[发明专利]基于ARNN-KM模型的系统数据异常检测方法

说明书

本发明公开了一种基于ARNN‑KM模型的系统数据异常检测方法，结合用户用电时序特点，将循环神经网络与K‑Means网络进行结合，将输入序列数据片段输入到ARNN模型中，并行化处理进行特征分析，ARNN模型采用导师驱动模型，将输出层的值进行反馈，产生循环连接；然后对并行化处理输出结果进行拼接和数据转换，利用K‑Means方法分析得到聚类结果；并根据分析结果进行用户用电异常数据的检测。本发明针对数据规模较大的特点，采用易于进行并行化处理的ARNN模型，并采用导师驱动模型，该模型将输出层的期望值(而非隐藏层的值)作为下一时刻的输入，从而消除相邻时间点隐藏层之间的连接；不仅减少了中间状态值的存储，还实现了模型输出和训练目标值之间的解耦，从而在模型训练时可以进行并行化处理。

技术领域

本发明涉及电力系统配电领域用电业务分析检测，尤其涉及一种基于ARNN-KM模型的系统数据异常检测方法。

背景技术

随着电网互联工作的开展，用电业务数据规模增大。如何利用目前先进的智能技术对业务大数据进行深度信息挖掘，成为用电管理工作的关键。

传统的机器学习方法(例如K-Means分析)使用的相似性度量方法在高维数据上的性能通常较差，且通常在大规模数据集上具有很高的计算复杂度，从而降低了运行效果。因而目前针对大规模用电数据的分析和异常检测效果不佳，给工作人员带来很大困难。

发明内容

发明目的：针对以上问题，本发明提出一种基于ARNN-KM模型的系统数据异常检测方法，将循环神经网络与K-Means网络进行结合，对用户用电数据进行特征分析，根据分析结果进行用户用电异常数据的检测。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于ARNN-KM模型的系统数据异常检测方法，包括步骤：

(1)初始化模型参数；

(2)更新输入序列数据；

(3)将输入序列数据分成N个片段，Patch_k，k＝1,2,…N，确定每个片段的长度和起始点；

(4)将输入序列数据片段Patch_k输入到ARNN模型中，进行并行化处理，进行特征分析，提取特征值；所述ARNN模型为循环神经网络，采用导师驱动模型，将期望值(而非隐藏层的值)作为下一时刻的输入，产生循环连接；

(5)对N个数据片段并行化处理输出结果进行拼接；

(6)数据转换之后，利用K-Means方法分析得到聚类结果；

(7)重复步骤2～6，更新聚类分析结果；

(8)将新的聚类分析结果与以往结果进行比较，如果未发生变化则认为数据正常；否则进入步骤9进一步判断；

(9)根据用户用电数据，判断用电变化量是否大于设定阈值，如果大于阈值则认为是异常数据；否则认为是正常数据。

进一步地，每个数据片段的处理过程为：将数据片段输入到ARNN模型中，更新网络参数，直到达到最大迭代次数时输出处理结果。

进一步地，初始化模型参数包括隐藏单元个数、批处理大小、迭代次数。

进一步地，输入序列数据包括馈线与变电站关系信息、变电站与用户关系信息、用户用电信息。

进一步地，ARNN模型提取特征包括：用户类型特征、用户区域特征、用户用电时段特征。

进一步地，利用Concat层对N个数据片段并行化处理输出结果进行拼接。

有益效果：本发明将ARNN神经网络模型自动提取特征和K-Means模型简单方便的优势进行结合。针对用电数据的时序特征，采用循环网络模型，并考虑历史数据和状态对当前特征提取的影响。