[發明專利]一種基于遷移學習的用氣行為異常檢測方法及系統

在審

• 申請號: 202210434296.2
• 申請日: 2022-04-24
• 公開（公告）號: CN115017970A
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 邊根慶;劉可立
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 房鑫

本發明提供一種基于遷移學習的用氣行為異常檢測方法及系統，能夠有效提升小樣本數據下目標域任務用戶異常行為檢測的準確性和泛化性，同時減少樣本的訓練時間，提高檢測精度。包括如下步驟：構建CNN?LSTM?Attention模型；采集源域數據，將源域數據分為源域訓練數據和源域測試數據；基于源域訓練數據對模型進行預訓練；基于源域測試數據對預訓練好的模型進行測試，測試達標后選取迭代次數較少的模型作為異常檢測模型；采集目標域數據，將目標域數據分為目標域訓練數據和目標域測試數據；基于目標域訓練數據對異常檢測模型進行微調；基于目標域測試數據和DTW算法對微調后的異常檢測模型進行測試，獲取并輸出檢測結果。

技術領域

本發明涉及異常行為檢測技術領域，具體為一種基于遷移學習的用氣行為異常檢測方法及系統。

背景技術

近年來，天然氣消費總量逐年增長，天然氣供求矛盾日益加劇，“氣荒”問題尤為突出。其中，解決“氣荒”問題與天然氣負荷預測問題密切相關，即只有準確掌握未來的用氣需求，才能實現對天然氣產業的合理規劃，避免出現“氣荒”。若過高估計用氣量，長期大量儲運天然氣將縮短天然氣場站設備和儀表的使用壽命，增加管網和輸氣站場的運營成本，反之若低于實際用量的供氣計劃將會給下游用戶用氣帶來“氣荒”，因此，天然氣負荷預測精度直接關乎供氣的可靠性。

目前，對于天然氣的用氣行為異常檢測領域中，缺少對于天然氣用氣行為的異常檢測方法以及深入研究，主要困難包括：用戶異常用氣行為在數據集上是非常小的樣本，很難滿足機器學習異常檢測需要的足夠多的訓練數據的要求，當訓練集中的樣本過少時容易產生過擬合現象；其次，樣本數據分布不平衡，目前大多數機器學習的算法在進行異常行為檢測時，這都是基于數據分布的基本假設。然而，當應用于實際數據時，往往不可能取得預期結果，因為大多數實際數據沒有完全相等的分類數據集。

在天然氣用氣行為檢測數據中，正常數據較易獲得且數量多，異常標簽數據比較缺失。在一個理想的情形下，用氣行為的異常檢測作為一個有監督的學習問題，利用真實的歷史標注訓練數據來進行建模和分析，這個建模分析的過程中需要使用大量歷史標記的訓練數據，而在本項目中只有少量數據集包含標記數據。為此，目前對于天然氣用氣行為檢測領域中，存在用戶用氣異常行為樣本量少，容易導致檢測模型過擬合、預測誤差大、不穩定等問題，

發明內容

為了解決現有技術中存在的問題，本發明提供一種基于遷移學習的用氣行為異常檢測方法及系統，能夠有效提升小樣本數據下目標域任務用戶異常行為檢測的準確性和泛化性，同時減少樣本的訓練時間，提高檢測精度。

為實現上述目的，本發明提供如下技術方案：

一種基于遷移學習的用氣行為異常檢測方法，包括如下步驟：

構建CNN-LSTM-Attention模型；

采集源域數據，將源域數據分為源域訓練數據和源域測試數據；

基于源域訓練數據對CNN-LSTM-Attention模型進行預訓練；

基于源域測試數據對預訓練好的CNN-LSTM-Attention模型進行測試，測試達標后選取迭代次數較少的模型作為異常檢測模型；

采集目標域數據，將目標域數據分為目標域訓練數據和目標域測試數據；

基于目標域訓練數據對異常檢測模型進行微調；

基于目標域測試數據和DTW算法對微調后的異常檢測模型進行測試，獲取并輸出檢測結果。

優選地，所述源域數據的采集范圍包括Electricity Load Diagrams數據集，交通流量數據集以及某一區域內的用戶用電數據集。

優選地，所述基于目標域測試數據和DTW算法對微調后的異常檢測模型進行測試，具體為：