[發(fā)明專利]基于季節(jié)模型時間序列的智能電表狀態(tài)異常檢測方法

在審

• 申請?zhí)枺?/td>: 201611211366.9
• 申請日: 2016-12-24
• 公開（公告）號: CN106850558A
• 公開（公告）日: 2017-06-13
• 發(fā)明（設計）人: 丁正陽;丁一新;夏飛;李萌
• 申請（專利權）人: 國網江蘇省電力公司信息通信分公司
• 主分類號: H04L29/06
• 分類號: H04L29/06;G01R35/04
• 代理公司: 江蘇致邦律師事務所32230
• 代理人: 樊文紅

1.一種基于季節(jié)模型時間序列的智能電表狀態(tài)異常檢測方法，其特征在于，包括如下步驟：

（1）選定測度：基于電表系統(tǒng)監(jiān)測數(shù)據(jù)選擇反映智能電表的運行狀態(tài)，區(qū)分智能電表是否在執(zhí)行正常測量功能的信息，即為所選測度；

根據(jù)所選測度建立測度集合，測度集合包括測度名、測度單位、測度采集位置和測度計算方法；

（2）訓練集建立：根據(jù)選定的測度集合，從智能電表中獲取一段時間內的運行數(shù)據(jù)，并從中提取出測度集合數(shù)據(jù)，建立標準的訓練集；

（3）檢測模型建立：基于季節(jié)型 ARIMA 時間序列算法，對訓練集進行訓練，建立有周期性時間序列問題的季節(jié)型時間序列檢測模型，輸入源為每個電表的測度數(shù)據(jù)集合，輸出為異常或正常；

（4）數(shù)據(jù)獲取：在智能電表主機端安裝Agent程序，定時向數(shù)據(jù)管理中心發(fā)送主機運行數(shù)據(jù)，數(shù)據(jù)管理中心從主機運行數(shù)據(jù)中計算出測度數(shù)據(jù)；

（5）實時檢測：將步驟（4）獲取的測度數(shù)據(jù)作為輸入源發(fā)送至季節(jié)型時間序列檢測模型，根據(jù)時間序列檢測模型的輸出判斷輸入測度對應的智能電表數(shù)據(jù)屬于異常或是正常。

2.根據(jù)權利要求1所述的方法，其特征在于，所述步驟（1）中，測度基于電表系統(tǒng)監(jiān)測數(shù)據(jù)進行選擇，選擇測度為主機的CPU利用率、進程數(shù)、開放端口數(shù)和網絡接口字節(jié)吞吐量；各字段均通過在智能電表主機端安裝的Agent程序進行采集。

3.根據(jù)權利要求1所述的方法，其特征在于，所述步驟（2）中，智能電表為實驗環(huán)境智能電表或可控的實際運行智能電表。

4.根據(jù)權利要求3所述的方法，其特征在于，從智能電表中獲取一段時間內的運行數(shù)據(jù)，所述一段時間的時間跨度為至少4周；采集運行數(shù)據(jù)的樣本點數(shù)在10K條以上。

5.根據(jù)權利要求1所述的方法，其特征在于，所述步驟（3）中，有周期性時間序列的季節(jié)型時間序列檢測模型建立方法具體如下：

首先將測度數(shù)據(jù)表示為宏觀非線性流量的時間序列X(t)，并將其分解為趨勢成分A(t)、周期成分P(t)、突變成分B(t)和隨機成分R(t)，組成宏觀流量時序表達式可分解如下：

X(t) = B(t) + A(t) + P(t) + R(t) （1）

其中趨勢成分A(t)反映的是測度行為因網絡用戶或環(huán)境因素而引起的長期變化趨勢，周期成分P(t)反映的是流量現(xiàn)象的周期性變化，突變成分B(t)是表示流量行為受到外部突變影響而形成的變化，趨勢成分，周期成分和突變成分反映了流量時間序列變化中的確定性成分，隨機成分R(t)進一步分解為平穩(wěn)時間序列成分S(t)和噪聲N(t)；

R(t) = S(t) + N(t)（2）

在流量時間序列的五個組成成分中突變成分和噪聲屬于無記憶成分，而A(t)，P(t)和S(t)是有記憶的成分，它們分別反映X(t)的長期趨勢，周期和平穩(wěn)過程等三方面的客觀行為規(guī)律三種記憶；分別建立數(shù)學模型a(t)，p(t)和s(t)，忽略影響建模的無記憶成分，則根據(jù)流量X(t)的分解模型可以合成模型x(t)；

x(t) = a(t)+p(t)+s(t)（3）

根據(jù)合成模型計算出新采集時間點的預測值m，如果實際測量值m'和m的差值大于閾值，則數(shù)據(jù)為異常，否則為正常。

6.根據(jù)權利要求1所述的方法，其特征在于，所述步驟（4）中，智能電表主機端的Agent程序將數(shù)據(jù)報文發(fā)送到數(shù)據(jù)管理中心的指定端口；并由數(shù)據(jù)管理中心對數(shù)據(jù)進行解析和測度集合的計算。