CN119337326B 一种基于超图融合的电力物联网异常检测方法及系统 （国网江西省电力有限公司电力科学研究院）

科技园内民强路88号检测试验中心科一种基于超图融合的电力物联网异常检测本发明公开了一种基于超图融合的电力物Transformer编码器组成的编码器_解码器学习HGCN_Transformer的方式进行多个超图的加权2将预处理后的多源异构数据根据数据类型的不同分别输入到由LSTM一Transformer编通过HGCN提取每个超图的局部结构信息，并通过Transformer编码器对多个超图进行将超图注意力机制的输出分别使用Transformer编码器实现预测，使用变分自编码器对学习到的潜在特征表示进行聚类分析，并根据分析结果进行超图的通过对编码器解码器的潜在特征表示进行聚类以进行超图的构建，采用MiniBatch,,数据清洗：对不同类型的数据流采用不同的方法进行缺失值处理3,在编码器解码器的训练过程中加入辨别器进行对抗训练，辨别器采用卷积神经网络,数据x的输出，即判断x是真实数据的概率，D(G(z))为辨别器对生成器生成的假数据代表辨别器在生成数据上的损失，辨别器希望最大化;,4,通过HGCN提取每个超图的局部结构信息，并通过Transformer编码器对多个超图进行加权,示第a个超图的超边的权重矩阵，w,"表示第a个超图的超边的权重矩阵的转置，Ma表示为pxe维矩阵，其中p是通过HGCN对单个超图进行超图卷积操作对节点特征进行信息聚合,分别引入节点级的注意力与边级的注意力来对融合后的超其中节点级的注意力学习基于超边的邻居对异构图中每个节,,5,r在超边类型下的特征表示，br表示用于计算边级注意力的向量的转置，o表示采用Transformer编码器作为预测模型，将最终的超图特征表示作为Transf,,t是可学习的超参数；使用峰值过阈值法自动选择阈8.一种基于超图融合的电力物联网异常检测系统，用于实现权利要求1_7任一项所述预处理模块：捕获电力物联网中的多源异构数据，并将获取到潜在特征提取模块：将预处理后的多源异构数据根据数据类型的不同分别输入到由LSTM_Transformer编码器、Transformer编码器_LSTM组成的编码器_解码器中学习多源异6超图构建模块：对学习到的潜在特征表示进行聚类分析，并根据分7多源异构数据进行高效的融合以提高异常检测的准确率和速度。根据数据抽象的层次关据中多元关系是不合适的。因此如何利用多源异构数据捕获多元相关性以实现异常检测，[0006]专利申请号为CN202110999765.0的发明中提出了一种基于超图神经网络的学生8策树分类模型来得到最高的单行为的影响力特征，但这种方法通常用于静态数据的分类，[0013]通过HGCN提取每个超图的局部结构信息，并通过Transformer编码器对多个超图[0014]将超图注意力机制的输出分别使用Transformer编码器实现预测，使用变分自编[0017]数据清洗：对不同类型的数据流采用不同的方法进行缺失值9输入到由LSTMTransformer编码器、Transformer编码器LSTM组成的编码器解码器中学[0024]在编码器解码器的训练过程中加入辨别器进行对抗训练，辨别器采用卷积神经，真实数据x的输出，即判断x是真实数据的概率，D(G(G(z)的输出，即判断生成数据是来自真实数据的概率，-Expssa[logD(x)代代表辨别器在生成数据上的损失，辨别器希望最大化;，[0034]通过对编码器_解码器的潜在特征表示进行聚类以进行超图的构建，采用Mini_[0040]在一个优选的实施方式中，通过HGCN提取每个超图的局部结构信息，并通过所有节点集合中节点的特征向量，然后根据相关系数来示节点r在超边类型下的特征表示，表示用于计算边级注意力的向量的转置，表示[0060]在一个优选的实施方式中，将超图注意力机制的输出分别使用Transformer编码t是可学习的超参数；使用峰值过阈值法自由LSTM_Transformer编码器、Transformer编码器_LSTM组成的编码器_解码器中学习多源[0074]超图特征表示学习模块：采用超图注意力机制对融合后的超图学习超图特征表本发明采用构建LSTM_Transformer模型作为多源异构数据特征提取的编码器_解码器，通过重建的方式可以更好的学习到低维特征的表示，并在重建的阶段引入对抗训练的策略，[0085]电力物联网规模和具有更高水平自动化、连通性和远程访问的复杂技术基础设所以本实施例采用构建LSTM_Transformer模型作为多源异构数据特征提取的编码器_解码以本实施例采用HGCN_Transformer的方式对学习到的多个超图结构进行加权融合，HGCN_Transformer可以根据网络状态和数据动态地调整各个超图的权重，从而更好地适应环境[0089]（2）将预处理后的多源异构数据根据数据类型的不同分别输入到由LSTM_的潜在特征表示。通过LSTM和Transformer的结合使得模型可以灵活地处理不同类型的数输入到由Transformer编码器_LSTM组成的编码器解码器中。此外在编码器_解码器的训练[0092]（5）采用预测和重构的方式进行联合训练，将超图注意力机制的输出分别使用[0095]数据清洗：对不同类型的数据流采用不同的方法进行缺失值[0100]将预处理后的数据流输入到LSTM和Transformer组成的编码器一解码器中以进行一时刻的隐藏状态的信息和本时刻的数据共同输入Sigm[0105]在编码器解码器的训练过程中加入辨别器以进行对抗训练，从而可以获得更好，真实数据x的输出，即判断x是真实数据的概率，D(G(G(z)的输出，即判断生成数据是来自真实数据的概率，-Expssa[logD(x)代的数据被辨别器判断为真实数据，即希望辨别器的输出接近1。生成器的对抗损失函数如，[0115]通过对编码器_解码器的潜在特征表示进行聚类以进行超图的构建，本实施例采簇的样本集合（这只包含在第t次迭代中从Mini_Batch中选取的样本H[0121]通过HGCN提取每个超图的局部结构信息，并通过Transformer编码器对多个超图[0142]将超图注意力机制的输出分别使用Transformer编码器实现预测，使用变分自编[0146]采用变分自编码器VAE作为重建模型，它提供了一种概率的方式描述潜在空间中t是可学习的超参数；本实施例使用峰值过[0152]本实施例提供一种基于超图融合的电力物联网异常检测系统，包括预处理模块、