[发明专利]电力数据异常检测模型的训练方法、装置、设备和介质

说明书

本申请公开了一种电力数据异常检测模型的训练方法、装置、设备和介质，将待训练电力数据序列输入长短期记忆网络进行特征提取，将当前时刻的隐含层的输出值乘以权重矩阵得到下一时刻的预测值，计算下一时刻的预测值与网络下一时刻的输入值的残差和第一损失值，全连接层对残差进行处理，softmax层对全连接层的输出进行处理，输出分类预测概率；根据第一损失值、待训练电力数据序列的分类预测概率和真实概率，通过联合损失函数计算网络的第二损失值；基于第二损失值反向更新网络参数，直至第二损失值低于预置损失值，得到电力数据异常检测模型，解决了现有技术中采用统计方法进行电力数据异常检测存在的检测准确率低和检测效率低的技术问题。

技术领域

本申请涉及数据异常检测技术领域，尤其涉及一种电力数据异常检测模型的训练方法、装置、设备和介质。

背景技术

随着用电信息采集系统的推广，越来越多的用电数据被采集，为基于用电数据的各种应用分析提供了坚实的数据基础。但由于电能表异常、互感器异常以及系统通讯故障等原因，不可避免地采集到异常的用电数据，进而影响基于用电数据的应用分析的准确性。因此，需要对用电信息采集的用电数据进行异常检测。

目前，大多数电力部门采用传统的统计方法进行电力数据异常检测，例如，在用电信息采集系统中，通过母线电量报表来判断采集到的用电数据是否异常，在不同的电压等级下对其进行判别，进而给出判别结果，该统计方法的检测准确率不高且检测效率较低。

发明内容

本申请提供了一种电力数据异常检测模型的训练方法、装置、设备和介质，用于解决现有技术中采用统计方法进行电力数据异常检测存在的检测准确率低和检测效率低的技术问题。

有鉴于此，本申请第一方面提供了一种电力数据异常检测模型的训练方法，包括：

获取待训练电力数据序列；

将所述待训练电力数据序列输入至长短期记忆网络，使得所述长短期记忆网络的隐含层对所述待训练电力数据序列进行特征提取，将当前时刻的所述隐含层的输出值乘以权重矩阵得到下一时刻的预测值，计算下一时刻的所述预测值与所述长短期记忆网络的下一时刻的输入值的残差和第一损失值，全连接层对所述残差进行处理，softmax层对所述全连接层的输出进行处理，输出所述待训练电力数据序列的分类预测概率；

根据所述第一损失值、所述待训练电力数据序列的分类预测概率和真实概率，通过联合损失函数确定所述长短期记忆网络的第二损失值；

基于所述第二损失值反向更新所述长短期记忆网络的参数，直至所述第二损失值低于预置损失值，得到训练好的长短期记忆网络，将所述训练好的长短期记忆网络作为电力数据异常检测模型输出。

可选的，所述将所述待训练电力数据序列输入至长短期记忆网络，之前还包括：

对所述待训练电力数据序列进行预处理。

可选的，所述第一损失值的计算公式为：

其中，L_t为第t个时间步的第一损失值，h_t为第t个时间步的隐含层的输出值，W为权重矩阵，x_t+1为第t+1个时间步的输入值。

可选的，所述联合损失函数的公式为：

其中，T为待训练电力数据序列的长度，h_t为第t个时间步的隐含层的输出值，W为权重矩阵，x_t+1为第t+1个时间步的输入值，λ为常量，是类别i的真实概率，是类别i的分类预测概率。

可选的，所述基于所述第二损失值反向更新所述长短期记忆网络的参数，直至所述第二损失值低于预置损失值，得到训练好的长短期记忆网络，将所述训练好的长短期记忆网络作为电力数据异常检测模型输出，之后还包括：