[发明专利]一种基于深度学习的电网信息运维监控方法

说明书

本发明公开了一种基于深度学习的电网信息运维监控方法。该方法基于电网信息运维监控系统中的时间序列数据信息，通过适当的数据预处理技术获得清洗之后的时间序列数据，利用长短时记忆神经网络来实现对待检测时间序列数据的预测功能，从而构建待检测时间序列的正常行为模型，并进一步通过基于指数加权滑动平均的控制图来判断待检测时间序列是否存在异常现象。本发明方法面向电网信息运维监控领域中的任何受时间影响的异常，具有一定的普适性，且对异常发现后的指导性处理以及可能由异常引发的严重故障的预防有着十分重要的科学意义和应用价值。

技术领域

本发明涉及一种基于深度学习结合控制图的数据异常检测方法，特别涉及一种基于深度学习的电网信息运维监控方法。

背景技术

电网场景中，随着电力企业业务及相关应用数量的逐年攀升，传统的运维手段在应对数据中心GB、TB甚至PB级别的数据时往往显得捉襟见肘，而基础设施中硬件设备性能的参差不齐、设备与设备之间的兼容性问题等主要运维矛盾使得海量数据场景下的运维困难这一问题愈发凸显。现有的运维管理系统仍然残存一些由于不同系统、不同类型数据融合问题而导致的数据整合与深度分析方面的不足，监控系统间的数据难以打通并进行有效的关联分析，极大的阻碍了运维能力的提升和业务质量的有效保障。

更进一步而言，现有电网在运维应用场景下的工作往往仅停留在设计一套运维数据管理系统来对割裂现象较为严重的海量运维数据加以整合，而缺乏一套后续基于整合后的运维监控数据信息的全链路数据消费流程规范。而对于当下电网故障频发、运维成本巨大的电网运维等主要问题，其针对数据集成所做的优化带来的效果十分有限，占据电网运维成本主要部分的被动式运维策略所造成的昂贵支出问题并不会有所改善。因此，在电网IT运维监控数据集成系统实现数据集成化科学管理的基础上，面向电力行业运维监控领域面临的痛点问题，如何在当今大数据分析热潮的推动下基于海量运维数据分析的手段来实际缩减运维带来的昂贵开销，是当前电网IT运维数据管理系统发展阶段所需要解决最主要问题之一。

对于已经出现的数据所进行的异常检测，其贡献在于对一个未知故障模式或故障机理的故障的深入剖析与故障判断规则的制定，或对实现对一个已知故障模式或机理的自动化检测以提升故障解决效率，无论是对故障的根源分析方面还是对运维成本的削减方面都有着十分重要的研究意义与价值。

发明内容

本发明的目的在于针对电网信息运维监控系统中经常出现的运维监控数据异常问题，通过深度学习中的长短时记忆神经网络与统计过程控制中的指数加权滑动平均控制图相结合的方式，提出的一种电网信息运维监控数据异常检测方法。

本发明的目的采用如下方式去实现：

一种基于深度学习的电网信息运维监控方法，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。