[发明专利]基于长短期记忆网络的电力时间序列数据的异常检测方法

说明书

本发明公开了一种基于长短期记忆网络的电力时间序列数据的异常检测方法。该方法包括如下步骤：(1)电力时序数据预处理；(2)神经网络模型预训练，采用编码器‑解码器结构，计算分层动态注意力；(3)异常数据检测，在神经网络模型完成训练后，将模型权重W将模型保存到本地，在对新的电力时序数据x进行检测时直接加载模型，计算与代表点c的距离得到其异常分数从而判断是否异常。本发明方法用于电力时间序列数据的异常检测，方法简单，检测精准度高。

技术领域

本发明属于数据分析与异常检测技术领域，具体地说，涉及一种基于长短期记忆网 络的电力时间序列数据的异常检测方法。

背景技术

电力系统实时运行数据具备反映电力系统当前运行状态与未来发展趋势的潜在能力。 随着电力系统智能化的迅速发展，电力系统中嵌入各类传感器的规模不断扩大，使得感知 层采集的数据种类更加细化，待处理的数据急剧增加。据不完全统计，单个城市每天采集 的电网业务数据就可达到PB级。总体上看，电力系统实时运行数据具备数据采集装置多、 采集频率高、数据规模大、数据类型复杂等特点。且其采集的数据为典型的时间序列数据 (时序数据，time-series data，TSD)。充分利用电力时序数据，采用适当的技术进行异常 检测以及时发现电力系统中存在的故障，可以为电力系统高效、安全运行提供决策和辅助 支持。

发明内容

为实现上述发明目的，本发明一种基于长短期记忆网络的电力时序数据的异常检测方 法；本发明使用深度学习中的长短期记忆网络模型对电力时序数据进行分析，检测出其中 存在的异常数据以帮助电力系统及时发现其存在的故障。

一种基于长短期记忆网络的电力时间序列数据的异常检测方法，包括以下步骤：

S1：电力时序数据预处理，移除数据中不重要的特征，清洗部分噪声数据，数据预处理的 结果作为下一步模型训练的输入；

S2：神经网络模型预训练，采用编码器-解码器结构，计算分层动态注意力；基础模型使用 长短期记忆网络(Long short-term memory,LSTM)，ReLU作为激活函数，损失函数使用 自定义损失函数，优化器使用Adam，训练模型直至收敛为止；这一步基于电力时间序列 数据集{x₁,…,x_N}得到下一步神经网络模型参数的初始参数，以及整个时间序列数据集的代 表点表示c；

S3：异常数据检测，在神经网络模型完成训练后，将模型权重W将模型保存到本地， 在对新的电力时序数据x进行检测时直接加载模型，计算与代表点c的距离得到其异常分数从而判断是否异常。

和现有技术相比，本发明的有益效果在于：

本发明中首先对已有的数据进行预处理，得到一组没有冗余的、相对规整的数据集； 本发明采用长短期记忆网络，相较其他网络更适用于时序数据的分析；本发明采用Adam 优化器，Adam算法是一种计算每个参数的自适应学习率的方法，该算法需要内存少计算 高效，适合解决大规模数据和参数问题；本发明使用自定义损失函数，针对异常检测作出 了特定优化，可以提升网络训练效率并提升异常检测精确度；本发明使用ReLU激活函数， 该函数的“单侧抑制”使得神经网络中的神经元也具有稀疏激活性，通过ReLU实现稀疏后的模型能够更好地挖掘相关特征，拟合训练数据；本发明使用网络预训练技术，大大减少模型的训练时间。

附图说明

图1是本发明基于长短期记忆网络的电力时序数据的异常检测方法流程图。

图2是本发明预训练基于层次注意力机制的编码器-解码器神经网络结构。

图3是本发明一种基于长短期记忆网络的电力时序数据的异常检测方法原理及结构。

具体实施方式