一种电力时序数据阶跃突变点检测方法及装置与流程

技术特征：
1.一种电力时序数据阶跃突变点检测方法，其特征在于，包括以下步骤:获取电力时序数据，并对所述电力时序数据进行预处理；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；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：output＝f3(layer2*w3 b3)；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；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。2.根据权利要求1所述的电力时序数据阶跃突变点检测方法，其特征在于，所述第二隐藏层输出满足以下公式：layer2＝f2(layer1*w2 b2)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。3.根据权利要求1所述的电力时序数据阶跃突变点检测方法，其特征在于，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；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。4.根据权利要求1所述的电力时序数据阶跃突变点检测方法，其特征在于，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：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；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
；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。5.根据权利要求1所述的电力时序数据阶跃突变点检测方法，其特征在于，所述对所述电力时序数据进行预处理包括：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。6.根据权利要求4所述的电力时序数据阶跃突变点检测方法，其特征在于，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：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；
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。7.根据权利要求1所述的电力时序数据阶跃突变点检测方法，其特征在于，所述深度学习判别模型通过以下方法训练得到: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；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。8.一种电力时序数据阶跃突变点检测装置，其特征在于，包括：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；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；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；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；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：output＝f3(layer2*w3 b3)；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。9.一种电子设备，其特征在于，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权利要求1
‑
7任一项所述的电力时序数据阶跃突变点检测方法。10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时，实现如权利要求1
‑
7任一项所述的电力时序数据阶跃突变点检测方法。

技术总结
本发明公开了一种电力时序数据阶跃突变点检测方法及装置，所述方法包括：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；判断所述电力时序数据在各个时序点的突变信息；所述突变标签序列output＝f3(layer2*W3 b3)；output为输出的突变标签序列，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。本发明借助深度学习本身具有高度数据拟合能力和表征能力，可实现对电力时序数据阶跃突变电的有效检测，可显著提升识别阶跃突变点的召回率和精度。提升识别阶跃突变点的召回率和精度。提升识别阶跃突变点的召回率和精度。


技术研发人员：陈聪 罗海军 匡启帆 官新锋 程晓军 郑超 林涛 余随
受保护的技术使用者：天目数据（福建）科技有限公司
技术研发日：2021.09.10
技术公布日：2021/12/12