基于小波分解与迁移判别的基站用能异常监测方法及系统.docx

《基于小波分解与迁移判别的基站用能异常监测方法及系统.docx》由会员分享，可在线阅读，更多相关《基于小波分解与迁移判别的基站用能异常监测方法及系统.docx（19页珍藏版）》请在第一文库网上搜索。

1、PATEXP1e)RER专利探索者一全球创新始于探索基于小波分解与迁移判别的基站用能异常监测方法及系统申请号：CN.6申请日：20230527申请（专利权）人：国网山东省电力公司济宁供电公司，国网山东省电力公司，国网山东省电力公司信息通信公司，山东思极科技有限公司，国家电网有限公司地址：山东省济宁市高新技术开发区火炬路28号发明人：桂纲，宋益睿，张伟昌，任剑，张世超，马广鹏，牛德玲，邵晨，刘宗杰,王红梅,杨晓娟,乔亚男主分类号：G06K9/62公开（公告）号：CNA公开（公告）日：20230823代理机构：济南圣达知识产权代理有限公司代理人：李圣梅(19)中华人民共和国国家知识产权局(12)发

2、明专利申请(10)申请公布号CNA(45)申请公布日20230823(21)申请号CN.6(22)申请日20230527(71)申请人国网山东省电力公司济宁供电公司，国网山东省电力公司，国网山东省电力公司信息通信公司，山东思极科技有限公司，国家电网有限公司地址山东省济宁市高新技术开发区火炬路28号(72)发明人桂纲，宋益容，张伟昌，任剑，张世超，马广鹏，牛德玲，邵晨，刘宗杰，王红梅，杨晓娟，乔亚男(74)专利代理机构济南圣达知识产权代理有限公司代理人李圣梅(54)发明名称基于小波分解与迁移判别的基站用能异常监测方法及系统反馍优化I.用能1无总及身处理通信基站历史用程Ir本败IS集4.%Mk-m

3、am1遗行聚吴艇化通信基站用能分类类取，状双类间相假度卜甚于某负别杵本集，用1SIN法旗程构用籍界盒刈明槽田I6手相偿发进行I近邻迁移学习修审调参拜出各分类的用能才常列Hitxa!IBtWC能掘线E站现办I（57）摘要本发明提出了基于小波分解与迁移判别的基站用能异常监测方法及系统，包括：基于用能特征集获取的多维高低频特征，进行基站用能样本聚类及分类；以某一聚类用能历史样本数据集的高低频特征、档案特征数据、气象特征数据、节假日特征数据为输入，构建用能异常判别模型；对构建的用能异常判别模型进行最近邻类模型调参迁移学习，通过强化学习自适应调节模型参数，输出近邻聚类用能异常判别模型，依次近邻迁移学习调

4、参，直至完成所有聚类类别用能异常判别模型的构建，形成具有泛化性的用能异常判别模型集；采用泛化性的用能异常判别模型集对基站用能进行实时监测。从而进一步提高用能异常判别的有效性和泛化性。权利要求书1 .基于小波分解与迁移判别的基站用能异常监测方法，其特征是，包括:基于通信基站历史用能样本数据集，完成用能特征筛选，输出用能特征集；针对用能特征集中的曲线用能特征数据，采用小波分解对用能特征曲线进行小波分解，获取多维高低频特征：基于用能特征集获取的多维高低频特征和档案特征数据，进行基站用能样本聚类及分类；以某一聚类用能历史样本数据集的高低频特征、档案特征数据、气象特征数据、节假口特征数据为输入，构建用能

5、异常判别模型；对构建的用能异常判别模型进行最近邻类模型调参迁移学习，通过强化学习自适应调节模型参数，输出近邻聚类用能异常判别模型，依次近邻迁移学习调参，直至完成所有聚类类别用能异常判别模型的构建，形成具有泛化性的用能异常判别模型集；采用泛化性的用能异常判别模型集对基站用能进行实时监测。2 .如权利要求1所述的基于小波分解与迁移判别的基站用能异常监测方法，其特征是，还包括：获取通信基站历史用能相关数据并进行数据预处理，结合档案特征数据、气象特征数据和节假日特征数据，输出通信基站历史用能样本数据集。3 .如权利要求1所述的基于小波分解与迁移判别的基站用能异常监测方法，其特征是，针对曲线用能特征数据

6、，采用小波分解算法中的WaVCdeC函数将输入曲线数据进行D层小波分解，获取小波分解系数矩阵和矩阵内系数的个数；分为M层，则包含共计M+1个高低频特征。4 .如权利要求1所述的基于小波分解与迁移判别的基站用能异常监测方法，其特征是，构建用能异常判别模型，具体为：基于获取的某一聚类用能历史样本集的多维分频特征数据，以及该类用能历史样本集的档案特征数据、气象特征数据、节假日特征数据，共同构成样本特征数据；基于某一聚类历史用能样本数据，采用注意力机制更新某一聚类用能异常判别样本数据的加权平均向量，作为1STM神经元在t时刻的输入数据；将样本i的加权平均向量输入用能异常判别模型，采用1STM构建用能异

7、常判别模型，最后神经元输出用能异常判别状态一维向量Ht；基于某一聚类用能历史样本的训练集数据，分别获取正负样本数据的输出的向量H,通过SOftinaX函数，获取某一聚类用能历史样本训练集数据为类别j的概率，并以及概率阈值判定为异常样本或正常样本，得y为模型判别的类别数据。5 .如权利要求4所述的基于小波分解与迁移判别的基站用能异常监测方法，其特征是，构建用能异常判别模型，还包括：采用交叉牖作为损失函数，定义y为真实的类别数据，将模型损失函数1oss(y,y)梯度反馈至采用1STM构建的用能异常判别模型，通过调参迭代求解以不断最小化1oss(y,y),直至1oss(y,y)低于设定阈值；将用能异

8、常判别模型对历史测试集样本进行测试，若不满足测试集准确率要求，则进行模型参数初始化再训练；若满足测试集准确率要求，则固定模型参数，输出某一聚类用能异常判别模型。6 .如权利要求1所述的基于小波分解与迁移判别的基站用能异常监测方法，其特征是，形成具有泛化性的用能异常判别模型集的过程为：基于获取的基站用能历史样本数据集，分别随机提取一定比例的历史样本作为训练集，剩余的历史样本作为测试集；将训练获取的某一聚类的用能异常判别模型对训练样本集进行用能异常判别，输出判别异常样本；各聚类历史样本集中实际异常样本与判别异常样本进行比对，从而获取样本集的判别准确率，筛选出判别准确率最高的聚类样本集，作为最近邻聚

9、类样本集；基于最近邻聚类样本集，采用强化学习对某一聚类的用能异常判别模型的1STM与注意力机制的各参数进行奖赏反馈调参，并对调参后的最近邻聚类用能异常判别模型对最近邻聚类样本集的训练样本集进行判别，输出判别异常样本；判断最近邻聚类用能异常判别模型对最近邻聚类训练样本集的准确率是否高于阈值，若否，则迭代奖赏反馈调节1STM参数，若是，则固定参数，输出最近邻聚类用能异常判别模型。7 .如权利要求6所述的基于小波分解与迁移判别的基站用能异常监测方法，其特征是，还包括：最近邻聚类用能异常判别模型对最近邻聚类测试样本集进行异常判别,并基于真实异常样本计算测试准确率；判断最近邻聚类用能异常判别模型的测试准

10、确率是否高于设定阈值，若否，则进行迭代调参优化；若是，则固定模型参数，输出最近邻聚类用能异常判别模型；输出最近邻聚类用能异常判别模型，结合输出的某一聚类用能异常判别模型，共同构成泛化性的用能异常判别模型集，用于后续根据基站分类进行差异化用能异常判别。8 .基于小波分解与迁移判别的基站用能异常监测系统，其特征是，包括：用能特征集构建模块，被配置为：基于通信基站历史用能样本数据集，完成用能特征筛选，输出用能特征集；用能异常判别模型构建模块，被配置为：针对用能特征集中的曲线用能特征数据,采用小波分解对用能特征曲线进行小波分解，获取多维高低频特征；用能异常判别模型集构建模块，被配置为：对构建的用能异常

11、判别模型进行最近邻类模型调参迁移学习，通过强化学习自适应调节模型参数，输出近邻聚类用能异常判别模型，依次近邻迁移学习调参，直至完成所有聚类类别用能异常判别模型的构建,形成具有泛化性的用能异常判别模型集；实时监测模块，被配置为：采用泛化性的用能异常判别模型集对基站用能进行实时监测。9 .一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。10 .一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。说明书基于小波分解与迁移判

12、别的基站用能异常监测方法及系统技术领域本发明属于电力信息处理技术领域，尤其涉及基于小波分解与迁移判别的基站用能异常监测方法及系统。背景技术本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。随着通信基站建设数量的日益增加，基站用电能耗也不断增长，由于基站数量大,运维负担重，故当前普遍存在基站用电监测不到位、用电管理成本高的问题，需结合用电信息采集系统的用电量及负荷曲线数据，实现对各基站用户用电情况的监测。然而无论是设备功率大幅提高的宏基站，还是数量众多的小微基站，均以低压配电系统进行供电，而传统基站用能数据监测数据颗粒度粗，无法做到设备级用能监测,故不能构成有效评估的数据准

13、备；且用电信息采集系统采集的用电数据虽可提供基站小时级冻结电量，但不同基站的站点位置、内部设备、内部工艺流程与负荷分路情况均存在较大差异，继而采用统一模式构建的用能越线判别方式，难以针对各类基站特性进行精细化监测判别。发明内容为克服上述现有技术的不足，本发明提供了基于小波分解与迁移判别的基站用能异常监测方法，实现自适应用能监测及越线告警。为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：第一方面，公开了基于小波分解与迁移判别的基站用能异常监测方法，包括：基于通信基站历史用能样本数据集，完成用能特征筛选，输出用能特征集；针对用能特征集中的曲线用能特征数据，采用小波分解对用能特征曲线进行

14、小波分解，获取多维高低频特征：基于用能特征集获取的多维高低频特征和档案特征数据，进行基站用能样本聚类及分类；以某一聚类用能历史样本数据集的高低频特征、档案特征数据、气象特征数据、节假日特征数据为输入，构建用能异常判别模型；对构建的用能异常判别模型进行最近邻类模型调参迁移学习，通过强化学习自适应调节模型参数，输出近邻聚类用能异常判别模型，依次近邻迁移学习调参，直至完成所有聚类类别用能异常判别模型的构建，形成具有泛化性的用能异常判别模型集；采用泛化性的用能异常判别模型集对基站用能进行实时监测。作为进一步的技术方案，还包括：获取通信基站历史用能相关数据并进行数据预处理，结合档案特征数据、气象特征数据

15、和节假日特征数据，输出通信基站历史用能样本数据集。作为进一步的技术方案，针对曲线用能特征数据，采用小波分解算法中的WaVe加C函数将输入曲线数据进行D层小波分解，获取小波分解系数矩阵和矩阵内系数的个数;分为M层，则包含共计M+1个高低频特征。作为进一步的技术方案，构建用能异常判别模型，具体为：基于获取的某一聚类用能历史样本集的多维分频特征数据，以及该类用能历史样本集的档案特征数据、气象特征数据、节假日特征数据，共同构成样本特征数据；基于某一聚类历史用能样本数据，采用注意力机制更新某一聚类用能异常判别样本数据的加权平均向量，作为1STM神经元在t时刻的输入数据；将样本i的加权平均向量输入用能异常判别模型，采用1STM构建用能异常判别模型，最后神经元输出用能异常判别状态一维向量Ht；基于某一聚类用能历史样本的训练集数据，分别获取正负样本数据的输出的向量H,通过Softmax函数，获取某一聚类用能历史样本训练集数据为类别j的概率，并以及概率阈值判定为异常样本或正常样本，得y为模型判别的类别数据。作为进一步的技术方案，构建用能异常判别模型，还包括：采用交叉端作为损失函数，定义y为真实的类别数据，将模型损失函数1oss(y,y)梯度反馈至采用1STM构建的用能异