【技术实现步骤摘要】
本专利技术涉及电网数据异常检测，尤其涉及一种配电网负荷数据异常检测方法及系统。
技术介绍
1、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。
2、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。
3、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
技术实现思路
1、为解决上述现有技术的不足，本专利技术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、第一方面，本专利技术提供了一种配电网负荷数据异常检测方法。
3、一种配电网负荷数据异常检测方法，包括：
4、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；
5、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；
6、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。
7、第二方面，本专利技术提供了一种配电网负荷数据异常检测系统。
8、一种配电网负荷数据异常检测系统，包括：
9、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；
10、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；
11、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。
12、以上一个或多个技术方案存在以下有益效果：
13、1、本专利技术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。
14、2、本专利技术中，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。
15、3、本专利技术中，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。
本文档来自技高网...【技术保护点】
1.一种配电网负荷数据异常检测方法，其特征是，包括：
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：
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；
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：
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：
8.一种配电网负荷数据异常检测系统，其特征是，包括：
9.如权利要求8所述的
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；
...【技术特征摘要】
1.一种配电网负荷数据异常检测方法，其特征是，包括：
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：
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；
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：
6.如权利要求3所述的配电网负...
【专利技术属性】
技术研发人员：郭冻，秦瑞敏，郭申，孙本川，董金涛，牟辉龙，楚腾祥，康传亮，高敏，刘文超，
申请(专利权)人：国网山东省电力公司嘉祥县供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。