基于多元时序预测模型的传感器异常检测与预警方法技术

本发明专利技术公开了基于多元时序预测模型的传感器异常检测与预警方法，包括获得节点之间隐式图邻接矩阵；将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间；利用时间卷积模块捕捉多元时间序列数据的时间相关性；利用图卷积模块捕捉数据的空间相关性；对设备状况进行异常检测与预警。本发明专利技术针对配电房传感器采集到的数据，采用智能的异常检测方式，能充分利用传感器数据，提高检测和预警的准确率，同时能够捕捉异质性信息，构建传感器状态节点与状态间的前后依存关系，高效准确地定位异常传感器。效准确地定位异常传感器。效准确地定位异常传感器。

【技术实现步骤摘要】
基于多元时序预测模型的传感器异常检测与预警方法


[0001]本专利技术涉及数据挖掘
，特别是基于多元时序预测模型的传感器异常检测与预警方法。

技术介绍

[0002]随着物联网技术的蓬勃发展，智慧城市等概念的提出，物联网逐渐覆盖了我们生产和生活的方方面面，这也使得各类嵌入式传感器等物联网设备的数量呈现爆发式增加。与之相对应的是传感器实时采集的数据不断增加，这也使得人类很难进行手动监测和管理数据和设备的异常。而受益于深度神经网络技术的飞速发展以及其卓越的性能，被越来越多地应用到了时间序列数据异常检测的场景之中。
[0003]为响应智慧城市的号召，提高信息处理能力和电网服务水平，并且进一步提高电网的安全性，现阶段云南电网已建成的30多座低压智能配电房，覆盖了进线柜、配变、低压开关和环境监测等，一定程度上提高了运维效率。但目前，低压配电房智能化管理、监测和控制采用的“云
‑
边
‑
端”架构模式，普遍存在异质数据应用水平低、关联分析能力不足、故障定位查找不准等问题。因此，一种能够对终端传感器上传的数据进行处理与表征，捕捉不同传感器之间异常的关联性，基于当前传感器信息对即将发生或存在的异常状况预测与评估，进而快速找到异常数据和异常传感器的方法急需等待提出。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述和/或现有的基于多元时序预测模型的传感器异常检测与预警方法中存在的问题，提出了本专利技术。
[0006]因此，本专利技术所要解决的问题在于如何提供基于多元时序预测模型的传感器异常检测与预警方法。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：基于多元时序预测模型的传感器异常检测与预警方法，其包括获得节点之间隐式图邻接矩阵；
[0008]将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间；
[0009]利用时间卷积模块捕捉多元时间序列数据的时间相关性；
[0010]利用图卷积模块捕捉数据的空间相关性；
[0011]对设备状况进行异常检测与预警。
[0012]作为本专利技术所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述获得节点之间隐式图邻接矩阵的步骤包括：
[0013]将传感器节点表征的静态特征输入图学习层；
[0014]通过学习传感器之间的静态特征，获得图邻接矩阵；
[0015]所述图邻接矩阵根据新的训练数据更新模型参数进行改变。
[0016]作为本专利技术所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述多元时间序列型实时环境数据为节点，所述多元时序预测为一个图结构。
[0017]作为本专利技术所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间的步骤包括：
[0018]挖掘变量之间隐式空间依赖；
[0019]处理无显示图结构的配电房传感器数据，使模型在无预定义的图结构的情况下发掘图结构。
[0020]作为本专利技术所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述利用时间卷积模块捕捉多元时间序列数据的时间相关性通过控制时序卷积模块接收域的大小的超参数膨胀因子d数值，并令其以q的指数速率增加。
[0021]作为本专利技术所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：多次运行所述利用时间卷积模块捕捉多元时间序列数据的时间相关性和所述利用图卷积模块捕捉数据的空间相关性，增加网络深度，捕捉传感器数据中更深层的信息。
[0022]作为本专利技术所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述异常检测包括如下步骤：
[0023]计算模型预测值与当前真实数值的差异；
[0024]对数值差异与不一致的步长设置阈值，当超过阈值时，将当前情况标定为异常。
[0025]作为本专利技术所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：设置临界状态阈值；
[0026]模型预测的数值超过临界状态阈值时，触发预警。
[0027]作为本专利技术所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述利用图卷积模块包括信息传播层和信息选择层两个子模块；
[0028]信息传播层，其计算公式为：
[0029][0030]其中，β为超参数，用于保持多少比例的原始节点信息；k表示传播层的深度，H
in
表示当前层的隐层输入，即前一层的输出，H
out
为当前层的隐层输出状态，H
in
＝H
(0)
，其中
[0031]信息选择层，其计算公式为：
[0032][0033]其中，W
(k)
为参数矩阵，当给定图结构没有空间依赖时，即信息传播公式中后半部分需要为0时，令W
(k)
＝0，仅保留初始节点信息。
[0034]作为本专利技术所述基于多元时序预测模型的传感器异常检测与预警方法的一种优
选方案，其中：所述多元时间序列中变量之间的关系是单向的，一个前序节点的变化会引起后续节点的变化，具体通过如下公式表示：
[0035]M1＝tanh(αE1Θ1)
[0036]M2＝tanh(αE2Θ2)
[0037][0038]for i＝1,2,
…
,N
[0039]idx＝argtopk(A[i,:])
[0040]A[i,
‑
idx]＝0
[0041]其中，E1,E2为初始化节点嵌入，θ1,θ2为模型参数，α为激活函数的饱和率，argtopk(
·
)返回向量中最大值下标；
[0042]A为计算邻接矩阵的非对称信息，使用ReLU激活可以正则化邻接矩阵的效果，当A
uv
为正值，其对角元素A
vu
将为0，负值在ReLU下为0；For循环稀疏邻接矩阵；argtopk(
·
)为选择节点最近的k个节点。
[0043]本专利技术有益效果为1.充分利用配电房传感器产生的数据，并且随着数据采集时间的增多，检测和预警的准确率也会随之提升；2.捕捉以往忽视的不同传感器之间的异质信息，感知相同配电房不同传感器之间的相关关系，充分利用传感器之间的潜在空间相关性；3.借助图神经网络部分对时间依赖性表现出的较高能力，构建传感器状态节点与状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：包括，获得节点之间隐式图邻接矩阵；将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间；利用时间卷积模块捕捉多元时间序列数据的时间相关性；利用图卷积模块捕捉数据的空间相关性；对设备状况进行异常检测与预警。2.如权利要求1所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述获得节点之间隐式图邻接矩阵的步骤包括：将传感器节点表征的静态特征输入图学习层；通过学习传感器之间的静态特征，获得图邻接矩阵；所述图邻接矩阵根据新的训练数据更新模型参数进行改变。3.如权利要求2所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述多元时间序列型实时环境数据为节点，所述多元时序预测为一个图结构。4.如权利要求3所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间的步骤包括：挖掘变量之间隐式空间依赖；处理无显示图结构的配电房传感器数据，使模型在无预定义的图结构的情况下发掘图结构。5.如权利要求4所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述利用时间卷积模块捕捉多元时间序列数据的时间相关性通过控制时序卷积模块接收域的大小的超参数膨胀因子d数值，并令其以q的指数速率增加。6.如权利要求5所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：多次运行所述利用时间卷积模块捕捉多元时间序列数据的时间相关性和所述利用图卷积模块捕捉数据的空间相关性，增加网络深度，捕捉传感器数据中更深层的信息。7.如权利要求6所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述异常检测包括如下步骤：计算模型预测值与当前真实数值的差异；对数值差异与不一致的步长设置阈值，当超过阈值时，将当前情况标定为异常。...

【专利技术属性】
技术研发人员：向映宇，刘红文，陈柏希，于振国，王科，胡昌斌，胡浩卿，王翔，聂鼎，方倩，
申请(专利权)人：云南电网有限责任公司昆明供电局，
类型：发明
国别省市：