[发明专利]基于机器学习的电力物联动态基线告警系统及方法

权利要求书

1.一种基于机器学习的电力物联动态基线告警系统，其特征在于：它包括数据采集模块(1)、数据处理模块(2)、CPU使用率基线函数计算模块(3)和阈值警告界线确定模块(4)；

所述数据采集模块(1)用于采集电力物联平台数据库中预设的M天的电力物联平台数据库CPU使用率数据，并在M天的电力物联平台数据库CPU使用率数据中随机选取N天的电力物联平台数据库CPU使用率数据构成测试数据集D，其中N＜M；

所述数据处理模块(2)用于将N天的电力物联平台数据库CPU使用率数据以天为单位拆分成D₁、D₂、…D_N这N个测试数据子集；

所述CPU使用率数据基线函数计算模块(3)用于利用支持向量回归算法构造线性回归模型，使各个测试数据子集内的所有CPU使用率数据到该线性回归模型的距离最近，并利用线性回归模型得到CPU使用率数据动态上下基线函数；

所述阈值警告界线确定模块(4)用于对各个测试数据子集分别添加白噪声，得到添加了白噪声后的CPU使用率数据动态上下基线函数；计算添加了白噪声后的CPU使用率数据动态上下基线函数在CPU使用率训练样本数据的每个时间点x上对应的CPU使用率的差的绝对值，上述每个时间点x上对应的CPU使用率的差的绝对值形成测试数据集D的阈值警告界线P。

2.根据权利要求1所述的基于机器学习的电力物联动态基线告警系统，其特征在于：它还包括基线函数预测模块(5)，所述基线函数预测模块(5)用于将各个测试数据子集对应的CPU使用率数据动态上下基线函数采用径向基核函数预测第N+1天的CPU使用率数据动态上下基线函数。

3.根据权利要求1所述的基于机器学习的电力物联动态基线告警系统，其特征在于：所述CPU使用率数据基线函数计算模块(3)用于利用支持向量回归算法构造线性回归模型y＝wx+b，使各个测试数据子集内的所有CPU使用率数据到该线性回归模型y＝wx+b的距离最近，(x,y)表示CPU使用率训练样本数据点，x表示时间，y表示时间对应的CPU使用率，w为法向量，b为位移项，将测试数据集D利用支持向量回归算法学习到函数f(x)使得函数f(x)与线性回归模型y尽可能的接近，当f(x)与y完全相同时，损失才为零，而支持向量回归假设能容忍的f(x)与y之间最多有ε的偏差，当且仅当f(x)与y的差别绝对值大于ε时，才计算损失，此时，以f(x)为中心，构建一个宽度为2ε的间隔带，得到CPU使用率数据动态上基线函数f(x)+ε和CPU使用率数据动态下基线函数f(x)-ε。

4.一种基于机器学习的电力物联动态基线告警方法，其特征在于，它包括如下步骤：

步骤1：采集电力物联平台数据库中预设的M天的电力物联平台数据库CPU使用率数据，并在M天的电力物联平台数据库CPU使用率数据中随机选取N天的电力物联平台数据库CPU使用率数据构成测试数据集D，其中N＜M；

步骤2：将N天的电力物联平台数据库CPU使用率数据以天为单位拆分成D₁、D₂、…D_N这N个测试数据子集；

步骤3：利用支持向量回归算法构造线性回归模型y＝wx+b，使各个测试数据子集内的所有CPU使用率数据到该线性回归模型y＝wx+b的距离最近，(x,y)表示CPU使用率训练样本数据点，x表示时间，y表示时间对应的CPU使用率，w为法向量，b为位移项，将测试数据集D利用支持向量回归算法学习到函数f(x)使得函数f(x)与线性回归模型y尽可能的接近，当f(x)与y完全相同时，损失才为零，而支持向量回归假设能容忍的f(x)与y之间最多有ε的偏差，当且仅当f(x)与y的差别绝对值大于ε时，才计算损失，此时，以f(x)为中心，构建一个宽度为2ε的间隔带，得到CPU使用率数据动态上基线函数f(x)+ε和CPU使用率数据动态下基线函数f(x)-ε；

步骤4：对各个测试数据子集分别添加白噪声，得到添加了白噪声后的CPU使用率数据动态上下基线函数；计算添加了白噪声后的CPU使用率数据动态上下基线函数在CPU使用率训练样本数据的每个时间点x上对应的CPU使用率的差的绝对值，上述每个时间点x上对应的CPU使用率的差的绝对值形成测试数据集D的阈值警告界线P。