本发明涉及电力设备异常检测，尤其涉及一种基于mini-batch-kmeans算法的充电桩故障自动化检测方法及系统。
背景技术：
1、在电力市场持续发展的背景下，以及技术创新的推动下，新型电力系统中物联终端的大量接入为电网带来了巨大的数据洪流，这对配电终端异常检测技术提出了更高的要求。传统的运维方式在监控、故障发现、告警响应以及故障处理等环节上面临诸多挑战，主要表现为依赖人工经验、效率低下、问题定位不准确和人力成本高昂。特别是对于充电桩这类终端设备，潜在的故障行为缺乏有效的自动化检测手段，对电网安全运行构成了威胁。
2、因此，亟需一套高效的充电桩故障自动化检测机制，能够实时监测新型电力系统物联终端产生的大数据流，识别并预警潜在风险，确保电力系统的安全稳定运行。mini-batch-kmeans算法因其在异常检测领域的卓越性能，成为了解决这一问题的理想选择。该算法能够快速识别异常、提供决策建议，克服传统运维的局限，实现智能网云业务分析和优化，显著提升运维效率。
技术实现思路
1、发明目的：本发明提出一种充电桩故障自动化检测方法，并进一步提出一种实现上述充电桩故障自动化检测方法的装置，以解决现有技术存在的上述问题。
2、作为本发明的第一个方面，提出一种基于mini-batch-kmeans算法的充电桩故障自动化检测方法，包括如下步骤：
3、步骤1、收集充电桩终端设备流量原始数据，对充电桩终端设备流量原始数据进行数据清理并剔除随机偏差大于预设值的数据，构造数据集，并基于该数据集构造得到正常检测向量；
4、步骤2、将所述正常检测向量通过mini-batch-kmeans算法生成的正常流量数据类簇加入正常流量数据模型；
5、步骤3、在线检测每一时间周期采集到的流量数据，先将检测到的流量数据构造得到当前周期检测向量，将所述当前周期检测向量与所述正常流量数据模型进行比对分析：
6、如果比对结果正常，则将该当前周期检测向量加入所述正常流量数据模型；否则认为该当前周期检测向量异常，生成流量数据异常报告并发送告警；
7、步骤4、分析当前周期检测向量所对应的周期内的流量数据，找到其对应的故障行为，根据不同的故障行为进行不同的阻断。
8、在第一方面进一步的实施例中，步骤1具体包括：
9、步骤1.1、针对业务类型不同，收集充电桩终端设备流量原始数据，充电桩终端设备流量原始数据由智能电表采集并由modbus tcp协议传输到融合终端；
10、步骤1.2、将充电桩终端设备收集的数据的80％用作训练集，20％用作测试集；
11、步骤1.3、根据融合终端与智能电表间的流量数据报文，提取每个单位时间数据包的源/目的ip地址数目、源/目的端口数目和tcp标志位数目，构造一个三维检测向量作为正常检测向量。
12、在第一方面进一步的实施例中，步骤1.3中所述三维检测向量被视为一个固定长度的向量，其中包含单位时间内网络流量的关键统计特征，三维检测向量的表达式如下：
13、drtection vector＝(ipfeatures,portfeatures,dataregisters)
14、式中，ipfeatures是一个二维向量，包含源ip和目的ip的数目，ipfeatures＝(nsrcip,ndstip)；portfeatures是一个二维向量，包含源端口和目的端口的数目，portfeatures＝(nsrcport,ndstport)；dataregisters是一个多维数组，包含不同目标寄存器地址的数据，dataregisters＝(daddress1,daddress2,...,daddressn)。
15、在第一方面进一步的实施例中，步骤2具体包括：
16、步骤2.1、设训练集为x＝{x1,x2,...,xn}，其中xi是一个特征向量；
17、x＝{x1,x2,...,xn}＝{dataregister1,dataregister2,...,dataregistern}
18、式中，dataregistern表示第n组多维数组，其包含不同目标寄存器地址的数据；
19、步骤2.2、根据故障检测业务需要确定聚类数量k，从训练集x中选取k个样本作为初始聚类中心，根据已选择的中心点，记为c＝{μ1,μ2,...,μn}，其中μj表示第j个聚类中心；
20、步骤2.3、进行小批量抽样迭代，从训练集x中随机抽取一个小批量数据bt，即其中t表示当前迭代次数；
21、步骤2.4、对于小批量数据bt中的每个样本xi，计算其与所有聚类中心之间的距离，并将其分配给最近的聚类中心，定义分配函数a(xi)表示样本xi分配的聚类中心索引；
22、步骤2.5、基于小批量数据bt内分配给每个簇的样本，计算新的聚类中心作为该簇内所有样本的均值；采用如下公式平滑更新所述均值：
23、
24、式中，表示第t轮迭代中小批量bt中被分配到第j类的所有样本集合，表示该集合的样本数量。
25、步骤2.6、重复步骤2.3至步骤2.5直至满足停止条件，所述停止条件包括达到预设的最大迭代次数t或聚类中心的变化小于某个阈值。
26、在第一方面进一步的实施例中，步骤2.4中所述定义分配函数a(xi)的表达式如下：
27、
28、式中，||·||表示欧几里得距离；xi表示小批量数据bt中的每个样本；μj表示第j个聚类中心。
29、在第一方面进一步的实施例中，步骤3具体包括：
30、步骤3.1、在线实时采集每个时间周期内的网络流量数据，并通过提取源/目的ip地址数目、源/目的端口数目和tcp标志位数目关键特征，将这些数据构造成待检测的三维检测向量；
31、步骤3.2、将待检测的三维检测向量与预先建立的正常流量模型进行细致比对分析：
32、若比对结果表明流量正常，将该向量纳入正常流量模型以丰富其数据集；
33、若检测到异常，则自动生成一份流量异常报告上报给分布式充电桩运营监控平台并及时发送安全告警，以便采取相应措施。
34、在第一方面进一步的实施例中，步骤4中根据不同的故障行为进行不同的阻断，包括：
35、针对单个充电桩设备的故障行为，分布式充电桩运营监控平台与融合终端交互实现阻断设备的数据上传行为，关闭设备指令下发；
36、针对批量的充电桩设备的故障行为，分布式充电桩运营监控平台与融合终端交互实现阻断设备的数据上传行为，设备的重启指令下发；
37、针对持续的批量故障行为，分布式充电桩运营监控平台与融合终端交互实现阻断设备的数据上传行为，临时封禁该区域的充电桩设备的使用。
38、作为本发明的第二个方面，提出一种充电桩故障自动化检测系统，该自动化检测系统用于执行如第一方面及其进一步的实施例所述的充电桩故障自动化检测方法。
39、具体来说，该充电桩故障自动化检测系统包括用于接入充电桩的融合终端；预定区域范围内的多个充电桩接入同一个融合终端，多个区域内的多个融合终端通过网络层接入分布式充电桩运营监控平台。所述分布式充电桩运营监控平台负责正常流量模型的训练与下发、异常报告的保存和与融合终端交互下达控制指令。所述融合终端作为中间件，执行训练好的正常流量模型的检测工作，并且上报异常报告和下达控制指令、数据预处理。检测和预警工作在融合终端中完成；分布式充电桩运营监控平台负责决策和模型训练工作。
40、作为本发明的第三个方面，提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如第一方面及其进一步的实施例所公开的基于mini-batch-kmeans算法的充电桩故障自动化检测方法的操作。
41、与现有技术相比，本发明可达到如下有益效果：
42、(1)本发明利用了充电桩与融合终端间的网络数据报文，通过智能化手段精准提取特征，构建了高度针对性的检测向量，这一过程充分考虑了业务类型差异，确保了模型构建的精确度与适用性。结合mini-batch-kmeans算法的小批量数据处理策略，不仅大幅提升了大规模数据集处理的效率，还确保了模型能够灵活适应各种数据动态变化，有效减少算力消耗，这对于大规模物联网终端的运维而言是至关重要的。
43、(2)mini-batch-kmeans算法模型通过聚类分析，能迅速区分正常与异常流量模式，实现故障的即时识别。此过程不仅速度快，而且准确性高，能够快速为运维团队提供决策依据，解决传统方法中故障处理慢、定位不准确的问题，有效降低误报率，避免了因人工干预延迟导致的潜在风险，极大地提升了故障响应速度与处理效率。
44、(3)本发明通过自动化检测机制，显著降低了对人力资源的依赖，减轻了人力成本，同时也减少了因人为错误导致的运维风险。此外，它还扩展了融合终端的功能，使之具备了故障预警与初步处理的能力，这是传统运维模式无法比拟的。系统能够自动执行诸如关闭、重启设备指令下发等操作，对故障进行初步处理，减轻了运维人员的负担，提升了整体运维水平。
45、综上所述，本发明针对融合终端与充电桩终端设备间的网络数据报文，通过精确构建流量检测向量，结合改进的mini-batch-kmeans聚类算法，成功在分布式充电桩运营监控平台中建立了正常流量模型并下发至融合终端做检测工作。该模型能够有效识别充电桩设备潜在的故障行为，并及时发出警告，以确保电网的安全稳定运行，与传统检测方法相比，该方法不仅节约人力和算力成本，而且也扩充了融合终端的功能；此外，本发明还巧妙结合累积的历史数据，模拟出更为逼真的攻击模式和防御策略，使得电网的交互更加贴近实际应用场景。这不仅弥补了传统技术在复杂性上的不足，也进一步巩固了电网的安全防线。
1.一种基于mini-batch-kmeans算法的充电桩故障自动化检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的充电桩故障自动化检测方法，其特征在于，步骤1具体包括：
3.根据权利要求2所述的充电桩故障自动化检测方法，其特征在于，步骤1.3中所述三维检测向量被视为一个固定长度的向量，其中包含单位时间内网络流量的关键统计特征，三维检测向量的表达式如下：
4.根据权利要求3所述的充电桩故障自动化检测方法，其特征在于，步骤2具体包括：
5.根据权利要求4所述的充电桩故障自动化检测方法，其特征在于，步骤2.4中所述定义分配函数a(xi)的表达式如下：
6.根据权利要求4所述的充电桩故障自动化检测方法，其特征在于，步骤2.5还包括：采用如下公式平滑更新所述均值：
7.根据权利要求1所述的充电桩故障自动化检测方法，其特征在于，步骤3具体包括：
8.根据权利要求1所述的充电桩故障自动化检测方法，其特征在于，步骤4中根据不同的故障行为进行不同的阻断，包括：
9.一种充电桩故障自动化检测系统，用于执行如权利要求1至8中任一项所述的充电桩故障自动化检测方法，其特征在于，包括用于接入充电桩的融合终端；预定区域范围内的多个充电桩接入同一个融合终端，多个区域内的多个融合终端通过网络层接入分布式充电桩运营监控平台；
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如权利要求1至8中任一项所述的基于mini-batch-kmeans算法的充电桩故障自动化检测方法的操作。
