一种基于多时间尺度趋势感知注意力的工业电力数据异常检测方法

本发明属于工业电力，尤其涉及一种基于多时间尺度趋势感知注意力的工业电力数据异常检测方法。

背景技术：

1、工业电力系统是智能制造生产体系的核心支撑，长期处于高负荷、不间断的复杂运行工况，随着工业智能化升级，电力运行数据呈现海量化、时序化、高波动特征，设备运行的稳定性与安全性直接决定企业生产效率与安全生产水平，精准的电力异常检测是工业运维的核心刚需。当前行业主流运维方式仍依赖人工定期巡检与传统固定阈值检测模式，不仅运维人力成本高、检测时效性差，且适配性极差。传统检测手段无法区分生产工况正常波动与设备真实故障，极易出现误判、漏判问题。同时，现有检测技术多采用单时间尺度数据分析模式，难以兼顾瞬时过载、短路等突发故障，以及线路老化、性能衰减等长期性隐性隐患，无法实现全时段、全方位的工况监测，难以满足现代化工业电力系统高精度、高可靠性的智能运维发展需求。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，包括：

3、采集工业电力时序数据并进行预处理，得到预处理后的工业电力时序数据；

4、基于transformer模型构建时间趋势感知注意力模块；并行组合上下文不同感知尺度的多个所述时间趋势感知注意力模块，通过组合后的多个所述时间趋势感知注意力模块对所述预处理后的工业电力时序数据进行多尺度上下文信息提取，将各感知尺度下的注意力计算结果进行跨尺度信息融合，输出各电力数据点对应时段的电力数据预测值；

5、计算各电力数据点的实际值与所述电力数据预测值之间的残差，对所述残差进行分布分析，根据各电力数据点的残差分布分析结果判定该电力数据点为异常点或正常点，完成对工业电力数据的异常检测。

6、可选的，采集工业电力时序数据并进行预处理的过程包括：

7、按照固定采样频率持续采集工业负载设备的实际电力数据，构建原始工业电力时序数据集；

8、对所述原始工业电力时序数据中的缺失数据采用邻域插值方式补全，得到所述预处理后的工业电力时序数据。

9、可选的，通过组合后的多个所述时间趋势感知注意力模块对所述预处理后的工业电力时序数据进行多尺度上下文信息提取包括：

10、将所述预处理后的工业电力时序数据分别通过卷积核大小不同的三个一维因果卷积层，提取每个电力数据点的多尺度上下文信息，根据所述多尺度上下文信息生成各感知尺度下的查询矩阵、键矩阵和值矩阵；

11、根据各感知尺度下的所述查询矩阵、所述键矩阵和所述值矩阵，以局部上下文的方式计算各感知尺度下的注意力矩阵；

12、将各感知尺度下的所述注意力矩阵进行拼接，根据各感知尺度下的所述注意力矩阵得到电力数据的多时间尺度趋势感知计算结果。

13、可选的，通过一维因果卷积层提取每个电力数据点的多尺度上下文信息的过程中，采用掩码机制以因果卷积的方式实现，使卷积运算根据当前电力数据点及其左侧位置的电力数据点信息确定多尺度上下文信息。

14、可选的，将各感知尺度下的所述注意力矩阵进行拼接之前还包括：

15、为输入的每个电力数据点赋予位置编码，所述位置编码根据电力数据点在序列中的位置及特征维度索引确定。

16、可选的，对所述残差进行分布分析，根据各电力数据点的残差分布分析结果判定该电力数据点为异常点或正常点，包括：

17、将所述残差按升序排列，根据所述残差得到有序残差序列；

18、根据所述有序残差序列确定残差的第一四分位数和第三四分位数，根据所述第一四分位数和所述第三四分位数确定四分位距；

19、根据所述第一四分位数和所述第三四分位数确定上边界和下边界，根据所述上边界和所述下边界确定残差的分布边界；

20、将超出所述分布边界的残差判定为异常残差，根据所述异常残差将所述异常残差对应的电力数据点判定为异常点。

21、可选的，根据所述上边界和所述下边界确定残差的分布边界包括：

22、将所述下边界确定为所述第一四分位数减去一点五倍的所述四分位距，将所述上边界确定为所述第三四分位数加上一点五倍的所述四分位距；

23、将小于所述下边界或大于所述上边界的残差判定为所述异常残差。

24、可选的，方法还包括：

25、采用箱线图对所述残差进行可视化分析，通过所述箱线图展示正常点与异常点的数据分布，所述箱线图的箱体覆盖第一四分位数至第三四分位数，所述箱体外的须延伸至非异常值的最小值和最大值，根据所述须的延伸范围将超出所述须的延伸范围的数据点标记为异常点。

26、与现有技术相比，本发明具有如下优点和技术效果：

27、本发明融合基础的transformer模型架构，提出一种基于多时间尺度趋势感知注意力机制的工业电力数据异常检测方法，通过并行组合上下文不同感知尺度的注意力，同步捕捉电力序列的多层次特征，增强transformer模型对复杂用电模式的表征能力，充分整合局部上下文信息；通过实际值与上述算法预测值二者之间的残差，利用iqr法进行残差数据分析，从而完成异常电力数据点的检测，并以箱线图的方式可视化电力数据分析结果。本发明可准确识别电力突发故障与隐性老化隐患，有效解决人工排查易漏判、误判的问题，大幅提升电力异常排查精度与效率，保障工业电力系统稳定运行。

1.一种基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，其特征在于，

3.根据权利要求1所述的基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，其特征在于，

4.根据权利要求1所述的基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，其特征在于，

5.根据权利要求1所述的基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，其特征在于，

6.根据权利要求1所述的基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，其特征在于，

7.根据权利要求6所述的基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，其特征在于，

8.根据权利要求1所述的基于多时间尺度趋势感知注意力的工业电力数据异常检测方法，其特征在于，