(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111421864.7 (22)申请日 2021.11.26 (71)申请人 广东电力通信科技有限公司 地址 510080 广东省广州市越秀区东 风东 路836号1座3201- 3206室 (72)发明人 骆宇平　高如超　潘亮　陈业钊　 刘皓杨　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 代理人 刘小莉 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)H02J 13/00(2006.01) H02J 3/00(2006.01) G06F 113/04(2020.01) G06F 119/12(2020.01) (54)发明名称 一种基于BLS和自编码器的配电网用电数据 异常预警方法 (57)摘要 本发明公开了一种基于BLS和自编码器的配 电网用电数据异常预警方法， 包括： 通过信息采 集节点收集用电数据， 并获取影 响用电情况的相 关特征， 即用电数据量EC、 时间信息、 所在地区的 外部环境信息、 以及所在地区的线路自身状况信 息， 然后进行数据预处理； 基于稀疏BLS 模型预测 用电数据流的趋势； 基于自编码器 建立用电数据 流异常检测模型； 实现对用电数据流的异常预 警。 本发明可在保持原始数据分布的基础上提高 效率， 提高了预测的准确性， 有效地降低了模型 的复杂度， 除此以外， BLS的权值更新非常快速， 更适于用电大数据这种环境。 本发 明可有效地对 用电异常进行预警， 区别于传统的基于历史数据 或实时数据的分析方法， 本发明时效性更高， 也 更加智能化。 权利要求书4页 说明书11页 附图1页 CN 114357670 A 2022.04.15 CN 114357670 A 1.一种基于BLS和自编码器的配电网用电数据异常预警方法， 其特 征在于， 包括： 通过信息采集节点收集用电数据， 并获取影响用电情况的相关特 征， 进行数据预处 理； 构建稀疏BLS模型， 利用预处理后的数据训练所述稀疏BLS模型， 利用训练好的稀疏BLS 模型预测用电数据流的趋势； 基于自编码器建立用电数据流异常检测模型， 利用预处理后的数据训练所述用电数据 流异常检测模型； 将所述稀疏BLS模型求得的用电数据流趋势结果输入到所述用电数据流异常检测模型 中求解自编码后的误差； 当误差超过 预设值则判断为异常点， 实现对用电数据流的异常预警。 2.如权利要求1所述的基于BLS和自编码器的配电网用电数据异常预警方法， 其特征在 于： 所述信息采集节点包括智能电表、 PMU。 3.如权利要求1所述的基于BLS和自编码器的配电网用电数据异常预警方法， 其特征在 于： 每条数据包含4方面属性包括， 用电数据量EC， 并使用滑动窗口补充如下特征： 前四天用电数据量的平均值4ave_EC， 前五天用电数据量的平均值5ave_EC， 前四天用电数据量的最大值4max_EC， 前四天用电数 据量的最小值 4min_EC； 时间信息， 包括： 日期DATE， 季度QUARTER， 季节SEASON， 星期几WEEKEND， 是否为周末IS_ WEEKEND， 其中1表示周末， 0表示工作日； 所在地区的外部环境信息， 包括： 温度TEMPERATURE， 风力WIND， 降雨量RAIN， 降雪量 SNOW； 所在地区的线路自身状况信息， 包括： 线路的平均线损率LINE_LOSS， 平均容载比 CAPACITY_LOAD， 过负荷运行时长OVERLOAD_TIM E， 故障发生频率FAI LURE_FREQ。 4.如权利要求1或3所述的基于BLS和自编码器的配电网用电数据异常预警方法， 其特 征在于： 所述数据预处 理过程包括， 检测所述数据字段是否完整， 去 除含有缺失值的数据记录， 然后随时准备被后面的系 统读取数据； 对所述数据进行归一 化处理， 将其映射到[0,1]值 域区间。 5.如权利要求4所述的基于BLS和自编码器的配电网用电数据异常预警方法， 其特征在 于： 所述构建稀疏BLS模 型， 利用预处理后的数据训练所述稀疏BLS模 型， 利用训练好的稀疏 BLS模型预测用电数据流的趋势包括， 根据所述属 性数据， 将除用电数据量EC以外的特征作为模型 的输入X＝[x1,…,xk,…, xK]， 用电数据量E C作为目标输出Y， 由此构造训练数据集； 利用高斯—伯努利受限玻尔兹曼机提取特征， 在稀疏BLS中， 共有N组特征映射， 所得隐 藏层特征为ZN≡[Z1,…,Zn,…,ZN]， 表示第n组特征映射由Dn个 特征组成， 包括： 初始化W1， 映射层及输入层的偏置b， c； 对每组映射层单 元i＝1,2,…,Dn， 计算条件分布：权　利　要　求　书 1/4 页 2 CN 114357670 A 2其中， ci为偏置， Wki表示xk和zi之间的连接 权重， σk为高斯输入单位xk涉及的标准差； 对输入层单 元k＝1,2,…,K， 计算条件分布： 其中， bk为偏置， 表示正太分布函数； 采用Gibbs采样， 对比算法的训练过程中， 输入到映射层的权值和偏置更新过程如下： 其中， <～>data和<～>model表示与输入数据和模型分布有关的期望， 通过迭代更新参数， 达到最大迭代次数， 保存当前已经训练完成的输入层到映射层的权重矩阵W1， 及输入偏置 向量b， 映射层偏置向量c 。 6.如权利要求4所述的基于BLS和自编码器的配电网用电数据异常预警方法， 其特征在 于： 还包括， 通过GRU构建增强节点， 将得到特征ZN(t)作为增强层在第t个时间点的输入， 增强层的 输出为HM(t)≡[H1(t),…,Hm(t),…,HM(t)]， 即共有M组增强节点； 包括： 随机初始化M个GRU神经网络中的连接权重和阈值， 所述的神经网络是一个三层神经网 络， 第一层为输入层， 第二层为隐藏层， 第三层为输出层， 目标是最小化损失函数MAE， 公式 如下： 其中， n表示预测的样本数， yj表示目标 预测值， 表示实际预测值； 计算第m个GRU网络中各个记 忆模块里面各个门的输出值， 公式如下： sm(t)＝σ(V(s)ZN(t)+U(s)Hm(t‑1)) rm(t)＝σ(V(r)ZN(t)+U(r)Hm(t‑1)) 其中， sm(t)和rm(t)分别表示t时刻的更新门和重置门， 是当前输入ZN(t)和前一 时刻隐藏层输出Hm(t‑1)的汇总， σ( ·)是sigmoid函数， tanh( ·)是双曲正切函数， V(s)， U (s)， V(r)， U(r)， V(h)， U(h)是训练过程中的参数； 开始迭代， 通过BPNN梯度下降算法求得增 强层中的参数， 训练过程中通过以下式子对权　利　要　求　书 2/4 页 3 CN 114357670 A 3