一种电力时序数据阶跃突变点检测方法及装置与流程

1.本发明涉及电力技术领域，具体涉及一种电力时序数据阶跃突变点检测方法及装置。


背景技术：

2.在国家电网的用电采集系统，会对用户的电表的电量、相电流，相电压，关口电表的台区线损率等电力指标进行定时数据采集，这些电力指标的数据，按照时间维度展开，也就构成了电力指标数据的时间序列(简称为，电力时序数据)。对电力时序数据的阶跃突变点检测，是评估电表故障或窃电一个重要依据。例如，相电压时序数据发生跃迁突降，这意味着相电压的电压连接片出现了氧化或者松动的可能；台区线损时序数据发生跃迁突增，这意味这个台区下面最近有发生窃电的嫌疑。
3.针对阶跃时序突变检测，现有的技术方法如下：
4.1)专利cn201510121511.3
‑
基于突变点检测组合算法的电力系统故障数据匹配方法,通过贝叶斯分类模型和人工经验规则结合，对电力系统数据进行突变点检测；2)专利cn201810011792.0
‑
一种基于突变点探测的火灾在线预警与快速分析方法,通过小波变换结合二叉树算法，对火灾预警系统传感器时序数据，进行突变检测；3)专利cn201510796774.4
‑
一种定位毛刺异常点的方法、装置及计算设备,基于滑动规则过滤算法，对监控告警时序数据，进行毛刺异常点检测。
5.但这些现有的时序阶跃突变点识别方法，都是通过人工观察，根据某些样本，人工制定一些阶跃突变的筛选过滤规则(例如专利cn201510121511.3)，但具体应用中时序数据情形非常复杂，同时含有大量噪声的干扰，导致基于人工指定筛选规则来识别阶跃突变点的召回率和精度都偏低。


技术实现要素：

6.鉴于以上技术问题，本发明的目的在于提供一种电力时序数据阶跃突变点检测方法及装置，解决传统的时序阶跃突变点识别方法通过人工指定筛选规则来识别阶跃突变点导致的召回率和精度都偏低的问题。
7.本发明采用以下技术方案：
8.一种电力时序数据阶跃突变点检测方法，包括以下步骤:
9.获取电力时序数据，并对所述电力时序数据进行预处理；
10.将预处理后的电力时序数据进行切片操作，得到时序切片数据；
11.将所述时序切片数据输入预先训练好的深度学习判别模型，输出突变标签序列；所述深度学习判别模型包括输入层、第一隐藏层、第二隐藏层和输出层；所述突变标签序列满足以下公式：
12.output＝f3(layer2*w3 b3)；
13.其中，output为输出的突变标签序列，即所述深度学习判别模型输出的得分向量，
w3为输出层权重矩阵，b3为输出层权重偏置，f3为输出层激活函数，layer2为第二隐藏层输出；
14.根据所述突变标签序列，判断所述电力时序数据在各个时序点的突变信息。
15.可选的，所述第二隐藏层输出满足以下公式：
16.layer2＝f2(layer1*w2 b2)
17.其中，layer2为第一隐藏层输出；w2为第二隐藏层的权重矩阵，b2为第二隐藏层权重偏置，f2为第二隐藏层的激活函数。
18.可选的，所述深度学习判别模型将所述时序切片数据划分为第一切片数据和第二切片数据，并将所述第一切片数据作为输入左隐藏层的左切片数据，将第二切片数据进行翻转后作为右切片数据输入右隐藏层；所述左隐藏层和右隐藏层按行进行拼接得到第一隐藏层；
19.其中，所述左隐藏层节点输出left_layer1＝f1(left_s*w1 b1)；所述右隐藏层节点输出right_layer1＝f1(right_s*w1 b1)；其中，w1为第一隐藏层的权重矩阵，b1为第一隐藏层权重偏置，f1为第一隐藏层的激活函数，left_s为左切片数据，所述right_s为右切片数据。
20.可选的，所述将预处理后的电力时序数据进行切片操作，得到时序切片数据，包括：
21.以2w 1长度的滑动窗口对预处理后的电力时序数据进行滑动切片，得到n
‑
2w个长度为2w 1的时序切片；
22.其中，所述预处理后的电力时序数据为s＝[x0,x1,...,x
n
‑1]，x0表示第一个单位时间采集的电力数据，x
n
‑1表示第n个单位时间采集的电力数据，n为自然数，w为自然数；所述n
‑
2w个时序切片分别为s1,s2,
…
,s
n
‑
2w
；
[0023]
且满足s1＝[x0,x1,...,x
2w
],s2＝[x1,x2,...,x
2w 1
],
…
，s
n
‑
2w
＝[x
n
‑
2w
‑1,x
n
‑
2w
,...,x
n
‑1],n
‑
2w>0。
[0024]
可选的，所述对所述电力时序数据进行预处理包括：
[0025]
对所述电力时序数据进行缺失值填补处理，和/或，对所述电力时序数据进行归一化处理。
[0026]
可选的，所述根据所述突变标签序列，判断所述电力时序数据在各个时序点的突变信息，包括：
[0027]
所述突变标签序列为[l
w
,l
w 1
,
…
l
a
…
,l
n
‑
w
‑1]，其中l
w
,l
w 1
,
…
l
a
…
,l
n
‑
w
‑1分别为电力数据x
w
,x
w 1
,
…
x
a
…
,x
n
‑
w
‑1时对应的突变标签；n
‑
w
‑
1>w，l
a
∈{
‑
1,0,1},w≤a≤n
‑
w
‑
1，a为自然数，x
a
为第a个单位时间采集的电力数据；
[0028]
当l
a
为
‑
1时，判断采集的电力数据为x
a
时的时序点发生突增突变；当l
a
为0时，判断采集的电力数据为x
a
时的时序点未发生突变；当l
a
为1时，判断采集的电力数据为x
a
时的时序点发生突降突变。
[0029]
可选的，所述深度学习判别模型通过以下方法训练得到:
[0030]
获取电力异常工单数据；并对电力异常工单数据中需要建模的电力时序数据进行人工标注阶跃突变点，得到训练样本数据，通过所述训练样本数据对深度学习判别模型进行训练；
[0031]
或，获取通过计算机模拟样本时序数据，并在所述样本时序数据设置包含标签的阶跃突变点，得到训练样本数据，通过所述训练样本数据对深度学习判别模型进行训练。
[0032]
一种电力时序数据阶跃突变点检测装置，包括：
[0033]
处理单元，用于获取电力时序数据，并对所述电力时序数据进行预处理；
[0034]
切片单片，用于将预处理后的电力时序数据进行切片操作，得到时序切片数据；
[0035]
输出单元，用于将所述时序切片数据输入预先训练好的深度学习判别模型，输出突变标签序列；
[0036]
判断单元，用于根据所述突变标签序列，判断所述电力时序数据在各个时序点的突变信息；
[0037]
其中，所述深度学习判别模型包括输入层、第一隐藏层、第二隐藏层和输出层；所述突变标签序列满足以下公式：
[0038]
output＝f3(layer2*w3 b3)；
[0039]
在所述公式中，output为输出的突变标签序列，即所述深度学习判别模型输出的得分向量，w3为输出层权重矩阵，b3为输出层权重偏置，f3为输出层激活函数，layer2为第二隐藏层输出。
[0040]
一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的电力时序数据阶跃突变点检测方法。
[0041]
一种计算机存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时，实现所述的电力时序数据阶跃突变点检测方法。
[0042]
相比现有技术，本发明的有益效果在于：
[0043]
本发明通过将预处理后的电力时序数据进行切片操作，得到时序切片数据；将所述时序切片数据输入预先训练好的深度学习判别模型，输出突变标签序列；根据所述突变标签序列，判断所述电力时序数据在各个时序点的突变信息，实现通过基于深度学习的深度学习判别模型对时序阶跃突变点进行自动识别；所述基于深度学习框架构建的时序阶跃突变判别模型，由于深度学习本身，相比规则模型，有更强的数据拟合能力和表征能力，例如，基于深度学习框架构建的时序阶跃突变判别模型可借助大量标注的训练样本，覆盖大量规则无法覆盖的情形，可显著提升阶跃突变点识别的召回率和精度。
附图说明
[0044]
图1为本发明一实施例提供的一种电力时序数据阶跃突变点检测方法的流程示意图；
[0045]
图2为本发明一实施例提供的一种深度学习判别模型的框架示意图；
[0046]
图3为本发明一实施例提供的一种电力时序数据阶跃突变点检测装置的示意图；
[0047]
图4为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
[0048]
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不
相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例：
[0049]
实施例一：
[0050]
请参照图1
‑
4所示，图1示出了本发明的一种电力时序数据阶跃突变点检测方法，包括以下步骤:
[0051]
步骤s1:获取电力时序数据，并对所述电力时序数据进行预处理；
[0052]
在本实施例中，所述电力时序数据可以是但不限于是按天采集的日电量时序数据，或按小时采集的相电压或者相电流时序数据等。
[0053]
作为示例，所述电力时序数据为时长为n天的日电量时序数据,即电力时序数据s＝[x0,x1,...,x
n
‑1]
ꢀꢀ
(1)；
[0054]
其中，x0表示第一天的电量,x1表示第二天的电量，依次类推，x
n
‑1表示第n天的电量。
[0055]
可选的，所述对所述电力时序数据进行预处理包括：
[0056]
对所述电力时序数据进行缺失值填补处理，和/或，对所述电力时序数据进行归一化处理。
[0057]
在具体实施中，首先对原始电力时序数据进行预处理，可以但不限于，对电力时序数据进行归一化处理，时间序列缺失值填充等处理。
[0058]
例如，对于时间序列归一化可以采用如下方式：
[0059]
x
k'
＝x
k
/max(x0,x1,...,x
n
‑1)
ꢀꢀ
(2)；
[0060]
其中，x
k
为第k个单位时间采集的电力数据,k为自然数，x
k
'为归一化处理后的电力数据。
[0061]
应理解，上述预处理方式仅为示例，而非限定。
[0062]
步骤s2:将预处理后的电力时序数据进行切片操作，得到时序切片数据；
[0063]
具体的，所述步骤s2包括：
[0064]
以2w 1长度的滑动窗口对预处理后的电力时序数据进行滑动切片，得到n
‑
2w个长度为2w 1的时序切片；
[0065]
其中，所述预处理后的电力时序数据为s＝[x0,x1,...,x
n
‑1]，x0表示第一个单位时间采集的电力数据，x
n
‑1表示第n个单位时间采集的电力数据，n为自然数，w为自然数；所述n
‑
2w个时序切片分别为s1,s2,
…
,s
n
‑
2w
；
[0066]
且满足s1＝[x0,x1,...,x
2w
],s2＝[x1,x2,...,x
2w 1
],
…
，s
n
‑
2w
＝[x
n
‑
2w
‑1,x
n
‑
2w
,...,x
n
‑1],n
‑
2w>0。
[0067]
下面进行举例说明：
[0068]
若单位时间为天，采集的电力数据为电量数据，那么所述电力时序数据为时长为n天的日电量时序数据,电力时序数据s＝[x0,x1,...,x
n
‑1](1)；其中，x0表示第一天的电量,x1表示第二天的电量，依次类推，x
n
‑1表示第n天的电量。
[0069]
以2w 1长度的滑动窗口对s从左到右进行滑动切片，得到了n
‑
2w个长度为2w 1的时序切片，即s1＝[x0,x1,...,x
2w
],s2＝[x1,x2,...,x
2w 1
]
…
s
n
‑
2w
＝[x
n
‑
2w
‑1,x
n
‑
2w
,...,x
n
‑1]；
[0070]
应理解，s1为电量点x
w
的时序上下文特征，s2为电量点x
w 1
的时序上下文特征,依次类推，s
n
‑
2w
作为电量点x
n
‑
w＝1
的时序上下文特征,将s1,s2,
…
,s
n
‑
2w
依次通过训练好的深度学
习判别模型,分别得到时序点w,w 1,...,n
‑
w
‑
1的对应的突变标签[l
w
,l
w 1
,...,l
n
‑
w
‑1]。
[0071]
步骤s3:将所述时序切片数据输入预先训练好的深度学习判别模型，输出突变标签序列；
[0072]
在具体实施中，深度学习判别模型的训练数据，可以基于真实环境中电力异常工单数据；例如，对需要建模的电力时序数据进行整理和人工标注阶跃突变点，得到训练数据。或者，通过计算机模拟时序数据，生成阶跃突变点，并自动生成对应标签，得到训练数据。
[0073]
在具体实施中，深度学习判别模型参数的优化算法可以采用但不限于梯度下降法。
[0074]
其中，所述深度学习判别模型包括输入层、第一隐藏层、第二隐藏层和输出层；所述突变标签序列满足以下公式：
[0075]
output＝f3(layer2*w3 b3)；
[0076]
在所述公式中，output为输出的突变标签序列，即所述深度学习判别模型输出的得分向量，w3为输出层权重矩阵，b3为输出层权重偏置，f3为输出层激活函数，layer2为第二隐藏层输出。
[0077]
可选的，所述第二隐藏层输出满足以下公式：
[0078]
layer2＝f2(layer1*w2 b2)
[0079]
其中，layer2为第一隐藏层输出；w2为第二隐藏层的权重矩阵，b2为第二隐藏层权重偏置，f2为第二隐藏层的激活函数。
[0080]
可选的，所述深度学习判别模型将所述时序切片数据划分为第一切片数据和第二切片数据，并将所述第一切片数据作为输入左隐藏层的左切片数据，将第二切片数据进行翻转后作为右切片数据输入右隐藏层；所述左隐藏层和右隐藏层按行进行拼接得到第一隐藏层；
[0081]
其中，所述左隐藏层节点输出left_layer1＝f1(left_s*w1 b1)；所述右隐藏层节点输出right_layer1＝f1(right_s*w1 b1)；其中，w1为第一隐藏层的权重矩阵，b1为第一隐藏层权重偏置，f1为第一隐藏层的激活函数，left_s为左切片数据，所述right_s为右切片数据。
[0082]
具体的，所述深度学习判别模型的框架示意图可参照图2所示，图2为深度学习判别模型的框架示意图；
[0083]
首先，获取时序切片数据，若时序切片数据为s1＝[x0,x1,...,x
2w
]；所述深度学习判别模型将所述时序切片数据划分为第一切片数据和第二切片数据；
[0084]
例如，对s1以时序点w为分位点，划分为第一切片数据和第二切片数据，并将第二切片数据翻转后得到右切片数据，即right_s＝[x
2w
,x
2w
‑1,...,x
w 1
]；
[0085]
所述左切片数据和右切片数据分别满足以下公式：
[0086]
left_s＝[x0,x1,...,x
w
‑1]；
[0087]
right_s＝[x
2w
,x
2w
‑1,...,x
w 1
]；
[0088]
接着，通过第一隐藏层进行如下加权变换：
[0089]
left_layer1＝f1(left_s*w1 b1)；......
ꢀꢀ
(3)
[0090]
right_layer1＝f1(right_s*w1 b1)；....
ꢀꢀ
(4)
[0091]
其中，left_layer1为左隐藏层节点，right_layer1为右隐藏层节点，w1为第一隐藏层权重矩阵，b1为第一隐藏层权重偏置，f1为第一隐藏层激活函数，可以为但不限于relu,tanh,sigmoid等函数。
[0092]
然后，将left_layer1和right_layer1按行进行拼接，得到隐藏层节点layer1；再通过第二隐藏层进行如下加权变换：
[0093]
layer2＝f2(layer1*w2 b2)；.........
ꢀꢀ
(5)
[0094]
其中,layer2为第二隐藏层节点输出；w2为第二隐藏层权重矩阵，b2为第二隐藏层权重偏置，f2为第二隐藏层激活函数，可以为但不限于relu,tanh,sigmoid等函数。
[0095]
最后，通过输出层进行如下加权变换：
[0096]
output＝f3(layer2*w3 b3)；.........
ꢀꢀ
(6)
[0097]
其中，output为输出的得分向量；w3为输出层权重矩阵，b3为输出层权重偏置，f3为输出层激活函数，设为softmax函数。
[0098]
步骤s4:根据所述突变标签序列，判断所述电力时序数据在各个时序点的突变信息；
[0099]
可选的，所述根据所述突变标签序列，判断所述电力时序数据在各个时序点的突变信息，包括：
[0100]
所述突变标签序列为[l
w
,l
w 1
,
…
l
a
…
,l
n
‑
w
‑1]，其中l
w
,l
w 1
,
…
l
a
…
,l
n
‑
w
‑1分别为电力数据x
w
,x
w 1
,
…
x
a
…
,x
n
‑
w
‑1时对应的突变标签；n为自然数，w为自然数,n
‑
w
‑
1>w，l
a
∈{
‑
1,0,1},w≤a≤n
‑
w
‑
1，a为自然数；x
a
为第a个单位时间采集的电力数据；
[0101]
当l
a
为
‑
1时，判断采集的电力数据为x
a
时的时序点a发生突增突变；当l
a
为0时，判断采集的电力数据为x
a
时的时序点a未发生突变；当l
a
为1时，判断采集的电力数据为x
a
时的时序点a发生突降突变。
[0102]
在本实施例中，当所述电力时序数据是按天采集的日电量时序数据时，第a天采集的电力数据为x
a
，对应的时序点为第a天；当所述电力时序数据是按小时采集的相电压或者相电流时序数据时，第a小时采集的电力数据为x
a
，对应的时序点为第a小时。
[0103]
作为具体应用，本发明的方法通过计算机模拟，随机生成了3000条，长度在30到300之间的含有若干阶跃突变点的时间序列作为训练数据。另外随机生成了500条，长度在30到300之间的含有若干阶跃突变点的时间序列作为测试数据。
[0104]
通过训练数据构建的深度学习判别模型在测试数据上的recall(召回率)，precision(精度)分别达到了92.7％和94.4％，相比基于规则的阶跃突变点算法在相同测试数据上的recall、precision均不超过30％。
[0105]
在上述实现过程中，本发明将预处理后的电力时序数据进行切片操作，得到时序切片数据；将所述时序切片数据输入预先训练好的深度学习判别模型，输出突变标签序列；根据所述突变标签序列，判断所述电力时序数据在各个时序点的突变信息，实现通过基于深度学习的深度学习判别模型对时序阶跃突变点进行自动识别；所述基于深度学习框架构建的时序阶跃突变判别模型，由于深度学习本身，相比规则模型，有更强的数据拟合能力和表征能力，例如，基于深度学习框架构建的时序阶跃突变判别模型可借助大量标注的训练样本，覆盖大量规则无法覆盖的情形，可显著提升阶跃突变点识别的召回率和精度。
[0106]
实施例二：
[0107]
请参照图3所示，图3示出了本发明的一种电力时序数据阶跃突变点检测装置，包括：
[0108]
处理单元10，用于获取电力时序数据，并对所述电力时序数据进行预处理；
[0109]
切片单片20，用于将预处理后的电力时序数据进行切片操作，得到时序切片数据；
[0110]
输出单元30，用于将所述时序切片数据输入预先训练好的深度学习判别模型，输出突变标签序列；
[0111]
判断单元40，用于根据所述突变标签序列，判断所述电力时序数据在各个时序点的突变信息；
[0112]
其中，所述深度学习判别模型包括输入层、第一隐藏层、第二隐藏层和输出层；所述突变标签序列满足以下公式：
[0113]
output＝f3(layer2*w3 b3)；
[0114]
在所述公式中，output为输出的突变标签序列，即所述深度学习判别模型输出的得分向量，w3为输出层权重矩阵，b3为输出层权重偏置，f3为输出层激活函数，layer2为第二隐藏层输出。
[0115]
在上述实现过程中，本发明通过提出一种基于深度学习框架的阶跃突变检测装置，来实现对电力时序数据阶跃突变电的有效检测，借助深度学习本身具有高度数据拟合能力和表征能力，例如，可通过大量标注的时序样本进行训练，可以显著提升识别阶跃突变点的召回率和精度。
[0116]
实施例三：
[0117]
图4为本技术实施例提供的一种电子设备的结构示意图，在本技术中可以通过图4所示的示意图来描述用于实现本技术实施例的本发明一种电力时序数据阶跃突变点检测方法的电子设备100。
[0118]
如图4所示的一种电子设备的结构示意图，电子设备100包括一个或多个处理器102、一个或多个存储装置104，这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意，图4所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备可以具有图4示出的部分组件，也可以具有图4未示出的其他组件和结构。
[0119]
所述处理器102可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。
[0120]
所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本技术实施例中(由处理器实现)的功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
[0121]
本发明还提供一种计算机存储介质，其上存储有计算机程序，本发明的方法如果
以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在该计算机存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机存储介质不包括电载波信号和电信信号。
[0122]
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。