CN116993537A - 一种基于串行gru自编码器的电力负荷异常检测方法及系统 - Google Patents
一种基于串行gru自编码器的电力负荷异常检测方法及系统 Download PDFInfo
- Publication number
- CN116993537A CN116993537A CN202310971862.8A CN202310971862A CN116993537A CN 116993537 A CN116993537 A CN 116993537A CN 202310971862 A CN202310971862 A CN 202310971862A CN 116993537 A CN116993537 A CN 116993537A
- Authority
- CN
- China
- Prior art keywords
- gru
- self
- encoder
- power load
- serial
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 230000005856 abnormality Effects 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009954 braiding Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于串行GRU自编码器的电力负荷异常检测方法,包括以下步骤:S100:获取电力负荷信息,对所述电力负荷信息进行预处理;S200:将预处理后的所述电力负荷信息序列按预设比例划分为训练集、验证集和测试集;S300:构建串行GRU自编码器网络,将训练集输入到串行GRU自编码器网络中进行训练,得到对应的串行GRU自编码器网络最优权重参数和新的异常检测模型;S400:将验证集输入到新的异常检测模型中,根据重构误差获取阈值;S500:将测试集输入到新的异常检测模型中,根据重构误差与获取的阈值相比较得到异常检测结果。及其检测系统,包括数据预处理模块和GRU自编码器检测模块,能够减少正常数据的重构误差,得到准确可靠的检测结果。
Description
技术领域
本发明涉及电力负荷异常检测技术领域,具体涉及一种基于串行GRU自编码器的电力负荷异常检测方法及系统。
背景技术
随着电力系统规模的扩大和电力负荷的增长,对电力负荷的准确监测和异常检测变得越来越重要。异常负荷的出现可能会导致电力系统的稳定性问题、设备损坏和能源浪费等严重后果。因此,开发有效的电力负荷异常检测方法对于提高电力系统的安全性、稳定性和经济性至关重要。电力负荷异常检测是电力系统运行和管理中的重要任务,可以帮助实时监测和识别异常负荷行为,提高电力系统的可靠性和效率。随着电力负荷数据的规模和复杂性不断增加,传统的基于阈值和统计模型的方法面临着挑战,需要更加智能和高效的异常检测方法。深度学习技术的迅猛发展为电力负荷异常检测提供了新的机会,但是如何利用深度学习技术提高电力负荷异常检测速度和质量仍需要本领域技术人员努力。
发明内容
发明目的:本发明的目的是提供能够减少正常数据的重构误差,得到准确可靠的检测结果的一种基于串行GRU自编码器的电力负荷异常检测方法。
技术方案:为了实现上述发明目的,本发明的一种基于串行GRU自编码器的电力负荷异常检测方法,包括以下步骤:
S100:获取电力负荷信息,对所述电力负荷信息进行预处理;
S200:将预处理后的所述电力负荷信息序列按预设比例划分为训练集、验证集和测试集;
S300:构建串行GRU自编码器网络,将训练集输入到串行GRU自编码器网络中进行训练,得到对应的串行GRU自编码器网络最优权重参数和新的异常检测模型;
S400:将验证集输入到新的异常检测模型中,根据重构误差获取阈值;
S500:将测试集输入到新的异常检测模型中,根据重构误差与获取的阈值相比较得到异常检测结果。
进一步地,对所述电力负荷信息进行预处理,包括以下步骤:
S110:遍历获取的电力负荷信息,对缺失值进行补全;
S120:将补全后的电力负荷信息进行数字类型的转化;
S130:将转化后的电力负荷信息进行归一化处理。
进一步地,所述串行GRU自编码器网络包括两个GRU自编码器,将第一GRU自编码器的输出作为第二GRU自编码器的输入构成串行模式,每个所述GRU自编码器包括一个编码器和一个解码器,所述编码器和所述解码器均由GRU深度神经网络构成。
进一步地,串行GRU自编码器网络最优权重参数的获取,还包括以下步骤:
S310:初始化参数并组织数据;
S320:设定阈值和训练次数,在预设训练次数内,通过前向传播计算预测值,比较模型的预测值和输入的真实值的损失函数;
S330:通过反向传播算法计算梯度,使用Adam优化器根据计算得到的梯度和学习率来更新权重参数的值;
S340:重复步骤S320和步骤S330,直至达到预设的训练次数或误差超过设定阈值,输出所得到的最优权重参数。这些参数使得自编码器能够在训练数据上有较好的重构和预测性能。
更进一步地,步骤S320和步骤S330中优化器的学习率为0.001、损失函数为均方误差、迭代次数为120。
进一步地,所述新的异常检测模型为训练后的第一GRU自编码器的编码器和第二GRU自编码器的解码器构成的网络。
进一步地,所述重构误差为模型的输出结果与输入数据之间的差值。
一种基于串行GRU自编码器的电力负荷异常检测系统,应用于一种基于串行GRU自编码器的电力负荷异常检测方法,包括:
数据预处理模块,对采集的电力负荷信息进行预处理;
GRU自编码器检测模块,对输入向量进行检测,得到分量对应的异常检测结果。
一种计算机设备,包括:处理器,以及与所述处理器通信连接的存储器,其中,所述存储器存储有被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器执行一种基于串行GRU自编码器的电力负荷异常检测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行一种基于串行GRU自编码器的电力负荷异常检测方法。
有益效果:本发明本技术方案基于GRU门控循环单元和和自编码器技术的电力负荷异常检测方法,GRU自编码器适用于处理时间序列数据,GRU自编码器适用于处理时间序列数据,可以捕捉数据中的时序依赖关系,GRU自编码器通过学习数据的表示和重构,能够更好地抽取数据中的关键特征,并对异常数据产生较高的重构误差。这使得它在未见过的数据或与训练数据略有不同的数据上具有较好的鲁棒性和泛化能力。通过串行的方式训练并将训练后的第一个GRU自编码器的编码器和第二个GRU自编码器的解码器组成新的异常检测模型,能够减小正常数据的重构误差。同时,对于异常序列,从而能在一定程度上放大异常数据的重构误差。本发明基于串行GRU自编码器电力负荷异常检测方法对负荷有准确可靠的异常检测结果,对实际电力系统许多部门都起着重要的作用。
附图说明
图1为实施例1基于串行GRU自编码器的电力异常检测方法流程图;
图2为实施例1串行GRU自编码器网络结构示意图;
图3为实施例1串行GRU自编码器网络异常检测网络模型示意图;
图4为实施例1串行GRU自编码器网络最优权重参数训练流程图;
图5为实施例2基于串行GRU自编码器的电力负荷异常检测系统示意图;
图6为实施例3提供的计算机设备一个具体示例的组成图。
具体实施方式
实施例1
如图1所示,一种基于串行GRU自编码器的电力负荷异常检测方法,包括以下步骤:
S100:获取电力负荷信息,对所述电力负荷信息进行预处理;
S200:将预处理后的所述电力负荷信息序列按预设比例划分为训练集、验证集和测试集;在本实施例中,根据预处理后的所述电力负荷信息利用滑动串口技术,得到训练集、验证集和测试集。本实施例根据6:2:2对所述电力负荷信息序列进行划分,即训练集占数据总量的60%,验证集占数据总量20%,测试集占数据总量20%。
S300:构建串行GRU自编码器网络,将训练集输入到串行GRU自编码器网络中进行训练,得到对应的串行GRU自编码器网络最优权重参数和新的异常检测模型;如图2所示,新的异常检测模型GAE3(ht)为训练后的第一GRU自编码器的编码器(GRU-Encoder1)和第二GRU自编码器(GRU-Decoder2)的解码器构成的网络。ht为训练集数据,Z3为隐含层变量。
S400:将验证集输入到新的异常检测模型中,根据重构误差获取阈值;重构误差为模型的输出结果与输入数据之间的差值。
S500:将测试集输入到新的异常检测模型中,根据重构误差与获取的阈值相比较得到异常检测结果。
进一步地,对所述电力负荷信息进行预处理,包括以下步骤:
S110:遍历获取的电力负荷信息,对缺失值进行补全;
S120:将补全后的电力负荷信息进行数字类型的转化;
S130:将转化后的电力负荷信息进行归一化处理。
在上述实施例中,电力负荷信息是以一定的间隔时间进行电力负荷数据的采样,比如以15分钟为采样间隔,一天共96个电力负荷数据点;同时气象因素作为影响电力负荷数据的重要因素也需采集,包括最高温度、最低温度、平均温度、相对湿度和降雨量数据等。
其次是对电力负荷信息和气象因素的预处理,对于电力负荷信息和气象因素进行遍历,若发现缺失值,本发明采用均值填充的方法进行补全,对于缺失值ai,让某些数据例如星期
的类型作为影响电力负荷数据的一大因素,不能直接输入到串行GRU自编码器网络中,所以需要将其转化为数字类型。将各星期类型对应的负荷数据进行取平均组成矩阵,[W1 W2 W3 W4 W5 W6 W7]找到其中最大值记为Wmax,再根据进行数字类型的转化。在另外的实施例中,也可以是其他影响电力负荷数据的因素,例如早上、中午、晚上时间段。
最后通过归一化将数据值限制在[0,1]之间,其计算公式为其中:x′i为归一化后的值,xmax和xmin分别表示峰值和谷值。
如图3所示,所述串行GRU自编码器网络包括两个GRU自编码器,由两个结构相同的GRU自编码器GAE,也就是GRU自编码器(GAE1和GAE2)构成,将第一GRU自编码器(GAE1)的输出GAE1(h)作为第二GRU自编码器(GAE2)的输入构成串行模式,第一GRU自编码器(GAE1)包含一个具有GRU单元的编码器(GRU-Encoder1)和一个解码器(GRU-Decoder1),第二GRU自编码器(GAE2)包含一个具有GRU单元的编码器(GRU-Encoder2)和一个解码器(GRU-Decoder2),Z1和Z2是隐含层变量。第一GRU自编码器的目标训练函数f1(h,GAE1(h))为输入数据h和第一GRU自编码器的输出GAE1(h)之间的损失,第二GRU自编码器的目标训练函数f1(h,GAE2(GAE1(h)))为原始数据h和第二串行自编码器的输出GAE2(GAE1(h))之间的损失进行训练。所述编码器和所述解码器均由GRU深度神经网络构成。在本实施例中,GRU自编码器的GRU层数选择为2、隐藏单元为64,自编码器隐藏维度选择为20,Dropout0.2,滑动窗口步长选择为4。
GRU深度神经网络算法是一种循环神经网络(RNN)的变体,用于处理序列数据和时间序列数据建模。与传统的RNN相比,GRU具有更强的建模能力和更好的长期依赖性处理能力。GRU的结构比LSTM更为简单一些,但实验效果却类似,因此GRU是一种性价比很高的结构。GRU引入了门控机制,通过门控单元来控制信息的流动和选择性地遗忘过去的信息。它由两个关键的门控单元组成:更新门和重置门。
更新门:控制当前状态需要从上一时刻状态中保留多少信息(不经过非线性变换),以及需要从候选状态中接受多少信息,计算公式为zt=σ(Wz·[ht-1,xt]);
重置门:用来控制候选状态的计算依赖上一时刻状态,计算公式为rt=σ(Wr·[ht-1,xt]);新候选隐藏状态的计算公式为
最终的隐藏状态更新规则计算公式为其中,ht是当前时间步的隐藏状态,xt是当前时间步的输入,ht-1是上一时刻的隐藏状态,Wz、Wr和W是对应的权重矩阵,σ(·)是sigmoid函数,e表示逐元素相乘,rt表示候选状态,/>表示新候选隐藏状态。
从上述公式中分析,GRU直接使用更新门来控制输入和遗忘的平衡,而LSTM中输入门和遗忘门相比就具有一定的冗余性了。可以看出,当zt=0时,当前状态ht和上一时刻状态ht-1为非线性关系;当zt=1时,ht和ht-1为线性关系。
在上述实施例中,自编码器是一种无监督学习算法,常用于数据压缩和特征提取并重构数据。在异常检测中,自编码器可以用于学习正常数据的特征,并通过重构误差来检测异常。自编码器包含一个编码器和一个解码器,通过将输入数据压缩到低维表示(编码)并尝试从该低维表示中重构原始数据(解码)来实现。编码器将输入数据转换为一个新的表示形式,解码器将该表示形式重构回原始格式。
其中,编码器用于实现从输入层高维形式到隐藏层低维形式的变换,而解码器则用于实现从隐藏层低维形式到输出层高维形式的数据重构。通过自编码器结构的不断训练,输出近似于原始输入的重构结果。训练自编码器时,目标是最小化原始数据和重构数据之间的重构误差,从而迫使自编码器学习到数据的重要特征。
编码器、解码器和损失函数的计算关系式如下
编码器:z=f(We·x+be);
解码器:
损失函数:
x是输入数据,z是编码后的低维表示,是重构后的数据,f1是损失的计算函数,用于算损失,We和Wd分别是编码器和解码器的权重矩阵,be和bd是对应的偏置向量;为获得有效的数据特征表示,通常将AE的训练目标设置为最小化输入数据和重构数据的误差,即最小化x与/>之间的差异。串行GRU自编码器网络由两个GRU自编码器所构成。由两个GRU自编码器串行而成,将第一个自编码器的输出作为第二个自编码器的输入构成串行模式,每个GRU自编码器各包含一个GRU编码器和GRU解码器。通过串行的方式训练并将训练后的第一个GRU自编码器的编码器和第二个GRU自编码器的解码器组成新的异常检测模型,能够减小正常数据的重构误差。同时,对于异常序列,从而能在一定程度上放大异常数据的重构误差。
进一步地,如图4所示,串行GRU自编码器网络最优权重参数的获取,还包括以下步骤:
S310:初始化参数并组织数据;初始化参数包括设置GRU自编码器的网络结构、权重和偏置的初始值,组织数据为将输入数据按照一定的方式进行处理和组织,例如将序列数据划分成时间步长,准备输入和目标数据。
S320:设定阈值和训练次数,在预设训练次数内,使用当前的权重参数对输入数据进行前向传播计算,得到预测值,比较模型的预测值和输入的真实值之间的差距,通常采用某种损失函数(如均方误差MSE)来度量差异。
S330:通过反向传播算法计算梯度,根据梯度更新网络中的权重参数,以减小损失函数的值,使用Adam优化器根据计算得到的梯度和学习率来更新权重参数的值;
S340:重复步骤S320和步骤S330,直至达到预设的训练次数或误差超过设定阈值,输出所得到的最优权重参数。这些参数使得自编码器能够在训练数据上有较好的重构和预测性能。
更进一步地,步骤S320和步骤S330中优化器的学习率为0.001、损失函数为均方误差、迭代次数为120。
由于深度神经网络具有强大的特征提取和表示能力,基于深度学习的异常检测方法受到了极大的关注。通过提取输入数据的有效特征以获得低维的特征表示,并利用该特征进行数据重构,再将重构误差与预先设定的阈值进行比较即可检测异常。深度神经网络能有效地提取出正常数据的特征,从而使正常数据的重构误差较小,异常数据的重构误差则较大。因此,若待检数据的重构误差高于阈值,则判定待检数据为异常;否则,判定为正常。
基于GRU门控循环单元和和自编码器技术的电力负荷异常检测方法,GRU自编码器适用于处理时间序列数据,可以捕捉数据中的时序依赖关系,GRU自编码器通过学习数据的表示和重构,能够更好地抽取数据中的关键特征,并对异常数据产生较高的重构误差。这使得它在未见过的数据或与训练数据略有不同的数据上具有较好的鲁棒性和泛化能力。
实施例2
如图5所示,一种基于串行GRU自编码器的电力负荷异常检测系统,应用于一种基于串行GRU自编码器的电力负荷异常检测方法,包括:
数据预处理模块1,对采集的电力负荷信息进行预处理;预处理包括对电力负荷信息的缺省值补充,将补充后的电力负荷信息进行数字类型的转化并进行归一化处理。
GRU自编码器检测模块2,对输入向量进行检测,得到分量对应的异常检测结果。
本发明基于串行GRU自编码器的电力负荷异常检测系统在实施时,有一个根据近期电力负荷数据建立预测模型的过程,需要近期的数据进行训练才能得到适合当前场景的预测模型。
实施例3
本发明实施例提供一种计算机设备,如图6所示,包括:至少一个处理器601,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口603,存储器604,至少一个通信总线602。其中,通信总线602用于实现这些组件之间的连接通信。其中,通信接口603可以包括显示屏(Display)、键盘(Keyboard),可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(Ramdom Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以执行实施例1的一种基于串行GRU自编码器的电力负荷异常检测方法。存储器604中存储一组程序代码,且处理器601调用存储器604中存储的程序代码,以用于执行实施例1的一种基于串行GRU自编码器的电力负荷异常检测方法。其中,通信总线602可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。其中,存储器604可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard disk drive,缩写:HDD)或固降硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。其中,处理器601可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。其中,处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic array logic,缩写:GAL)或其任意组合。可选地,存储器604还用于存储程序指令。处理器601可以调用程序指令,实现如本申请执行实施例1中的一种基于串行GRU自编码器的电力负荷异常检测方法。本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行实施例1的一种基于串行GRU自编码器的电力负荷异常检测方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固降硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行一种基于串行GRU自编码器的电力负荷异常检测方法。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于串行GRU自编码器的电力负荷异常检测方法,其特征在于,包括以下步骤:
S100:获取电力负荷信息,对所述电力负荷信息进行预处理;
S200:将预处理后的所述电力负荷信息序列按预设比例划分为训练集、验证集和测试集;
S300:构建串行GRU自编码器网络,将训练集输入到串行GRU自编码器网络中进行训练,得到对应的串行GRU自编码器网络最优权重参数和新的异常检测模型;
S400:将验证集输入到新的异常检测模型中,根据重构误差获取阈值;
S500:将测试集输入到新的异常检测模型中,根据重构误差与获取的阈值相比较得到异常检测结果。
2.根据权利要求1所述的一种基于串行GRU自编码器的电力负荷异常检测方法,其特征在于,对所述电力负荷信息进行预处理,包括以下步骤:
S110:遍历获取的电力负荷信息,对缺失值进行补全;
S120:将补全后的电力负荷信息进行数字类型的转化;
S130:将转化后的电力负荷信息进行归一化处理。
3.根据权利要求1所述的一种基于串行GRU自编码器的电力负荷异常检测方法,其特征在于,所述串行GRU自编码器网络包括两个GRU自编码器,将第一GRU自编码器的输出作为第二GRU自编码器的输入构成串行模式,每个所述GRU自编码器包括一个编码器和一个解码器,所述编码器和所述解码器均由GRU深度神经网络构成。
4.根据权利要求1所述的一种基于串行GRU自编码器的电力负荷异常检测方法,其特征在于,串行GRU自编码器网络最优权重参数的获取,还包括以下步骤:
S310:初始化参数并组织数据;
S320:设定阈值和训练次数,在预设训练次数内,通过前向传播计算预测值,比较模型的预测值和输入的真实值的损失函数;
S330:通过反向传播算法计算梯度,使用Adam优化器根据计算得到的梯度和学习率来更新权重参数的值;
S340:重复步骤S320和步骤S330,直至达到预设的训练次数或误差超过设定阈值,输出所得到的最优权重参数。
5.根据权利要求4所述的一种基于串行GRU自编码器的电力负荷异常检测方法,其特征在于,步骤S320和步骤S330中优化器的学习率为0.001、损失函数为均方误差、迭代次数为120。
6.根据权利要求1所述的一种基于串行GRU自编码器的电力负荷异常检测方法,其特征在于,所述新的异常检测模型为训练后的第一GRU自编码器的编码器和第二GRU自编码器的解码器构成的网络。
7.根据权利要求1所述的一种基于串行GRU自编码器的电力负荷异常检测方法,其特征在于,所述重构误差为模型的输出结果与输入数据之间的差值。
8.一种基于串行GRU自编码器的电力负荷异常检测系统,其特征在于,应用于权利要求1至7中任意一项所述的一种基于串行GRU自编码器的电力负荷异常检测方法,包括:
数据预处理模块,对采集的电力负荷信息进行预处理;
GRU自编码器检测模块,对输入向量进行检测,得到分量对应的异常检测结果。
9.一种计算机设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器,其中,所述存储器存储有被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器执行权利要求1-7中任一所述的一种基于串行GRU自编码器的电力负荷异常检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行1-中7任一所述的一种基于串行GRU自编码器的电力负荷异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971862.8A CN116993537A (zh) | 2023-08-03 | 2023-08-03 | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971862.8A CN116993537A (zh) | 2023-08-03 | 2023-08-03 | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993537A true CN116993537A (zh) | 2023-11-03 |
Family
ID=88533485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310971862.8A Pending CN116993537A (zh) | 2023-08-03 | 2023-08-03 | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993537A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117591942A (zh) * | 2024-01-18 | 2024-02-23 | 国网山东省电力公司营销服务中心(计量中心) | 一种用电负荷数据异常检测方法、系统、介质及设备 |
CN117793764A (zh) * | 2023-12-27 | 2024-03-29 | 广东宜通衡睿科技有限公司 | 5g专网软探针拨测数据完整性校验和补全方法及系统 |
-
2023
- 2023-08-03 CN CN202310971862.8A patent/CN116993537A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117793764A (zh) * | 2023-12-27 | 2024-03-29 | 广东宜通衡睿科技有限公司 | 5g专网软探针拨测数据完整性校验和补全方法及系统 |
CN117591942A (zh) * | 2024-01-18 | 2024-02-23 | 国网山东省电力公司营销服务中心(计量中心) | 一种用电负荷数据异常检测方法、系统、介质及设备 |
CN117591942B (zh) * | 2024-01-18 | 2024-04-19 | 国网山东省电力公司营销服务中心(计量中心) | 一种用电负荷数据异常检测方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380098B (zh) | 一种时序异常检测方法、装置、计算机设备及存储介质 | |
CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 | |
CN111797122B (zh) | 高维重现概念漂移流数据的变化趋势预测方法及装置 | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN113076215B (zh) | 一种独立于数据类型的无监督异常检测方法 | |
CN109886496B (zh) | 一种基于气象信息的农产量预测方法 | |
CN111079539A (zh) | 一种基于异常追踪的视频异常行为检测方法 | |
CN114363195A (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN115169430A (zh) | 基于多尺度解码的云网端资源多维时间序列异常检测方法 | |
CN115801463B (zh) | 工业互联网平台入侵检测的方法、装置和电子设备 | |
CN116738868B (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN112883929A (zh) | 在线视频异常行为检测模型训练、异常检测方法及系统 | |
CN116702090A (zh) | 一种多模态数据融合与不确定估计的水位预测方法及系统 | |
CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
CN114003900A (zh) | 变电站二次系统网络入侵检测方法、装置及系统 | |
CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
CN112561180A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
WO2023231374A1 (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN115840774A (zh) | 多元时序异常检测方法及装置、计算机设备和存储介质 | |
KR102184655B1 (ko) | 비대칭 tanh 활성 함수를 이용한 예측 성능의 개선 | |
CN111797732B (zh) | 一种对采样不敏感的视频动作识别对抗攻击方法 | |
CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
CN116700213B (zh) | 基于门控循环单元的工业设备异常检测方法及相关装置 | |
CN111666819B (zh) | 一种融合多元信息的高精度视频异常事件检测方法 |
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 |