本發明屬于電力，尤其涉及多設備協同的線損異常協同檢測方法及系統。

背景技術：

1、在電力系統中，線損（即輸電、配電過程中能量的損耗）一直是電力公司關注的重要問題。隨著電力網絡的不斷擴展與智能化發展，線損異常的檢測變得愈加復雜。傳統的線損檢測方法大多依賴于手動檢查、設備狀態監測及基于經驗的規則檢測。這些方法存在許多局限性，如：只能監控單個設備的異常狀態，無法實時獲取多個設備之間的協同工作情況；僅依賴靜態規則或閾值判斷，導致對復雜系統中的異常信號反應遲緩；且難以應對電力系統中設備之間日益復雜的相互關系和實時狀態變化。

2、目前，已有的一些基于數據分析的異常檢測技術，如機器學習模型（如支持向量機、決策樹等），在一定程度上改善了這一問題，能夠通過歷史數據進行異常模式識別，但這些方法在面對電力系統中多設備協同工作時的復雜性和實時性要求時，往往無法做到準確有效的檢測。電力系統中設備種類多、分布廣，且設備間存在強關聯性，單純依靠傳統的設備監控方法和靜態的機器學習模型無法全面捕捉設備之間的協同效應，導致異常檢測的準確性較低。另外，設備狀態的時變性和復雜的環境因素使得現有方法難以適應電力系統動態變化的需求，因此，現有技術的適應性和魯棒性存在較大不足。

3、為此，我們提出來多設備協同的線損異常協同檢測方法及系統解決上述問題。

技術實現思路

1、本發明的目的是為了解決現有技術中，在多設備協同的線損異常檢測中存在局限的問題，而提出的多設備協同的線損異常協同檢測方法及系統。

2、為了實現上述目的，本發明采用了如下技術方案：

3、一種多設備協同的線損異常協同檢測方法，包括：

4、s1:采集多個維度的原始時序數據，并對所有原始時序數據進行時間同步處理，且對其中的異常值進行剔除，然后進行逐特征歸一化處理得到時序特征數據；

5、s2：基于步驟s1得到的時序特征數據建立動態協同度矩陣，得到設備間的動態協同度，基于設備的鄰接關系和動態協同度建立動態鄰接矩陣，生成動態時空圖來反應設備的協同感知特征；

6、s3：提取設備的協同感知特征得到設備的協同特征向量，并將設備的協同特征向量分別送入設備異常檢測分支和線損協同異常檢測分支，分別輸出設備的異常檢測結果a和線損協同異常檢測結果s；

7、s4：基于設備的異常檢測結果a、線損協同異常檢測結果s、電網負荷狀態以及環境風險指數生成策略調整因子f，并基于策略調整因子f對步驟2中的動態時空圖進行結構優化，得到優化后的動態時空圖，系統同步生成“策略優化指令”，動態調整下一輪檢測中各設備的異常檢測閾值，實現敏感度自適應；

8、s5：基于優化后的動態時空圖以及設備的異常檢測結果a和線損協同異常檢測結果s，執行多設備協同響應機制，針對檢測出的協同異常，結合協同關系，實施分區、分級、動態的響應動作。

9、優選的，步驟s1中多個維度包括設備的電流、電壓、有功功率、溫度和振動幅值。

10、優選的，步驟s1中時間同步處理中，對于低采樣設備，采用協同趨勢差補算法，通過存在協同關系的鄰設備的局部趨勢，聯合差補缺失數據。

11、優選的，步驟s2中動態協同度計算公式如下：

12、；

13、其中，?表示第??與??設備在時間??時刻的特征余弦相似度，?為時間窗口，?為設備??與設備??在過去??個周期內異常事件的協同異常指數，反映兩設備異常行為的協同發生頻率，?為補償因子。該項顯著增強了系統對“協同異常風險區”的建模能力，解決了純“相似性”建模無法捕捉隱性協同異常風險的問題。

14、優選的，步驟s2中生成動態時空圖公式如下：

15、；

16、其中，?為設備節點集合，為動態鄰接矩陣；

17、所述動態鄰接矩陣是通過設備的鄰接關系和動態協同度融合構建而成，計算公式為：

18、；

19、其中，?為設備??和設備??在物理拓撲中的邊權，?為平衡因子，?為設備??和設備??特征矩陣在最近??個時間步內的時序特征分布差異項，?為正則化因子。該計算公式引入了差異懲罰項，當設備間特征變化劇烈但異常協同度高時，系統仍保留對物理拓撲的基本依賴，降低偽關聯風險，特別適合電力設備受環境影響而產生異常時的圖關系控制。

20、優選的，步驟s3中進入設備異常檢測分支后，針對每個協同感知向量通過單設備檢測頭輸出單設備的異常概率，當其超過50%時判定設備異常。

21、優選的，步驟s3中進入線損協同異常檢測分支后，聚合所有設備的協同特征向量，通過協同加權得到全局協同特征，將全局協同特征輸入至全局檢測頭中，輸出線損協同異常概率，當超過50%時判定全網協同異常。

22、優選的，步驟s4中基于策略調整因子f對步驟2中的動態時空圖進行結構優化，得到優化后的動態時空圖，具體為：

23、；

24、其中，為設備i的策略調整因子，為設備j的策略調整因子，?為動態時空圖原始邊權，?為自適應調節系數。?綜合反映設備??當前的“異常風險感知強度”。通過動態調整??實現高風險區域的“協同關系強化”，提升后續檢測對異常多發區的關注度，并通過風險分級機制，動態調整檢測靈敏度，實現自適應式敏感度管理，提升在動態電網場景下的檢測精度與魯棒性。

25、以及一種多設備協同的線損異常協同檢測系統，包括：

26、數據采集模塊，被設置為采集多設備多源數據，并對采集到的原始數據進行預處理，包括對原始數據進行時間同步處理，剔除異常值，以及逐特征歸一化處理，得到時序特征數據，并將時序特征數據輸出至動態圖模塊和檢測模塊；

27、動態圖模塊，被設置為接收來自數據采集模塊的時序特征數據，并基于該數據構建動態協同度矩陣，計算得到動態協同度，并融合設備的鄰接關系和動態協同度建立動態鄰接矩陣，生成動態時空圖并輸出至檢測模塊；

28、檢測模塊，被設置為接受動態時空圖和設備的時序特征數據，通過動態時空圖進行特征傳播，提取每個設備的協同特征向量，并將協同特征向量分別送入設備異常檢測分支和線損協同異常檢測分支，分別輸出設備的異常檢測結果a和線損協同異常檢測結果s，并輸出至自適應模塊和協同模塊中；

29、自適應模塊，被設置為基于當前異常檢測結果a和線損協同異常檢測結果s，結合實時電網負荷狀態，以及環境風險指數，生成策略調整因子?，并以策略調整因子對動態時空圖的邊權進行圖結構優化，并同步檢測策略調整因子所處范圍來動態調整下一輪檢測中各設備的異常檢測閾值，輸出協同模塊中；

30、協同模塊：被設置為基于優化后的動態時空圖以及設備的異常檢測結果a和線損協同異常檢測結果s，執行多設備協同響應機制，針對檢測出的協同異常，結合協同關系，實施分區、分級、動態的響應動作。

31、綜上所述，本發明的技術效果和優點：本方案通過引入多設備協同的動態檢測機制，結合實時數據分析與自適應學習算法，能夠全面監控電力系統中各個設備的運行狀態，并實時捕捉由設備協同工作引發的線損異常，且能夠根據設備的實際狀態和環境變化，自主優化異常檢測策略，提升實時性和準確性。通過深度數據融合，系統不僅能夠分析每個設備的單獨狀態，還能對設備之間的協同效應進行綜合評估，從而識別由于設備交互作用導致的線損異常。