CN118094454A - 一种配电网负荷数据异常检测方法及系统 - Google Patents
一种配电网负荷数据异常检测方法及系统 Download PDFInfo
- Publication number
- CN118094454A CN118094454A CN202410523801.XA CN202410523801A CN118094454A CN 118094454 A CN118094454 A CN 118094454A CN 202410523801 A CN202410523801 A CN 202410523801A CN 118094454 A CN118094454 A CN 118094454A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- time
- time sequence
- sequence data
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000009826 distribution Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000005856 abnormality Effects 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 3
- 230000007488 abnormal function Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种配电网负荷数据异常检测方法及系统，涉及电网数据异常检测技术领域，方法包括：获取配电网各节点的负荷时间序列数据，将负荷时间序列数据划分为多个负荷子时序数据；将多个负荷子时序数据及其对应的时间条件信息输入至训练完成的异常检测模型中，输出每一负荷子时序数据的异常分数；异常检测模型采用改进的条件生成对抗网络CGAN搭建，且在CGAN网络的生成器和判别器中引入了BiLSTM网络和自注意力机制；基于极值理论动态选取阈值，比较多个负荷子时序数据的异常分数与阈值，检测得到异常负荷数据。本发明利用改进的CGAN网络计算数据异常分数，并通过动态选取的阈值来判别异常，有效提高异常检测的准确性。
Description
技术领域
本发明涉及电网数据异常检测技术领域，尤其涉及一种配电网负荷数据异常检测方法及系统。
背景技术
随着电网的信息化和智能化，智能电网飞速发展，这对海量历史/实时数据库数据服务能力智能优化研究提出了更高的要求。然而，现有电力 数据的采集存储过程中，不可避免地会出现异常数据，而在电网智能优化控制的过程中，负荷数据是电网智能优化控制的重要因素之一，因此，如何检测出负荷数据中的异常数据，是保证电网智能优化控制准确性的重要问题之一。
配电网负荷数据作为一种时序数据，具有高度复杂的时间相关性，并且由于数据量较大通常缺少标签。现有的时序数据异常检测方法主要包括基于相似度、基于预测、基于重构这三类方法。其中，基于重构的方法是指通过学习一个模型来捕捉时序数据的潜在结构，将重构值与观测值的差异进行比较检测异常。该基于重构的方法包括基于自动编码器的无监督时序数据的异常检测方法，然而，该方法较容易发生过拟合问题，降低异常检测的效果；还包括采用对抗学习的方式进行时序数据的重构方法，该方法与传统的方法不同，在缺少标签的情况下，GAN(Generative Adversarial Network, 生成对抗网络)经过训练后构建的判别器可以判别数据的真假，这使得GAN成为一种有吸引力的无监督异常检测模型。
但是，现有的基于GAN的异常检测模型难以有效全面提取时序数据的时间信息，缺乏时间关系和特征关系的结合，模型检测的准确性不高，而且还存在模型在训练过程中不稳定的问题。此外，在进行异常检测时，往往采用人为统一设定的阈值进行异常判断，这也会在一定程度上影响异常检测的效果。
发明内容
为解决上述现有技术的不足，本发明提供了一种配电网负荷数据异常检测方法及系统，设计了一种结合双向长短期记忆网络BiLSTM、自注意力机制和条件对抗生成网络CGAN的异常检测模型，基于改进的CGAN网络，在生成器生成虚假数据的过程中引入对应的时间信息，且生成器和判别器采用BiLSTM来捕捉时序数据复杂的时间相关性，并通过自注意力机制来增强时空特征，以此提高生成虚假数据的准确性；最后利用重构损失和判别损失的加权平均值来定义异常函数，通过动态选取的阈值来判别异常，提高异常检测的准确性。
第一方面，本发明提供了一种配电网负荷数据异常检测方法。
一种配电网负荷数据异常检测方法，包括：
获取配电网各节点的负荷时间序列数据，将负荷时间序列数据划分为多个负荷子时序数据；
将多个负荷子时序数据及其对应的时间条件信息输入至训练完成的异常检测模型中，输出每一负荷子时序数据的异常分数；所述异常检测模型采用改进的条件生成对抗网络CGAN搭建，且在CGAN网络的生成器和判别器中引入了BiLSTM网络和自注意力机制；
基于极值理论动态选取阈值，比较多个负荷子时序数据的异常分数与阈值，检测得到异常负荷数据。
第二方面，本发明提供了一种配电网负荷数据异常检测系统。
一种配电网负荷数据异常检测系统，包括：
负荷数据获取及预处理模块，用于获取配电网各节点的负荷时间序列数据，将负荷时间序列数据划分为多个负荷子时序数据；
负荷数据异常分数计算模块，用于将多个负荷子时序数据及其对应的时间条件信息输入至训练完成的异常检测模型中，输出每一负荷子时序数据的异常分数；所述异常检测模型采用改进的条件生成对抗网络CGAN搭建，且在CGAN网络的生成器和判别器中引入了BiLSTM网络和自注意力机制；
负荷数据异常检测模块，用于基于极值理论动态选取阈值，比较多个负荷子时序数据的异常分数与阈值，检测得到异常负荷数据。
以上一个或多个技术方案存在以下有益效果：
1、本发明提供了一种配电网负荷数据异常检测方法及系统，设计了一种结合双向长短期记忆网络BiLSTM、自注意力机制和条件对抗生成网络CGAN的异常检测模型，基于改进的CGAN网络，在生成器生成虚假数据的过程中引入对应的时间信息，且生成器和判别器采用BiLSTM来捕捉时序数据复杂的时间相关性，并通过自注意力机制来增强时空特征，以此提高生成虚假数据的准确性；最后利用重构损失和判别损失的加权平均值来定义异常函数，通过动态选取的阈值来判别异常，提高异常检测的准确性。
2、本发明中，将双向长短期记忆网络BiLSTM和自注意力机制引入至条件对抗生成网络CGAN，通过能够保留长期历史信息的BiLSTM来捕获时序数据特征，通过自注意力机制来提高重要时序数据特征的权重，提高生成器生成的准确性，进而提高异常检测的准确性；通过利用Wasserstein距离代替JS散度(Jensen-Shannon散度)的衡量方法，并且在判别器损失中增加梯度惩罚项，避免模型训练过程不稳定的问题。
3、本发明中，通过基于极值理论动态选取的阈值来判别异常，避免采用人为统一设定的阈值进行异常判断对检测结果带来的负面影响，提高异常检测的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例所述配电网负荷数据异常检测方法的流程图；
图2为本发明实施例中CGAN网络的结构示意图；
图3为本发明实施例中异常检测模型中生成器的结构示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，仅是为了描述具体实施方式，旨在对本发明提供进一步的说明，并非意图限制根据本发明的示例性实施方式。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种配电网负荷数据异常检测方法，如图1所示，包括以下步骤：
获取配电网各节点的负荷时间序列数据，将负荷时间序列数据划分为多个负荷子时序数据；
将多个负荷子时序数据及其对应的时间条件信息输入至训练完成的异常检测模型中，输出每一负荷子时序数据的异常分数；所述异常检测模型采用改进的条件生成对抗网络CGAN搭建，且在CGAN网络的生成器和判别器中引入了BiLSTM网络和自注意力机制；
基于极值理论动态选取阈值，比较多个负荷子时序数据的异常分数与阈值，检测得到异常负荷数据。
通过下述内容对本实施例所提出的配电网负荷数据异常检测方法进行更详细的介绍。
步骤S1、获取配电网各节点的负荷时间序列数据，将负荷时间序列数据划分为多个负荷子时序数据。
具体的，获取配电网各节点的负荷数据，该负荷数据为时间序列数据，简称为负荷时序数据；对该负荷时序数据进行异常检测，主要是确定数据的观测值是否符合一段时间内的正态数据分布，若不符合观测数据分布，则被认为是异常数据。获取一段长度为的负荷时间序列数据/>，根据预设的一个窗口大小为/>、步长大小为/>的滑动窗口，来将原始时间序列数据划分为/>个负荷子时间序列数据(简称为负荷子时序数据)，即/>。
步骤S2、将多个负荷子时序数据及其对应的时间条件信息输入至训练完成的异常检测模型中，输出每一负荷子时序数据的异常分数。其中，异常检测模型采用改进的条件生成对抗网络CGAN搭建，且在CGAN网络的生成器和判别器中引入了BiLSTM网络和自注意力机制。
在本实施例中，引入了生成对抗网络GAN，GAN作为一种深度生成模型，致力于描述周围世界的概率和统计方面的情况，在生成合成数据方面取得了显著性成功。GAN虽然可以通过学习训练数据集的潜在规则进而生成与训练数据集相似的数据，但是由于GAN的输入是一个随机的噪声，所以导致了它生成的数据也是随机的。为此，本实施例采用改进的条件生成对抗网络CGAN搭建异常检测模型，该CGAN网络的结构如图2所示，其输入为随机噪声序列、负荷子时序数据及其对应的时间条件信息(即时间条件序列)，该网络的主要参数包括时间条件信息，该时间条件信息为一天中的第几个小时和一个小时中的第几分钟等，当这些时刻所对应的数据相对于附近的数据有所不同时，若该网络模型仅考虑时间的连续性，则模型会很容易将这些数据判定为异常，但若从时间信息的角度来看，则会发现这些数据是正常的。针对负荷数据，在某一时间段的负荷会有显著提高，以生活用电为例，在中午、晚上等时间段会有一个显著的高峰期，在每天中的该时间段的数据都是这种模式，因此并不能将其判定为异常。考虑这一情景，为了进一步提高生成器生成虚假负荷数据的准确性，本实施例采用了条件生成对抗网络CGAN，将每一负荷子时序数据所对应的时间点信息，作为负荷子时序数据的时间条件信息，将该时间条件信息也作为一个重要参数输入至检测模型。
具体的，利用One-Hot编码将输入的负荷子时序数据所对应时间点信息编码为时间条件序列，即将模式所在的分钟(m)、小时(h)等作为条件信息输入到模型中，以此提高生成虚假负荷数据的准确性，进而提高检测模型的检测精度。
进一步的，条件生成对抗网络CGAN是在生成对抗网络GAN的基础上所提出的，CGAN给模型添加了条件信息。条件生成对抗网络GAN包括生成器和判别器，将从服从正态分布的k维潜在空间中生成随机噪声，将时序数据/>、时间条件信息和随机噪声/>输入到模型中进行训练；然后在训练好的模型上，将重构损失和判别损失相结合计算每个时间步长的异常分数判别异常。
异常检测模型包括模型训练和异常检测两个部分。其中，(1)网络模型训练部分的主要目的是通过对抗性训练学习真实数据(即输入的负荷子时序数据)的分布，经过足够多次迭代后训练出能够产生相似时序数据的生成器(Generator, G)和能够区分假时序数据与直时序数据的判别器(Critie, C)。将随机噪声Z输入到G中，G通过学习生成相似(或称为虚假)的样本骗过C。然后将生成的时序数据和真实时序数据输入到C中，通过C区分出真实样本和虚假样本。为了处理时序数据，生成器和判别器均使用BiLSTM作为基础网络。(2)异常检测部分则是使用训练好的生成器G和判别器C来检测序列中的异常数据，包括：首先将测试样本通过逆映射从潜在空间中找到最合适的随机噪声向量，然后将最合适的随机噪声向量和时间条件信息输入到G中，G生成的样本与真实样本的距离定义为重构损失；将测试样本输入到判别器C中，输出得到判别损失；最后利用重构损失和判别损失的加权平均值计算出异常分数。即，上述异常检测为：
将随机噪声序列和时间条件信息输入至异常检测模型中的生成器中，生成虚假负荷时序数据；
基于虚假负荷时序数据与负荷子时序数据，确定重构损失；
将生成的虚假负荷时序数据、时间条件信息以及输入的负荷子时序数据输入至异常检测模型中的判别器中，输出判别损失；
基于重构损失和判别损失，确定负荷子时序数据的异常得分。
之后，根据所获取的异常得分，再通过阈值比较确定出异常时序数据。
本实施例中，构建了改进的生成器。考虑到生成器的主要目标是以无监督的方式模拟正常负荷时序数据的复杂分布，然而，常用的长短期记忆网络层(long short-termmemory, LSTM)缺乏对未来数据信息的学习能力，同时，生成模型也需要能学习到输入序列中不同位置的重要性，提升模型对数据的表示能力。因此，本实施例提出了一种改进的生成器架构，如图3所示，该生成器主要包括包括输入层、BiLSTM层、自注意力层、Dropout层、激活层和输出层；将随机噪声序列和时间条件序列叠加后输入至BiLSTM层，以提取时空特征；再通过自注意力层来增强输入序列中重要的时空特征的权重；基于增强后的时空特征，再通过BiLSTM层和激活函数，生成虚假负荷时序数据。
生成器的输入为一系列符合高斯分布的的随机噪声序列[]，噪声序列叠加时间条件序列后，首先被输入到BiLSTM层用于提取特征信息，BiLSTM层由正向和反向两个LSTM层组成，分别用于获取序列中过去和未来的时空特征，以增强生成器的特征提取能力。
由于LSTM层只能考虑过去时空特征进行预测，若使用过去的电网负荷历史数据进行数据生成，生成的数据只会与时间最接近的电力历史数据相似，而忽略了更早的电网历史数据的特征分布信息；而BiLSTM则可以捕获过去和未来数据的时空特征，能有效提升生成数据的精度。BiLSTM通过提取噪声数据中所有过去和未来可用的输入信息进行训练，利用前向层和后向层来实现对噪声序列过去和未来时空特征信息的获取。最后，将前向以及后向隐藏层信息与其对应的权重相乘再合并，输出生成结果。
进一步的，本实施例在每个BiLSTM层后都加入了Dropout层，以提升生成器的泛化能力。而且，为了加强重要特征对生成器生成效果的影响，采用自注意力层来增强输入序列中的重要的时空特征的权重。最后，生成的数据序列将作为判别器的输入，用以分析生成数据的效果。
上述生成器的输入来自随机空间中的随机噪声Z，随机噪声Z与时间条件信息叠加得到叠加数据，这一序列数据和输入时序数据X的维度相同，将随机噪声向量映射到所需的数据空间，输入为时间序列/>，则生成器学习映射的过程表示为：
；
则生成器的损失函数定义为：
；
上式中，表示生成样本分布。
本实施例中，构建了改进的判别器。针对数据集较小的情况，若使用较大的判别器容易发生过拟合，因此实施例中的判别器使用一层包含100个隐藏单元的BiLSTM网络。原始的GAN容易发生训练不稳定的问题，为了克服这个限制，保证训练过程的稳定性，本实施例使用Wasserstein距离代替JS散度，并且在判别器的损失中加入梯度惩罚项限制梯度变化范围，直接计算真实样本分布和生成样本分布/>的wasserstein距离。
考虑到直接计算该wasserstein距离比较困难，因此采用以下方式计算：
；
上式中，为设定值，/>表示函数/>满足K-Lipschitz连续的约束，即：
；
由于需要拟合Wasserstein距离，因此去掉最后一层的Sigmoid 函数，而采用全连接层来输出各类分布的值。
进一步的，获取历史负荷时间序列数据，将其划分后作为训练样本，构建训练样本集，并利用该训练样本集训练上述所搭建的异常检测模型。为了找出最优的矢量，先从潜在空间中随机找出一个矢量/>，然后叠加条件信息输入到一个训练好的生成器G中，得到一个假的生成样本/>，然后使用损失函数/>的梯度更新/>得到/>，重复上述步骤生成/>，与/>相比/>更接近真实样本向量/>。通过反向传播迭代更新向量，在/>充分更新之后，生成最相似的虚假样本/>，/>是最大的迭代次数也是反向传播的步数。
在本实施例中，异常检测模型的损失函数L由重构损失和判别损失/>组成，定义为：
（1）重构损失
利用重构损失来计算真实样本和生成虚假样本之间的逐点距离差值，定义函数为：
；
上式中，表示第/>个负荷子时序数据，/>表示第/>个负荷子时序数据中第j个数据，/>表示第/>个虚假负荷时序数据中第/>个数据，/>表示维度，即负荷子时序数据中的数据个数。
（2）判别损失
原始GAN是完成真假二分类任务，但本实施例中判别器的输出为 Wasserstein距离，因此采用判别器的输出来计算判别损失，定义为：
；
上式中，表示判别器的输出。
（3）损失函数则被定义为重构损失/>和判别损失/>的加权平均值，即：
；
上式中，为由经验决定的平衡因子。
在每次迭代中，损失函数会估计生成的假序列和真实序列的差异，异常评分函数以表示给定时间序列/>与正常小序列模型的差异，公式为：
；
上式中，为重构分数，由重构损失/>定义；/>为判别分数，由判别损失定义。
步骤S3、基于极值理论动态选取阈值，比较多个负荷子时序数据的异常分数与阈值，检测得到异常负荷数据。
基于极值理论的动态阈值选取与异常判定对于上述计算的每个时间点的重建误差，若大于异常阈值，则视为异常点。然而由于大多数检测异常值的方法往往依赖手动设置阈值，或依赖对数据分布的假设，难以适用于缺乏标签和异常比例先验知识的实际电网数据，因此本实施例采用一种基于极值理论的方法动态设置阈值，并支持设定风险值控制假阳性数量。该阈值的计算公式为：
；
上式中，为初始概率阈值，/>为期望概率，即风险值，/>为观察值数量，/>是峰值数量，该峰值为超过初始概率阈值/>的观察值，/>、/>为预设值。风险值/>用于控制模型检测策略偏向保守或是偏向贪婪，可灵活设置以应对不同的检测场景和需求。
将计算获取的负荷子时序数据的异常分数与选取的阈值相比较，检测每一负荷子时序数据是否异常，进而完成异常负荷数据的检测。
实施例二
本实施例提供了一种配电网负荷数据异常检测系统，包括：
负荷数据获取及预处理模块，用于获取配电网各节点的负荷时间序列数据，将负荷时间序列数据划分为多个负荷子时序数据；
负荷数据异常分数计算模块，用于将多个负荷子时序数据及其对应的时间条件信息输入至训练完成的异常检测模型中，输出每一负荷子时序数据的异常分数；所述异常检测模型采用改进的条件生成对抗网络CGAN搭建，且在CGAN网络的生成器和判别器中引入了BiLSTM网络和自注意力机制；
负荷数据异常检测模块，用于基于极值理论动态选取阈值，比较多个负荷子时序数据的异常分数与阈值，检测得到异常负荷数据。
以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例，虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种配电网负荷数据异常检测方法，其特征是，包括：
获取配电网各节点的负荷时间序列数据，将负荷时间序列数据划分为多个负荷子时序数据；
将多个负荷子时序数据及其对应的时间条件信息输入至训练完成的异常检测模型中，输出每一负荷子时序数据的异常分数；所述异常检测模型采用改进的条件生成对抗网络CGAN搭建，且在CGAN网络的生成器和判别器中引入了BiLSTM网络和自注意力机制；
基于极值理论动态选取阈值，比较多个负荷子时序数据的异常分数与阈值，检测得到异常负荷数据。
2.如权利要求1所述的配电网负荷数据异常检测方法，其特征是，利用预设窗口大小和步长的滑动窗口，将原始时间序列数据划分为个负荷子时间序列数据。
3.如权利要求1所述的配电网负荷数据异常检测方法，其特征是，输出每一负荷子时序数据的异常分数，包括：
将每一负荷子时序数据所对应的时间点信息，作为负荷子时序数据的时间条件信息；
将随机噪声序列和时间条件信息输入至异常检测模型中的生成器中，生成虚假负荷时序数据；
基于虚假负荷时序数据与负荷子时序数据，确定重构损失；
将生成的虚假负荷时序数据、时间条件信息以及输入的负荷子时序数据输入至异常检测模型中的判别器中，输出判别损失；
基于重构损失和判别损失，确定负荷子时序数据的异常得分。
4.如权利要求3所述的配电网负荷数据异常检测方法，其特征是，所述生成器包括输入层、BiLSTM层、自注意力层、Dropout层、激活层和输出层；
利用One-Hot编码将输入的负荷子时序数据所对应时间点信息编码为时间条件序列，将随机噪声序列和时间条件序列叠加后输入至BiLSTM层，以提取时空特征；再通过自注意力层来增强输入序列中重要时空特征的权重；基于增强后的时空特征，生成虚假负荷时序数据。
5.如权利要求3所述的配电网负荷数据异常检测方法，其特征是，所述重构损失定义为：
；
上式中，表示第/>个负荷子时序数据，/>表示第/>个负荷子时序数据中第/>个数据，/>表示第/>个虚假负荷时序数据中第/>个数据，/>表示维度，即负荷子时序数据中的数据个数。
6.如权利要求3所述的配电网负荷数据异常检测方法，其特征是，所述判别器包括BiLSTM层和全连接层，该判别器计算并输出负荷子时序数据和生成的虚假负荷时序数据之间的Wasserstein距离，该距离即为判别损失。
7.如权利要求1所述的配电网负荷数据异常检测方法，其特征是，所述阈值的计算公式为：
；
上式中，为初始概率阈值，/>为期望概率，即风险值，/>为观察值数量，/>是峰值数量，该峰值为超过初始概率阈值/>的观察值，/>、/>为预设值。
8.一种配电网负荷数据异常检测系统，其特征是，包括：
负荷数据获取及预处理模块，用于获取配电网各节点的负荷时间序列数据，将负荷时间序列数据划分为多个负荷子时序数据；
负荷数据异常分数计算模块，用于将多个负荷子时序数据及其对应的时间条件信息输入至训练完成的异常检测模型中，输出每一负荷子时序数据的异常分数；所述异常检测模型采用改进的条件生成对抗网络CGAN搭建，且在CGAN网络的生成器和判别器中引入了BiLSTM网络和自注意力机制；
负荷数据异常检测模块，用于基于极值理论动态选取阈值，比较多个负荷子时序数据的异常分数与阈值，检测得到异常负荷数据。
9.如权利要求8所述的配电网负荷数据异常检测系统，其特征是，输出每一负荷子时序数据的异常分数，包括：
将每一负荷子时序数据所对应的时间点信息，作为负荷子时序数据的时间条件信息；
将随机噪声序列和时间条件信息输入至异常检测模型中的生成器中，生成虚假负荷时序数据；
基于虚假负荷时序数据与负荷子时序数据，确定重构损失；
将生成的虚假负荷时序数据、时间条件信息以及输入的负荷子时序数据输入至异常检测模型中的判别器中，输出判别损失；
基于重构损失和判别损失，确定负荷子时序数据的异常得分。
10.如权利要求9所述的配电网负荷数据异常检测系统，其特征是，所述生成器包括输入层、BiLSTM层、自注意力层、Dropout层、激活层和输出层；
利用One-Hot编码将输入的负荷子时序数据所对应时间点信息编码为时间条件序列，将随机噪声序列和时间条件序列叠加后输入至BiLSTM层，以提取时空特征；再通过自注意力层来增强输入序列中重要的时空特征的权重；基于增强后的时空特征，生成虚假负荷时序数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410523801.XA CN118094454B (zh) | 2024-04-29 | 2024-04-29 | 一种配电网负荷数据异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410523801.XA CN118094454B (zh) | 2024-04-29 | 2024-04-29 | 一种配电网负荷数据异常检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118094454A true CN118094454A (zh) | 2024-05-28 |
| CN118094454B CN118094454B (zh) | 2024-07-05 |
Family
ID=91155214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410523801.XA Active CN118094454B (zh) | 2024-04-29 | 2024-04-29 | 一种配电网负荷数据异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118094454B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022160902A1 (zh) * | 2021-01-28 | 2022-08-04 | 广西大学 | 面向云环境下大规模多元时间序列数据异常检测方法 |
| CN115078894A (zh) * | 2022-08-22 | 2022-09-20 | 广东电网有限责任公司肇庆供电局 | 一种电力机房异常检测方法、装置、设备及可读存储介质 |
| CN115905991A (zh) * | 2022-11-21 | 2023-04-04 | 国网河南省电力公司经济技术研究院 | 一种基于深度学习的时间序列数据多元异常检测方法 |
| CN116522265A (zh) * | 2023-04-25 | 2023-08-01 | 国网上海市电力公司 | 工业互联网时序数据异常检测方法及装置 |
| CN116738204A (zh) * | 2023-05-29 | 2023-09-12 | 南京工程学院 | 基于生成对抗Transformer的电力负荷数据异常检测方法 |
| CN117150402A (zh) * | 2023-08-14 | 2023-12-01 | 华南师范大学 | 基于生成式对抗网络的电力数据异常检测方法及模型 |
| CN117520954A (zh) * | 2023-09-28 | 2024-02-06 | 淮阴师范学院 | 一种基于孤立森林对抗网络的异常数据重构方法及系统 |
| CN117932409A (zh) * | 2024-01-26 | 2024-04-26 | 浙江工商大学 | 基于tcn和生成对抗网络的电力负荷异常检测方法及系统 |
-
2024
- 2024-04-29 CN CN202410523801.XA patent/CN118094454B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022160902A1 (zh) * | 2021-01-28 | 2022-08-04 | 广西大学 | 面向云环境下大规模多元时间序列数据异常检测方法 |
| CN115078894A (zh) * | 2022-08-22 | 2022-09-20 | 广东电网有限责任公司肇庆供电局 | 一种电力机房异常检测方法、装置、设备及可读存储介质 |
| CN115905991A (zh) * | 2022-11-21 | 2023-04-04 | 国网河南省电力公司经济技术研究院 | 一种基于深度学习的时间序列数据多元异常检测方法 |
| CN116522265A (zh) * | 2023-04-25 | 2023-08-01 | 国网上海市电力公司 | 工业互联网时序数据异常检测方法及装置 |
| CN116738204A (zh) * | 2023-05-29 | 2023-09-12 | 南京工程学院 | 基于生成对抗Transformer的电力负荷数据异常检测方法 |
| CN117150402A (zh) * | 2023-08-14 | 2023-12-01 | 华南师范大学 | 基于生成式对抗网络的电力数据异常检测方法及模型 |
| CN117520954A (zh) * | 2023-09-28 | 2024-02-06 | 淮阴师范学院 | 一种基于孤立森林对抗网络的异常数据重构方法及系统 |
| CN117932409A (zh) * | 2024-01-26 | 2024-04-26 | 浙江工商大学 | 基于tcn和生成对抗网络的电力负荷异常检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 黄驰: "《电脑知识与技术》，"基于CGAN-CNN-attention-BiLSTM网络的工控入侵检测系统"", 30 November 2021, pages: 15 - 19 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118094454B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
| Guan et al. | An artificial-neural-network-based, constrained CA model for simulating urban growth | |
| CN113962364A (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN112598248B (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
| CN111967343A (zh) | 基于简单神经网络和极端梯度提升模型融合的检测方法 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN113496104A (zh) | 基于深度学习的降水预报订正方法及系统 | |
| CN113988215B (zh) | 一种配电网计量柜状态检测方法及系统 | |
| CN117150402A (zh) | 基于生成式对抗网络的电力数据异常检测方法及模型 | |
| CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及系统 | |
| CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
| CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
| CN116304853A (zh) | 一种极限学习机与特征提取相结合的数据分类方法及系统 | |
| 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 | |
| CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
| CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN111275074A (zh) | 基于栈式自编码网络模型的电力cps信息攻击辨识方法 | |
| CN118094454B (zh) | 一种配电网负荷数据异常检测方法及系统 | |
| CN116662866A (zh) | 基于数据插补和表征学习的端到端不完整时间序列分类方法 | |
| CN113809365B (zh) | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN115296298A (zh) | 一种风电场功率预测方法 | |
| Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data |
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 | ||
| GR01 | Patent grant |