【技术实现步骤摘要】
一种基于深度混合标准化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,涉及一种基于深度混合标准化的电能表异常检测方法及装置
。
技术介绍
[0002]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 ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度混合标准化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;将所述多变量长时间序列数据输入至预先训练的电能表异常检测模型中,输出所述待测电能表每个时间步的重构数据,其中所述异常检测模型为基于深度混合标准化模块和自编码器模型的电能表异常检测模型;根据所述待测电能表每个时间步的所述多变量长时间序列数据以及所述重构数据,确定所述待测电能表每个时间步的异常分数,并根据所述异常分数,确定每个时间步的异常程度
。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,还包括:训练所述异常检测模型的深度混合标准化模块,具体为:获取多个电能表历史检测的多变量时间序列样本数据,合并成一个多变量长时间序列样本数据;将所述多变量长时间序列样本数据输入至深度
z
‑
score
标准化模块,输出第一候选时间序列样本数据;将所述多变量长时间序列样本数据输入至深度
min
‑
max
标准化模块,输出第二候选时间序列样本数据;将所述第一候选时间序列样本数据以及所述第二候选时间序列样本数据馈送入多路选择器,输出标准化时间序列样本数据
。4.
根据权利要求3所述的方法,其特征在于,还包括:将所述标准化时间序列样本数据输入至自编码器模型中,训练所述电能表异常检测模型
。5.
根据权利要求3所述的方法,其特征在于,将所述多变量长时间序列样本数据输入至深度
z
‑
score
标准化模块,输出第一候选时间序列样本数据,包括:从所述多变量长时间序列样本数据中提取每个维度的平均值,构成平均值序列向量;根据所述平均值序列向量,确定所述多变量长时间序列样本数据的平移算子;使用所述平移算子对所述多变量长时间序列样本数据的每个维度平移到新的中心,确定平移多变量长时间序列样本数据;根据所述多变量长时间序列样本数据每一维度的标准差,确定所述多变量长时间序列样本数据的缩放算子;使用所述缩放算子对所述平移多变量长时间序列样本数据的每个维度进行缩放,确定所述第一候选时间序列样本数据;其中,所述第一候选时间序列样本数据的标准化公式为:式中,是未标准化的多变量时间序列样本数据,
所述平移算子的计算公式为:
α1=
W
μ
μ
式中,为自编码器模型神经网络可学习的权重矩阵,为平移算子,
μ
=
[
μ1,
μ2,
...
,
μ
d
]
为平均值序列向...
【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,郑安刚,许斌,徐萌,冯云,赵英杰,卢建生,肖春,任宇路,杨帅,贾勇,姚俊峰,
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。