1.一种变电站无人机飞行数据在线异常检测方法，其特征在于：该检测方法包括以下步骤：S1、采用主成分分析（PCA）方法在多维飞行数据矩阵 中通过数据重构找到一个低维的内部子空间矩阵 并计算得到子空间的主方向向量，该向量将包含原始数据空间中最大的信息量；

S2、利用过采样（OverSampling）主成分分析方法将异常数据对主方向的影响放大，而正常数据对主方向没有影响，在子空间矩阵 中以投影近似方式更新子空间向量，追踪和匹配子空间向量的主方向变化来实现飞行数据的瞬时异常检测，并得到每个点的异常分数；

S3、在无人机切换任务模式时，为了自适应更新异常分数阈值并进一步降低异常检测的误检率，选择一类支持向量机（OC‑SVM）对数据点进行是否异常的判别；

步骤S1包括以下步骤：

S11、无人机在变电站执行运维任务时，一些关键参数对无人机的飞行控制异常重要，飞行数据矩阵 包括：经度、纬度、海拔高度、俯仰角、横滚角、偏航角、无人机的地速和空速参数，对无人机的飞行参数监测用以发现潜在的异常，在时刻 ，多维飞行数据矩阵 如下：上式中，每一行 表示n维的飞行数据实例，t为实例的个数；

S12、PCA主要是通过对飞行数据矩阵 重构，在多维飞行数据矩阵 中寻找一个低维的内部子空间矩阵 作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵 的行向量如 为原始输入中相应飞行参数的向量化表示，其中， ；

S13、PCA本质上是采用欧几里得范数的平方作为距离度量，并采用最小化投影数据的重构误差，则数据重构目标函数表示为：   （1）

其中， 为 ， 为第 个原始飞行数据输入， 为整体均值， 为包含 个子空间向量的子空间矩阵， 为第 个原始数据向数据子空间投影， 为从投影子空间重构估计得到的第 个 ；

S14、通过导出协方差数据矩阵的特征值分来解决上述的最小化重构问题，如下：   （2）

其中， 为协方差矩阵， 为均值， 的每一列为 的

一个特征向量，其中 对应的对角线元素为相应的特征值，最后几个特征向量对数据分布的影响不大会被舍弃，将公式（1）用最小二乘形式近似为：（3）

其中， 为 的近似值， 在 维空间中，基于公式（3），重建误差具有二次形式并且是 的函数，可以通过求解最小二乘问题来计算，在线环境中，假设飞行数据在时序方向上相邻的子空间具有相似性，即 。

2.根据权利要求1所述的一种变电站无人机飞行数据在线异常检测方法，其特征在于：步骤S2的具体步骤包括：

无人机飞行数据异常检测采用OS‑PCA方法是因为正常数据和异常数据的数据量不均衡，该方法的主要思想是对离群点过采样会使数据的主方向远离原数据的主方向，而正常数据点的过采样则对主方向的变化影响很小，无人机在变电站执行巡检任务时会包含很大的数据量，对数据点重采样 次可以放大当前数据点对主方向的影响，当前时刻 的数据输入表示为 ，此时目标函数为：（4）

此外，若将 时刻之前的影响缩小也可以达到放大当前时刻 对主方向影响的效果，即施加遗忘因子 ，此时 ，为过采样数目 与原始数据集大小 的比值，此时目标函数为式（5）所示，其中，当前时刻 的输入为 ， 和 分别用 和 近似，（5）求解式（5）的优化问题即是数据点的增量策略异常检测问题，过采样PCA的异常检测算法输入是飞行数据矩阵X和参数 ，算法输出是异常分数，通过取式（5）关于 的导数来计算 的解，如下：（6）

对式（6），如果只关心主方向，即最大特征值对应的子空间向量为 , 时刻参考子空间向量 张成的子空间为 ，利用估计的最显著子空间向量 和参考的最显著子空间向量，分别向参考子空间 和估计的子空间 投影，则由式（7）计算得到的夹角的平均即为时刻输入向量的异常分数，（7）

其中，异常分数 为 时刻输入向量对数据子空间向量的影响，值越大则输入向量的异常程度越大，通过大量实验验证，当异常分数 ＞0.5时，可以确定无人机在某一飞行状态下发生了异常。

3.根据权利要求2所述的一种变电站无人机飞行数据在线异常检测方法，其特征在于：步骤S3的具体步骤包括：

OS‑PCA利用数据子空间在时序方向上的相似性特性，为时间序列的异常检测提供了依据，具有计算和存储轻量、适应飞行数据的动态变化的特点，但当无人机切换任务模式时，如起飞、攀升、巡检、降落，采集的飞行数据在正常的表现上不同于历史数据，为了自适应更新异常分数阈值并进一步降低异常检测的误检率，根据某时刻数据点正常和异常只能是其一的特点，选择OC‑SVM对异常分数进行异常判别；

一类支持向量机算法不需要得到数据的分类标签，旨在构造出一个超平面或超球体来包含大部分数据点的分布区域，而将少部分数据点隔离出来，对于给定的训练数据集，OC‑SVM利用一个映射函数 将训练数据点 由原始的特征空间投影到更高维的空间，并在映射之后的空间中建立超平面 ，其中 和 为其法向量与截距，在OC‑SVM模型当中假定原点为异常点，则需要获取一个超平面将全部的训练样本点和该点分离开，并且要确保超平面与原点之间的距离达到最远，即需要优化原点到超平面的距离为最大值，一类支持向量机的超平面决策方程，如式（8）所示：（8）

其中,  且 由任意满足 的支持向量样本 计算获得，

为符号函数，若x大于0则输出为1，否则输出为0。