基于机器学习和动态阈值的燃气流量异常检测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115964636A(43)申请公布日2023.04.14(21)申请号202211669471.2(22)申请日2022.12.23(71)申请人浙江苍南仪表集团股份有限公司地址325806浙江省温州市苍南县灵溪镇工业示范园区(72)发明人李中阳孙笑笑俞东进黄明陈鑫叶春毅黄博祎(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师傅朝栋张法高(51)Int.Cl.G06F18/214(2023.01)G06N3/08(2023.01)G06N3/0464(2023.01)权利要求书4页说明书12页附图3页(54)发明名称基于机器学习和动态阈值的燃气流量异常检测方法及系统(57)摘要本发明公开了一种基于机器学习和动态阈值的燃气流量异常检测方法及系统。该方法首先对燃气流量计上传的标况累积流量数据进行重采样、插值、差分等操作，构建标况流量增量序列数据集，通过在流量使用特征中融合日期信息加强对特征的提取，并使用卷积自编码网络技术挖掘流量使用特征。最后根据卷积自编码网络生成标况流量增量重构序列，使用动态重构误差阈值技术完成对流量异常值的检测。本发明基于燃气流量使用数据，通过机器学习方法提取燃气流量使用特征，并基于该特征完成流量异常值检测，具有精度高、可扩展性强等特点，可以即使捕捉异常信息，为相关人员提供指导。CN115964636ACN115964636A权利要求书1/4页1.一种基于机器学习和动态阈值的燃气流量异常检测方法及系统，其特征在于，包括以下步骤：S1、对所有燃气用户的燃气流量计上传的标况累计流量序列分别进行均值重采样，并以线性插值方式填充空缺值，再对标况累计流量重采样序列进行一阶差分，得到不同燃气流量计各自对应的标况流量增量序列；S2、针对S1中得到的所有标况流量增量序列，分别以天为单位从中提取出日增量序列Xi，并针对每条日增量序列生成时间信息编码Ci，每条日增量序列以及对应的时间信息编码构成一个训练样本；任意一天的时间信息编码包括这一天属于星期几的第一编码信息以及这一天是否为节假日的第二编码信息；S3、利用S2中得到的训练样本集合，以基于一维卷积的自编码网络模型为机器学习模型进行训练，使其能够以日增量序列和时间信息编码为输入，生成重构序列；所述基于一维卷积的自编码网络模型由第一CNN卷积层、池化层、上采样层、第二CNN卷积层、第三CNN卷积层和全连接层级联而成；S4、针对目标燃气用户和需要进行异常检测的目标时段，从其对应的燃气流量计上传的数据中提取并处理生成目标时段内的标况流量增量序列；将目标时段内的标况流量增量序列按照与所述训练样本相同的构建方式生成其中每一天的日增量序列和时间信息编码，再通过S3训练后得到的自编码网络模型生成目标时段内的重构序列；计算目标时段内的重构序列与目标时段内的标况流量增量序列之间的误差序列，利用固定长度的滑窗对误差序列进行扫描，每个滑窗内分别通过指数加权移动平均误差分布进行动态阈值检测，判断是否存在超过动态阈值的序列异常值，若存在则视为在异常值对应时刻存在燃气流量异常情况。2.如权利要求1所述的基于机器学习和动态阈值的燃气流量异常检测方法及系统，其特征在于，所述S1具体包括以下子步骤：S11、获取每个燃气用户的燃气流量计采集的原始标况累计流量序列，并对其进行均值重采样，生成具有固定间隔Δt的重采样流量序列m为重采样之后的序列长度；均值重采样过程中将原始序列中流量值缺失的重采样点置为空值；S12、对S11中得到的重采样流量序列Q中的空值点通过线性插值进行补全，以空值点两侧的流量值均值填充至空值点，从而得到重采样流量插值序列Q′；S13、对S12得到的重采样插值序列Q′进行一阶差分，得到标况流量增量序列D＝(d1,d2,…,dm)，其中dj为流量计在一个重采样时间间隔内的标况累计流量增加量，j＝1,2,…,m；所有燃气用户的标况流量增量序列D构成序列数据集。3.如权利要求1所述的基于机器学习和动态阈值的燃气流量异常检测方法及系统，其特征在于，所述S2具体包括以下子步骤：S21、针对序列数据集中的每一条标况流量增量序列，以天为单位从中提取一系列长度为h的日增量序列，日期i对应的日增量序列为Xi；S22、针对S21中提取的每条日增量序列Xi，判断其对应的日期i属于星期几以及是否为节假日，然后通过独热编码生成有日期i属于星期几的第一编码信息以及日期i是否为节假日的第二编码信息组成的时间信息编码Ci；2CN115964636A权利要求书2/4页S23、将每条日增量序列Xi以及对应的时间信息编码Ci构成一个训练样本，所有训练样本构成训练样本集合。4.如权利要求1所述的基于机器学习和动态阈值的燃气流量异常检测方法及系统，其特征在于，所