(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110678519.5 (22)申请日 2021.06.18 (65)同一申请的已公布的文献号 申请公布号 CN 113408202 A (43)申请公布日 2021.09.17 (73)专利权人 国网湖南省电力有限公司 地址 410004 湖南省长 沙市天心区新韶东 路398号 专利权人 国网湖南省电力有限公司信息通 信分公司 　 国家电网有限公司 (72)发明人 朱宏宇　田建伟　田峥　孙卓　 孙毅臻　高雅婷　岳钢　向行　 杨志邦　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 代理人 周咏　米中业 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) H02J 13/00(2006.01) G06F 17/16(2006.01) G06F 17/18(2006.01) G06Q 50/06(2012.01) (56)对比文件 CN 109391613 A,2019.02.26 CN 108055282 A,2018.0 5.18 CN 109272232 A,2019.01.25 US 2021020 360 A1,2021.01.21 US 20201843 08 A1,2020.0 6.11 US 2021133569 A1,2021.0 5.06 WO 2021103135 A1,2021.0 6.03 (续) 审查员 张丽红 (54)发明名称 面向变电站核心工控业务的流量基线模型 构造方法 (57)摘要 本发明公开了一种面向变电站核心工控业 务的流量基线模 型构造方法， 包括解析变电站的 数据流获得业务基本特征并得到表示业务流交 互的高阶特征； 进行同类业务聚类； 生成最终的 原始输入特征矩阵； 构造基于 卷积神经网络自编 码器并学习得到高维中间层特征； 对高维中间层 特征降维并得到表示业务交互流程的低维关键 特征； 针对每一维度计算若干周期内的正态分布 参数； 构造各业务内多维关键特征联合高斯分布 函数并得到业务基线模型。 本发 明利用深度学习 网络提取业务交互流的关键特征， 基于关键特征 进行数学建模， 从而构造业务基线模型； 本发明 从实际应用角度出发， 对于变电站内业务监控和异常检测提供了有效的建模方案， 而且可靠性 高、 效率较高且简单易行。 [转续页] 权利要求书4页 说明书10页 附图5页 CN 113408202 B 2022.04.08 CN 113408202 B (56)对比文件 US 201423 3662 A1,2014.08.21 田建伟 李 志忠 陈海红.基 于模糊粗 糙集属 性约简理论的能耗基线 模型. 《太阳能学报》 .2015,第3 6卷(第10期), 唐彰国等.基 于组合神经网络的启发式工控 系统异常检测模型. 《四川大 学学报(自然科 学版)》 .2017,(第04期), Jianwei Tian1,4, Zo ngchao Yu2,*, L i Liu3, Weido ng Wu3, Ho ngyu Zh.An abn ormal traffic detecti on method i n smart substati ons based o n coupling field extracti on and DBSCAN. 《E 3S Web of Conferences》 .2021,2/2 页 2[接上页] CN 113408202 B1.一种面向变电站核心工控业 务的流量基线模型构造方法， 包括如下步骤： S1.解析变电站的数据流， 获得业务基本特征， 并根据获取的业务基本特征计算得到表 示业务流交互的高阶特 征； S2.进行同类业 务的聚类； S3.根据获取的基本特 征和高阶特 征， 生成最终的原 始输入特 征矩阵； S4.构造基于卷积神经网络自编码器， 并学习步骤S3得到的原始输入特征矩阵的关联 关系， 从而得到高维中间层特 征； 具体为采用如下步骤构建自编码器： 自编码器的输入为2*N维原始特征矩阵x， 其中N为业务流单向特征维度； 自编码器为基 于双层卷积神经网络的自编码器； 编码器与解码器的结构镜像对称； 编码器中第一卷积层 函数为f1(·)， 第二层卷积层函 数为f2(·)， 编码器输出为业务中间层特征向量h， 编码器建 立起中间层特征向量与输入特征矩阵间 映射关系为h＝ f2(f1(x))； 解码器同样为两层卷积 神经网路， 其中第一层 解码器用以解码第二层码编码器结果， 其解码函数为g2(·)， 第二层 解码器用以解调 第一层编码器结果， 其解码函数为g1(·)， 最终解码输 出结果为 解码器 建立输出 特征矩阵与中间层特 征向量间映射关系为 最终利用中间层特征向量h表示原始特征向量关 联关系； 通过最小化平均绝对误差作为损失函数用以训练自编码器网络： 式中x为原始数据流特征矩阵； 为自编码器重构特征矩阵； m为特征矩阵维度； xi为特 征矩阵中第i维特 征值； 为自编码器重构特 征矩阵中第i维特 征值； 将原始特征矩阵作为输入特征矩阵按批次迭代训练自编码器， 通过目标函数判断网络 是否学习到原始特征分布： 当目标函数值各批次训练结果符合设定要求时， 说明自编码器 能够拟合各业 务原始特征分布， 最终中间层向量h表示原 始特征关联关系； S5.对步骤S4得到的高维中间层特征进行降维， 并计算得到表示业务交互流程的低维 关键特征； 具体为变电站内核心工控业务通过自编 码器后得到高维中间层特征h， 通过主成 分分析法将 高维特征映射到低 维全新正交特征上， 消除高维度特征内冗余数据， 得到业务 关键特征； 经业务分类后得到变电站共有n类核心业务， 中间层特征h具有m维， 对于同一核心工控 业务， 其特征分布相同， 通过抽样计算同一业务的各维中间层特征均值， 以此得到m*n维不 同业务的中间层特 征矩阵 对中间层特征矩阵X进行零均值化处理得到矩阵X'， 并计算X'的协方差矩阵C， 可知矩权　利　要　求　书 1/4 页 2 CN 113408202 B 3