CN118312722B 基于电力时序大数据实时清洗的耗能诊断方法及系统 （国网山东省电力公司）

基于电力时序大数据实时清洗的耗能诊断本发明提出了基于电力时序大数据实时清调取所需的重点耗能企业的电力时序数据并进噪声过滤：使用集成模型E_Sense处理多样化噪音，集成模型E_Sense是由多个专家模型组成的采用无监督重建模型BeatGAN_Attention进行数2从缓冲区调取所需的重点耗能企业的电力时序数据并进行数据成模型E_Sense是由多个专家模型组成的集成模型，其中每个专家模型旨在处理特定类型对于进行噪声过滤后的电力时序数据，采用无监督重建模型BeatGAN_Attention进行kqkvqkvq3ij表示i时间步对于j时间步下的时间序列数使用经过数据清洗之后的电力时序数据检测T时刻之后某一时刻耗能企业的电力时序数据采用分布式缓存redis的方型BeatGAN_Attention进行数据异常检测并进行耗能k4H,＝[h1,2,qkvqkvqij表示i时间步对于j时间步下的时间序列数使用经过数据清洗之后的电力时序数据检测T时刻之后某一时刻6.一种计算机装置，包括存储器、处理器及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，不必然构成在先技据处理和分析效果不太显著。特别是最先进的基于时间序列的DNN方法可以处理某一特定6[0012]对预处理后的电力时序数据进行噪声过滤：使用集成模型E_Sense处理多样化噪[0013]对于进行噪声过滤后的电力时序数据，采用无监督重建模型BeatGAN_Attention[0014]作为进一步的技术方案，重点耗能企业的电力时序数据采用分布式缓存redis的[0023]E_Sense使用修改过的专家混合MoE技术生成，MoE包括一组专家模型，用{E1、[0024]MoE还具有一个门控网络，用于为输入X提供各个专家模型的权2kD7t与其对应的时间戳tqkvqkv所需的重点耗能企业的电力时序数据并进行数据建模型BeatGAN_Attention进行数据异常检测并进行耗能[0047]基于本发明实施例子技术方案中的集成模型E_Sense是由多个专家模型组成的集8[0051]图1为本公开实施例1的基于电力时序大数据实时清洗的耗能诊断方法中E_Sense[0052]图2为本公开实施例1的的基于电力时序大数据实时清洗的耗能诊断方法中的基于BeatGAN_Attention模型进行异常值检[0058]本实施例公开了基于电力时序大数据实时清洗的耗能诊断方法，基于E_Sense模在处理完噪声后，实时清洗系统会使用使用无监督重建模型BeatGAN_Attention监测数据据日期，高负荷有用负载HUFL(HighUseFulLoad)，高负荷无用负载HULL(HighUseLessLoad)，中负荷有用负载MUFL(MiddleUseFullLoad)，中负荷无用负载MULL(MiddleUseLessLoad)，低负荷有用负载LUFL(LowUseFullLoad)，低负荷无用负载LULL(Low9表示。}则表示选择的一组专家模型。专门针对特定噪音数据集的个别专家模型时，以及在为新类型的噪音更新整个集成模型间步内多个传感器输入之间的关系。RNN能够捕捉高斯噪声的长时间跨度关系(多个时间[0088]需要说明的是，上述E_Sense构建的专家模型只是用于处理高斯噪声，而下面E_Sense进一步构造的专家模型是处理数据中存在的高斯噪声和冲击噪声的组合。这两次构i的gi是回归训练后的系数。[0094]为了有效而高效地检测数据中存在的异常值，决定采用一种无监督重建模型BeatGAN_Attention，这一模型可以在主要由正常电力消耗数据组成的情况下学习如何检测异常。它使用对抗性学习重建的框架，结合了一维CNN和RNN，以提取数据中的模式和特检测异常的框架将有两个主要组成部分：重建(或生成)模型的优化和基于重建的异常评数。[0100]如图2所示，BeatGAN_Attention的对抗重构框架具有三个关键组件：编码器GEDE适用于处理平滑的时间序列。在BeatGAN_Attention模型中，选择了GRU单元作为RNN的实])])qkvqkv[0119]就正则化而言，BeatGAN_Attention模型中使用GAN的对抗训练框架。在GAN框架[0123]实际上，生成对抗网络的本质是优化真实数据和生成数据之间的分布JS散度(JS2收到重点耗能企业的电力时序数据后，在进行缺失值填充前需要先执行缺失值检测步骤。阵Mt。假设当前的两个序列为和"=(",矿"*,…,,[0146]xtt=f(wtxxt-1+b')藏状态xt-1'eR"xdr,当前的隐藏状态xtl更新为Htl=convLSTM(xt',Ht-1+),其[0154]采用全卷机编码器对得到的特征矩阵的空间模式进行进一步的编码。经过4层卷定相应的时间点的电力数据是否存在高耗能等事件。避免高耗能等事件引发的安全事故，[0163]在一个或多个实施例子中，选取了目前已经提出的方法BeatGAN，然后基于[0165]本实施例的目的是提供一种计算机装置所需的重