(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210937801.5 (22)申请日 2022.08.05 (71)申请人 湖南五凌电力科技有限公司 地址 410004 湖南省长 沙市天心区五凌 路 188号 申请人 五凌电力有限公司 (72)发明人 何葵东　莫凡　赵训新　温和　 林海军　阳瑞霖　王思嘉　罗立军　 刘禹　李崇仕　胡蝶　马鑫　张培　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 专利代理师 曾志鹏 (51)Int.Cl. G06K 9/00(2022.01) G06F 17/16(2006.01)G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种异常识别方法和装置 (57)摘要 本申请一个实施例提供一种异常识别方法 和装置， 该方法包括： 获取历史异常数据， 进而确 定对应的异常类型， 提取历史异常数据中的能表 征异常类型的特征； 根据 异常类型和特征对机器 学习分类算法构建出的模型进行训练， 并利用网 格搜索算法对模 型的模型参数进行调整， 以得到 分类模型； 获取实时检测到的待测数据， 将待测 数据输入至分类模型， 以输出混淆矩阵和分类标 识， 进而根据混淆矩阵和分类标识确定待测数据 是否出现异常； 响应于确定待测数据出现异常， 生成告警信息并输出。 从而可以提高异常告警和 异常识别精度。 权利要求书2页 说明书12页 附图6页 CN 115270887 A 2022.11.01 CN 115270887 A 1.一种异常识别方法， 其特 征在于， 包括： 获取历史异常数据， 进而确定对应的异常类型， 提取所述历史异常数据中的能表征所 述异常类型的特 征； 根据所述异常类型和所述特征对机器学习分类算法构建出的模型进行训练， 并利用网 格搜索算法对所述模型的模型参数进行调整， 以得到分类模型； 获取实时检测到的待测数据， 将所述待测数据输入至所述分类模型， 以输出混淆矩阵 和分类标识， 进 而根据所述混淆矩阵和所述分类标识确定所述待测数据是否出现异常； 响应于确定所述待测数据出现异常， 生成告警信息并输出。 2.根据权利要求1所述的方法， 其特征在于， 在所述提取所述历史异常数据中的能表征 所述异常类型的特 征之前， 所述方法还 包括： 对所述历史异常数据进行 预处理， 其中， 预处 理的过程包括： 对所述历史异常数据进行小波分解、 阈值法去噪以及小波重构； 其中， 所述阈值法去噪 包括： 采用极小极大方差阈值设定法选择阈值， 以实现均方误差最小化， 如公式(1)、 (2)所 示： σ ＝middle(W1， k)/0.6745， 0 ≤k≤2p‑1‑1    (2) 其中， N为对应尺度上的小波系数个数； W1， k表示尺度为1的小波系数， K为对应尺度为1 的小波系数的个数； mi ddle(W1， k)表示取W1， k的绝对值后再取中值； σ 为 噪声信号的标准差， 2p‑1‑1代表小波分解的最大层次数。 3.根据权利要求2所述的方法， 其特征在于， 所述提取所述历史异常数据中的能表征所 述异常类型的特 征， 包括： 对预处理后的历史异常数据， 按照预设的计算公式， 计算得到能表征所述异常类型的 特征， 其中， 所述特 征包括时域和频域； 其中， 所述时域， 包括： 短时能量均值、 短时重心频率、 短时过零率； 所述频域， 包括： 三 层小波包分解的8个子频 带能量系数占比。 4.根据权利要求1所述的方法， 其特征在于， 所述根据所述异常类型和所述特征对机器 学习分类算法构建出 的模型进行训练， 并利用网格搜索对所述模型 的模型参数进行调整， 以得到分类模型， 包括： 确定所述特 征的维数， 获取核函数， 进 而根据所述维数和所述核函数创建支持向量机； 设置所述核函数的参数， 基于机器学习算法以根据 所述特征和所述异常类型对所述支 持向量机进行训练， 得到初步的分类决策函数模型； 通过网格搜索算法对所述初步的分类决策函数模型进行参数调整， 以得到最优参数， 进而根据所述 最优参数 得到最终的分类模型。 5.根据权利要求4所述的方法， 其特征在于， 所述核函数包括但不限于线性、 多项式、 高 斯径向基、 拉普拉斯和sigmo id核函数。 6.一种异常识别装置， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 115270887 A 2获取单元， 被配置成获取历史异常数据， 进而确定对应的异常类型， 提取所述历史异常 数据中的能表征 所述异常类型的特 征； 模型训练单元， 被配置成根据 所述异常类型和所述特征对机器学习分类算法构建出的 模型进行训练， 并利用网格搜索算法对所述模型的模型参数进行调整， 以得到分类模型； 异常识别单元， 被配置成获取实时检测到的待测数据， 将所述待测数据输入至所述分 类模型， 以输出混淆矩阵和分类标识， 进而根据所述混淆矩阵和所述分类标识确定所述待 测数据是否出现异常； 告警单元， 被配置成响应于确定所述待测数据出现异常， 生成告警信息并输出。 7.根据权利要求6所述的装置， 其特 征在于， 所述装置还 包括预处 理单元， 被配置成： 对所述历史异常数据进行 预处理， 其中， 预处 理的过程被 配置成： 对所述历史异常数据进行小波分解、 阈值法去噪以及小波重构； 其中， 所述阈值法去噪 被配置成： 采用极小极大方差阈值设定法选择阈值， 以实现均方误差最小化， 如公式(1)、 (2)所 示： σ ＝middle(W1， k)/0.6745， 0 ≤k≤2p‑1‑1    (2) 其中， N为对应尺度上的小波系数个数； W1， k表示尺度为1的小波系数， K为对应尺度为1 的小波系数的个数； mi ddle(W1， k)表示取W1， k的绝对值后再取中值； σ 为 噪声信号的标准差， 2p‑1‑1代表小波分解的最大层次数。 8.根据权利要求7 所述的装置， 其特 征在于， 所述获取 单元进一步被配置成： 对预处理后的历史异常数据， 按照预设的计算公式， 计算得到能表征所述异常类型的 特征， 其中， 所述特 征包括时域和频域； 其中， 所述时域， 包括： 短时能量均值、 短时重心频率、 短时过零率； 所述频域， 被配置 成： 三层小 波包分解的8个子频 带能量系数占比。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至5任意一项所述的方 法。 10.一种非暂态计算机可读存储介质， 其特征在于， 所述非暂态计算机可读存储介质存 储计算机指令， 所述计算机指令用于使所述计算机执行权利要求1至5任意一项所述的方 法。权　利　要　求　书 2/2 页 3 CN 115270887 A 3