CN116467680A - 地铁设备的异常检测方法、装置、电子设备及介质 - Google Patents

地铁设备的异常检测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN116467680A
CN116467680A CN202310294218.1A CN202310294218A CN116467680A CN 116467680 A CN116467680 A CN 116467680A CN 202310294218 A CN202310294218 A CN 202310294218A CN 116467680 A CN116467680 A CN 116467680A
Authority
CN
China
Prior art keywords
energy consumption
target
time sequence
determining
moving average
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310294218.1A
Other languages
English (en)
Inventor
方超
陈刚
雷永峰
潘景刚
张国栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baweitong Technology Co ltd
Original Assignee
Baweitong Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Baweitong Technology Co ltd filed Critical Baweitong Technology Co ltd
Priority to CN202310294218.1A priority Critical patent/CN116467680A/zh
Publication of CN116467680A publication Critical patent/CN116467680A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供了一种地铁设备的异常检测方法、装置、电子设备及介质。该方法包括：根据地铁设备多个历史时间的能耗进行排序，得到能耗的时间序列；若检测到能耗的时间序列不平稳，则对能耗的时间序列进行差分处理，确定差分阶数；根据能耗的时间序列，确定目标自回归项以及目标移动平均项；根据差分阶数、目标自回归项以及目标移动平均项进行拟合处理，得到差分整合移动平均自回归预测模型；根据差分整合移动平均自回归预测模型预测目标时间的目标能耗，根据目标时间的目标能耗以及实际能耗，检测地铁设备的能耗是否存在异常，得到异常检测结果。本申请能够提高地铁设备的能耗是否存在异常的准确性。

Description

地铁设备的异常检测方法、装置、电子设备及介质
技术领域
本申请涉及轨道交通监控技术领域，具体涉及一种地铁设备的异常检测方法、装置、电子设备及介质。
背景技术
地铁设备在运营过程中会消耗大量能源，有时地铁设备所消耗的能源可能存在异常。为了检测这种异常，需要通过人工参与的方式，借助技术人员的专业能力对地铁设备进行针对性地检测。由于技术人员的检测水平不一，导致采用此方式检测地铁设备的能耗是否存在异常时准确性较差。
发明内容
本申请的一个目的在于提出一种地铁设备的异常检测方法、装置、电子设备及介质，旨在解决检测地铁设备的能耗是否存在异常时准确性较差的技术问题。
根据本申请实施例的一方面，提供了一种地铁设备的异常检测方法，所述方法包括：
根据地铁设备多个历史时间的能耗进行排序，得到能耗的时间序列；
若检测到所述能耗的时间序列不平稳，则对所述能耗的时间序列进行差分处理，并确定所述能耗的时间序列转化为平稳时间序列时的差分阶数；
根据所述能耗的时间序列，确定目标自回归项以及目标移动平均项；
根据所述差分阶数、所述目标自回归项以及所述目标移动平均项进行拟合处理，得到差分整合移动平均自回归预测模型；
根据所述差分整合移动平均自回归预测模型预测目标时间的目标能耗，并根据所述目标时间的目标能耗以及实际能耗，检测所述地铁设备的能耗是否存在异常，得到异常检测结果。
根据本申请实施例的一方面，提供了一种地铁设备的异常检测装置，所述装置包括：
时间序列生成模块，用于根据地铁设备多个历史时间的能耗进行排序，得到能耗的时间序列；
差分阶数确定模块，用于若检测到所述能耗的时间序列不平稳，则对所述能耗的时间序列进行差分处理，并确定所述能耗的时间序列转化为平稳时间序列时的差分阶数；
确定模块，用于根据所述能耗的时间序列，确定目标自回归项以及目标移动平均项；
拟合处理模块，用于根据所述差分阶数、所述目标自回归项以及所述目标移动平均项进行拟合处理，得到差分整合移动平均自回归预测模型；
能耗异常检测模块，用于根据所述差分整合移动平均自回归预测模型预测目标时间的目标能耗，并根据所述目标时间的目标能耗以及实际能耗，检测所述地铁设备的能耗是否存在异常。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
根据所述能耗的时间序列，确定中间自回归项以及中间移动平均项；
根据所述中间自回归项以及所述中间移动平均项，确定目标遍历区间；
针对所述目标遍历区间内的多个遍历组合，分别遍历并确定与所述遍历组合对应的最小化信息量准则值以及与所述遍历组合对应的贝叶斯信息准则值；所述遍历组合包括所述中间自回归项以及所述中间移动平均项；
根据与所述遍历组合对应的所述最小化信息量准则值以及与所述遍历组合对应的所述贝叶斯信息准则值，确定所述目标自回归项以及所述目标移动平均项。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
对各所述最小化信息量准则值进行比较，得到最小的最小化信息量准则值；
对各所述贝叶斯信息准则值进行比较，得到最小的贝叶斯信息准则值；
根据最小的最小化信息量准则值以及最小的贝叶斯信息准则值，确定对应的目标遍历组合；
根据所述目标遍历组合，确定目标移动平均项以及目标自回归项。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
根据所述能耗的时间序列，构建偏自相关系数图以及自相关系数图；
根据所述偏自相关系数图的最大滞后点，确定所述中间自回归项；
根据所述自相关系数图的最大滞后点，确定所述中间移动平均项。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
对所述能耗的时间序列进行差分处理，得到能耗的中间时间序列；
若所述中间时间序列平稳，则将所述中间时间序列作为所述平稳时间序列；
若所述中间时间序列不平稳，则重新对差分处理后的所述中间时间序列进行差分处理，直至得到平稳时间序列；
对所述平稳时间序列进行白噪声检验；
若所述平稳时间序列不是白噪声，则确定得到所述平稳时间序列进行差分处理的次数，并根据所述次数确定所述差分阶数。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
检测所述能耗的时间序列是否有单位根；
若所述能耗的时间序列具有单位根，则确定检测到所述能耗的时间序列不平稳；
若所述能耗的时间序列没有单位根，则将预设阶数作为所述差分阶数，并根据所述能耗的时间序列，确定所述目标自回归项以及所述目标移动平均项。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
确定所述目标能耗与所述实际能耗之间的偏差；
若所述偏差大于能耗偏差阈值，则所述地铁设备的异常检测结果为存在能耗异常；
若所述偏差小于或者等于所述能耗偏差阈值，则所述地铁设备的异常检测结果为不存在能耗异常。
根据本申请实施例的一方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各种可选实现方式中提供的方法。
根据本申请实施例的一方面，提供了一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述各种可选实现方式中提供的方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
在本申请实施例提供的技术方案中，通过根据地铁设备的多个历史时间的能耗进行排序，得到能耗的时间序列，若检测到能耗的时间序列不平稳，则对能耗的时间序列进行差分处理，并确定能耗的时间序列转化为平稳时间序列时的差分阶数，根据能耗的时间序列，确定目标自回归项以及目标移动平均项，根据差分阶数、目标自回归项以及目标移动平均项进行拟合处理，得到差分整合移动平均自回归测试模型，根据差分整合移动平均自回归模块预测目标时间的目标能耗，并根据目标时间的目标能耗以及实际能耗，检测地铁设备的能耗是否存在异常，得到异常检测结果。
采用上述方式，从而避免能耗的时间序列不平稳所引起的预测结果异常，并且通过差分处理，以及结合转化为平稳序列所得的差分阶数、基于能耗的时间序列所得的目标自回归项以及目标移动平均项，拟合得到差分整合移动平均自回归预测模型，该预测模型能够准确的反映地铁设备的能耗随时间变化的趋势，从而准确预测目标时间的地铁设备的能耗，在此基础上，根据目标时间的目标能耗以及实际能耗，能够检测地铁设备的能耗是否存在异常，得到准确的异常检测结果，从而提高了检测地铁设备的能耗的准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
通过参考附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。
图1示出了根据本申请一个实施例的地铁设备的异常检测方法的流程示意图。
图2示出了根据本申请一个实施例中的自相关系数图。
图3示出了根据本申请一个实施例中的偏自相关系数图。
图4示出了根据本申请一个实施例的地铁设备的异常检测方法的流程示意图。
图5示出了根据本申请一个实施例中的时间序列的示意图。
图6示出了根据本申请一个实施例中一次差分后的时序图。
图7示出了一具体实现方式中对地铁设备的能耗进行异常检测的流程示意图。
图8示出了根据本申请一实施例的地铁设备的异常检测装置的结构示意图。
图9示出了根据本申请一个实施例的电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本申请的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的示例实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了根据本申请一个实施例的地铁设备的异常检测方法的流程示意图，该方法包括：
步骤S110：根据地铁设备多个历史时间的能耗进行排序，得到能耗的时间序列。
地铁设备指地铁场景中的耗能设备。
在一实施例中，能耗的时间序列包括单一类型设备的能耗对应的时间序列，从而可以针对单一类型设备的能耗异常进行检测，以精准确定存在能耗异常的地铁设备的类型。
在一实施例中，多个历史时间的能耗包括历史每天的能耗，可以通过从能耗管理系统中采集地铁设备的能耗明细数据，并计算每天的能耗，得到多个历史时间的能耗。
步骤S120：若检测到能耗的时间序列不平稳，则对能耗的时间序列进行差分处理，并确定能耗的时间序列转化为平稳时间序列时的差分阶数。
在一实施例中，该方法还包括：检测能耗的时间序列是否有单位根；若能耗的时间序列具有单位根，则确定检测到能耗的时间序列不平稳；若能耗的时间序列没有单位根，则将预设阶数作为差分阶数，并根据能耗的时间序列，确定目标自回归项以及目标移动平均项。
其中，在检测到能耗的时间序列没有单位根的情况下，该能耗的时间序列平稳，此时将预设阶数作为差分阶数，预设阶数为0。
采用上述方式，能够准确检测能耗的时间序列是否平稳，从而可以针对性地结合目标自回归项以及目标移动平均项，得到时间序列平稳情况下的预测模型以及时间序列不平稳情况下的预测模型，以避免能耗的时间序列不平稳所造成的检测地铁设备是否异常不准确的问题，提高地铁设备异常检测的准确性。
步骤S130：根据能耗的时间序列，确定目标自回归项以及目标移动平均项。
在一实施例中，根据能耗的时间序列，确定目标自回归项以及目标移动平均项，包括：根据能耗的时间序列，确定中间自回归项以及中间移动平均项；根据中间自回归项以及中间移动平均项，确定目标遍历区间；针对目标遍历区间内的多个遍历组合，分别遍历并确定与遍历组合对应的最小化信息量准则值以及与遍历组合对应的贝叶斯信息准则值；遍历组合包括中间自回归项以及中间移动平均项；根据与遍历组合对应的最小化信息量准则值以及与遍历组合对应的贝叶斯信息准则值，确定目标自回归项以及目标移动平均项。
在一实施例中，根据与遍历组合对应的最小化信息量准则值以及与遍历组合对应的贝叶斯信息准则值，确定目标自回归项以及目标移动平均项，包括：对各最小化信息量准则值进行比较，得到最小的最小化信息量准则值；对各贝叶斯信息准则值进行比较，得到最小的贝叶斯信息准则值；根据最小的最小化信息量准则值以及最小的贝叶斯信息准则值，确定对应的目标遍历组合；根据目标遍历组合，确定目标移动平均项以及目标自回归项。
在一实施例中，根据能耗的时间序列，确定中间自回归项以及中间移动平均项，包括：根据能耗的时间序列，构建偏自相关系数图以及自相关系数图；根据偏自相关系数图的最大滞后点，确定中间自回归项；根据自相关系数图的最大滞后点，确定中间移动平均项。
参照图2，图2示出了根据本申请一个实施例中的自相关系数图。根据图2可以得到，q<40。
参照图3，图3示出了根据本申请一个实施例中的偏自相关系数图。根据图3可以得到，p<10。据此根据最小化信息量准则值以及贝叶斯信息准则值确定p、q的值，进一步得到p＝7，q＝6。
步骤S140：根据差分阶数、目标自回归项以及目标移动平均项进行拟合处理，得到差分整合移动平均自回归预测模型。
差分整合移动平均自回归(Autoregressive Integrated Moving Averagemodel，ARIMA)预测模型的参数包括差分阶数、目标自回归项以及目标移动平均项。若能耗的时间序列平稳，差分阶数是0。
步骤S150：根据差分整合移动平均自回归预测模型预测目标时间的目标能耗，并根据目标时间的目标能耗以及实际能耗，检测地铁设备的能耗是否存在异常，得到异常检测结果。
目标时间是需要预测地铁设备的能耗是否异常的时间。异常检测结果包括存在异常和不存在异常。
在一实施例中，根据目标时间的目标能耗以及实际能耗，检测地铁设备的能耗是否存在异常，得到异常检测结果，包括：确定目标能耗与实际能耗之间的偏差；若偏差大于能耗偏差阈值，则地铁设备的异常检测结果为存在能耗异常；若偏差小于或者等于能耗偏差阈值，则地铁设备的异常检测结果为不存在能耗异常。能耗偏差阈值是地铁设备的实际能耗与目标能耗的偏差存在异常时的阈值。
采用上述方式，能够检测出地铁设备是否存在能耗异常。
在一实施例中，如果检测到地铁设备存在能耗异常，则输出报警信息，报警信息可以包括存在能耗异常的地铁设备的类型、预测的目标能耗以及实际能耗。
采用上述方式，能够无需人工参与，自动化地进行异常能耗的检测和报警，其效率和准确性均比较高。
在一实施例中，能耗的时间序列包括多个类型的地铁设备分别对应的能耗的子时间序列，差分整合移动平均自回归预测模型包括多个子时间序列分别对应的子预测模型，通过各子预测模型分别预测目标时间的目标能耗，根据各类型的地铁设备的实际能耗按照与类型对应的权重进行加权计算，得到第一能耗，以及根据各子模型预测得到的目标能耗按照该子模型对应的权重进行加权计算，得到第二能耗，计算第一能耗以及第二能耗之间的偏差，如果第一能耗与第二能耗之间的偏差大于整体能耗阈值，则确定地铁设备的能耗存在异常。整体能耗阈值是多个设备的实际能耗总和与目标能耗总和之间的偏差出现异常时的阈值。
在一实施例中，按照地铁设备的类型确定对应的优先级，根据优先级确定加权系数，分别对每个地铁设备的类型对应的加权系数与实际能耗求乘积，并根据多个地铁设备对应的该乘积求和，得到第一能耗，并分别对每个子模型对应的加权系数与目标能耗求乘积，并根据多个子模型对应的该乘积求和，得到第二能耗。子模型对应的加权系数即为该子模型对应的地铁设备类型的加权系数，子模型对应的目标能耗是通过该子模型预测得到的目标能耗。
采用上述方式，从而能够从整体上检测多个地铁设备的能耗是否出现异常。
在本实施例中，通过上述方式，能够避免能耗的时间序列不平稳所引起的预测结果异常，并且通过差分处理，以及结合转化为平稳序列所得的差分阶数、基于能耗的时间序列所得的目标自回归项以及目标移动平均项，拟合得到差分整合移动平均自回归预测模型，该预测模型能够准确的反映地铁设备的能耗随时间变化的趋势，从而准确预测目标时间的地铁设备的能耗，在此基础上，根据目标时间的目标能耗以及实际能耗，能够检测地铁设备的能耗是否存在异常，得到准确的异常检测结果，从而提高了检测地铁设备的能耗的准确性。
图4示出了根据本申请一个实施例的地铁设备的异常检测方法的流程示意图，该方法包括：
步骤S210：根据地铁设备多个历史时间的能耗进行排序，得到能耗的时间序列。
步骤S220：若检测到能耗的时间序列不平稳，则对能耗的时间序列进行差分处理，得到能耗的中间时间序列。
步骤S230：若中间时间序列平稳，则将中间时间序列作为平稳时间序列。
步骤S240：若中间时间序列不平稳，则重新对差分处理后的中间时间序列进行差分处理，直至得到平稳时间序列。
步骤S250：对平稳时间序列进行白噪声检验。
步骤S260：若平稳时间序列不是白噪声，则确定得到平稳时间序列进行差分处理的次数，并根据次数确定差分阶数。
步骤S270：根据能耗的时间序列，确定目标自回归项以及目标移动平均项。
步骤S280：根据差分阶数、目标自回归项以及目标移动平均项进行拟合处理，得到差分整合移动平均自回归预测模型。
步骤S290：根据差分整合移动平均自回归预测模型预测目标时间的目标能耗，并根据目标时间的目标能耗以及实际能耗，检测地铁设备的能耗是否存在异常，得到异常检测结果。
图5示出了根据本申请一个实施例中的时间序列的示意图，初步判定为平稳序列，然后进行ADF检验(Augmented Dicky-Fuller Test)，得到检验结果，根据检验结果判断出显著性统计值小于5％，10％的置信度，但是大于1％的置信度，从而可以进行一次差分后对比，一次差分后的时序图如图6所示，进一步对差分后的时序进行ADF检验，根据检测结果判定一次差分后的序列平稳，所以差分阶数为1。此后对平稳序列进行白噪声检验，根据检测结果判定该序列为非白噪声序列。
在一实施例中，若检测到平稳时间序列是白噪声则丢弃该数据，并终止步骤。
采用上述方式，能够将能耗的时间序列转化为平稳时间序列，并且避免白噪声的干扰，提高预测的目标能耗的准确性。
图7示出了一具体实现方式中对地铁设备的能耗进行异常检测的流程示意图，该方法包括：
步骤S301，输入一地铁设备的能耗的时间序列数据。
其中，从能源管理系统中采集到能耗的明细数据，计算出每天的能耗值，进行排序得到一组时间序列数据。
步骤S302，对该时间序列数据进行平稳性检验。
序列平稳化检验，确定d值：使用如下两种方法确定序列是否平稳，两个方法都检测出该序列平稳则视作该序列平稳，而任意一个方法检测得到不平稳则视作该序列不平稳，则如果序列不平稳，对序列进行d阶差分，使其转为平稳序列，对平稳后的序列进行白噪声检验，如果序列是白噪声，步骤终止。
步骤S303，判断自相关图和偏自相关图是否围绕一个常数上下浮动。
如果自相关图和偏自相关图围绕一个常数上下浮动，则初步确定平稳，此时进一步执行步骤S304，如果自相关图或者偏自相关图不围绕一个常数上下浮动，则该时间序列不平稳，执行步骤S305。
步骤S304，判断该时间序列数据是否存在单位根。
如果该时间序列数据存在单位根，则执行步骤S305，如果该时间序列数据不存在单位根，则执行步骤S307。
步骤S305，确定该时间序列数据不平稳。
步骤S306，对该时间序列数据进行差分处理，转化为平稳时间序列。
步骤S307，确定序列平稳。
步骤S308，根据相关图和自相关图进行模型选型，根据模型的最小化信息量准则以及贝叶斯信息准则定阶。
确定ARIMA的p、q值：使用ACF和PACF大致确定p、q的值，并依据大致确定的p、q值确定p、q遍历的区间，找到使AIC和BIC最小的p、q参数组合。
步骤S309，进行模型训练得到差分整合移动平均自回归预测模型。
拟合ARIMA模型(p，d，q)，得出ARIMA模型。
步骤S310，通过差分整合移动平均自回归预测模型预测目标时间的预期能耗。
使用ARIMA模型进行能耗预测，得到预测结果。
步骤S311，根据该预期能耗与该目标时间的实际能耗检测地铁设备是否出现异常，得到检测结果。
如果检测到地铁设备出现异常，则进行报警。
采用上述方式，首先从能耗管理系统处采集能耗值明细数据，然后按照天份进行能耗值汇总，生成时间序列；然后使用ADF进行平稳性检验，使用差分进行平稳序列转化，使用ACF和PACF及AIC、BIC准则确定p、q参数，建立ARIMA时间序列模型，将能耗值明细数据按照天汇总后代入模型；最终完成能耗预测并基于设定的偏离阀值进行诊断及告警触发。
图8示出了根据本申请一实施例的地铁设备的异常检测装置的结构示意图，装置包括：
时间序列生成模块401，用于根据地铁设备多个历史时间的能耗进行排序，得到能耗的时间序列；
差分阶数确定模块402，用于若检测到能耗的时间序列不平稳，则对能耗的时间序列进行差分处理，并确定能耗的时间序列转化为平稳时间序列时的差分阶数；
确定模块403，用于根据能耗的时间序列，确定目标自回归项以及目标移动平均项；
拟合处理模块404，用于根据差分阶数、目标自回归项以及目标移动平均项进行拟合处理，得到差分整合移动平均自回归预测模型；
能耗异常检测模块405，用于根据差分整合移动平均自回归预测模型预测目标时间的目标能耗，并根据目标时间的目标能耗以及实际能耗，检测地铁设备的能耗是否存在异常。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
根据能耗的时间序列，确定中间自回归项以及中间移动平均项；
根据中间自回归项以及中间移动平均项，确定目标遍历区间；
针对目标遍历区间内的多个遍历组合，分别遍历并确定与遍历组合对应的最小化信息量准则值以及与遍历组合对应的贝叶斯信息准则值；遍历组合包括中间自回归项以及中间移动平均项；
根据与遍历组合对应的最小化信息量准则值以及与遍历组合对应的贝叶斯信息准则值，确定目标自回归项以及目标移动平均项。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
对各最小化信息量准则值进行比较，得到最小的最小化信息量准则值；
对各贝叶斯信息准则值进行比较，得到最小的贝叶斯信息准则值；
根据最小的最小化信息量准则值以及最小的贝叶斯信息准则值，确定对应的目标遍历组合；
根据目标遍历组合，确定目标移动平均项以及目标自回归项。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
根据能耗的时间序列，构建偏自相关系数图以及自相关系数图；
根据偏自相关系数图的最大滞后点，确定中间自回归项；
根据自相关系数图的最大滞后点，确定中间移动平均项。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
对能耗的时间序列进行差分处理，得到能耗的中间时间序列；
若中间时间序列平稳，则将中间时间序列作为平稳时间序列；
若中间时间序列不平稳，则重新对差分处理后的中间时间序列进行差分处理，直至得到平稳时间序列；
对平稳时间序列进行白噪声检验；
若平稳时间序列不是白噪声，则确定得到平稳时间序列进行差分处理的次数，并根据次数确定差分阶数。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
检测能耗的时间序列是否有单位根；
若能耗的时间序列具有单位根，则确定检测到能耗的时间序列不平稳；
若能耗的时间序列没有单位根，则将预设阶数作为差分阶数，并根据能耗的时间序列，确定目标自回归项以及目标移动平均项。
在一实施例中，基于以上技术方案，地铁设备的异常检测装置被配置为：
确定目标能耗与实际能耗之间的偏差；
若偏差大于能耗偏差阈值，则地铁设备的异常检测结果为存在能耗异常；
若偏差小于或者等于能耗偏差阈值，则地铁设备的异常检测结果为不存在能耗异常。
下面参考图9来描述根据本申请实施例的电子设备50。图9显示的电子设备50仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，电子设备50以通用计算设备的形式表现。电子设备50的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中，存储单元存储有程序代码，程序代码可以被处理单元510执行，使得处理单元510执行本说明书上述示例性方法的描述部分中描述的根据本申请各种示例性实施方式的步骤。例如，处理单元510可以执行如图1中所示的各个步骤。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备50也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备50交互的设备通信，和/或与使得该电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。输入/输出(I/O)接口550与显示单元540相连。并且，电子设备50还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备50的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机可读指令，当计算机可读指令被计算机的处理器执行时，使计算机执行上述方法实施例部分描述的方法。
根据本申请的一个实施例，还提供了一种用于实现上述方法实施例中的方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如JAVA、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种地铁设备的异常检测方法，其特征在于，所述方法包括：
根据地铁设备多个历史时间的能耗进行排序，得到能耗的时间序列；
若检测到所述能耗的时间序列不平稳，则对所述能耗的时间序列进行差分处理，并确定所述能耗的时间序列转化为平稳时间序列时的差分阶数；
根据所述能耗的时间序列，确定目标自回归项以及目标移动平均项；
根据所述差分阶数、所述目标自回归项以及所述目标移动平均项进行拟合处理，得到差分整合移动平均自回归预测模型；
根据所述差分整合移动平均自回归预测模型预测目标时间的目标能耗，并根据所述目标时间的目标能耗以及实际能耗，检测所述地铁设备的能耗是否存在异常，得到异常检测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述能耗的时间序列，确定目标自回归项以及目标移动平均项，包括：
根据所述能耗的时间序列，确定中间自回归项以及中间移动平均项；
根据所述中间自回归项以及所述中间移动平均项，确定目标遍历区间；
针对所述目标遍历区间内的多个遍历组合，分别遍历并确定与所述遍历组合对应的最小化信息量准则值以及与所述遍历组合对应的贝叶斯信息准则值；所述遍历组合包括所述中间自回归项以及所述中间移动平均项；
根据与所述遍历组合对应的所述最小化信息量准则值以及与所述遍历组合对应的所述贝叶斯信息准则值，确定所述目标自回归项以及所述目标移动平均项。
3.根据权利要求2所述的方法，其特征在于，根据与所述遍历组合对应的所述最小化信息量准则值以及与所述遍历组合对应的所述贝叶斯信息准则值，确定所述目标自回归项以及所述目标移动平均项，包括：
对各所述最小化信息量准则值进行比较，得到最小的最小化信息量准则值；
对各所述贝叶斯信息准则值进行比较，得到最小的贝叶斯信息准则值；
根据最小的最小化信息量准则值以及最小的贝叶斯信息准则值，确定对应的目标遍历组合；
根据所述目标遍历组合，确定所述目标移动平均项以及所述目标自回归项。
4.根据权利要求2所述的方法，其特征在于，根据所述能耗的时间序列，确定中间自回归项以及中间移动平均项，包括：
根据所述能耗的时间序列，构建偏自相关系数图以及自相关系数图；
根据所述偏自相关系数图的最大滞后点，确定所述中间自回归项；
根据所述自相关系数图的最大滞后点，确定所述中间移动平均项。
5.根据权利要求1所述的方法，其特征在于，对所述能耗的时间序列进行差分处理，并确定所述能耗的时间序列转化为平稳时间序列时的差分阶数，包括：
对所述能耗的时间序列进行差分处理，得到能耗的中间时间序列；
若所述中间时间序列平稳，则将所述中间时间序列作为所述平稳时间序列；
若所述中间时间序列不平稳，则重新对差分处理后的所述中间时间序列进行差分处理，直至得到平稳时间序列；
对所述平稳时间序列进行白噪声检验；
若所述平稳时间序列不是白噪声，则确定得到所述平稳时间序列进行差分处理的次数，并根据所述次数确定所述差分阶数。
6.根据权利要求1所述的方法，其特征在于，根据地铁设备多个历史时间的能耗进行排序，得到能耗的时间序列之后，所述方法还包括：
检测所述能耗的时间序列是否有单位根；
若所述能耗的时间序列具有单位根，则确定检测到所述能耗的时间序列不平稳；
若所述能耗的时间序列没有单位根，则将预设阶数作为所述差分阶数，并根据所述能耗的时间序列，确定所述目标自回归项以及所述目标移动平均项。
7.根据权利要求1所述的方法，其特征在于，根据所述目标时间的目标能耗以及实际能耗，检测所述地铁设备的能耗是否存在异常，得到异常检测结果，包括：
确定所述目标能耗与所述实际能耗之间的偏差；
若所述偏差大于能耗偏差阈值，则所述地铁设备的异常检测结果为存在能耗异常；
若所述偏差小于或者等于所述能耗偏差阈值，则所述地铁设备的异常检测结果为不存在能耗异常。
8.一种地铁设备的异常检测装置，其特征在于，所述装置包括：
时间序列生成模块，用于根据地铁设备多个历史时间的能耗进行排序，得到能耗的时间序列；
差分阶数确定模块，用于若检测到所述能耗的时间序列不平稳，则对所述能耗的时间序列进行差分处理，并确定所述能耗的时间序列转化为平稳时间序列时的差分阶数；
确定模块，用于根据所述能耗的时间序列，确定目标自回归项以及目标移动平均项；
拟合处理模块，用于根据所述差分阶数、所述目标自回归项以及所述目标移动平均项进行拟合处理，得到差分整合移动平均自回归预测模型；
能耗异常检测模块，用于根据所述差分整合移动平均自回归预测模型预测目标时间的目标能耗，并根据所述目标时间的目标能耗以及实际能耗，检测所述地铁设备的能耗是否存在异常。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的方法。
CN202310294218.1A 2023-03-17 2023-03-17 地铁设备的异常检测方法、装置、电子设备及介质 Pending CN116467680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310294218.1A CN116467680A (zh) 2023-03-17 2023-03-17 地铁设备的异常检测方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310294218.1A CN116467680A (zh) 2023-03-17 2023-03-17 地铁设备的异常检测方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN116467680A true CN116467680A (zh) 2023-07-21

Family

ID=87183357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310294218.1A Pending CN116467680A (zh) 2023-03-17 2023-03-17 地铁设备的异常检测方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116467680A (zh)

Similar Documents

Publication Publication Date Title
CN108509325B (zh) 系统超时时间的动态确定方法与装置
CN110059894B (zh) 设备状态评估方法、装置、系统及存储介质
CN115122155B (zh) 基于工业互联网大数据的机床远程诊断方法及系统
CN110727437B (zh) 代码优化项获取方法、装置、存储介质及电子设备
CN116541176A (zh) 算力资源分配的优化方法、优化装置、电子设备和介质
CN114429250B (zh) 应用于工业互联网的故障预测方法、装置及电子设备
US11645540B2 (en) Deep graph de-noise by differentiable ranking
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN114860542A (zh) 趋势预测模型的优化方法、优化装置、电子设备和介质
CN117688342A (zh) 一种基于模型的设备状态预测方法、电子设备及存储介质
CN112199252A (zh) 一种异常监控方法、装置及电子设备
CN113849374B (zh) 中央处理器占用率预测方法、系统、电子设备及存储介质
CN117674128A (zh) 基于电力调度系统自动化故障排除方法
CN116467680A (zh) 地铁设备的异常检测方法、装置、电子设备及介质
CN112785111A (zh) 生产效率预测方法、装置、存储介质与电子设备
US20090099821A1 (en) Model-diversity technique for improved proactive fault monitoring
CN115809818A (zh) 抽水蓄能电站辅助设备多维诊断评估方法及装置
CN113329128B (zh) 话务数据预测方法及装置、电子设备、存储介质
CN112418534B (zh) 揽件量预测方法及装置、电子设备、计算机可读存储介质
CN112782584A (zh) 电池电量的剩余使用额度的预测方法、系统、介质及设备
CN113985202B (zh) 一种电容故障预警方法、装置、电子设备及存储介质
CN115292146B (zh) 一种系统容量预估方法、系统、设备及存储介质
CN110135763B (zh) 电能消耗的监控方法、可读存储介质和电子设备
US20220107878A1 (en) Causal attention-based multi-stream rnn for computer system metric prediction and influential events identification based on metric and event logs
CN116775205A (zh) 云主机的资源扩缩容方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination