[发明专利]一种基于相空间重构的半监督深度学习电弧电压异常检测方法

权利要求书

1.一种基于相空间重构的半监督深度学习电弧电压异常检测方法，包括如下步骤：

步骤(1)、构建电压电弧混沌时间序列数据集；

步骤(2)、对电弧电压混沌时间序列进行相空间重构并用C-C法估计相空间重构参数；

步骤(3)、基于非异常数据的LSTM模型得出预测点；

步骤(4)、构建端到端的异常评分网络；

步骤(5)、基于欧式距离构建深度异常检测模型；

步骤(6)、训练模型并对模型进行优化，多次对模型进行更新迭代后得到深度异常检测器。

2.根据权利要求1所述的一种基于相空间重构的半监督深度学习电弧电压异常检测方法，其特征在于：所述步骤(1)中构建电压电弧混沌时间序列数据集的方法如下：

1、依据UL1699、GB14287.4标准搭建实际用电线路模拟平台，用示波器和电流传感器分别对电压、电流进行实时检测和采样，将模拟平台启动之后的电弧电压时间序列数据作为数据集T_non-anomaly；

2、依据配电系统的实际使用情况设计电弧故障数据采集平台，用示波器和电流传感器对发生电弧故障时的数据进行采集、标注并记为数据集T_anomaly；

3、则电压电弧混沌时间序列数据集为T＝T_non-anomaly∪T_anomaly

4、对采集到的电弧电压时间序列T进行归一化预处理，将序列处理为一个均值为0，方差为1的标准时间序列：

其中x_i为归一化处理后的标准时间序列，T_i为电弧电压时间序列T中第i个的数据，E_T为时间序列T的均值，σ_T为时间序列T的标准差。

3.根据权利要求2所述的一种基于相空间重构的半监督深度学习电弧电压异常检测方法，其特征在于：所述步骤(2)中对电弧电压混沌时间序列进行相空间重构并用C-C法估计相空间重构参数的方法如下：

1、对归一化之后的电弧电压混沌时间序列{x_i|i＝1,2,…,N}使用基于Takens原理的坐标延迟法进行相空间重构：

其中τ表示延迟时间；m表示嵌入维数；N表示混沌时间序列长度；X表示对时间序列重构之后的相空间。

2、在针对含噪电弧电压混沌时间序列进行相空间重构时，选择C-C法计算值作为初始值，并基于C-C关联积分联合算法求取给定时间序列的τ和m；

其中C-C关联积分为：

其中M＝N-(m-1)τ，N为采样点数，M为重构可得相点数；r为空间距离；τ为延迟时间；m为嵌入维数；C(m,N,r,τ)为关联积分；X_i，X_j为相空间X中的两个不同相点，且两个不同相点之间距离采用∞-范数计算；θ为Heaviside单位函数，当两个不同相点X_i，X_j之间的无穷范数小于等于设定的r时，函数值为1，否则为0；

3、按照如下给出的等量关系可得不同延迟时间τ对应的值和S_cor值，其中，表示τ取所有不同值时的最大偏差量的平均值，S_cor为求最优时间窗口的统计量；的第一个极小点即为所求的最佳延迟时间τ_opt，S_cor的全局最小点即为最优延迟时间窗口τ_W；

ΔS(m,τ)＝max{S(m,r_i,τ)}-min{S(m,r_i,τ)}

其中，S(m,N,r,τ)为离散时间序列统计量；Len为第s个子列中的数据个数；C_s(m,L,r,τ)为第s个子序列的关联积分；为嵌入维数为1时第s个子序列的关联积分的m次方；S(m,r,τ)为S(m,N,r,τ)处于N→∞的情况下的简化表达；S(m,r_i,τ)为第i个r下计算所得的值；ΔS(m,τ)为计算r取不同值时S(m,r,τ)的最大偏差量；计算不同m和r时S(m,r,τ)的平均值；用于计算不同m时ΔS(m,τ)的平均值；

4、最后依据等式τ_W＝(m_opt-1)τ_opt，可得出最佳嵌入维数m_opt。