本发明专利技术涉及一种基于GRU的电力物联网时序数据异常检测及恢复方法,包括以下步骤:步骤1、对采集的电力物联网的时序数据进行预处理;步骤2、将步骤1中预处理之后的电力物联网的时序数据通过GRU模型进行预测得到预测数据;步骤3、基于步骤2获得的预测值,通过改进的损失函数设立的阈值进行异常检测;步骤4、对步骤3检测出异常数据进行数据恢复。本发明专利技术能够解决电力物联网中时序数据异常检测和恢复的技术问题。
【技术实现步骤摘要】
本专利技术属于电力物联网,涉及一种电力物联网时序数据异常检测及恢复方法,尤其是一种基于gru的电力物联网时序数据异常检测及恢复方法。
技术介绍
1、电力物联网中的数据涵盖高频率采集的电流、电压、功率、设备状态参数等指标,这些数据随着时间的推移会形成一个时间序列。电力物联网时序数据是指在电力物联网系统中收集到的按时间顺序排列的数据集合,数据值与时间相关联,时间戳通常作为数据的索引,同时数据的时间间隔通常是相等的。随着电力物联网中电力电子设备的海量加入,用于监测电力运行及环境的感知设备和智能设备越来越多,产生大量的时序数据。这些数据包含了各种设备运行状态,本身状况和环境信息,而如何实时监测和预测设备故障或系统异常状态,保证电网安全可靠运行具有重要意义。利用这些时序数据,可以对电力系统的运行状态进行监测和预测,进而实现智能化调度和优化管理。因此为了保证电力物联网系统及设备的正常运行,需要对异常数据的进行检测及修复。
2、现有的异常检测方法主要基于统计方法、机器学习及深度学习三大类。
3、基于统计的方法是指使用统计学原理和方法进行建模、分析和预测的一类方法。在时序数据异常检测中,常用的基于统计的方法包括均值和标准差、中位数和绝对偏差、箱线图等。这些方法主要是基于对数据分布、趋势和离群点的统计特征进行分析和建模,来进行异常检测。相比于机器学习和深度学习方法,基于统计的方法更简单、易于理解和实现,不需要大量的训练数据和模型参数调整,但是对于复杂的非线性数据和时序特征,其检测效果可能不如机器学习和深度学习方法。
4、基于机器学习的方法可以分为监督学习和无监督学习两种。监督学习需要有带标签的数据进行训练,通过输入特征和标签对模型进行训练,然后使用该模型进行异常检测,但是数据中的异常量和正常量差别很大,这就导致训练的效果很差。常用的监督学习算法包括决策树、支持向量机、随机森林等。无监督学习不需要标签数据,通过对数据进行聚类、降维等操作来学习数据的结构和规律。常用的无监督学习算法包括聚类算法、主成分分析、奇异值分解等。但机器学习局限在只利用数据本身特征信息,未考虑时序相关性。
5、基于深度学习的方法是指利用深度神经网络来建模和处理数据,以完成任务的一种方法,、使用具有多个隐层的神经网络来学习数据的特征表达和分类任务,能够很好的处理数据中的时序信息。但大多数研究只是利用深度学习模型的预测值来与实际观测值进行简单比较,并未很好的设立阈值,很容易造成数据的误判。并且大多只对异常数据进行检测,并未考虑异常数据的恢复问题。若不对异常数据进行恢复,当异常数据较多时很容易造成数据的不完整性。
6、经检索,未发现与本专利技术相同或相似的现有技术中的文献。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足,提出一种基于gru的电力物联网时序数据异常检测及恢复方法,能够解决电力物联网中时序数据异常检测和恢复的技术问题。
2、本专利技术解决其现实问题是采取以下技术方案实现的:
3、一种基于gru的电力物联网时序数据异常检测及恢复方法,包括以下步骤:
4、步骤1、对采集的电力物联网的时序数据进行预处理;
5、步骤2、将步骤1中预处理之后的电力物联网的时序数据通过gru模型进行预测得到预测数据;
6、步骤3、基于步骤2获得的预测值,通过改进的损失函数设立的阈值进行异常检测;
7、步骤4、对步骤3检测出异常数据进行数据恢复。
8、而且,所述步骤1的具体提步骤包括:
9、(1)缺失值填充:
10、首先取缺失点前后各一个时间点的值计算平均值作为缺失点的初始填充值,之后计算初始值与缺失点前后两个的误差,将误差取平均值后与初始值相加即可将结果作为最终的填充值:
11、①已知点(x0,y0)、(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)当y2存在缺失值时,首先计算初始填充值:
12、
13、其中xi表示时间点,yi表示对应时间点采集到的数据。
14、②接下来计算初始值与缺失点前后两个的误差并对误差取平均值:
15、
16、③将平均值与初始值相加即可得到最终的填充值:
17、y2=y2+avg
18、(2)去除噪声:
19、使用3σ原则将数据集中不满足平均值加减三个标准差的范围内的数据剔除。
20、而且,所述步骤2的具体方法为:
21、首先将前一天的用电量数据到gru模型,在每个时间点输入数据时,门控机制可以自适应地决定哪些信息需要被保留,哪些信息需要被遗忘,保留数据之间的时序信息,从而根据之前的时间步用电量数据预测出下一个时间步的数据。
22、而且,所述步骤3的具体步骤包括:
23、(1)通过gru模型得到预测值后,计算真实值与预测值的残差:
24、假设y(n)为gru的预测值,x(n)为传感器采集到的相关电气值,n=1,2,3…;根据以下公式来计算残差:
25、loss(n)=|y(n)-x(n)|
26、(2)设立步骤(1)所得残差的阈值;
27、根据以下公式来设立阈值1:
28、
29、其中,y(i)为gru模型的预测值,x(i)为采集到的真实值。
30、(3)将残差与阈值进行比较,进行异常数据检测,从而确定数据是否异常;
31、将残差与阈值1进行比较:
32、r1=loss(i)-th1(i)
33、若r1>0,则此点是异常值,否则为正常值。
34、而且,所述步骤4的具体步骤包括:
35、(1)初步确定正常值
36、对于点(x0,y0)、(x1,y1)、(x2,y2),当y1为异常点时,y1点正常值的计算公式如下:
37、
38、(2)最终确定正常值
39、通过上述公式得到初步确定的正常值后,为进一步保证值的准确性,结合gru模型的预测值来综合确定最后的正常值:
40、假设y1g是gru模型在(x1,y1)异常点的预测值,通过取两者的平均值即是y1的最终正常值:
41、
42、此y1即可作为(x1,y1)点的最终正常值。
43、本专利技术的优点和有益效果:
44、1、本专利技术提出一种基于gru的电力物联网时序数据异常检测及恢复方法,针对电力物联网中的各种设备对电流、电压、设备参数等多种指标进行持续监测时可能存在的数据异常,由于传统方法没有考虑时序性,对时序信息的处理不足,会在检测异常数据时出现误判问题,降低了异常检测的准确率并且未对异常数据进行恢复的问题。本专利技术首先对采集到的数据进行预处理,包括改进缺失值填充和去除噪声,之后将预处理之后的数据通过gru模型进行预测得到预测数据,最后通本文档来自技高网
...
【技术保护点】
1.一种基于GRU的电力物联网时序数据异常检测及恢复方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于GRU的电力物联网时序数据异常检测及恢复方法,其特征在于:所述步骤1的具体提步骤包括:
3.根据权利要求1所述的一种基于GRU的电力物联网时序数据异常检测及恢复方法,其特征在于:所述步骤2的具体方法为:
4.根据权利要求1所述的一种基于GRU的电力物联网时序数据异常检测及恢复方法,其特征在于:所述步骤3的具体步骤包括:
5.根据权利要求1所述的一种基于GRU的电力物联网时序数据异常检测及恢复方法,其特征在于:所述步骤4的具体步骤包括:
【技术特征摘要】
1.一种基于gru的电力物联网时序数据异常检测及恢复方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于gru的电力物联网时序数据异常检测及恢复方法,其特征在于:所述步骤1的具体提步骤包括:
3.根据权利要求1所述的一种基于gru的电力物联网时序数据异常检测及恢复...
【专利技术属性】
技术研发人员:孙先范,郭晓艳,李振振,尚博祥,沈兴杰,郑剑,王海彪,
申请(专利权)人:国网天津市电力公司,
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。