CN113505935A - 基于集成算法的电力异常波动检测和预测计算方法 - Google Patents

Abstract

本申请涉及基于突变点分析和隐马尔可夫模型集成算法的电力异常波动检测和预测计算方法的步骤包括：采集用电量数据，作为检测和预测的输入对时间序列的数据；突变点分析，利用采集的用电量数据，通过贝叶斯推断来实现对异常波动的突变点分析；突变点数据预测，利用隐马尔可夫模型处理时间上具有相关性的信息，针对时间序列的信息进行处理，采用隐马尔可夫向前算法和Baum‑Welch算法获得似然性参数，得出突变点预测数据，并通过训练特征获得滑动窗口对应的最大似然性值。基于突变点分析和隐马尔可夫模型的基本算法进行改进，能够对电力能耗进行实时检测，且能够预测计算未来时刻的电力能耗区间的合理范围，超出范围即判定为电力能耗异常。

Description

基于集成算法的电力异常波动检测和预测计算方法

技术领域

本申请涉及智能物联网(AIoT)技术，特别是基于突变点分析和隐马尔可夫模型集成算法的智能物联网电力异常波动检测和预测计算方法。

背景技术

通过电力异常波动判别仪器和设备是否正常运行，是一种在工业和工程项目中常见的方法。因此，提升电力异常波动检测的准确率，对于保障仪器和设备正常运行、建筑能耗的分项计量意义重大。

随着近年来人工智能(AI)算法的兴起，许多学者开始探索时间序列算法在电力负荷预测方面的应用，但是应用AI算法在电力异常波动的检测和预警方面的研究较少。牛丽肖等使用ARIMA模型对短期电价进行拟合，同时可以检测到其中的突变点。简富俊等使用One-class SVM无监督机器学习架构对电力用户负荷异常进行检测，在小样本、样本分类不均衡环境下提高检测的准确性。刘凤魁基于KNN算法，重新定义局部密度和距离，设计判断异常值的规则，开发出一套快速密度峰值聚类算法，应用于电力异常值检测。梁跃基于协同森林算法，在建模前使用聚类的方法将单类异常转化为多类异常，提高了电力异常检测模型的准确率。田野提出并建立了基于BP神经网络的用户用电异常行为检测模型，通过结合基于统计和PCA的数据预处理方法，在减少数据规模的同时有效提取了用电数据的特征，提高了异常检测模型的检测精度。此外，对于电力异常问题，工业中通常应用3σ法则对应的预测电力负荷，判定电力能耗是否存在异常。

另一方面，在物联网(IoT)技术大规模应用的背景下，我们较容易获取电力的实时能耗数据，将人工智能算法与物联网技术相结合应用于电力异常波动检测将是一种新颖的算法应用技术。但是在调研和实际工程中发现，电力异常检测存在着以下一些算法技术难点：

1.电力异常缺乏明确的定义指标；

2.电力异常缺少有标签的数据；

3.对于新建或新改造工程，累积的数据量较少。

基于此，如何发现显著存在电力波动的时刻点，并计算未来时刻的预测值波动范围，超过预测值波动范围的即定义为电力波动异常，实现实时检测和预测的问题，亟待解决。

发明内容

本申请要解决的技术问题是如何发现显著存在电力波动的时刻点，计算未来时刻的预测值波动范围，超过预测值波动范围的即定义为电力波动异常，实现实时预测预报的功能。

为解决上述技术问题，根据本申请提供一种基于突变点分析和隐马尔可夫模型集成算法的电力异常波动检测和预测计算方法，方法包括如下步骤：

首先，采集用电量数据。按照时间顺序采集智能物联网电力的用电量数据，作为检测和预测的输入对时间序列的数据；

接着，突变点分析。利用采集的用电量数据，通过贝叶斯推断来实现对异常波动的突变点分析；

然后，突变点数据预测。利用隐马尔可夫模型处理时间上具有相关性的信息，针对时间序列的信息进行处理，通过如下步骤得出突变点预测数据：计算隐马尔可夫似然性参数、获得预测数据的似然集、找寻下一步观测值集合、确定预测数据的布林带、得出突变点预测数据，其中，计算隐马尔可夫似然性参数采用隐马尔可夫向前算法和Baum-Welch算法获得似然性参数，通过训练特征获得滑动窗口对应的最大似然性值，并通过历史上最为相近的一系列似然性值找到对应的下一步观测值集合。

根据本申请的实施例，突变点分析可包括如下步骤：

确定似然函数，根据分析数据获得，根据开机时的用能特性使用t-分布，在采集用电量的工况持续时间内，用电量发生改变的概率为：

其中，r_t-1表示本工况持续不变的时长，r_t表示当前需要检测的时间点，H为风险函数，r_t＝r_t-1表示工况未改变，r_t＝0表示工况发生改变；

计算设定超参下的预测数据概率密度函数值，其中，上述t-分布密度函数为：

其中，Gam(x)为伽马函数，n表示自由度；

计算不同间隔的风险函数值，风险函数由数据发生改变的时间周期特性决定，用反比例函数表示新工况，开始时发生切换概率是较低的，当工况持续一段时间后发生工况切换的概率将升高，其中，反比例风险函数为：

基于预测概率和风险函数值计算出继续数据分布发生改变的概率：

P(r_t＝r_t-1+1，x_1：t)＝P(r_t，x_1：t-1)·f(x_t)·(1-H(r_t-1)) (4)：

对改点在不同时间区间内所有发生改变的概率求和，计算该点为突变点的概率

对计算分布发生改变的概率进行正则化，提高系统稳定性：

P(r_t|x_1：t)＝P(r_t|x_1：t)/P(x_1：t) (6)。

根据本申请的实施例，隐马尔可夫似然性参数计算步骤可为：

将隐马尔可夫模型的似然性参数记为：

λ：＝{A，B，p} (7)

其中，转移矩阵为A，混淆矩阵为B，初始概率为p，

其中，A＝[a_ij]_N×N，

a_ij＝Pr[q_t＝S_j|q_t-1＝S_i] (8)

其中，i，j＝1，2，...，N，N是隐含状态数目，

其中，B＝[b_i(k)]_N×M，是混淆矩阵

b_i(k)：＝b_i(O_t＝v_k)＝Pr[O_t＝v_k|q_t＝S_i] (9)

其中，k＝1，2，...，M，M表示输出状态数目，v_k表示可能性的输出状态，

其中，在时步t＝1时，状态q1为Si的概率为pi，即p_i＝P(q₁＝S_i)，假设初始概率存在N种状态，则p＝[p_i]_N×1，

假设输出状态为高斯分布，那么

其中μ_i和σ_i分别表示在S_i状态下的均值和方差，则

λ：＝{A，μ，σ，p} (10)

λ的似然性参数可以表示为：

其中，L表示观测特征的数量。

根据本申请的实施例，获得预测数据的似然集可采用隐马尔可夫模型的向前算法和Baum-Welch算法计算隐马尔可夫似然性参数，其中，向前算法考虑以下概率，

其中，t＝1，2，...，T；l＝1，2，...，L，

推出条件概率关系：

提取数据特征O^(l)，

用Baum-Welch算法调整隐马尔可夫的参数，定义条件概率：

其中i＝1，2，...，N，l＝1，2，...，L，

推出后向算法：

定义

为在S_i状态下t时刻观测值O^(l)的概率分布，其中l＝1，2，...，L

在S_i状态下t时刻和在S_j状态下t+1时刻观测值O^(l)的概率分布，

因此，

其中，

通过如下关系调整参数λ中的b_i(k)^*：

从而获得

α，β。

根据本申请的实施例，计算隐马尔可夫似然性参数时，可采用t＝t-1，向前滑动窗口直至O＝{O₁…，O_D-1}计算，由此得出电力数据的预测分布。

根据本申请的实施例，确定预测数据的布林带，可用

预测上布林带，

预测下布林带。

根据本申请的实施例，可由布林带得出预测数据的置信区间，保证得出的突变点预测数据分布在合理的范围内。

因为基于突变点分析和隐马尔可夫模型集成算法的电力异常波动检测和预测计算方法步骤包括：采集用电量数据、突变点分析和突变点数据预测；通过计算隐马尔可夫似然性参数、获得预测数据的似然集、找寻下一步观测值集合、确定预测数据的布林带、得出突变点预测数据。其方法，利用采集的用电量数据，通过贝叶斯推断来实现对异常波动的突变点分析；利用隐马尔可夫模型处理时间上具有相关性的信息，针对时间序列的信息进行处理；且得出突变点预测数据时，计算隐马尔可夫似然性参数采用隐马尔可夫向前算法和Baum-Welch算法获得似然性参数；通过训练特征获得滑动窗口对应的最大似然性值，并通过历史上最为相近的一系列似然性值找到对应的下一步观测值集合，所以可实现如下有益效果：

1.基于突变点分析和隐马尔可夫模型(HMM)的基本算法进行改进，不仅能够对电力能耗进行实时预测，且能够计算未来时刻的电力能耗区间，将隐马尔可夫模型算法由点预测变为分布预测；

2.在置信区间的设置上，通过常数α和β来调整预测值的置信区间，即布林带(Bollinger Band)的范围，以适应充分挖掘电力能耗异常检测的问题；

3.本计算算法可以实现增量计算，对于计算资源的需求并不大，可应用于高频的电力负荷异常检测计算。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本申请的一些实施例，而非对本申请的限制。

图1是根据本申请实施例的隐马尔可夫模型的结构图；

图2是根据本申请实施例的基于突变点分析和隐马尔可夫模型的电力异常波动检测和预测计算方法流程图；

图3是根据本申请实施例的基于突变点分析和隐马尔可夫模型的电力异常波动检测和预测的计算示例。

附图标记说明：

1：突变点用电量；

2：清洗后用电量；

3：预测边界。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例的附图，对本申请实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于所描述的本申请的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。

除非另作定义，此处使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。

图1是根据本申请实施例的隐马尔可夫模型的结构图，图2是根据本申请实施例的基于突变点分析和隐马尔可夫模型的电力异常波动检测和预测计算方法流程图。

如图1和图2所示，基于突变点分析和隐马尔可夫模型的电力异常波动检测和预测计算方法，方法包括如下步骤：

采集用电量数据，按照时间顺序采集智能物联网电力的用电量数据，作为检测和预测的输入对时间序列的数据。

突变点分析，利用采集的用电量数据，通过贝叶斯推断来实现对历史异常波动的突变点推断。

突变点数据预测，利用隐马尔可夫模型处理时间上具有相关性的信息，针对时间序列的信息进行处理，通过如下步骤得出突变点预测数据：计算隐马尔可夫似然性参数、获得预测数据的似然集、找寻下一步观测值集合、确定预测数据的布林带、得出突变点预测数据，

其中，计算隐马尔可夫似然性参数采用隐马尔可夫向前算法和Baum-Welch算法获得似然性参数，

其中，通过训练特征获得滑动窗口对应的最大似然性值，并通过历史上最为相近的一系列似然性值找到对应的下一步观测值集合。

根据本申请的实施例，突变点分析可包括如下步骤：

确定似然函数，根据分析数据获得，根据开机时的用能特性使用t-分布，在采集用电量的工况持续时间内，用电量发生改变的概率为：

其中，r_t-1表示本工况持续不变的时长，r_t表示当前需要检测的时间点，H为风险函数，r_t＝r_t-1表示工况未改变，r_t＝0表示工况发生改变；

计算设定超参下的预测数据概率密度函数值，其中，上述t-分布密度函数为：

其中，Gam(x)为伽马函数，n表示自由度；

计算不同间隔的风险函数值，风险函数由数据发生改变的时间周期特性决定，用反比例函数表示新工况，开始时发生切换概率是较低的，当工况持续一段时间后发生工况切换的概率将升高，其中，反比例风险函数为：

基于预测概率和风险函数值计算出继续数据分布发生改变的概率：

P(r_t＝r_t-1+1，x_1：t)＝P(r_t，x_1：t-1)·f(x_t)·(1-H(r_t-1)) (4)；

对改点在不同时间区间内所有发生改变的概率求和，计算该点为突变点的概率

对计算分布发生改变的概率进行正则化，提高系统稳定性：

P(r_t|x_1：t)＝P(r_t|x_1：t)/P(x_1：t) (6)。

根据本申请的实施例，隐马尔可夫似然性参数计算可为如下步骤：

将隐马尔可夫模型的似然性参数记为：

λ：＝{A，B，p} (7)

其中，转移矩阵为A，混淆矩阵为B，初始概率为p，

其中，A＝[a_ij]_N×N，

a_ij＝Pr[q_t＝S_j|q_t-1＝S_i] (8)

其中，i，j＝1，2，...，N，N是隐含状态数目，

其中，B＝[b_i(k)]_N×M，是混淆矩阵

b_i(k)：＝b_i(O_t＝v_k)＝Pr[O_t＝v_k|q_t＝S_i] (9)

其中，k＝1，2，...，M，M表示输出状态数目，v_k表示可能性的输出状态，

其中，在时步t＝1时，状态q1为Si的概率为pi，即p_i＝P(q₁＝S_i)，假设初始概率存在N种状态，则p＝[p_i]_N×1，

假设输出状态为高斯分布，那么

其中μ_i和σ_i分别表示在S_i状态下的均值和方差，则

λ：＝{A，μ，σ，p} (10)

λ的似然性参数可以表示为：

其中，L表示观测特征的数量。

根据本申请的实施例，获得预测数据的似然集可采用隐马尔可夫模型的向前算法和Baum-Welch算法计算隐马尔可夫似然性参数，其中，向前算法考虑以下概率，

其中，t＝1，2，...，T；l＝1，2，...，L，

推出条件概率关系：

提取数据特征O^(l)，

用Baum-Welch算法调整隐马尔可夫的参数，定义条件概率：

其中i＝1，2，...，N，l＝1，2，...，L，

推出后向算法：

定义

为在S_i状态下t时刻观测值O^(l)的概率分布，其中l＝1，2，...，L

在S_i状态下t时刻和在S_j状态下t+1时刻观测值O^(l)的概率分布，

因此，

其中，

通过如下关系调整参数λ中的b_i(k)^*：

从而获得

α，β。

根据本申请的实施例，计算隐马尔可夫似然性参数时，可采用t＝t-1，向前滑动窗口直至O＝{O₁…，O_D-1}计算，由此得出电力数据的预测分布。基于突变点分析和隐马尔可夫模型的基本算法进行改进，不仅能够对电力能耗进行实时预测，且能够计算未来时刻的电力能耗区间，将隐马尔可夫模型算法由点预测变为分布预测。

根据本申请的实施例，可用

预测上布林带，

预测下布林带，从而确定预测数据的布林带。

确定预测数据的布林带，可由布林带得出预测数据的置信区间，以适应充分挖掘电力能耗异常检测的问题，保证得出的突变点电力预测数据分布在合理的范围内。

图3是根据本申请实施例的基于突变点分析和隐马尔可夫模型的电力异常波动检测和预测的计算示例。

如图3所示，实际应用中，利用上述基于突变点分析和隐马尔可夫模型的智能物联网电力异常波动检测和预测计算方法，进行电用电量预测，按照时间顺序采集智能物联网电力的用电量数据可见部分为突变点用电量1，清洗后用电量2非突变点数据与实际用电量数据重合，突变点位置用电量位于预测边界3确定的置信区间范围内。通过利用上述方法计算和预测，首先对电力负荷的最大和最小值设定预警范围，而波动异常数据采用隐含马尔可夫模型来计算；再通过训练特征最后获得滑动窗口对应的最大似然性值，并通过历史上最为相近的一系列似然性值找到对应的下一步观测值集合，并根据此计算得到电力数据的预测分布；最后，在置信区间的设置上，通过常数α和β来调整预测值的置信区间，保证电力异常数据分布在合理的范围之内。

本计算算法可实现增量计算，对于计算资源的需求并不大，在普通电脑上测试，只需1ms即可获得计算结果。

因为基于突变点分析和隐马尔可夫模型的电力异常波动检测和预测计算方法步骤包括：采集用电量数据、突变点分析和突变点数据预测；通过计算隐马尔可夫似然性参数、获得预测数据的似然集、找寻下一步观测值集合、确定预测数据的布林带、得出突变点预测数据。其方法，利用采集的用电量数据，通过贝叶斯推断来实现对异常波动的突变点分析；利用隐马尔可夫模型处理时间上具有相关性的信息，针对时间序列的信息进行处理；且得出突变点预测数据时，计算隐马尔可夫似然性参数采用隐马尔可夫向前算法和Baum-Welch算法获得似然性参数；通过训练特征获得滑动窗口对应的最大似然性值，并通过历史上最为相近的一系列似然性值找到对应的下一步观测值集合，所以可实现如下有益效果：

1.基于突变点分析和隐马尔可夫模型的基本算法进行改进，不仅能够对电力能耗进行实时预测，且能够计算未来时刻的电力能耗区间，将隐马尔可夫模型算法由点预测变为分布预测；

2.在置信区间的设置上，通过常数α和β来调整预测值的置信区间，即布林带的范围，以适应充分挖掘电力能耗异常检测的问题，保证得出的突变点电力预测数据分布在合理的范围内；

3.本计算算法可实现增量计算，对于计算资源的需求并不大，可应用于高频的电力负荷异常检测计算。

以上所述仅是本申请的示范性实施方式，而非用于限制本申请的保护范围，本申请的保护范围由所附的权利要求确定。

Claims (7)

1.一种基于突变点分析和隐马尔可夫模型集成算法的电力异常波动检测和预测计算方法，所述方法包括如下步骤：

采集用电量数据，按照时间顺序采集所述智能物联网电力的用电量数据，作为检测和预测的输入对时间序列的数据；

突变点分析，利用采集的用电量数据，通过贝叶斯推断来实现对历史异常波动的突变点推断；

突变点数据预测，利用隐马尔可夫模型处理时间上具有相关性的信息，针对时间序列的信息进行处理，通过如下步骤得出突变点预测数据：计算隐马尔可夫似然性参数、获得预测数据的似然集、找寻下一步观测值集合、确定预测数据的布林带、得出突变点预测数据，

其中，所述计算隐马尔可夫似然性参数采用隐马尔可夫向前算法和Baum-Welch算法获得似然性参数，

其中，通过训练特征获得滑动窗口对应的最大似然性值，并通过历史上最为相近的一系列似然性值找到对应的下一步观测值集合。

2.根据权利要求1所述的电力异常波动检测和预测计算方法，其中，所述突变点分析包括如下步骤：

确定似然函数，根据分析数据获得，根据开机时的用能特性使用t-分布，在所述采集用电量的工况持续时间内，用电量发生改变的概率为：

其中，r_t-1表示本工况持续不变的时长，r_t表示当前需要检测的时间点，H为风险函数，r_t＝r_t-1表示工况未改变，r_t＝0表示工况发生改变；

计算设定超参下的预测数据概率密度函数值，其中，上述t-分布密度函数为：

其中，Gam(x)为伽马函数，n表示自由度；

计算不同间隔的风险函数值，风险函数由数据发生改变的时间周期特性决定，用反比例函数表示新工况，其中，所述反比例风险函数为：

基于预测概率和风险函数值计算出继续数据分布发生改变的概率：

P(r_t＝r_t-1+1，x_1：t)＝P(r_t，x_1：t-1)·f(x_t)·(1-H(r_t-1)) (4)；

对改点在不同时间区间内所有发生改变的概率求和，计算该点为突变点的概率

对计算分布发生改变的概率进行正则化，提高系统稳定性：

P(r_t|x_1：t)＝P(r_t|x_1：t)/P(x_1：t) (6)。

3.根据权利要求1所述的电力异常波动检测和预测计算方法，其中，所述隐马尔可夫似然性参数计算步骤如下：

将隐马尔可夫模型的似然性参数记为：

λ：＝{A，B，p} (7)

其中，转移矩阵为A，混淆矩阵为B，初始概率为p，

其中，A＝[a_ij]_N×N，

a_ij＝Pr[q_t＝S_j|q_t-1＝S_i] (8)

其中，i，j＝1，2，...，N，N是隐含状态数目，

其中，B＝[b_i(k)]_N×M，是混淆矩阵

b_i(k)：＝b_i(O_t＝v_k)＝Pr[O_t＝v_k|q_t＝S_i] (9)

其中，k＝1，2，...，M，M表示输出状态数目，v_k表示可能性的输出状态，

其中，在时步t＝1时，状态q1为Si的概率为pi，即p_i＝P(q₁＝S_i)，假设初始概率存在N种状态，则p＝[p_i]_N×1，

假设输出状态为高斯分布，那么

其中μ_i和σ_i分别表示在S_i状态下的均值和方差，则

λ：＝{A，μ，σ，p} (10)

λ的似然性参数可以表示为：

其中，L表示观测特征的数量。

4.根据权利要求3所述的电力异常波动检测和预测计算方法，其中，所述获得预测数据的似然集采用隐马尔可夫模型的向前算法和Baum-Welch算法计算隐马尔可夫似然性参数，其中，向前算法考虑以下概率，

其中，t＝1，2，...，T；l＝1，2，...，L，

推出条件概率关系：

提取数据特征O^(l)，

用Baum-Welch算法调整隐马尔可夫的参数，定义条件概率：

其中i＝1，2，...，N，l＝1，2，...，L，

推出后向算法：

定义

为在S_i状态下t时刻观测值O^(l)的概率分布，其中l＝1，2，...，L

在S_i状态下t时刻和在S_j状态下t+1时刻观测值O^(l)的概率分布，

因此，

其中，

通过如下关系调整参数λ中的b_i(k)^*：

从而获得

α，β。

5.根据权利要求4所述的电力异常波动检测和预测计算方法，其中，计算所述隐马尔可夫似然性参数时，采用t＝t-1，向前滑动窗口直至O＝{O₁…，O_D-1}计算，由此得出电力数据的预测分布。

6.根据权利要求5所述的电力异常波动检测和预测计算方法，其中，所述确定预测数据的布林带，用

预测上布林带，

预测下布林带。

7.根据权利要求6所述的电力异常波动检测和预测计算方法，其中，由所述布林带得出预测数据的置信区间，保证得出的所述突变点预测数据分布在合理的范围内。

Images