分析故障点在数据集中的位置，预估故障传播路径和范围，分析受影响的数据区域，生成故障影响范围预测；[0105] 数据恢复与隔离模块根据故障影响范围预测，对同类数据点群组进行集体修正，对检测到的异常行为数据点隔离，限制错误传播，建立数据隔离。[0106] 故障检测结果具体包括新出现的空洞、突变的簇，故障影响范围预测具体包括故障位置、故障传播路径、受影响区域，数据隔离具体指数据点群组修正、异常数据点隔离、错误传播限制。[0107] 请参阅图2，拟合度评分的获取步骤具体为：[0108] 收集实时数据流中的数据点，使用主成分分析将数据点从高维空间映射到低维空间，采用公式：[0109][0110] 计算得到映射后的数据点集合；[0111] 其中，代表原始数据点矩阵，P代表投影矩阵，代表映射后的数据点集合；[0112] 使用映射后的数据点集合，计算数据点之间的距离矩阵，采用距离计算公式：[0113][0114] 生成距离矩阵；[0115] 其中， 表示数据点 与数据点 之间的距离， 、 分别表示数据点在第 维的坐标， 为正则化参数；[0116] 根据距离矩阵，计算每个数据点的拟合度评分，采用公式：[0117][0118] 得到拟合度评分；[0119] 其中， 代表数据点 的拟合度评分， 为调节参数， 为数据点 和 之间的距离，为拟合度评分集合。[0120] 步骤1的公式详解及算例[0121] 公式：[0122][0123] 参数解释：[0124] ：原始数据点矩阵。[0125] ：从高维空间到低维空间的投影矩阵。[0126] Z：映射后的数据点集合。[0127] 计算过程和推导：[0128] 假设原始数据矩阵 是一个 矩阵（3个数据点，每个数据点5个特征)，并且想要将数据降维到2个特征。投影矩阵 将是一个 矩阵。示例的 和 可以是：[0129][0130][0131] 进行矩阵乘法得到 ：[0132][0133] 表示降维后的数据点集合，其中每个数据点现在只有2个特征。[0134] 步骤2的公式详解及算例[0135] 公式：[0136][0137] 参数解释：[0138] ：数据点 与数据点 之间的距离。[0139] ：数据点 和 在第 维的坐标。[0140] ：正则化参数。[0141] 计算过程和推导：[0142] 假设使用上面步骤1的结果 。为了计算距离，选择 ，这是一个常见的正则化选择，用于防止分母为零的情况，提高计算的稳定性。[0143] 计算数据点0和数据点1之间的距离：[0144][0145] 这个距离 表示数据点0和数据点1在降维后空间中的相对位置关系。[0146] 步骤3的公式详解及算例[0147] 公式：[0148][0149] 参数解释：[0150] ：数据点 的拟合度评分。[0151] ：调节参数。[0152] ：数据点 和 之间的距离。[0153] 计算过程和推导：[0154] 使用上面计算的 ，设置 和 (这些值选择以控制距离的影响强度和计算的灵活性)。计算数据点0的拟合度评分：[0155][0156][0157][0158][0159] 拟合度评分 表示数据点0与其他点的相对拟合程度，其中较高的值表示较好的拟合。[0160] 请参阅图3，拓扑特征变化记录的获取步骤具体为：[0161] 基于拟合度评分集合，通过统计方法确定评分的临界值，辨识拓扑变化，采用公式：[0162][0163] 计算得到临界值；[0164] 其中， 为临界值， 为平均值， 为标准偏差， 为调整系数， 为变异系数；[0165] 利用临界值，对每个评分执行阶跃函数分析，采用公式：[0166][0167] 生成阶跃函数响应集合；[0168] 其中， 为数据点 的阶跃响应， 为阶跃函数， 、为调节因子， 为数据点的拟合度评分；[0169] 根据阶跃函数响应集合，统计拓扑变化，采用公式：[0170][0171] 计算关键拓扑变化的总数，生成拓扑特征变化记录；[0172] 其中，代表拓扑变化的总数。[0173] 步骤1：设定拟合度评分的临界值[0174] 公式：[0175][0176] 参数详解和推导过程：[0177] ：数据集 的平均值。如果假设数据集 ，则 。[0178] ：数据集 的标准偏差，计算公式为 。[0179] ：系数，用于调整临界值距离平均值的偏移，这里假设 。[0180] ：另一个调整系数，这里假设为0.5。[0181] ：数据集 的变异系数， 。[0182] 算例：[0183] 假设有一数据集 ，计算如下：[0184] 计算[0185] 计算[0186][0187][0188] 步骤2：计算阶跃函数响应[0189] 公式：[0190][0191] 参数详解和推导过程：[0192] ：阶跃函数，如果 则 ，否则 。[0193] 、 ：非线性调节因子，这里假设 。[0194] 算例：[0195] 继续使用之前的数据，考虑 ，计算阶跃响应：[0196][0197] 步骤3：生成拓扑特征变化记录[0198] 公式：[0199][0200] 参数详解和推导过程：[0201] ：如果 则为1，如果 则为0，表示是否有显著变化。[0202] 算例：[0203] ，表示没有显著的拓扑变化发生。[0204] 请参阅图4，初步故障定位的获取步骤具体为：[0205] 接收拓扑特征变化记录，分析数据结构的变化，采用公式：[0206][0207] 计算每个数据点的异常指数，生成变化指数集合；[0208] 其中， 代表第 个数据点的异常指数， 为数据点在第 维的值， 为维度的权重， 、调整指数增长的影响；[0209] 根据变化指数集合，进行数据的低维映射，强调关键异常结构，采用公式：[0210][0211] 评估映射后的拓扑变化，生成映射后的关键结构分数；[0212] 其中， 为映射后的关键结构分数， 为映射后的数据点值， 为映射调整参数，为平滑参数；[0213] 利用映射后的关键结构分数，识别出现的空洞和突变簇，采用公式：[0214][0215] 确定最关键的异常结构，生成初步故障定位结果；[0216] 其中， 为初步故障定位结果， 为结构分数， 为历史平均分数， 为稳定性调整因子。[0217] 步骤1的公式及详解：[0218] 公式：[0219][0220] 参数详解：[0221] ：第 个数据点的显著变化指数，用于量化数据点相对于平均行为的异常程度。[0222] ：第 个数据点在第 维的值。[0223] ：第 维的权重参数，决定了各维度在计算中的重要性。[0224] 、：用于调整数据指数增长的参数，控制异常强度随 变化的速率。[0225] 假设的参数值：[0226] (所有维度权重相同)[0227][0228][0229] (假设数据点在某维度的值)[0230] 计算过程：[0231] 计算 指数增长调整部分：[0232] 将 的直接影响与指数增长调整相加：3.198[0233] 应用逻辑函数得到 ：[0234][0235] 结果解释：[0236] 表示第 个数据点有很高的异常指数，显著地偏离了正常的数据行为。[0237] 步骤2的公式及详解：[0238] 公式：[0239][0240] 参数详解：[0241] B：映射后的关键结构分数，反映映射后数据结构的关键异常程度。[0242] ：从步骤1得到的显著变化指数。[0243] ：平滑参数，用于避免分母过小导致的数值不稳定。[0244] ：映射调整参数和映射后的数据点值。[0245] 假设的参数值：[0246][0247] (假设所有映射维度权重相同)[0248] (假设映射后数据点值)[0249] 计算过程：[0250] 计算映射后数据点值的调整影响：[0251] 应用映射后关键结构分数的计算公式：[0252] 结果解释：[0253] 表示映射后的数据结构中存在中等程度的关键异常结构。[0254] 步骤3的公式及详解：[0255] 公式：[0256][0257] 参数详解：[0258] ：初步故障定位结果，用于识别最显著的异常结构。[0259] ：从步骤2得到的结构分数。[0260] ：结构的历史平均分数，用于基线比较。[0261] ：稳定性调整因子。[0262] 假设的参数值：[0263][0264][0265] 计算过程：[0266] 计算调整后的结构分数：[0267] 结果解解：[0268] 表示识别到的异常结构在考虑历史数据和稳定性调整后，显示出较高的异常程度，这指示一个显著的故障点。[0269] 请参阅图5，故障检测结果的获取步骤具体为：[0270] 接收并分析初步故障定位结果，采用公式：[0271][0272] 生成异常位置的分析结果；[0273] 其中， 为异常位置的分析结果， 为故障定位分量， 为平均值， 为标准差，为平滑常数， 为权重系数；[0274] 利用异常位置的分析结果，采用公式：[0275][0276] 生成故障类型的初步分类结果；[0277] 其中，为故障类型的初步分类结果， 、为调整参数， 为幂次调节参数；[0278] 基于故障类型的初步分类结果，确定故障位置和类型，采用公式：[0279][0280] 生成故障检测结果；[0281] 其中，为故障检测结果， 为显著性阈值， 为显著性调节参数。[0282] 步骤1的公式详解和推导[0283] 公式：[0284][0285] 参数解释和计算流程：[0286] ：故障定位指数，假设为从传感器或系统中直接获取的数值。[0287] ：的平均值，计算方法为 。[0288] ：的标准差，计算方法为 。[0289] ：平滑常数，通常设为小值以避免分母为零，假设为0.1。[0290] ：权重系数，增加异常影响，这里假设为0.05。[0291] 算例：[0292] 假设有三个故障定位指数值 ，[0293][0294][0295][0296] 为每个 计算 ，[0297][0298][0299][0300][0301][0302][0303][0304] 这个总和 表示考虑了异常位置的加权变化量，反映了异常程度的综合影响。[0305] 步骤2的公式详解和推导[0306] 公式：[0307][0308] 参数解释和计算流程：[0309] ：步骤1计算得出的详细分析结果。[0310] ：敏感度调整参数，控制指数衰减的速率，假设为0.5。[0311] ：影响分母增长速率的参数，假设为0.2。[0312] ：幂次调节参数，增加非线性响应，这里假设为2。[0313] 算例：[0314] 继续使用步骤1的结果 ，[0315] 为每个 计算 ，[0316][0317][0318][0319][0320] 这个总和 表示考虑了故障类型的分类效果，表明在给定的异常位置分析下，不同位置的故障类型有不同的表现强度。[0321] 步骤3的公式详解和推导[0322] 公式：[0323][0324] 参数解释和计算流程：[0325] ：步骤2计算得出的故障类型的初步分类结果。[0326] ：故障显著性的阈值，用以界定故障是否显著，假设为0.5。[0327] ：调节显著性影响的参数，假设为0.1。[0328] 算例：[0329] 使用步骤2的结果 ，[0330] 为每个 计算 ，[0331][0332][0333][0334][0335] 这个最大值 表示最显著的故障类型，即在这组数据中，最显著的故障类型相对于阈值的影响最大。[0336] 请参阅图6，故障影响范围预测的获取步骤具体为：[0337] 对故障检测结果进行分析，确定数据集中故障点的位置，采用公式：[0338][0339] 计算每个故障点的位置指标，生成故障位置分析结果；[0340] 其中， 为故障位置分析结果， 为故障值， 为标准差， 为平均值，为调整参数；[0341] 使用故障位置分析结果预估故障传播路径和范围，采用公式：[0342][0343] 计算故障传播的潜在路径，生成故障传播预测结果；[0344] 其中， 为故障传播预测结果， 为敏感度调整参数；[0345] 基于故障传播预测结果，分析受影响的数据区域，采用公式：[0346][0347] 计算每个受影响区域的影响程度，生成故障影响范围预测；[0348] 其中，为故障影响范围预测， 为故障传播预测的值， 为影响度调整参数。[0349] 步骤1的公式：[0350][0351] 参数解释与假设值：[0352] ：故障值，假设为电网中某传感器记录的电压跌落值，单位为伏特(V)。例如：。[0353] ：的标准差，计算得出，假设为 。[0354] ：的平均值，计算得出，假设为 。[0355] ：调整系数，假设为 。[0356] 计算过程：[0357] 计算每个 的贡献：[0358][0359] 同理计算[0360] 2.求和得到 。[0361] 解释：[0362] 数值较大表明故障点对系统影响较大。[0363] 步骤2的公式：[0364][0365] 参数解释与假设值：[0366] ：调整系数，假设为 。[0367] 计算过程：[0368] 在 中选择最大值，例如 。[0369] 计算 ：[0370][0371] 解释：[0372] 数值较大表明传播路径较是主要故障路径。[0373] 步骤3的公式：[0374][0375] 参数解释与假设值：[0376] ：调整系数，假设为 。[0377] 计算过程：[0378] 对每个 应用公式，假设只有一个 值 。[0379] 计算 ：[0380][0381] 解释：[0382] 数值表示影响程度，较高值表明受影响区域较大。[0383] 请参阅图7，建立数据隔离的步骤具体为：[0384] 从故障影响范围预测开始，识别受影响的数据点群组，采用公式：[0385][0386] 计算每个数据点的影响权重，生成影响权重分布结果；[0387] 其中， 为影响权重分布结果， 为数据点值， 为数据点的平均值， 为标准差， 为权重因子， 为误差缩减系数；[0388] 利用影响权重分布结果对受影响数据点进行集体修正，并进行异常行为数据点隔离准备，采用公式：[0389][0390] 调整数据点的值减少错误传播，生成集体修正结果；[0391] 其中，为集体修正结果， 为原数据点值， 为影响权重， 为调整参数；[0392] 利用集体修正结果对检测的异常行为数据点进行隔离，采用公式：[0393][0394] 隔离异常数据点，限制错误传播，建立数据隔离；[0395] 其中， 为数据隔离， 为修正后的数据点值， 为隔离阈值， 为调节数据隔离灵敏度的参数，为指示函数。[0396] 公式1：影响权重分布结果计算[0397][0398] 参数说明：[0399] ：第 个数据点的值。[0400] ：数据点的平均值。[0401] ：数据点的标准差。[0402] ：第 个数据点的权重。[0403] ：误差缩减系数，控制异常值的影响。[0404] 计算流程与算例：[0405] 假设有三个数据点，值为 ，平均值 ，标准差 ，权重 ，误差缩减系数 。[0406] 计算每个数据点对平均值的偏差：[0407][0408] 计算每个数据点的权重调整：[0409][0410][0411] 使用正态分布公式计算概率密度函数：[0412][0413] 计算影响权重分布 ：[0414][0415] 结果解释：[0416] 结果 表示在给定参数下，整体数据集的加权平均偏差概率密度。[0417] 公式2：集体修正结果计算[0418][0419] 参数说明：[0420] ：第 个数据点的值。[0421] ：第 个数据点的影响权重，由公式1得到。[0422] ：调整系数，用于平衡影响权重。[0423] 计算流程与算例：[0424] 继续使用前面的数据点 和影响权重 。设置调整系数 。[0425] 计算每个数据点的集体修正：[0426][0427] 计算总的集体修正结果 ：[0428][0429] 结果解释：[0430] 结果 表示整体数据集的集体修正结果，考虑到了各数据点的影响权重和其偏差调整。[0431] 公式3：数据隔离结果计算[0432][0433] 参数说明：[0434] ：第 个数据点的集体修正结果，由公式2得到。[0435] ：隔离阈值，决定何时隔离数据点。[0436] ：调节因子，控制隔离过程的敏感性。[0437] ：指示函数，用于判断是否满足隔离条件。[0438] 计算流程与算例：[0439] 使用前面的修正结果 和设置 。[0440] 判断并计算数据隔离：[0441][0442] 计算总的数据隔离结果 ：[0443][0444] 结果解释：[0445] 结果 表示成功隔离的数据点的总效果，其中，大于阈值的数据点被有效隔离，降低了错误传播的风险。[0446] 以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

专利地区：云南

专利申请日期：2024-09-27

专利公开日期：2024-11-29

专利公告号：CN118897750B