买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华电电力科学研究院有限公司

摘要：本发明公开了一种水电设备异常检测方法，设定时长为N，按照以下步骤完成水电设备异常检测：S1，通过传感器获得设定时长内水电设备的监测物理量的时间序列数据ft，1≤t≤N；S2，对时间序列数据ft进行变分模态分解，得到K个子信号f1t，f2t，…，fKt；S3，对每一个子信号都应用独立的HTM模型进行异常检测；如果有一个子信号的检测结果为异常，则输出异常，否则输出正常；S4，转到第一步，进行下一个时长为N'的时间序列的异常检测。本发明采用变分模态分解方法，把传感器测量得到的复杂信号进行分解，得到子信号，子信号相对简单，通过对子信号应用异常检测方法，提高异常检测的准确性。

主权项：1.一种水电设备异常检测方法，其特征是，设定时长为N，按照以下步骤完成水电设备异常检测：S1，通过传感器获得设定时长内水电设备的监测物理量的时间序列数据ft，1≤t≤N；S2，对时间序列数据ft进行变分模态分解，得到K个子信号f1t，f2t，…，fKt；S3，对每一个子信号都应用独立的HTM模型进行异常检测；如果有一个子信号的检测结果为异常，则输出异常，否则输出正常；S4，转到第一步，进行下一个时长为N'的时间序列的异常检测；在步骤S1中，对所监测物理量进行预处理，通过传感器获得设定时长内水电设备的监测物理量的时间序列数据ft；在步骤S2中，对时间序列数据ft进行变分模态分解，包括：S2-1，设待分解信号为xt，t为时间，预分解为K个模态函数xkt,k＝1,2,…,K；利用Hilbert变换把各个模态xkt从实信号变为解析信号skt；S2-2，预估每个模态解析信号skt的中心频率ωk，通过乘以将相应频谱调制到基频带上，其中j为复数的虚部标志，实现频率混合；计算解调信号梯度的L2范数，并将各个模态带宽之和最小化作为约束条件，估计各个模态的带宽，构造出约束变分模型，其优化函数为： 其中，δt是脉冲信号，是对时间t的偏微分，xt是源信号；S2-3，在傅里叶域中利用交替方向乘法求解S2-2中的优化问题，当误差满足要求时，停止迭代；把迭代获得结果进行傅里叶反变换，其实部就是时域中的模态分量ukt；其中前两步是约束型变分模型步骤，最后一步是迭代求解步骤；在步骤S3中，对每一个子信号都应用独立的HTM模型进行异常检测，包括：S3-1，HTM输入输出：输入的数据被馈送到HTM神经模型中，通过编码器用以0和1为基本单位的稀疏分布式进行表达；然后在稀疏空间池进行汇集，得到表示当前输入的稀疏二进制矢量ax，t-1时刻的axt-1经过序列存储器的学习预测，以另一稀疏矢量πxt-1形式输出预测，同时直接输出t时刻的axt，即xt之前的序列，以稀疏分布式表示并进行编码，HTM模型通过学习这些表示，以稀疏向量的形式对未来进行预测；S3-2，计算预测偏差：axt是当前输入xt的稀疏编码，稀疏矢量πxt-1表示HTM网络模型对axt的预测，axt、πxt-1的维数等于HTM网络中的列数；设定St为预测误差，St值等于与axt和πxt-1之间的共同比特数成反比的标量值，其中|axt|是标量范数，即axt中1位的总数； 式中：如果当前axt与预测完全匹配，则误差St为0；如果axt和πxt-1两个向量正交，则误差St为1；S3-3，计算似然异常：预测误差St表示当前输入流预测性的瞬时度量，引入似然异常Lt；建立St误差值的分布模型，通过该分布模型检查当前状态是否存在异常的可能；以滚动正态分布模型作为该似然异常的分布模型，其中样本平均值μt和方差σ2t根据之前的错误值进行不断更新； 然后，计算最近预测误差的短期平均值，并将阈值应用于高斯尾部概率，即Q函数，再确定是否异常；将似然异常定义为Q函数的补充： 式中：W'是短期移动平均线的窗口，小于计算预测误差分布的持续时间W；基于自定义的参数∈，将Lt用于报告t时刻的异常，预报条件如下：Lt≥1-∈6基于HTM的时序数据异常检测模型实时在线检测，对噪声数据包容性强，能不断适应时序数据的变化，从而准确识别异常数据。

全文数据：

权利要求：

百度查询： 华电电力科学研究院有限公司 一种水电设备异常检测方法