一种基于对抗对比自编码器的电能表异常检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于对抗对比自编码器的电能表异常检测方法及装置

【技术实现步骤摘要】
一种基于对抗对比自编码器的电能表异常检测方法及装置


[0001]本专利技术涉及电能表检测
，并且更具体地，涉及一种基于对抗对比自编码器的电能表异常检测方法及装置
。

技术介绍

[0002]在满足逐步变革智能电表检定模式需求的背景下，研究智能电表多维时序数据异常检测方法，不仅可以为智能电网的安全稳定运行保驾护航，同时研究成果也可以为各类工业实体设备的多维时序数据异常检测提供理论支撑及借鉴作用，对实现国家“双碳”目标
、
推动社会经济可持续发展作出贡献
。
在异常检测任务中，异常可以定义为不符合预期行为的异常模式
。
时间序列和非时间序列在数据上的差别在于非时序认为各数据相互独立，而时序中的各数据存在着关联关系
。
即非时间序列的异常检测在一定程度上属于离群点检测，是运用基于距离的相关操作找出不符合正常模式的散点的过程
。
但时间序列异常检测需要考虑每条序列内部采样时间点之间的先后逻辑和递推关系，单点的挖掘无法提取序列内部的时间依赖性
。
[0003]由于从实际电表实体设备收集到的数据大都缺少准确的正异常标签，对其进行人工标定难度和成本均较高，且由于设备的鲁棒性，实际收集的数据近乎全部为正常数据，因此一些有监督的方法由于缺少先验信息导致在实际应用中受到限制，所以目前主要的研究工作集中在无需准确类别信息标记的无监督异常检测上，且大部分研究假设训练数据均为正常
。
[0004]目前智能电表多维时间序列无监督异常检测方法可分为三大类：统计学方法
、
机器学习方法和深度学习方法
。
由于统计学方法需要数据满足所设定的统计学假设，而真实的数据往往呈现复杂而未知的分布，导致难以构建有效的统计学模型；传统机器学习模型难以直接捕捉时间序列中的上下文关联，难以对多维时间序列的复杂模式进行建模；在智能电网领域，电能表等工业设备的时序数据随着时代的发展逐渐变得复杂且随机
。
各种各样的系统继续生成大量数据，需要庞大数据支撑训练的深度学习方法应运而生
。
近年来，基于深度学习的时序异常检测，已经成为一个重要的方向
。
在处理异常检测问题上，目前大量无监督深度异常检测方法已经问世，并表现出比传统异常检测显著更好的性能
。
从整体看，基于深度学习的方法在多维时间序列异常检测问题中准确性相对较高，模型处理方式较为便捷
。
[0005]现有基于重构的多维时间序列异常检测方法专注于学习多维时间序列数据逐点的上下文信息，较少地关注时间序列的长期的整体变化趋势
。
而智能电表多维时间序列数据存在复杂的时间依赖性和维度相关性，且其正常模式会随着时间动态变化，现有的基于重构的方法无法为多变量时间序列数据的正常模式构建精确的轮廓，这限制了其性能的进一步提高
。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供一种基于对抗对比自编码器的电能表异常检测方法及装置
。
[0007]根据本专利技术的一个方面，提供了一种基于对抗对比自编码器的电能表异常检测方法，包括：
[0008]获取待测电能表历史检测的多变量长时间序列数据；
[0009]对多变量长时间序列数据进行归一化处理，划分预设窗口长度的多个时间窗口数据；
[0010]将多个时间窗口数据输入至预先训练的异常检测模型中，输出每个时间窗口数据对应的重构数据，异常检测模型中采用对抗对比自编码器；
[0011]根据每个时间窗口数据的重构数据以及时间窗口数据确定该时间窗口数据每个时间点的异常分数，并根据异常分数，确定每个时间点的异常程度
。
[0012]可选地，多变量长时间序列数据包括：
A
相电流
、B
相电流
、C
相电流
、A
相电压
、B
相电压
、C
相电压
、
正向有功电能示值
、
反向有功电能示值
、
正向无功电能示值
、
反向无功电能示值
、A
相有功功率
、B
相有功功率
、C
相有功功率
、
有功功率总值
、A
相无功功率
、B
相无功功率
、C
相无功功率
、
无功功率总值
、A
相功率因数
、B
相功率因数
、C
相功率因数
、
功率因数总值
。
[0013]可选地，获取待测电能表历史检测的多变量长时间序列数据之后，还包括：
[0014]利用
Z
‑
Score
标准化使多变量长时间序列数据中的每一个变量的所有值符合标准正态分布，其中
[0015]Z
‑
Score
标准化的公式为：
[0016][0017]式中，
X
i
为多变量长时间序列数据，表示标准化后的
X
i
，
μ
表示
X
i
中每个变量所有样本数据的均值的向量，
σ
表示
X
i
中每个变量所有样本数据的标准差的向量
。
[0018]可选地，异常检测模型的训练过程如下：
[0019]获取多个电能表历史检测的多变量时间序列数据样本，合并成一个多变量长时间序列数据样本；
[0020]利用
Z
‑
Score
标准化使多变量长时间序列数据样本中的每一个变量的所有值符合标准正态分布；
[0021]对标准化的多变量长时间序列数据样本进行窗口化，划分成预设窗口的多个时间窗口数据样本；
[0022]将多个时间窗口数据样本输入至投影层之后再应用时间戳掩码进行数据增强，确定正负样本对；
[0023]将正负样本对输入至编码器进行特征提取，确定正负样本对特征；
[0024]利用正负样本对特征
、
编码器
、
鉴别器以及解码器，进行模型训练，确定异常检测模型
。
[0025]可选地，将多个时间窗口数据样本输入至投影层之后再应用时间戳掩码进行数据增强，确定正负样本对，包括：
[0026]将时间窗口数据样本输入至投影层，获取每个样本的投影表示；
[0027]使用多尺度时间戳掩码和随机采样获取每个时间窗口数据样本的正样本和负样本；
[0028]在时间戳屏蔽中设置不同屏蔽概率获得的一个样本的多个增强样本，确定正样本对；
[0029]分别从其他原始时间窗口数据样本和每一类的增强样本中抽取预定数量的样本作为该原始时间窗口数据的负样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于对抗对比自编码器的电能表异常检测方法，其特征在于，包括：获取待测电能表历史检测的多变量长时间序列数据；对所述多变量长时间序列数据进行归一化处理，划分预设窗口长度的多个时间窗口数据；将多个所述时间窗口数据输入至预先训练的异常检测模型中，输出每个所述时间窗口数据对应的重构数据，所述异常检测模型中采用对抗对比自编码器；根据每个时间窗口数据的重构数据以及所述时间窗口数据确定该时间窗口数据每个时间点的异常分数，并根据所述异常分数，确定每个时间点的异常程度
。2.
根据权利要求1所述的方法，其特征在于，所述多变量长时间序列数据包括：
A
相电流
、B
相电流
、C
相电流
、A
相电压
、B
相电压
、C
相电压
、
正向有功电能示值
、
反向有功电能示值
、
正向无功电能示值
、
反向无功电能示值
、A
相有功功率
、B
相有功功率
、C
相有功功率
、
有功功率总值
、A
相无功功率
、B
相无功功率
、C
相无功功率
、
无功功率总值
、A
相功率因数
、B
相功率因数
、C
相功率因数和功率因数总值
。3.
根据权利要求1所述的方法，其特征在于，获取待测电能表历史检测的多变量长时间序列数据之后，还包括：利用
Z
‑
Score
标准化使所述多变量长时间序列数据中的每一个变量的所有值符合标准正态分布，其中所述
Z
‑
Score
标准化的公式为：式中，
X
i
为多变量长时间序列数据，表示标准化后的
X
i
，
μ
表示
X
i
中每个变量所有样本数据的均值的向量，
σ
表示
X
i
中每个变量所有样本数据的标准差的向量
。4.
根据权利要求1所述的方法，其特征在于，所述异常检测模型的训练过程如下：获取多个电能表历史检测的多变量时间序列数据样本，合并成一个多变量长时间序列数据样本；利用
Z
‑
Score
标准化使所述多变量长时间序列数据样本中的每一个变量的所有值符合标准正态分布；对标准化的多变量长时间序列数据样本进行窗口化，划分成所述预设窗口的多个时间窗口数据样本；将多个所述时间窗口数据样本输入至投影层之后再应用时间戳掩码进行数据增强，确定正负样本对；将所述正负样本对输入至编码器进行特征提取，确定正负样本对特征；利用所述正负样本对特征
、
所述编码器
、
鉴别器以及解码器，进行模型训练，确定所述异常检测模型
。5.
根据权利要求4所述的方法，其特征在于，将多个所述时间窗口数据样本输入至投影层之后再应用时间戳掩码进行数据增强，确定正负样本对，包括：将所述时间窗口数据样本输入至所述投影层，获取每个样本的投影表示；使用多尺度时间戳掩码和随机采样获取每个时间窗口数据样本的正样本和负样本；
在时间戳屏蔽中设置不同屏蔽概率获得的一个样本的多个增强样本，确定正样本对；分别从其他原始时间窗口数据样本和每一类的增强样本中抽取预定数量的样本作为该原始时间窗口数据的负样本，确定每个样本的负样本对
。6.
根据权利要求4所述的方法，其特征在于，将所述正负样本对输入至编码器进行特征提取，确定正负样本对特征的过程表示为：
z
＝
E(a)
式中，
E(
·
)
代表编码器，
a
是原始时间序列窗口数据输入到投影层后获得的投影表示或其增强样本，
z
为
a
的隐向量，即原始样本或正负样本对特的征，
z∈R
h
，
h
为隐向量的长度
...

【专利技术属性】
技术研发人员：于家豪，高欣，李保丰，翟峰，赵兵，郜波，秦煜，陈昊，梁晓兵，许斌，徐萌，卢建生，肖春，任宇路，杨帅，贾勇，焦广旭，
申请(专利权)人：中国电力科学研究院有限公司国网山西省电力公司营销服务中心，
类型：发明
国别省市：