[发明专利]一种基于迁移学习的用气行为异常检测方法及系统

说明书

本发明提供一种基于迁移学习的用气行为异常检测方法及系统，能够有效提升小样本数据下目标域任务用户异常行为检测的准确性和泛化性，同时减少样本的训练时间，提高检测精度。包括如下步骤：构建CNN‑LSTM‑Attention模型；采集源域数据，将源域数据分为源域训练数据和源域测试数据；基于源域训练数据对模型进行预训练；基于源域测试数据对预训练好的模型进行测试，测试达标后选取迭代次数较少的模型作为异常检测模型；采集目标域数据，将目标域数据分为目标域训练数据和目标域测试数据；基于目标域训练数据对异常检测模型进行微调；基于目标域测试数据和DTW算法对微调后的异常检测模型进行测试，获取并输出检测结果。

技术领域

本发明涉及异常行为检测技术领域，具体为一种基于迁移学习的用气行为异常检测方法及系统。

背景技术

近年来，天然气消费总量逐年增长，天然气供求矛盾日益加剧，“气荒”问题尤为突出。其中，解决“气荒”问题与天然气负荷预测问题密切相关，即只有准确掌握未来的用气需求，才能实现对天然气产业的合理规划，避免出现“气荒”。若过高估计用气量，长期大量储运天然气将缩短天然气场站设备和仪表的使用寿命，增加管网和输气站场的运营成本，反之若低于实际用量的供气计划将会给下游用户用气带来“气荒”，因此，天然气负荷预测精度直接关乎供气的可靠性。

目前，对于天然气的用气行为异常检测领域中，缺少对于天然气用气行为的异常检测方法以及深入研究，主要困难包括：用户异常用气行为在数据集上是非常小的样本，很难满足机器学习异常检测需要的足够多的训练数据的要求，当训练集中的样本过少时容易产生过拟合现象；其次，样本数据分布不平衡，目前大多数机器学习的算法在进行异常行为检测时，这都是基于数据分布的基本假设。然而，当应用于实际数据时，往往不可能取得预期结果，因为大多数实际数据没有完全相等的分类数据集。

在天然气用气行为检测数据中，正常数据较易获得且数量多，异常标签数据比较缺失。在一个理想的情形下，用气行为的异常检测作为一个有监督的学习问题，利用真实的历史标注训练数据来进行建模和分析，这个建模分析的过程中需要使用大量历史标记的训练数据，而在本项目中只有少量数据集包含标记数据。为此，目前对于天然气用气行为检测领域中，存在用户用气异常行为样本量少，容易导致检测模型过拟合、预测误差大、不稳定等问题，

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于迁移学习的用气行为异常检测方法及系统，能够有效提升小样本数据下目标域任务用户异常行为检测的准确性和泛化性，同时减少样本的训练时间，提高检测精度。

为实现上述目的，本发明提供如下技术方案：

一种基于迁移学习的用气行为异常检测方法，包括如下步骤：

构建CNN-LSTM-Attention模型；

采集源域数据，将源域数据分为源域训练数据和源域测试数据；

基于源域训练数据对CNN-LSTM-Attention模型进行预训练；

基于源域测试数据对预训练好的CNN-LSTM-Attention模型进行测试，测试达标后选取迭代次数较少的模型作为异常检测模型；

采集目标域数据，将目标域数据分为目标域训练数据和目标域测试数据；

基于目标域训练数据对异常检测模型进行微调；

基于目标域测试数据和DTW算法对微调后的异常检测模型进行测试，获取并输出检测结果。

优选地，所述源域数据的采集范围包括Electricity Load Diagrams数据集，交通流量数据集以及某一区域内的用户用电数据集。

优选地，所述基于目标域测试数据和DTW算法对微调后的异常检测模型进行测试，具体为：