基于图结构与异常注意力机制的机房异常检测方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115018021A(43)申请公布日2022.09.06(21)申请号202210942327.5(22)申请日2022.08.08(71)申请人广东电网有限责任公司肇庆供电局地址526000广东省肇庆市端州区77区信安路88号(72)发明人高宜凡张杰明陈展尘陈显超梁妍陟刘洋陈金成李波陈忠颖陈益哲(74)专利代理机构北京集佳知识产权代理有限公司11227专利代理师任文生(51)Int.Cl.G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书14页附图5页(54)发明名称基于图结构与异常注意力机制的机房异常检测方法及装置(57)摘要本发明涉及机房检测技术领域，公开了基于图结构与异常注意力机制的机房异常检测方法及装置。本发明根据目标电力机房的传感器监测数据构建多维时间序列，将序列转换为图结构并获取对应的邻接矩阵，根据邻接矩阵和对应图结构的附加权重得到聚合矩阵，将聚合矩阵输入至预先训练完成的图卷积神经网络，以提取图结构特征；并将多维时间序列片段和图结构特征输入到预先训练完成的异常检测模型，得到对应异常检测结果，进而确定异常数据；其中异常检测模型包括多级编解码模块，每级编解码模块包括基于关联差异的Transformer编码器及解码器，该编码层的注意力模块为带有两分支结构的异常注意力模块。本发明能够有效提高异常检测精度及稳定性。CN115018021ACN115018021A权利要求书1/3页1.一种基于图结构与异常注意力机制的机房异常检测方法，其特征在于，包括：获取目标电力机房的传感器监测数据，根据所述传感器监测数据构建多维时间序列；根据所述多维时间序列构建相应的图结构，获取所述图结构的邻接矩阵，根据所述邻接矩阵和对应图结构的附加权重得到聚合矩阵；将所述聚合矩阵输入至预先训练完成的图卷积神经网络，得到相应的图结构特征；利用滑动窗口在所述多维时间序列上滑动以提取所述滑动窗口内的多维时间序列片段，将所述图结构特征和所述多维时间序列片段输入到预先训练完成的异常检测模型，得到对应的异常检测结果；根据所述异常检测结果确定对应多维时间序列中的异常数据；其中，所述异常检测模型包括多级的编解码模块，前一级编解码模块的预测数据与对应真实数据的差值作为后一级编解码模块的输入，每个所述编解码模块包括基于关联差异的Transformer编码器及解码器，所述Transformer编码器是通过将带有两分支结构的异常注意力模块替代Transformer中的注意力模块得到的，所述两分支结构用于同时建模先验关联和序列关联；所述解码器利用多头注意力机制进行解码。2.根据权利要求1所述的基于图结构与异常注意力机制的机房异常检测方法，其特征在于，所述根据所述多维时间序列构建相应的图结构，获取所述图结构的邻接矩阵，包括：将所述多维时间序列对应的传感器视为图结构中的节点，将传感器之间的相关性视为图结构中节点之间的边，根据图结构中节点与节点之间的相关性构建邻接矩阵。3.根据权利要求2所述的基于图结构与异常注意力机制的机房异常检测方法，其特征在于，所述根据图结构中节点与节点之间的相关性构建邻接矩阵，包括：按照下列相关性度量关系式表示节点与节点之间的相关性：式中，表示节点与节点之间的相关性，为节点与其余节点之间的相关性假设，为节点与其余节点之间的相关性假设，、的取值范围皆为0~1，表示节点与节点的数据在多维时间序列中一起的数据在多维时间序列中出现的概率，为节点的数据在多维时间序列中出现的概率，为节点的数据在多维时间序列中出现的概率，为节点的相关节点集合。4.根据权利要求2所述的基于图结构与异常注意力机制的机房异常检测方法，其特征在于，所述根据所述邻接矩阵和对应图结构的附加权重得到聚合矩阵，包括：按照下式得到聚合矩阵：式中，为邻接矩阵A对应的聚合矩阵，E为邻接矩阵A对应图结构的附加权重，为预置的图结构复杂性系数，的取值范围为0~1。5.根据权利要求2所述的基于图结构与异常注意力机制的机房异常检测方法，其特征在于，所述图卷积神经网络包括依次连接的卷积层、池化层、全连接层和Sigmoid函数层，所2CN115018021A权利要求书2/3页述将所述聚合矩阵输入至预先训练完成的图卷积神经网络，得到相应的图结构特征，包括：将所述聚合矩阵依次经过卷积层、池化层和全连接层进行处理，得到每个节点的输出特征：式中，表示节点的输出特征，、分别表示聚合矩阵中节点、的输入特征，为通过所述卷积层及池化层后得到的结果，为通过所述卷积层及池化层后得到的结果，为由对应邻接矩阵得到的节点的邻居节点集合，W为预置的可训练权重矩阵；将所述每个节点的输出特征经过所述Sigmoid函数层进