亚洲成人福利,亚洲综合婷婷深深,97精品欧美91久久久久久久 ,六区无码,伊人成人中文字,av片电影在线播放,日无码视频,久久成人免费观看网站

來源：專知
本文為論文，建議閱讀6分鐘
本文提出了一種基于圖注意力和Transformer的異常檢測模型。

異常檢測對電力行業(yè)的發(fā)展有著重要的影響，如何根據(jù)大規(guī)模電力數(shù)據(jù)進(jìn)行異常檢測是重要的研究熱點.目前，大多數(shù)研究通過聚類或神經(jīng)網(wǎng)絡(luò)進(jìn)行異常檢測. 但是這些方法忽略了時序數(shù)據(jù)之間潛在的關(guān)聯(lián)關(guān)系及某些特點的重要信息，沒有充分挖掘出數(shù)據(jù)的潛在價值. 因此，提出了一種基于圖注意力和Transformer的異常檢測模型. 該模型首先根據(jù)數(shù)據(jù)中臺中獲取的電力數(shù)據(jù)（主要包括用戶ID、電能表ID、用戶類型、電流、電壓、功率等數(shù)據(jù)）構(gòu)建一個異構(gòu)信息網(wǎng)絡(luò)；然后，為了減少模型參數(shù)和避免出現(xiàn)過擬合的現(xiàn)象，在圖卷積網(wǎng)絡(luò)（Graph Convolutional Network，GCN）模型的基礎(chǔ)上，引入非負(fù)矩陣分解（Non-Negative Matrix Factorization，NNMF）的方法來進(jìn)行相似性學(xué)習(xí)；最后采用圖注意力網(wǎng)絡(luò)（Graph Attention Network，GAT）和Transformer共同捕獲數(shù)據(jù)間的相互關(guān)聯(lián)關(guān)系，從而提高檢測精度. 以中國某地區(qū)的電力數(shù)據(jù)為基礎(chǔ)進(jìn)行驗證，實驗結(jié)果表明所提出的方法可以有效進(jìn)行異常檢測.

http://www.ejournal.org.cn/CN/10.12263/DZXB.20211209

引言

異常檢測指出從預(yù)期正常數(shù)據(jù)中檢測出扭曲或偏差的數(shù)據(jù)［1，3］，這些數(shù)據(jù)通常被稱為異常值 . 異常檢測已被用于許多重要領(lǐng)域，如視頻監(jiān)控、網(wǎng)絡(luò)入侵檢測、信用欺詐檢測、電力行業(yè)和醫(yī)療保健.?

對于電力行業(yè)，隨著電力系統(tǒng)信息化水平的提高，各種電力設(shè)備和系統(tǒng)需要處理大量數(shù)據(jù)［4］ . 然而，需要處理的事件信息類型多樣，難以從數(shù)據(jù)中提取有用信息［5］ . 此外，由于各種通信故障［6］、設(shè)備故障［7］、電網(wǎng)波動［8］和用戶行為異常等原因，出現(xiàn)了大量的異常數(shù)據(jù) . 這些異常數(shù)據(jù)往往包含電網(wǎng)信息中的重要信息，對電力數(shù)據(jù)的準(zhǔn)確性和完整性有著重要影響. 因此，基于大規(guī)模電力數(shù)據(jù)，研究異常檢測算法，分析、識別、處理異常信息，對電力行業(yè)挖掘事件信息和智能電網(wǎng)的分析具有重要意義［9，10］ . 目前，傳統(tǒng)數(shù)據(jù)異常檢測方法主要依靠數(shù)據(jù)專家、業(yè)務(wù)專家等人力進(jìn)行排查［11，12］ . 隨著各行業(yè)及各專業(yè) 數(shù)據(jù)化建設(shè)規(guī)模的逐漸擴大，依靠傳統(tǒng)方法對海量、實時、異構(gòu)的數(shù)據(jù)異常檢測方法漸顯不足. 主要問題在于人工成本大、時間周期長，依賴專家經(jīng)驗無法并發(fā)批量工作，人工治理還會引發(fā)錯漏現(xiàn)象等，無法快速、準(zhǔn)確、低成本地滿足業(yè)務(wù)數(shù)據(jù)的使用需求；同時缺乏異構(gòu)數(shù) 據(jù)環(huán)境下數(shù)據(jù)拓?fù)潢P(guān)系高效管理的手段，無法實現(xiàn)復(fù) 雜邏輯數(shù)據(jù)管理智能化及數(shù)據(jù)脈絡(luò)關(guān)系可視化和清晰化，與真正實現(xiàn)“追根溯源”式的數(shù)據(jù)核查理念還存在一定的差距.

近年來，隨著數(shù)據(jù)科學(xué)的進(jìn)步以及人工智能技術(shù) 的發(fā)展，提出了一些基于數(shù)據(jù)挖掘和智能優(yōu)化算法的異常檢測方法［13，14］ . Wang 等人［13］采用不同的聚類算法，根據(jù)電表收集的平均損失、線路損耗變化效率和電流表開路記錄來檢測10個kV非技術(shù)損失，最后對各種聚類算法的檢測效果進(jìn)行了分析和比較 . 基于異常用戶用電的差異行為特征和正常用戶，Buzau等人［14］使用長期和短期的記憶網(wǎng)絡(luò)和多層感知器混合的深度神經(jīng) 網(wǎng)絡(luò)來進(jìn)行異常檢測，它們比其他分類器具有更高的精度. 針對考慮時序數(shù)據(jù)的關(guān)聯(lián)性方面，Chahla等人［15］提出了一種基于長短期記憶的異常檢測方法，用于從單變量時間序列數(shù)據(jù)中進(jìn)行不和諧搜索，然后根據(jù)觀測的數(shù)據(jù)預(yù)測誤差，最后通過統(tǒng)計策略進(jìn)行異常檢測. Barua等人［16］提出了一個基于層次時空記憶（Hierarchi? cal Temporal Memory，HTM）的新型神經(jīng)認(rèn)知啟發(fā)架構(gòu)，用于利用微相位測量單元數(shù)據(jù)進(jìn)行智能電網(wǎng)的實時異常檢測 . 其關(guān)鍵的技術(shù)思想是，HTM 學(xué)習(xí)連續(xù)數(shù)據(jù)的稀疏性和關(guān)聯(lián)性的時間表示，這對于實時的異常檢測非常有用 . Rouzbahani 等人［17］提出了一種用于智能電網(wǎng)ETD的集合深度卷積神經(jīng)網(wǎng)絡(luò)（EDCNN）算法. 該算法首先采用隨機下采樣技術(shù)來處理不平衡數(shù)據(jù)，然后利用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）來挖掘數(shù)據(jù)之間的相互依賴性，最后，通過嵌入一個投票機制來實現(xiàn)竊電檢測. 這些方法雖然取得了不錯的檢測效果，但是可能會忽略掉特定用戶的某些重要信息. 針對上述問題，本文提出了一種基于圖注意力和 Transformer 的異常檢測模型 . 該模型首先根據(jù)數(shù)據(jù) 中臺中收集的電力數(shù)據(jù)構(gòu)建一個異構(gòu)信息網(wǎng)絡(luò)；然后采用圖卷積網(wǎng)絡(luò)（Graph Convdutional Netword，GCN）和非負(fù) 矩陣分解（Non-Negathe Matrix Factorization， NNMF）相結(jié)合的方法進(jìn)行相似性分組；最后采用圖注意力機制和 Transformer 相結(jié)合的方式進(jìn)行分組異常檢測。

基于圖注意力機制和Transformer的異常檢測