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技术方案

本发明专利技术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。可靠的检测结果。可靠的检测结果。

【技术实现步骤摘要】
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


[0001]本专利技术涉及电力负荷异常检测
，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。

技术介绍

[0002]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。

技术实现思路

[0003]专利技术目的：本专利技术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。
[0004]技术方案：为了实现上述专利技术目的，本专利技术的一种基于串行GRU自编码器的电力负荷异常检测方法，包括以下步骤：
[0005]S100：获取电力负荷信息，对所述电力负荷信息进行预处理；
[0006]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；
[0007]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；
[0008]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；
[0009]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。
[0010]进一步地，对所述电力负荷信息进行预处理，包括以下步骤：
[0011]S110：遍历获取的电力负荷信息，对缺失值进行补全；
[0012]S120：将补全后的电力负荷信息进行数字类型的转化；
[0013]S130：将转化后的电力负荷信息进行归一化处理。
[0014]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。
[0015]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：
[0016]S310：初始化参数并组织数据；
[0017]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；
[0018]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；
[0019]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。
[0020]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。
[0021]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。
[0022]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。
[0023]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：
[0024]数据预处理模块，对采集的电力负荷信息进行预处理；
[0025]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。
[0026]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。
[0027]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。
[0028]有益效果：本专利技术本技术方案基于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。本专利技术基于串行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
[0029]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；
[0030]图2为实施例1串行GRU自编码器网络结构示意图；
[0031]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；
[0032]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；
[0033]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；
[0034]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
[0035]实施例1
[0036]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：
[0037]S100：获取电力负荷信息，对所述电力负荷信息进行预处理；
[0038]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％。
[0039]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(h
t
)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
...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：赵中伟，陈士伟，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：