基于ARNN-KM模型的系统数据异常检测方法技术方案

本发明专利技术公开了一种基于ARNN

【技术实现步骤摘要】
基于ARNN
‑
KM模型的系统数据异常检测方法


[0001]本专利技术涉及电力系统配电领域用电业务分析检测，尤其涉及一种基于ARNN
‑
KM模型的系统数据异常检测方法。

技术介绍

[0002]随着电网互联工作的开展，用电业务数据规模增大。如何利用目前先进的智能技术对业务大数据进行深度信息挖掘，成为用电管理工作的关键。
[0003]传统的机器学习方法(例如K
‑
Means分析)使用的相似性度量方法在高维数据上的性能通常较差，且通常在大规模数据集上具有很高的计算复杂度，从而降低了运行效果。因而目前针对大规模用电数据的分析和异常检测效果不佳，给工作人员带来很大困难。

技术实现思路

[0004]专利技术目的：针对以上问题，本专利技术提出一种基于ARNN
‑
KM模型的系统数据异常检测方法，将循环神经网络与K
‑
Means网络进行结合，对用户用电数据进行特征分析，根据分析结果进行用户用电异常数据的检测。
[0005]技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于ARNN
‑
KM模型的系统数据异常检测方法，包括步骤：
[0006](1)初始化模型参数；
[0007](2)更新输入序列数据；
[0008](3)将输入序列数据分成N个片段，Patch_k，k＝1,2,
…
N，确定每个片段的长度和起始点；
[0009](4)将输入序列数据片段Patch_k输入到ARNN模型中，进行并行化处理，进行特征分析，提取特征值；所述ARNN模型为循环神经网络，采用导师驱动模型，将期望值(而非隐藏层的值)作为下一时刻的输入，产生循环连接；
[0010](5)对N个数据片段并行化处理输出结果进行拼接；
[0011](6)数据转换之后，利用K
‑
Means方法分析得到聚类结果；
[0012](7)重复步骤2～6，更新聚类分析结果；
[0013](8)将新的聚类分析结果与以往结果进行比较，如果未发生变化则认为数据正常；否则进入步骤9进一步判断；
[0014](9)根据用户用电数据，判断用电变化量是否大于设定阈值，如果大于阈值则认为是异常数据；否则认为是正常数据。
[0015]进一步地，每个数据片段的处理过程为：将数据片段输入到ARNN模型中，更新网络参数，直到达到最大迭代次数时输出处理结果。
[0016]进一步地，初始化模型参数包括隐藏单元个数、批处理大小、迭代次数。
[0017]进一步地，输入序列数据包括馈线与变电站关系信息、变电站与用户关系信息、用户用电信息。
[0018]进一步地，ARNN模型提取特征包括：用户类型特征、用户区域特征、用户用电时段特征。
[0019]进一步地，利用Concat层对N个数据片段并行化处理输出结果进行拼接。
[0020]有益效果：本专利技术将ARNN神经网络模型自动提取特征和K
‑
Means模型简单方便的优势进行结合。针对用电数据的时序特征，采用循环网络模型，并考虑历史数据和状态对当前特征提取的影响。
[0021]本专利技术针对数据规模较大的特点，采用易于进行并行化处理的ARNN模型，并采用导师驱动模型，该模型将输出层的值(而非隐藏层的值)进行反馈，从而消除相邻时间点隐藏层之间的连接。不仅减少了中间状态值的存储，还实现了基于模型输出和训练目标值之间的解耦，从而在模型训练时可以进行并行化处理。
附图说明
[0022]图1是本专利技术所述的基于ARNN
‑
KM模型的系统数据异常检测方法流程图；
[0023]图2是导师驱动过程训练过程示意图；
[0024]图3是导师驱动过程测试过程示意图；
[0025]图4是本专利技术实施例中用户2019年3月至4月间用电变化曲线；
[0026]图5是用户4月26日用电数据异常检测表。
具体实施方式
[0027]下面结合附图和实施例对本专利技术的技术方案作进一步的说明。
[0028]如图1所示，本专利技术所述的基于ARNN
‑
KM模型的系统数据异常检测方法，包括：
[0029](1)模型初始化，包括初始化模型参数，包括隐藏单元个数、批处理大小、迭代次数等；
[0030](2)更新输入序列数据，包括馈线与变电站关系信息，变电站与用户关系信息，用户用电信息；
[0031](3)将输入序列数据分成N个片段，Patch_k，k＝1,2,
…
N，确定每个片段的长度和起始点；
[0032](4)将输入序列数据片段Patch_k输入到ARNN模型中，进行并行化处理，对用户用电数据进行特征分析，提取特征值，实现降维；
[0033]每个片段的处理过程为：将片段输入到ARNN模型中，更新网络参数，直到达到最大迭代次数时输出处理结果。
[0034]ARNN模型输出结果随着特征选取的不同而发生变化，本专利技术依据ARNN模型自动提取三个不同特征，包括用户类型特征、用户区域特征、用户用电时段特征。
[0035](5)对N个数据片段并行化处理输出结果进行拼接；
[0036]具体地，利用Concat层对N个数据片段并行化处理输出结果进行拼接。
[0037](6)数据转换之后，利用K
‑
Means方法分析得到聚类结果；
[0038](7)重复步骤2～6，更新聚类分析结果；
[0039](8)将更新的聚类分析结果与以往结果进行比较，如果未发生变化则认为数据正常；否则进入步骤9进一步判断；
[0040](9)观察该用户用电数据时间曲线，比较用电变化，判断用电变化量是否大于设定阈值，如果大于阈值则认为是异常数据；否则认为是正常数据。
[0041]为了便于大规模数据的并行化处理，本专利技术的模型在使用测试前，需要对模型进行训练，采用导师驱动过程对模型进行训练。
[0042]ARRN模型训练时，采用的训练模型结构如附图2(图中，X
(T
‑
1)
表示模型在T
‑
1时刻的输入，H
(T
‑
1)
表示模型在T
‑
1时刻隐藏层的状态，O
(T
‑
1)
表示模型在T
‑
1时刻的输出，Y
(T
‑
1)
表示模型在T
‑
1时刻训练集输入对应的实际输出，L
(T
‑
1)
表示模型在T
‑
1时刻模型输出O
(T
‑
1)
与真实输出Y
(T
‑
1)之间
的差值)所示，该模型的特殊之处在于将当前时刻训练集中正确的输出值(或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ARNN
‑
KM模型的系统数据异常检测方法，其特征在于，包括步骤：(1)初始化模型参数；(2)更新输入序列数据；(3)将输入序列数据分成N个片段，Patch_k，k＝1,2,
…
N，确定每个片段的长度和起始点；(4)将输入序列数据片段Patch_k输入到ARNN模型中，进行并行化处理，进行特征分析，提取特征值；所述ARNN模型为特殊循环神经网络，采用导师驱动模型，将输出层的值进行反馈，产生循环连接；(5)对N个数据片段并行化处理输出结果进行拼接；(6)输出结果拼接之后，利用K
‑
Means方法分析得到聚类结果；(7)重复步骤2～6，更新聚类分析结果；(8)将新的聚类分析结果与以往结果进行比较，如果未发生变化则认为数据正常；否则进入步骤9进一步判断；(9)根据用户用电数据，判断用电变化量是否大于设定阈值，如果大于阈值则认为是异常数据；否则认为是正常数据。2.根据权利要求1所述的基于ARNN
‑
KM模型的系统数据异常检测方法，其特征在于，每个数据片段的处理过程...

【专利技术属性】
技术研发人员：潘艺旻，陈天予，施毓祥，黄秀华，潘坚跃，
申请(专利权)人：浙达电力科技杭州有限公司，
类型：发明
国别省市：