[发明专利]一种面向发电设备高维时序工况数据的异常检测方法

权利要求书

1.一种面向发电设备高维时序工况数据的异常检测方法，其特征在于步骤如下：

(1)获取原始数据；所述原始数据的维度分别为m和n，其中m代表周期数，n代表特征数即传感器数量；

(2)对获取的原始数据进行清洗转换，清除异常情况；

(3)对清洗转换后的数据进行缺失值的检测，检测到含有缺失值的特征，删除含有缺失值特征的周期特征行；

(4)对于每个特征列，针对每一列数据进行单独的四分位差法操作，去除离群点；去除离群点后的数据为X＝{x₁,x₂,x₃…x_p}，数据X的维度为p和n，p≤m；

(5)对去除离群点后的数据进行基于深度神经网络的异常值检测，得到检测结果，从而完成了数据的异常检测工作；

所述的基于深度神经网络的异常值检测，具体步骤如下所示：

①针对去除离群点后的数据X，以s为滑动窗口尺寸，s/2为步长，

基于欧式距离计算其NOR和DON特征：

DON^j(wd_i)＝norm(wd_i)-norm(wd_i-1)        (2)

其中，norm是矩阵的范数，i代表第i个滑动窗口，j代表第i个滑动窗口中的第j个特征；

滑动窗口内的变量为wd_i，如公式3所示

wd_i＝{x_i,x_i+1,x_i+2…x_i+s-1}            (3)

进一步，得到特征数据Q＝{Q₁,Q₂…Q_z}，其中Q_i∈R^2*n，

②计算特征数据Q的八个统计特征，包括均值、最小值、最大值、第一四分位数、中位数、第三四分位数、标准差和峰峰值，得到一个新的统计特征集合R；以L为滑动窗口尺寸，L/2为步长计算所述统计特征集合R：R＝{R₁,R₂…R_y}；

其中，R_i∈R^16*n，R_i代表第i个滑动窗口的特征集合，y代表对统计特征集合R进行滑动窗口后的统计特征集合R的维度；L取值范围为2～5；

③基于CNN网络的自动编码器，搭建用于重建特征向量的自编码和解码网络；

式(4)、(5)中，W^v和B^v分别代表第v个卷积滤波器的权重参数和偏置参数，σ代表激活函数，激活函数采用sigmoid；同理代表第v个卷积滤波器的权重参数和偏置参数；和R_h具有同样的维度，其中R_h代表输入，即步骤②中生成的统计特征集合数据；代表经过CNN网络自动编码器生成的重建统计特征集合数据；代表激活函数的输出；

④获得场景信息中设备的工作状态onehot，将工作状态onehot与矩阵W叉乘获取场景信息特征embed(M)：

embed(M)＝onehot(M)×W         (6)

式(6)中onehot(M)∈R^1×a，a代表了工作状态种类的总数；W∈R^A×d，d小于a；

⑤将场景信息特征embed(M)和步骤③中计算所得组合在一起，通过级联重组成一个新的矩阵RM，将RM矩阵经过全连接层推理生成一个和原始数据X维度一致的

⑥针对去除离群点后的数据X＝{x₁,x₂,x₃…x_p}和重构后的数据进行对比，若对应的数据则认为i时刻的数据存在异常；其中，threshold1为相应的阈值。

2.如权利要求1所述的一种面向发电设备高维时序工况数据的异常检测方法，其特征在于：步骤(1)中原始数据的物理含义就是m个连续周期下n维特征的特征值；其中，m10000，n10。