本發(fā)明涉及網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，特別是涉及一種異常檢測方法及裝置。

背景技術(shù)：

當(dāng)今社會(huì)經(jīng)濟(jì)正處于持續(xù)快速發(fā)展的階段，人類社會(huì)生產(chǎn)活動(dòng)對(duì)穩(wěn)定的電力供應(yīng)的依賴越來越強(qiáng)。因此保證電網(wǎng)穩(wěn)定運(yùn)行顯得尤為重要。為了保證電網(wǎng)穩(wěn)定運(yùn)行，其中一個(gè)主要的方面即為能夠及時(shí)發(fā)現(xiàn)電網(wǎng)中的故障，防止整個(gè)電網(wǎng)的失穩(wěn)導(dǎo)致大面積停電事故的發(fā)生。由此可見，如何及時(shí)檢測電網(wǎng)故障，以保障電網(wǎng)安全穩(wěn)定運(yùn)行十分重要。

現(xiàn)有的異常檢測方法，主要依賴電力系統(tǒng)專業(yè)人員通過大量計(jì)算、分析來評(píng)估電網(wǎng)異常。這種方法不僅消耗大量的人力，而且隨著電網(wǎng)格局愈加復(fù)雜，電力系統(tǒng)運(yùn)行數(shù)據(jù)大量產(chǎn)生，從而導(dǎo)致異常檢測效率較低。因此，如何減少電力系統(tǒng)異常檢測工作中的人工工作量，提高異常檢測效率，是一個(gè)亟待解決的技術(shù)難題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例公開了一種電網(wǎng)異常檢測方法及裝置，以提高異常檢測效率。

為達(dá)到上述目的，本發(fā)明實(shí)施例提供了一種異常檢測方法，所述方法包括：

獲得電網(wǎng)系統(tǒng)的目標(biāo)時(shí)間序列數(shù)據(jù)，并將所述目標(biāo)時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第一矩陣；

將所述第一矩陣輸入到預(yù)先訓(xùn)練得到的編解碼模型中，獲得第二矩陣；

計(jì)算所述第二矩陣相對(duì)于所述第一矩陣的第一誤差，并在所述第一誤差超出預(yù)設(shè)的誤差范圍時(shí)，確定所述目標(biāo)時(shí)間序列數(shù)據(jù)為異常序列數(shù)據(jù)。

可選的，所述獲得電網(wǎng)系統(tǒng)的目標(biāo)時(shí)間序列數(shù)據(jù)的步驟，包括：

采集預(yù)設(shè)時(shí)長內(nèi)的電網(wǎng)系統(tǒng)的第一數(shù)據(jù)，并將所述第一數(shù)據(jù)轉(zhuǎn)換成第二數(shù)據(jù)，其中，所述第一數(shù)據(jù)為電壓幅值和電壓相角值，第二數(shù)據(jù)為實(shí)電壓和虛電壓；

將所述第二數(shù)據(jù)組合成所述目標(biāo)時(shí)間序列數(shù)據(jù)。

可選的，所述編解碼模型包括編碼器模型和解碼器模型，其中，所述編碼器模型和所述解碼器模型均為循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

可選的，預(yù)先訓(xùn)練所述編解碼模型的步驟包括：

獲取正常時(shí)間序列數(shù)據(jù)；

將所述正常時(shí)間序列數(shù)據(jù)作為訓(xùn)練樣本，輸入到初始編碼器模型，獲得初始編碼器模型隱含層的初始狀態(tài)值；

將所述初始狀態(tài)值輸入到初始解碼器模型，得到滿足訓(xùn)練結(jié)束條件的編解碼模型。

可選的，預(yù)先設(shè)定所述誤差范圍的步驟包括：

獲取正常時(shí)間序列數(shù)據(jù)，并將所述正常時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第三矩陣；

將所述第三矩陣輸入到所述編解碼模型中，獲得第四矩陣；

計(jì)算所述第四矩陣相對(duì)于所述第三矩陣的第二誤差；

獲得所述第二誤差服從正態(tài)分布的平均值和方差，并設(shè)定所述誤差范圍為：μ±3Σ；

其中，μ為所述平均值，Σ為所述方差。

為達(dá)到上述目的，本發(fā)明實(shí)施例還提供了一種異常檢測裝置，所述裝置包括：

第一轉(zhuǎn)換模塊，用于獲得電網(wǎng)系統(tǒng)的目標(biāo)時(shí)間序列數(shù)據(jù)，并將所述目標(biāo)時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第一矩陣；

第一獲得模塊，用于將所述第一矩陣輸入到預(yù)先訓(xùn)練得到的編解碼模型中，獲得第二矩陣；

確定模塊，用于計(jì)算所述第二矩陣相對(duì)于所述第一矩陣的第一誤差，并在所述第一誤差超出預(yù)設(shè)的誤差范圍時(shí)，確定所述目標(biāo)時(shí)間序列數(shù)據(jù)為異常序列數(shù)據(jù)。

可選的，所述第一轉(zhuǎn)換模塊，包括：

采集子模塊，用于采集預(yù)設(shè)時(shí)長內(nèi)的電網(wǎng)系統(tǒng)的第一數(shù)據(jù)，并將所述第一數(shù)據(jù)轉(zhuǎn)換成第二數(shù)據(jù)，其中，所述第一數(shù)據(jù)為電壓幅值和電壓相角值，第二數(shù)據(jù)為實(shí)電壓和虛電壓；

轉(zhuǎn)換子模塊，用于將所述第二數(shù)據(jù)組合成所述目標(biāo)時(shí)間序列數(shù)據(jù)，并將所述目標(biāo)時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第一矩陣。

可選的，所述編解碼模型包括編碼器模型和解碼器模型，其中，所述編碼器模型和所述解碼器模型均為循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

可選的，所述裝置還包括：

獲取模塊，用于獲取正常時(shí)間序列數(shù)據(jù)；

訓(xùn)練模塊，將所述正常時(shí)間序列數(shù)據(jù)作為訓(xùn)練樣本，輸入到初始編碼器模型，獲得初始編碼器模型隱含層的初始狀態(tài)值；

第二獲得模塊，用于將所述初始狀態(tài)值輸入到初始解碼器模型，得到滿足訓(xùn)練結(jié)束條件的編解碼模型。

可選的，所述裝置還包括：

第二轉(zhuǎn)換模塊，用于獲取正常時(shí)間序列數(shù)據(jù)，并將所述正常時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第三矩陣；

第三獲得模塊，用于將所述第三矩陣輸入到所述編解碼模型中，獲得第四矩陣；

計(jì)算模塊，用于計(jì)算所述第四矩陣相對(duì)于所述第三矩陣的第二誤差；

設(shè)定模塊，用于獲得所述第二誤差服從正態(tài)分布的平均值和方差，并設(shè)定所述誤差范圍為：μ±3Σ；

其中，μ為所述平均值，Σ為所述方差。

由上述的技術(shù)方案可見，本發(fā)明實(shí)施例提供的異常檢測方法及裝置，可以獲得電網(wǎng)系統(tǒng)的目標(biāo)時(shí)間序列數(shù)據(jù)，并將目標(biāo)時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第一矩陣；然后將第一矩陣輸入到預(yù)先訓(xùn)練得到的編解碼模型中，獲得第二矩陣，之后計(jì)算第二矩陣相對(duì)于所述第一矩陣的第一誤差，并在第一誤差超出預(yù)設(shè)的誤差范圍時(shí)，確定目標(biāo)時(shí)間序列數(shù)據(jù)為異常序列數(shù)據(jù)。應(yīng)用本發(fā)明實(shí)施例，利用預(yù)先訓(xùn)練得到的編解碼模型檢測異常，減少了電力系統(tǒng)異常檢測工作中的人工工作量，提高了異常檢測效率。

當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品或方法必不一定需要同時(shí)達(dá)到以上所述的所有優(yōu)點(diǎn)。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種異常檢測方法的流程示意圖；

圖2為本發(fā)明實(shí)施例提供的一種異常檢測裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明實(shí)施例公開了一種異常檢測方法及裝置，以下分別進(jìn)行詳細(xì)說明。

參見圖1，圖1為本發(fā)明實(shí)施例提供的一種異常檢測方法的流程示意圖，包括如下步驟：

S101，獲得電網(wǎng)系統(tǒng)的目標(biāo)時(shí)間序列數(shù)據(jù)，并將目標(biāo)時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第一矩陣。

本發(fā)明實(shí)施例提供的方法可以應(yīng)用于電網(wǎng)系統(tǒng)的中央控制節(jié)點(diǎn)。具體地，中央控制節(jié)點(diǎn)為可以獲得電網(wǎng)系統(tǒng)中各個(gè)節(jié)點(diǎn)的時(shí)間序列數(shù)據(jù)，并可以對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行分析處理的節(jié)點(diǎn)。中央控制節(jié)點(diǎn)的型號(hào)可以根據(jù)用戶需求設(shè)定，本發(fā)明對(duì)此不作限定。

具體的，中央控制節(jié)點(diǎn)獲得電網(wǎng)系統(tǒng)的目標(biāo)時(shí)間序列數(shù)據(jù)的步驟可以為：采集預(yù)設(shè)時(shí)長內(nèi)的電網(wǎng)系統(tǒng)的第一數(shù)據(jù)，并將第一數(shù)據(jù)轉(zhuǎn)換成第二數(shù)據(jù)，其中，第一數(shù)據(jù)可以為電壓幅值和電壓相角值，第二數(shù)據(jù)可以為實(shí)電壓和虛電壓；將第二數(shù)據(jù)組合成目標(biāo)時(shí)間序列數(shù)據(jù)。

需要說明的是，中央控制節(jié)點(diǎn)采集的第一數(shù)據(jù)可以是各個(gè)節(jié)點(diǎn)的電壓幅值和電壓相角值，然后令采集到的電壓幅值為v，電壓相角值為θ，利用公式v^r＝vcosθ,vⁱ＝vsinθ，將其轉(zhuǎn)換為實(shí)電壓v^r和虛電壓vⁱ的形式，以此將第一數(shù)據(jù)轉(zhuǎn)換成第二數(shù)據(jù)，保留了采集數(shù)據(jù)的全部信息。

由于第二數(shù)據(jù)由實(shí)電壓和虛電壓組成，而實(shí)電壓和虛電壓的取值范圍相同，因此，將第一數(shù)據(jù)轉(zhuǎn)換成第二數(shù)據(jù)消除了電壓幅值與電壓相角值取值范圍不一致帶來的缺點(diǎn)，使得第二數(shù)據(jù)各個(gè)特征的權(quán)重不受取值范圍的影響。并且，可以將預(yù)設(shè)時(shí)長內(nèi)的預(yù)設(shè)數(shù)量個(gè)第二數(shù)據(jù)組合成目標(biāo)時(shí)間序列數(shù)據(jù)，并將目標(biāo)時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第一矩陣，第二數(shù)據(jù)的維數(shù)為：節(jié)點(diǎn)個(gè)數(shù)*特征個(gè)數(shù)；第一矩陣的維數(shù)為：第二數(shù)據(jù)的維數(shù)*預(yù)設(shè)數(shù)量。

示例性的，電力系統(tǒng)采用IEEE39節(jié)點(diǎn)的電網(wǎng)拓?fù)浣Y(jié)構(gòu)，采集到的第一數(shù)據(jù)是39個(gè)節(jié)點(diǎn)的電壓幅值和電壓相角值，第二數(shù)據(jù)為39個(gè)節(jié)點(diǎn)的實(shí)電壓和虛電壓，則第二數(shù)據(jù)的特征個(gè)數(shù)為2，第二數(shù)據(jù)的維數(shù)為39*2＝78，采集時(shí)間長度為10個(gè)時(shí)刻的第二數(shù)據(jù)，t₅時(shí)刻的采集的第二數(shù)據(jù)是x⁽⁵⁾，x⁽⁵⁾是78維向量，則第一矩陣為X＝{x⁽¹⁾,x⁽²⁾,…,x⁽¹⁰⁾}，并且第一矩陣的維數(shù)為：78*10。

由此可見，本發(fā)明實(shí)施例可以將整個(gè)電網(wǎng)系統(tǒng)的各個(gè)節(jié)點(diǎn)的時(shí)間序列數(shù)據(jù)，整合成多維的時(shí)間序列數(shù)據(jù)。因此，本發(fā)明實(shí)施例提供的異常檢測方法不僅可以適用于單維時(shí)間序列，還可以適用于多維時(shí)間序列。

S102，將第一矩陣輸入到預(yù)先訓(xùn)練得到的編解碼模型中，獲得第二矩陣。

具體的，編解碼模型包括編碼器模型和解碼器模型，其中，編碼器模型和解碼器模型均為循環(huán)神經(jīng)網(wǎng)絡(luò)模型。中央控制節(jié)點(diǎn)預(yù)先訓(xùn)練編解碼模型的步驟可以為：獲取正常時(shí)間序列數(shù)據(jù)；將正常時(shí)間序列數(shù)據(jù)作為訓(xùn)練樣本，輸入到初始編碼器模型，獲得初始編碼器模型隱含層的初始狀態(tài)值；將初始狀態(tài)值輸入到初始解碼器模型，得到滿足訓(xùn)練結(jié)束條件的編解碼模型。

在本發(fā)明實(shí)施例中，將正常時(shí)間序列數(shù)據(jù)作為訓(xùn)練樣本，輸入初始的編碼器模型，獲得編碼器模型隱含層的狀態(tài)值，然后解碼器模型獲得編碼器模型隱含層的狀態(tài)值，并經(jīng)過反復(fù)訓(xùn)練，可以得到滿足訓(xùn)練結(jié)束條件的循環(huán)神經(jīng)網(wǎng)絡(luò)，將滿足訓(xùn)練結(jié)束條件的循環(huán)神經(jīng)網(wǎng)絡(luò)作為編解碼模型。訓(xùn)練結(jié)束條件可以根據(jù)用戶需求設(shè)定，本發(fā)明實(shí)施例對(duì)此不做限定。編解碼模型接收的輸入值經(jīng)過編碼器模型和解碼器模型的共同作用，可以獲得輸出值，從而，將第一矩陣輸入到編解碼模型中，可以獲得編解碼模型輸出的第二矩陣。

正常情況下，在電網(wǎng)系統(tǒng)收集的大量數(shù)據(jù)中，只有小部分的數(shù)據(jù)是異常數(shù)據(jù)?，F(xiàn)有的基于機(jī)器學(xué)習(xí)算法的異常檢測方法，需要正負(fù)訓(xùn)練樣本的比例近似相等。在不相等的情況下，則需要通過過采樣或欠采樣等手段來達(dá)到樣本的均衡，而這種做法往往會(huì)過分加重某些特征的權(quán)重或造成某些重要信息的損失，使得異常檢測效果不佳。本發(fā)明實(shí)施例在模型訓(xùn)練過程中只需要正常的樣本，解決了正負(fù)樣本不均衡的問題。

在本發(fā)明實(shí)施例中，循環(huán)神經(jīng)網(wǎng)絡(luò)可以由輸入層、隱含層和輸出層組成，輸入層神經(jīng)元的個(gè)數(shù)為第一矩陣中第二數(shù)據(jù)的個(gè)數(shù)，輸出神經(jīng)元的個(gè)數(shù)與輸入層神經(jīng)元的個(gè)數(shù)相同，一般來說，循環(huán)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性主要受隱含層影響，隱含層的合理設(shè)計(jì)是構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。

本發(fā)明實(shí)施例的隱含層結(jié)構(gòu)可以采用LSTM(Long Short-Term Memory，長短時(shí)記憶)結(jié)構(gòu)或GRU(Gated Recurrent Unit，門控循環(huán)單元)結(jié)構(gòu)，也可以由tanh(Hyperbolic tangent function，雙曲正切)函數(shù)，或者sigmoid函數(shù)，或者relu(Rectified linear unit，修正線性單元)函數(shù)等激活函數(shù)構(gòu)成的隱含層結(jié)構(gòu)。

一般來說，LSTM結(jié)構(gòu)與GRU結(jié)構(gòu)更加適用于時(shí)間序列長度較長的情況。優(yōu)選的，本發(fā)明實(shí)施例可以選擇LSTM結(jié)構(gòu)或GRU結(jié)構(gòu)來構(gòu)建隱含層結(jié)構(gòu)，編碼器模型循環(huán)神經(jīng)網(wǎng)絡(luò)的隱含層結(jié)構(gòu)可以是LSTM結(jié)構(gòu)或者GRU結(jié)構(gòu)，解碼器模型循環(huán)神經(jīng)網(wǎng)絡(luò)的隱含層結(jié)構(gòu)可以是LSTM結(jié)構(gòu)或者GRU結(jié)構(gòu)，編碼器模型和解碼器模型中的隱含層結(jié)構(gòu)可以相同也可以不同。并且，解碼器模型中的隱含層的初始狀態(tài)值可以由編碼器模型的各個(gè)隱含層的狀態(tài)值的加權(quán)值決定，因此，可以最大可能的保留第一矩陣的所有有用的信息。

LSTM結(jié)構(gòu)由三個(gè)特殊的門組成隱含層單元，分別為輸入門、忘記門和輸出門。輸入門決定輸入層傳輸?shù)诫[含層的信息，忘記門決定之前學(xué)習(xí)到的信息將被存儲(chǔ)的時(shí)間，輸出門決定隱含層傳輸?shù)捷敵鰧拥男畔?。采用LSTM結(jié)構(gòu)時(shí)，隱含層的狀態(tài)值的計(jì)算公式為：

h⁽ⁱ⁾＝o*δ(c⁽ⁱ⁾)

其中，

o＝σ(x⁽ⁱ⁾U_o+h^(i-1)W_o+b_o)；f＝σ(x⁽ⁱ⁾U_f+h^(i-1)W_f+b_f)；

i＝σ(x⁽ⁱ⁾U_i+h^(i-1)W_i+b_i)；

其中，x⁽ⁱ⁾表示t_i時(shí)刻的輸入值，h⁽ⁱ⁾表示t_i時(shí)刻隱含層的狀態(tài)值，o表示輸出門的狀態(tài)值，f表示忘記門的狀態(tài)值，i表示輸入門的狀態(tài)值，σ()表示更新狀態(tài)的激活函數(shù)，δ()示計(jì)算狀態(tài)的激活函數(shù)，U_c表示輸入層到記憶單元的連接邊的權(quán)重矩陣，U_o表示輸入層到輸出門的連接邊的權(quán)重矩陣，U_f表示輸入層到忘記門的連接邊的權(quán)重矩陣，U_i表示輸入層到輸入門的連接邊的權(quán)重矩陣，W_c表示記憶單元自連接邊的權(quán)值矩陣，W_o表示輸出門自連接邊的權(quán)值矩陣，W_f表示忘記門自連接邊的權(quán)值矩陣，W_i表示輸入門自連接邊的權(quán)值矩陣，b_c表示記憶單元的偏置向量，b_o表示輸出門的偏置向量，b_f表示忘記門的偏置向量，b_i表示輸入門的偏置向量。

GRU結(jié)構(gòu)由兩個(gè)特殊的門組成隱含層單元，分別為重置門和更新門。重置門過濾掉之前不相干的隱含層的狀態(tài)信息。更新門決定之前的隱含層的狀態(tài)將會(huì)傳輸?shù)浆F(xiàn)在的隱含層的狀態(tài)的信息。采用GRU結(jié)構(gòu)時(shí)，隱含層的狀態(tài)值的計(jì)算公式為：

其中，

z＝σ(x⁽ⁱ⁾U_z+h^(i-1)W_z+b_z)；

其中，x⁽ⁱ⁾表示t_i時(shí)刻的輸入值，h⁽ⁱ⁾表示t_i時(shí)刻隱含層的狀態(tài)值，z表示更新門的狀態(tài)值，r表示重置門的狀態(tài)值，表示t_i時(shí)刻記憶單元的狀態(tài)值，h^(i-1)表示t_i-1時(shí)刻隱含層的狀態(tài)值，U_h表示輸入層到記憶單元的連接邊的權(quán)重矩陣，U_r表示輸入層到重置門的連接邊的權(quán)重矩陣，U_z表示輸入層到更新門的連接邊的權(quán)重矩陣，W_h表示記憶單元自連接邊的權(quán)值矩陣，W_r表示重置門自連接邊的權(quán)值矩陣，W_z表示更新門自連接邊的權(quán)值矩陣，b_h表示記憶單元的偏置向量，b_r表示重置門的偏置向量，b_z表示更新門的偏置向量，σ()表示更新狀態(tài)的激活函數(shù)，φ()表示計(jì)算狀態(tài)的激活函數(shù)。

僅采用激活函數(shù)時(shí)，隱含層的狀態(tài)值的計(jì)算公式為：

h⁽ⁱ⁾＝φ(Wh^(i-1)+Ux⁽ⁱ⁾+b)

其中，x⁽ⁱ⁾表示t_i時(shí)刻的輸入值，h⁽ⁱ⁾表示t_i時(shí)刻隱含層的狀態(tài)值，W表示隱含層自連接邊的權(quán)值矩陣，h^(i-1)表示t_i-1時(shí)刻隱含層的狀態(tài)值，U表示輸入層到隱含層的連接邊的權(quán)重矩陣，b表示隱含層的偏置向量，φ()表示隱含層的激活函數(shù)。

示例性的，輸入層的輸入向量為第一矩陣X＝{x⁽¹⁾,x⁽²⁾,…,x^(L)}，x⁽ⁱ⁾表示t_i時(shí)刻的輸入值，輸出層的輸出向量為第二矩陣X′＝{x′⁽¹⁾,x′⁽²⁾,…,x′^(L)}，x′⁽ⁱ⁾表示t_i時(shí)刻的輸出值，編碼器模型和隱含層模型都采用激活函數(shù)，則編碼器模型的隱含層的狀態(tài)值可以為：

其中，表示t_i時(shí)刻的編碼器模型的隱含層狀態(tài)值，W_encodet表示編碼器模型的隱含層自連接邊的權(quán)值矩陣，表示t_i-1時(shí)刻編碼器模型的隱含層狀態(tài)值，U_encoder表示輸入層到編碼器模型的隱含層的連接邊的權(quán)重矩陣，b_encoder表示編碼器模型的隱含層偏置向量，φ()表示編碼器模型的隱含層的激活函數(shù)，可以為tanh函數(shù)，或者sigmoid函數(shù)，或者relu函數(shù)等。

需要說明的是，編碼器模型隱含層的維度可以根據(jù)用戶需求定義，假設(shè)編碼器模型隱含層的維度為m，則是m維向量。的狀態(tài)值受t_i時(shí)刻的輸入值x⁽ⁱ⁾和t_i-1時(shí)刻隱含層狀態(tài)值影響。在實(shí)際應(yīng)用中，一般采用隨機(jī)初始化的方法獲得W_encoder、U_encoder以及b_encoder。

初始時(shí)刻編碼器隱含層的狀態(tài)值為：

第一時(shí)刻的隱含層的狀態(tài)值為：

第二時(shí)刻的隱含層的狀態(tài)值為：

依次類推，可以獲得各個(gè)時(shí)刻編碼器模型隱含層的狀態(tài)值。

解碼器模型的隱含層的狀態(tài)值可以為：

其中，表示t_n時(shí)刻解碼器模型的隱含層狀態(tài)值，α⁽ⁱ⁾表示的權(quán)重值。

根據(jù)計(jì)算輸出值，計(jì)算公式可以為：

其中，A表示解碼器模型的隱含層自連接邊的權(quán)值矩陣，b表示解碼器模型的隱含層的偏置向量。

然后由后向前更新解碼器模型的隱含層的狀態(tài)值，計(jì)算公式如下：

其中，表示t_i時(shí)刻的解碼器模型的隱含層的狀態(tài)值，W_decoder表示解碼器模型的隱含層自連接邊的權(quán)值矩陣，表示t_i+1時(shí)刻的解碼器模型的隱含層的狀態(tài)值，U_decoder表示輸出層到解碼器模型的隱含層的連接邊的權(quán)重矩陣，b_decoder表示解碼器模型的隱含層偏置向量，表示解碼器模型的隱含層的激活函數(shù)，可以為tanh函數(shù)，或者sigmoid函數(shù)，或者relu函數(shù)等。

從而，根據(jù)計(jì)算t_i時(shí)刻的輸出值為：

其中，A表示解碼器模型的隱含層自連接邊的權(quán)值矩陣，b表示解碼器模型的隱含層的偏置向量。

S103，計(jì)算第二矩陣相對(duì)于第一矩陣的第一誤差，并在第一誤差超出預(yù)設(shè)的誤差范圍時(shí)，確定目標(biāo)時(shí)間序列數(shù)據(jù)為異常序列數(shù)據(jù)。

具體的，中央控制節(jié)點(diǎn)預(yù)先設(shè)定誤差范圍的步驟可以為：獲取正常時(shí)間序列數(shù)據(jù)，并將正常時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第三矩陣；將第三矩陣輸入到編解碼模型中，獲得第四矩陣；計(jì)算第四矩陣相對(duì)于第三矩陣的第二誤差；獲得第二誤差服從正態(tài)分布的平均值和方差，并設(shè)定誤差范圍為：μ±3Σ；其中，μ為平均值，Σ為方差。

需要說明的是，可以預(yù)先定義誤差的計(jì)算公式為：e⁽ⁱ⁾＝|x⁽ⁱ⁾-x′⁽ⁱ⁾|，其中，x⁽ⁱ⁾表示t_i時(shí)刻的輸入值，x′⁽ⁱ⁾表示t_i時(shí)刻的輸出值，當(dāng)輸入為第一矩陣，輸出為第二矩陣時(shí)，可以根據(jù)誤差的計(jì)算公式，計(jì)算第二矩陣相對(duì)于第一矩陣的第一誤差；類似的，當(dāng)輸入為第三矩陣，輸出為第四矩陣時(shí)，可以根據(jù)誤差的計(jì)算公式，計(jì)算第四矩陣相對(duì)于第三矩陣的第二誤差。

由于第二誤差能夠反映出正常時(shí)間序列數(shù)據(jù)的誤差分布規(guī)律，假設(shè)，第二誤差滿足正態(tài)分布，則可以利用最大似然法估計(jì)第二誤差服從正態(tài)分布的平均值和方差，從而獲得誤差范圍為：μ±3Σ；其中，μ為平均值，Σ為方差。當(dāng)異常的目標(biāo)時(shí)間序列數(shù)據(jù)作為第一矩陣，輸入到編解碼模型中時(shí)，其得到的第一誤差必會(huì)不屬于該誤差范圍，因此，可以判斷該目標(biāo)時(shí)間序列數(shù)據(jù)為異常序列數(shù)據(jù)。具體的利用最大似然法估計(jì)第二誤差服從正態(tài)分布的平均值和方差的方法，屬于現(xiàn)有技術(shù)，本發(fā)明在此不再贅述。

示例性的，μ為3，Σ為0.2，則誤差范圍為：3±3*0.2，即誤差范圍為：2.4～3.6，如果第一誤差為2.3，則不屬于誤差范圍，則可以確定目標(biāo)時(shí)間序列數(shù)據(jù)為異常序列數(shù)據(jù)。

當(dāng)確定第二矩陣相對(duì)于第一矩陣的第一誤差不屬于預(yù)設(shè)的誤差范圍內(nèi)時(shí)，則可以確定目標(biāo)時(shí)間序列數(shù)據(jù)為異常序列數(shù)據(jù)，進(jìn)而可以確定電力系統(tǒng)存在異常。

可見，應(yīng)用本發(fā)明實(shí)施例提供的異常檢測方法，利用預(yù)先訓(xùn)練得到的編解碼模型檢測異常，減少了電力系統(tǒng)異常檢測工作中的人工工作量，提高了異常檢測效率。

與上述的方法實(shí)施例相對(duì)應(yīng)，本發(fā)明實(shí)施例還提供一種異常檢測裝置。

參見圖2，圖2為本發(fā)明實(shí)施例所提供的一種異常檢測裝置的結(jié)構(gòu)示意圖，包括：

第一轉(zhuǎn)換模塊201，用于獲得電網(wǎng)系統(tǒng)的目標(biāo)時(shí)間序列數(shù)據(jù)，并將所述目標(biāo)時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第一矩陣；

第一獲得模塊202，用于將所述第一矩陣輸入到預(yù)先訓(xùn)練得到的編解碼模型中，獲得第二矩陣；

確定模塊203，用于計(jì)算所述第二矩陣相對(duì)于所述第一矩陣的第一誤差，并在所述第一誤差超出預(yù)設(shè)的誤差范圍時(shí)，確定所述目標(biāo)時(shí)間序列數(shù)據(jù)為異常序列數(shù)據(jù)。

應(yīng)用本發(fā)明實(shí)施例提供的異常檢測裝置，利用預(yù)先訓(xùn)練得到的編解碼模型檢測異常，減少了電力系統(tǒng)異常檢測工作中的人工工作量，提高了異常檢測效率。

其中，第一轉(zhuǎn)換模塊201，包括：

采集子模塊(圖中未示出)，用于采集預(yù)設(shè)時(shí)長內(nèi)的電網(wǎng)系統(tǒng)的第一數(shù)據(jù)，并將所述第一數(shù)據(jù)轉(zhuǎn)換成第二數(shù)據(jù)，其中，所述第一數(shù)據(jù)為電壓幅值和電壓相角值，第二數(shù)據(jù)為實(shí)電壓和虛電壓；

轉(zhuǎn)換子模塊(圖中未示出)，用于將所述第二數(shù)據(jù)組合成所述目標(biāo)時(shí)間序列數(shù)據(jù)，并將所述目標(biāo)時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第一矩陣。

其中，所述編解碼模型包括編碼器模型和解碼器模型，其中，所述編碼器模型和所述解碼器模型均為循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

其中，所述裝置還包括：

獲取模塊(圖中未示出)，用于獲取正常時(shí)間序列數(shù)據(jù)；

訓(xùn)練模塊(圖中未示出)，將所述正常時(shí)間序列數(shù)據(jù)作為訓(xùn)練樣本，輸入到初始編碼器模型，獲得初始編碼器模型隱含層的初始狀態(tài)值；

第二獲得模塊，用于將所述初始狀態(tài)值輸入到初始解碼器模型，得到滿足訓(xùn)練結(jié)束條件的編解碼模型。

在實(shí)際應(yīng)用中，該裝置還可以包括：

第二轉(zhuǎn)換模塊(圖中未示出)，用于獲取正常時(shí)間序列數(shù)據(jù)，并將正常時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成第三矩陣；

第三獲得模塊(圖中未示出)，用于將第三矩陣輸入到所述編解碼模型中，獲得第四矩陣；

計(jì)算模塊(圖中未示出)，用于計(jì)算第四矩陣相對(duì)于所述第三矩陣的第二誤差；

設(shè)定模塊(圖中未示出)，用于獲得第二誤差服從正態(tài)分布的平均值和方差，并設(shè)定誤差范圍為：μ±3Σ；

其中，μ為平均值，Σ為方差。

對(duì)于裝置實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述的比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中的各個(gè)實(shí)施例均采用相關(guān)的方式描述，各個(gè)實(shí)施例之間相同相似的部分互相參見即可，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處。尤其，對(duì)于裝置實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述的比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述方法實(shí)施方式中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲(chǔ)于計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，這里所稱得的存儲(chǔ)介質(zhì)，如：ROM/RAM、磁碟、光盤等。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。