[发明专利]基于变分自编码器的低压台区线损率异常检测方法及装置

说明书

本发明公开一种基于变分自编码器的低压台区线损率异常检测方法及装置，利用随机矩阵理论对线损数据进行相关性分析；筛选出线损率影响因子，构建低压台区线损率影响因子指标体系；建立基于变分自编码器的线损率异常检测模型，在隐空间内对输入特征进行建模；采样出异常特征，将产生重构数据的重构概率与阈值相比较对异常值进行识别。本发明实现了对海量线损数据的异常检测，能够为异常台区识别提供参考，同时为低压台区线损精细化管理提供了新的思路。

技术领域

本发明涉及电力配电领域，具体涉及一种基于变分自编码器的低压台区线损率异常检测方法及装置。

背景技术

随着社会进步，电能的适用范围越来越广，同时其使用情况也是评估国家发展情况的重要标杆之一。电能在传输过程中，会通过各种电力元件输送给用户，由于在这些电力元器件中存在阻抗，因此电能在到达用户的过程中会损失一部分有功，这部分有功损失就是线损。

低压台区线损率的高低反映着线损管理水平的高低，它作为线损管理的重要组成部分，降低线损率、节约运行成本、使电网可以经济运行是线损管理部门的长期挑战。对线损率进行异常检测的研究，才能对其进行精细化管理，及时锁定异常台区，排查异常原因，提供可靠的故障维护措施，以更好的进行计划管理和设备管理。

传统的异常检测算法可以分为两大类：基于概率统计的异常检测和基于邻近度的异常检测。基于概率统计的异常检测基本步骤为先假设样本数据服从一定的分布，再计算每个点符合该分布的概率，得出异常数据。基于邻近度的异常检测适用于高维数据，但随着数据维度的升高，基于邻近度的异常检测计算复杂度和时间复杂度增加。

近年来，随着深度学习的日益发展，为研究思路开辟了一条新路径。深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术，其基本特点是模仿大脑的神经元之间传递，处理信息的模式。目前，深度学习已经在语音识别，自然语言处理，人脸识别，游戏开发等方面取得了优秀的实践结果。其中，变分自编码器模型将深度学习与概率统计相结合，是无监督学习中的一种重要模型。变分自编码器通过重构概率最小化以达到异常检测的目的，利用两个神经网络建立两个概率密度分布模型：一个用于原始输入数据的变分推断，生成隐变量的变分概率分布，称为推断网络；另一个根据生成的隐变量变分概率分布，还原生成原始数据的近似概率分布，称为生成网络。

发明内容

针对现有技术中存在的问题，本发明提供了一种基于变分自编码器的低压台区线损率异常检测方法及装置，利用随机矩阵理论对线损数据进行相关性分析，筛选出线损率影响因子，构建低压台区线损率影响因子指标体系，然后建立基于变分自编码器的线损率异常检测模型，在隐空间内对输入特征进行建模，采样出异常特征，将产生重构数据的重构概率与阈值相比较对异常值进行识别。本发明实现了对海量线损数据的异常检测，能够为异常台区识别提供参考，同时为低压台区线损精细化管理提供了新的思路。

本发明提出一种基于变分自编码器的低压台区线损率异常检测方法，所述方法包括以下步骤：

S1：输入台区运行数据，利用随机矩阵理论对线损数据进行相关性分析；

S2：筛选出线损率影响因子，构建低压台区线损率影响因子指标体系；

S3：建立基于变分自编码器的线损率异常检测模型，在隐空间内对输入特征进行建模；

S4：采样出异常特征，将产生重构数据的重构概率与阈值相比较对异常值进行识别。

优选地，所述台区运行数据包括：城网农网类型、运行容量、居民户数、非居民户数、居民容量、非居民容量、综合倍率、配变户均供电容量、月平均负载率、理论线损率、日功率因数、日最大负载率、日有功电量、日无功电量、总供电量、日上网电量、日发电量。

优选地，所述步骤S1包括：

生成状态数据矩阵Z_n1，该矩阵每一行对应每一个台区i天的线损率；