【技术实现步骤摘要】
本专利技术涉及电能计量，并且更具体地，涉及一种基于双记忆增强自编码器的电能表异常检测方法。
技术介绍
1、加快实现电力系统的数字化转型，构建以实现“双碳”为目标的智能电网，是电力系统的重要发展路径。智能电表是智能电网中最为重要的构件之一，其不仅需要起到计量、显示的基础作用，还需要实现电力用户和电力企业之间的双向通信。随着智能电网的发展，智能电表的功能日益丰富，及时排查和检修故障电表，对电网的稳定运行和用户的稳定用电具有重大意义。按照检定周期进行电能表到期轮换的传统电能表检定模式不能及时发现故障电表，且造成了人力物力的巨大浪费。根据国家市场监管总局关于强制检定的相关规定，应变革生活用电能表(以下简称电能表)到期轮换的传统模式，逐步推行以“失准更换”替代“到期轮换”，构建依据电能表状态延期使用或更换的新模式。失准更换的推行对维护电力企业与电力客户之间的公平公正贸易结算、推动电能表法制监管模式变革，以及助力国家“双碳”目标等方面具有重要意义。要实现这一目标，亟需变革目前传统实物传递的电能表检定校准模式，创新电能表检定校准方法。
2、为构建智能电网，先进的传感器技术、通讯技术、智能电力装备被应用于电力系统，为电网带来重大智能化提升。智能电能表作为应用最广的智能电力装置，可以采集家庭、商业等用户的电流、电压、电能示值等多变量时间序列检测数据，通过对多变量时间序的周期、趋势的分析和变量间相关关系的分析，可以学习多变量时间序列的正常模式进而检测正常和异常数据，从而全面地分析和监测智能电能表的运行情况。
3、在现实情况中
4、经典的无监督异常检测方法如local outlier factor(lof)、one-class supportvector machine(ocsvm)和isolation forest(if)已经被应用到了智能电能表时间序列异常检测中，然而许多传统的异常检测方法并不适合时间序列异常的检测。经典无监督异常检测方法的局限性在于它们没有考虑时间序列数据的时间结构，它们将具有时间先后顺序的时间序列当作一个个独立的点，忽略了时间序列相邻时间点间的上下文依赖，导致这些方法无法捕捉到时间序列中的复杂的结构信息和非线性关系。还有一些方法使用了如自回归综合移动平均模型(arima)等基于自回归的方法来通过拟合历史时间点之间的相关性并预测未来数据，但它们仍然很难建模具有复杂非线性的多变量时间序。在时间序列数据中，异常行为和正常行为之间的定义往往不精确，并且还在不断演变。这种缺乏明确的代表性正常边界对传统方法提出了挑战。此外，在推理过程中，它们仍然需要重新遍历整个训练集来找到最近的样本，这使得它们的计算效率很低。这些原因共同导致了传统机器学习方法在大量数据的智能电能表多变量时间序列异常检测中效果有限。近来，由于深度学习方法的快速发展，基于深度学习的无监督异常检测方法取得了令人印象深刻的进展。
5、深度学习模型具有较强的非线性，能够有效地挖掘高维数据的模式，因此被广泛应用于mts的异常检测。基于深度学习的智能电能表时间序列异常检测方法可以大致分为基于重构的方法和基于预测的方法。两种方法均有一个基本假设，训练数据都是正常数据。基于预测的方法是用历史的正常数据训练一个预测模型来预测下一时刻或时间段的时间序列。在测试时，将测试数据下一时间点或时间段的真实值与预测值的误差作为异常分数。由于时间序列本身表现出很强的随机性和不可预测性，并且在现实情况下无法收集到影响时间序列的全部变量，当预测周期过长时，基于预测的方法无法准确地预测未来值，所以目前大多数基于深度学习的异常检测方法聚焦于基于重构的方法。基于重构的方法是使用编码器将原始的正常数据映射到一个低维空间，然后再通过解码器将学习到的低维特征表示还原回原始空间，通过设置信息瓶颈的方式，提取原始时间序列中的代表性特征。由于训练数据均为正常数据的假设，基于重构的方法的模型无法重构测试序列中的异常序列，所以异常数据相比于正常数据有更大的重构误差和异常分数。在测试时可以使用原始时间序列和重构时间序列的重构误差作为判断正异常的异常分数。
6、尽管基于重构的电能表多维时间序列异常检测方法取得了一些的成果，但它仍然面临着如下挑战。首先，在现实数据集中噪声和异常的干扰下，现有的基于重构的智能电能表异常检测方法仍面临模型对异常的意外泛化导致正异常之间缺乏区分的问题，影响异常检测的性能。一些基于概率生成模型的方法被用来处理这个问题，因为模型的对噪声的隐式鲁棒性使其在被污染的训练数据中仍能保持稳健，但这种隐式的鲁棒性对不同数据效果并不稳健并且可解释性差，并且深度生成模型在训练数据集中存在污染时，还会有训练不稳定、泛化能力差等问题。记忆模块作为一种显式的设计来被用来解决智能电能表多变量时间序列异常检测问题，但其在抑制对异常泛化能力的同时牺牲了对非典型正常数据的重构能力，这也会导致在异常检测时正常和异常之间的区分度降低。其次，现有的时间序列异常检测方法难以考虑超越时间窗口的长时间依赖性，限制了模型对时序模式的挖掘提取和对时间窗口重构的能力。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于双记忆增强自编码器的电能表异常检测方法。
2、根据本专利技术的一个方面，提供了一种基于双记忆增强自编码器的电能表异常检测方法，包括：
3、获取待测电能表历史检测的多变量长时间序列数据；
4、将多变量长时间序列数据划分为预设窗口长度的多个时间窗口数据；
5、将多个时间窗口数据和其相邻时间窗口数据输入至预先训练的异常检测模型中，输出时间窗口数据对应的重构数据，其中异常检测模型采用基于双记忆增强自编码器；
6、根据每个时间窗口数据的重构数据以及原始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，确定待测电能表每个时间点的异常程度。
7、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：对多变量长时间序列数据进行归一化预处理，其中预处理的过程为：
8、
9、
10、其中，pij表示输入的原始向量，表示经过可学习归一化处理后的变量向量，αj表示可学习的均值向量中的第j个元素，βj表示可学习的方差向量中的第j个元素，wp1和wp2表示自适应加权求和的权重，xi表示经过可学习数据预处理模块后的模型输入。
11、可选地，异常检测模型的训练过程如下：
12、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；
13、对多变量长时间序列样本数据进行窗口化，划分成预设窗口的多个时间窗口样本数据；
14、根据预先构建的全局记忆增强编码器分别对多个时间窗口样本数据中每个待检测时间窗口样本进行特征提本文档来自技高网...
【技术保护点】
1.一种基于双记忆增强自编码器的电能表异常检测方法，其特征在于，包括：
2.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：对所述多变量长时间序列数据进行归一化预处理，其中所述预处理的过程为：
3.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：
4.根据权利要求3所述的方法，其特征在于，根据预先构建的全局记忆增强编码器分别对所述多个时间窗口样本数据中每个待检测时间窗口样本进行特征提取，输出每个所述待检测时间窗口样本的重构全局潜变量，包括：
5.根据权利要求4所述的方法，其特征在于，根据预先构建的局部记忆增强编码器以及每个所述待检测时间窗口样本的相邻窗口样本，输出每个所述待检测时间窗口样本的重构局部潜变量，包括：
6.根据权利要求3所述的方法，其特征在于，所述重构样本数据的计算公式为：
7.根据权利要求3所述的方法，其特征在于，所述总损失的公式为：
8.根据权利要求1所述的方法，其特征在于，所述异常分数的计算公式为：
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。