[发明专利]一种基于深度学习的电网信息运维监控方法

权利要求书

1.一种基于深度学习的电网信息运维监控方法，其特征在于，包括以下步骤：

S1：明确待分析数据的时间序列y_t，以及其他与y_t相关的时间序列数据集信息{x_t}；

S2：对待分析数据时间序列y_t以及其他相关数据集信息{x_t}进行数据清洗、数据规约以及数据变化的数据预处理操作，得到可分析数据集y′_t与{x′_t}以供后续分析使用；

S3：以其他相关可分析数据集{x′_t}作为输入，对应下一时刻y′_t+1作为输出，利用长短时记忆神经网络实现利用{x′_t}预测的功能；

S4：基于预测得到的t+1时刻下的预测值以及对应时刻的真实值y′_t+1，采用指数加权滑动平均的控制图进行分析，计算对应时刻下的上下控制界限UCL以及LCL；

S5：判断当前时刻的预测值与上下控制界限UCL以及LCL的关系，得出当前时刻下电网信息运维监控数据时间序列的异常检测结果。

2.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S2中的数据清洗主要面向数据集中的缺失数据，主要包含以下步骤：

S211：对于缺失的数据类型为整数或表示状态的设备运行数据时，缺失值所对应的时间测的整条数据均采取忽略删去的方式进行处理；

S212：对于实数型运维数据，则首先分析该数据是否呈对称的分布形式，若是则采取前一段时间该数据的均值进行插补，反之则采用前一段时间该数据的中位数进行插补；

S213：对于一些实际现场中记录的一些线下文件数据的缺失，则视其在运维流程中的重要程度来决定是否需要进行人工问询填补的方式进行处理。

3.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S2中的数据规约主要包括以下步骤：

S221：将相同数据在多个数据源下的多个测点数据取平均值作为该数据的最终值；

S222：利用典型相关分析来判断不同时间序列之间的相似性程度：若相似性程度较高，则对两个序列进行合并操作或选择性删除其中一个时间序列；

S223：利用主成份分析将原始数据集中的属性子集进行提取以实现维度规约。

4.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S2中的数据变换主要采用Z-Score标准化方法对时间序列数据进行归一化操作，其主要计算公式如下：

其中x_t和x′_t分别为变换映射前后时间序列中的第t个数据；μ和σ分别为变换前时间序列x_t的均值及方差。

5.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S4中采用指数加权滑动平均的控制图进行分析，其指标的计算公式如下：

Z_t＝λy_t+(1-λ)Z_t-1

其中，Z_t表示t时刻下的EWMA指标值，Z₀取该时间序列历史一段时间的均值或本段分析区间的初值；y_t表示t时刻下待分析时间序列的数据值；λ为范围在0至1之间的平滑常数，由人为给定，默认值为0.5；指数加权滑动平均的方差估计值计算公式定义如下：

其中s²为历史一段时间序列的方差值；指数加权滑动平均控制图的上下控制界限UCL以及LCL的计算公式如下：

LCL＝Z₀-ks_EWMA

UCL＝Z₀+ks_EWXA

其中k为质量管理图相关参数，遵循3σ原则而取k＝3。

6.根据权利要求书1所述的一种基于深度学习的电网信息运维监控方法，其特征在于，步骤S5中的序列异常判断准则定义如下：若当前预测值或则认为待检测时间序列在t+1时刻出现异常，反之则视为正常。