【技术实现步骤摘要】
本专利技术属于数据检测就，具体涉及一种基于深度学习的电网数据流异常检测方法。
技术介绍
1、随着电力系统设施的不断建设，电网规模不断扩大，各种终端设备和数据采集量日益增多，数据量庞大、复杂性增加，导致电网出现异常情况的几率逐渐上升，如果不能即时检测到异常情况并处理可能会降低性能并导致高昂的维护成本。因此，在有限时间内识别异常以避免严重损失的实用方法比以往任何时候都更加重要。在这种情况下，异常检测日益得到了电力相关部门的重视。电网中出现异常行为的设备可能对整个电网系统造成严重后果。例如，异常流量可能导致设备过载、电网不稳定甚至短路等问题，进而引发停电、设备损坏甚至安全事故。因此，监测和及时处理电网中的异常行为对于确保电网的安全稳定非常重要。
2、在电网实际工作中，边缘节点可以从其他终端设备获取感官输入，以评估它们的行为和操作状态。例如，使用传感器和监控设备的设备监控和预测性维护，其中来自传感器和监控设备的数据用于监测设备状态，预测风险。在这样的场景中，所收集的数据通常是时间序列数据，其可以用于在真实的时间中检测设备的异常行为。
3、然而，由于以下原因，预先准确地识别异常具有挑战性。首先，根据其内在特性，时间序列数据可能是周期性的，季节性的或不规则的，并且具有高度的相关性。因此，不可能假设数据点是独立且同分布的。其次，在大多数现实世界的场景中，标记如此大量的数据的任务实际上是不可行的。这就要求设计不需要标记数据的适当异常检测方法。最后，检测过程应该能够在真实的时间内运行，以便及时触发警报。
【技术保护点】
1.一种基于深度学习的电网数据流异常检测方法，其特征在于，包括：构建LSTM-NN模型，通过LSTM-NN模型对电网数据流处理后进行异常检测；
2.根据权利要求1所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，所述输入层采用STL分解方法提取数据的季节性特征。
3.根据权利要求2所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，所述STL分解方法，包括：
4.根据权利要求1所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，所述隐藏层采用两层LSTM单元进行堆叠。
5.根据权利要求1所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，将季节性特征输入LSTM-NN模型的隐藏层进行多源预测，包括：
6.根据权利要求1所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，计算多源预测后的数据序列异常概率AP，包括：
7.根据权利要求6所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，计算多源预测后的数据序列的序列距离，包括：
8.根据权利要求6所述
9.根据权利要求6所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，根据加权序列距离计算序列不一致距离，包括：
10.根据权利要求6所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，根据序列不一致距离计算异常概率AP，包括：
...【技术特征摘要】
1.一种基于深度学习的电网数据流异常检测方法，其特征在于，包括：构建lstm-nn模型，通过lstm-nn模型对电网数据流处理后进行异常检测；
2.根据权利要求1所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，所述输入层采用stl分解方法提取数据的季节性特征。
3.根据权利要求2所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，所述stl分解方法，包括：
4.根据权利要求1所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，所述隐藏层采用两层lstm单元进行堆叠。
5.根据权利要求1所述的一种基于深度学习的电网数据流异常检测方法，其特征在于，将季节性特征输入lstm-nn模型的隐藏层进行多源预...
【专利技术属性】
技术研发人员：张泰，滕予非，陈少卿，罗东辉，乔云池，黄长久，蒋容，
申请(专利权)人：国网四川省电力公司电力科学研究院，
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。