CN114936599B 基于小波分解与迁移判别的基站用能异常监测方法及系统 （国网山东省电力公司济宁供电公司）

司司基于小波分解与迁移判别的基站用能异常本发明提出了基于小波分解与迁移判别的对构建的用能异常判别模型进行最近邻类模型2S2：针对用能特征集中的曲线用能特征数据，S3：基于用能特征集获取的多维高低频特征和S402：基于某一聚类历史用能样本数据，采用注意力机制S404：基于某一聚类用能历史样本的训练集数据，获取某一聚类用能历史样本训练集数据为类别j的概率，并以及概率阈值判定为异常将模型损失函数梯度反馈至采用LSTM构建的用能异常判别模S5：对构建的用能异常判别模型进行最近邻类模3基于获取的基站用能历史样本数据集，分别随机提取一定比例的历史样本作为训练将训练获取的某一聚类的用能异常判别模型对训练样本集进行用能异常判别，各聚类历史样本集中实际异常样本与判别异常样本进基于最近邻聚类样本集，采用强化学习对某一聚类的用能异常判别模型判断最近邻聚类用能异常判别模型对最近邻聚类训练样本集的准确率是否高于阈值，输出最近邻聚类用能异常判别模型，结合输出的某一聚类用能异常判别6.基于小波分解与迁移判别的基站用能异常监测系统，采用如权利要求1所述的基于基于用能特征集获取的多维高低频特征和档案特征数据，进行基站用实时监测模块，被配置为：采用泛化性的用能异常判别47.一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计5[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技6[0020]将样本i的加权平均向量输入用能异常判别模型，采用LSTM构建用能异常判别模[0024]将用能异常判别模型对历史测试集样本进行测试，若不[0030]判断最近邻聚类用能异常判别模型对最近邻聚类训练样本集的准确率是否高于[0033]输出最近邻聚类用能异常判别模型集，结合输出的某一7共同构成泛化性的用能异常判别模型集，用于后续根据基站分类进行差异化用能异常判据分解为多维高低频数据，一方面通过细化特征提供基站聚类类别划分的精细度与差异[0044]本发明采用小波分解对用能特征进行细化分解，然后利用k-means算法进行基站[0047]图1为本公开实施例提供的基于小波分解与迁移判别的基站用能异常监测方法的[0049]图3为本公开实施例提供的小波分解突变曲线的7层细节系数作为高低频特征的8[0051]图5为本公开实施例提供的用能异常判别模型进行近邻模型调参迁移学习流程[0059]具体地，基于某地区的铁塔公司提供的10120座基站相关数据，并从电力营销系9[0064]通信基站历史用能样本数据集中的异常用能样本与正常用能样本的数量分别为q和0,则实现正常类别与异常类别分类所需的信息量为：案类特征数据和影响类特征数据根据样本值进行通信基站历史用能样本数据集的分类，ι[0078]针对曲线用能特征数据，采用小波分解算法中的wavedec函数将输入曲线数据进座、2859座和2058座，根据1月到6月的以日为单位的采集样本数据量分别为291772例、[0085]E1.基于步骤C获取某一聚类用能历fic[0104]E4.基于某一聚类用能历史样本[0107]获取某一聚类用能历史样本训练集数据为类别j的概率，并以及概率阈值判定为[0110]将模型损失函数loss(y′,y)梯度反馈至步骤E3和步骤E4采用[0111]E6.将用能异常判别模型对历[0113]F1.基于步骤D获取的B类基站[0115]F3.各聚类历史样本集中实际异常样本与判别异常样本进行比对，从而获取B-1[0116]F4.基于最近邻聚类样本集，采用强化学习对某一聚类的用能异常判别模型的[0117]对某一聚类的用能异常判别模型的LSTM与注意力机制的各参数的调参迭代过程τtT表示当前模型LSTM与注意力机制的各参数值，a表示LSTM与注意力机制的各参数增值或减时τ调参过程的条件概率；[0124]o"0"tnvR,(20)[0128]设定N次判别过程为一批次，并对调参后的最近邻聚类用能异常判别模型对最近[0129]F5.判断最近邻聚类用能异常判别模型对最近邻聚类训练样本集的准确率是否高[0130]F6.最近邻聚类用能异常判别模型对最于真实异常样本计算测试准确率，剩余5类测试样本集中分别包含实际异常样本数量为34[0132]F8.输出B-1类最近邻聚类用能异常判别模[0140]如上所示，迁移学习前后的识别召回率显著提升，共计涉及用能异常的425座基[0144]本实施例的目的是提供一种计算机装置[0149]本实施例的目的是提供基于小波分解与迁移判别的基站用