技术摘要：
本发明涉及智能电网领域，尤其涉及一种基于人工智能的传感异常数据实时检测方法，包括：获取历史传感数据并进行预处理；构建AE‑LSTM模型并基于AE‑LSTM模型对预处理后的历史传感数据进行训练；采用迁移学习fine‑tune方法对AE‑LSTM模型调整，得到传感数据异常实时检  全部
背景技术：
以前定期巡检是排查异常传感的主要方式，虽然电力部门采用统计学以及数据挖 掘相关方法进行初步检测，这种处理方式极其耗费人力物力资源，效率低、效果差，虽然之 后电力部门采用统计学以及数据挖掘相关方法进行初步检测，但误报很多，凸显“数据海 量，信息匮乏”的问题。 在实际的数据采集场景中，传感设备在数据采集与传输的过程中，总是会出现一 些异常，多种外部环境的干扰会导致少数测量数据存在测量误差，影响数据分析,进而影响 决策。例如输变电设备在实际运行过程中会受到过负荷、过电压、内部绝缘老化、自然环境 等异常事件影响，这些异常运行状态会导致设备缺陷、故障的发生；在风电厂系统中，由于 电气控制或系统部件故障导致风机故障使得传感器测得的风速、风向等因素都存在很大的 误差；水力发电系统中,由于发电机的超负荷运作或者发电机振动失步导致测量数据存在 严重误差等。 异常数据的产生有多种原因，但基本可归纳如下: (1)对数据的测量非同时进行； (2)数据测量或传输过程中，系统内部设备因意外而发生故障； (3)数据测量或传输系统受到外部环境因素的干扰而意外失灵。 无论哪种原因导致传感数据异常都会影响电网的调度与管理，以及供电安全，并 使电力部门承受巨大损失。因此，对异常传感数据的检测具有重要意义，通过主动实时发现 传感数据异常，能够及时对异常的电力装置或异常的监测装置进行维修，保证电网的运行 安全。随着传统电网向智能电网的转化，信息采集系统存储着大量传感数据，基于统计的方 法却往往不能得到很好的结果。
技术实现要素：
为解决上述问题，本发明提出一种基于人工智能的传感异常数据实时检测方法。 一种基于人工智能的传感异常数据实时检测方法，包括： 获取历史传感数据并进行预处理； 构建AE-LSTM模型并基于AE-LSTM模型对预处理后的历史传感数据进行训练； 采用迁移学习fine-tune方法对AE-LSTM模型调整，得到传感数据异常实时检测模 型； 获取实时传感数据并输入异常实时检测模型，对实时传感数据进行异常检测。 优选的，所述获取历史传感数据并进行预处理包括： 过滤噪声数据处理、添补缺失数据处理、统一规整数据处理、标注样本处理。 4 CN 111582298 A 说　明　书 2/5 页 优选的，所述过滤噪声数据处理包括： 持续性全为零或存在负数值的历史传感数据直接过滤； 对于极大值，其阈值按照箱形图原理设定如下： 极大值＝Q3 (Q3-Q1)*5， 其中Q3为四分之三分位点，Q1为四分之一分位点，对高于该阈值的历史传感数据进 行过滤。 优选的，所述添补缺失数据处理包括： 若传感数据缺失数量大于设定阈值，则对该组传感数据进行过滤；若传感数据缺 失数量小于或等于设定阈值，则对该组传感数据进行插值填充操作。 优选的，所述统一规整数据处理包括： 对历史传感数据归一化处理： 其中min和max分别是数据集中最小的特征值和最大的特征值；oldValue表示某项 特征归一化处理前的值；newValue表示某项特征归一化处理后的值。 优选的，所述标注样本处理包括： 针对历史传感数据的每一个特征进行聚类分析，将各项特征聚成正常、异常、介于 二者之间不确定三类，并得到划分三类的临界值。当所有特征均满足正常判决阈值，则标定 为正常样本；当任意一个特征满足异常判决阈值，则标定为异常样本；其余不确定样本则不 标记。 优选的，所述AE-LSTM模型以无监督的方式自动学习历史传感数据中内在的依赖 关系，提取数据特征。 优选的，所述AE-LSTM模型输出神经元个数有两个：异常数据和正常数据。 优选的，所述AE-LSTM模型的隐藏层数为一层。 优选的，所采用迁移学习fine-tune方法对AE-LSTM模型调整，得到传感数据异常 实时检测模型包括： 采用迁移学习fine-tune方法利用小样本的有标签样本进行网络学习，对AE-LSTM 模型微调整，增强网络对不确定样本的学习。 通过使用本发明，可以实现以下效果：获取历史传感数据并进行预处理，构建AE- LSTM模型并基于AE-LSTM模型对预处理后的历史传感数据进行训练，采用迁移学习fine- tune方法对AE-LSTM模型调整，得到传感数据异常实时检测模型，获取实时传感数据并输入 异常实时检测模型能够实现电网的传感数据异常实时检测，保证电网的运行安全。 附图说明 下面结合附图和