[发明专利]一种无监督能耗异常检测方法、装置及存储介质

说明书

本发明公开了一种无监督能耗异常检测方法PLAD。本发明利用伪标签指导能耗数据重构误差的分类，克服了有监督异常检测方法对于标签数据的依赖。特别是，提取了能耗数据的关键特征，并采用了一种自适应参数的密度聚类算法来生成能耗数据的伪标签，以避免不同的场景中参数选择困难的问题。利用自动编码器对能耗数据进行重建，得到能耗数据的重构误差，最后利用伪标签指导重构误差的分类，得到能耗数据异常检测的结果，实现了更高的异常检测精度。

技术领域

本发明涉及数据挖掘技术领域，尤其是指一种无监督能耗异常检测方法、设备、装置及计算机存储介质。

背景技术

随着人民生活水平的提高，狭义的建筑能耗，即建筑的运行能耗，就是人们日常用能，如采暖、空调、照明、炊事、洗衣等的能耗，迅速上升，可见我们对家庭用电能耗的异常检测是非常必要的。

目前，针对用电行为的异常检测方法主要是有监督的方法，该方法的问题在于需要利用有标签的数据集对模型进行训练，然而在很多现实场景中，对数据进行人工标记的成本过高；并且异常用电行为发生的概率较低，没有进行预处理的能耗数据，通常因为一些冗余信息的干扰，使得异常检测模型对于异常用电行为不敏感，异常检测的精度低。

因此如何提供一种成本低、精确度更高的无监督能耗异常检测方法是目前待解决的问题。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中有监督异常检测方法成本大、精度低的问题。

为解决上述技术问题，本发明提供了一种无监督能耗异常检测方法、设备、装置及计算机存储介质，包括：

将输入的原始能耗序列进行预处理，得到补全能耗序列；

计算所述补全能耗序列中各个能耗数据的三维融合特征，所述三维融合特征包括一阶差分特征、二阶差分特征、规律性特征；

利用所述补全能耗序列中各个能耗数据的三维融合特征得到k-dist图，并根据所述k-dist图计算密度聚类算法的自适应参数；

基于所述自适应参数利用所述密度聚类算法对所述补全能耗序列中各个能耗数据的三维融合特征聚类，生成能耗伪标签序列；

利用自编码器重构所述补全能耗序列得到重构能耗序列，并计算所述补全能耗序列与所述重构能耗序列的数据差值，得到能耗序列重构误差；

将所述能耗序列重构误差输入利用所述能耗伪标签序列训练后的分类器进行分类，得到异常检测结果。

优选地，所述利用所述能耗伪标签序列训练分类器包括：

将所述能耗序列重构误差按预设比例划分出能耗序列重构误差训练集；

利用SMOTE算法对能耗序列重构误差训练集中的异常样本进行重采样；

将重采样后的能耗序列重构误差训练集输入所述分类器，并利用所述能耗伪标签序列对所述分类器进行训练。

优选地，所述将输入的原始能耗序列进行预处理，得到补全能耗序列包括：

设置长度为k的滑动窗口，计算所述滑动窗口中的所述原始能耗序列{x_i,x_i+1,…,x_i+k}的均值利用μ对所述原始能耗序列的缺失值进行补全；

对补全后的所述原始能耗序列进行归一化得到所述补全能耗序列X＝{x₁,x₂,…,x_n}，n为能耗数据点个数。

优选地，所述计算所述补全能耗序列的三维融合特征包括：