(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210905232.6 (22)申请日 2022.07.29 (71)申请人 湖南第一师 范学院 地址 410205 湖南省长 沙市岳麓区枫林三 路1015号 (72)发明人 满君丰　郑明磊　王靛　胡凯凯　 陈亚楠　李倩倩　刘翊　沈意平　 李新宇　杨毅　 (74)专利代理 机构 重庆信必达知识产权代理有 限公司 5 0286 专利代理师 张文莉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/00(2012.01) G06Q 50/06(2012.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种多变量时序 异常检测方法、 系统、 介质、 设备及终端 (57)摘要 本发明属于风电机组异常检测技术领域， 公 开了一种多变量时序异常检测方法、 系统、 介质、 设备及终端， 构建由空间特征重构 模块和时序预 测模块组成的异常检测的融合框架； 在空间特征 重构模块中， 采用DSA E深度栈式自动编码器提取 多变量间的空间相关特征， 输出低维特征表示， 计算重建误差； 在时序预测模块中， 采用基于自 注意力的Tran sformer预测子网络提取复杂的全 局时序依赖关系； 采用联合训练方式同时优化融 合框架中的两个子网络， 最小化重建误差和预测 误差， 实现针对风电机组SCADA数据的多变量时 序异常检测。 本发明结合重构方法和预测方法优 点， 提取多变量时序数据中空间特征和时序依 赖， 实现可靠的风电SCADA 异常检测。 权利要求书3页 说明书9页 附图3页 CN 115222141 A 2022.10.21 CN 115222141 A 1.一种多变量时序异常检测方法， 其特 征在于， 所述多变量时序异常检测方法包括： 构建由空间特征重构模块和时序预测模块组成的异常检测的融合框架； 在空间特征重 构模块中， 采用DSAE深度栈式自动编码器提取多变量之间的空间相关特征， 输出低维特征 表示， 并计算重建误差； 在时序预测 模块中， 采用基于自注意力的Tr ansformer预测子网络 提取复杂的全局时序依赖 关系； 采用联合的训练方式， 同时优化融合框架中的两个子网络， 最小化重建误差和预测误差， 从而实现针对风电机组SCADA数据的多变量时序异常检测。 2.如权利要求1所述的多变量 时序异常检测方法， 其特征在于， 所述多变量 时序异常检 测方法还 包括： 对风电机组SCADA数据经过基本数据处理后， 将多维时序输入DSAE深度栈式自动编码 器提取多变量之间的空间相关特征， 通过编码器的压缩提取， 获得多维变量的低 维特征表 示z； 通过多层解码器获得模型重构的多维时序数据r， 用于计算基于距离度量的重建误差 Er； 将低维特征表示z和重建误差Er输入到时序预测模块， 通过基于自注意力的 Transformer预测子网络建模提取时序依赖关系， 预测时序特征的未来值， 求得预测误差 Ep； 经过框架联合训练后， 计算异常阈值TAD作为决策阈值； 在 线检测阶段输入测试数据进入 训练好的模型， 得到损失值E(xtest)； 如果E(xtest)大于TAD， 则将测试样本标记为异常状态， 否则为正常状态。 3.如权利要求1所述的多变量 时序异常检测方法， 其特征在于， 所述多变量 时序异常检 测方法包括以下步骤： 步骤一， 利用变分模态分解对SCADA数据进行 预处理； 步骤二， 构建空间特 征重构模块， 并提取空间相关特 征； 步骤三， 构建时序预测模块， 并提取全局时序依赖关系； 步骤四， 联合训练， 最小化重建误差和预测误差； 步骤五， 分别进行异常 分析以及 在线监测。 4.如权利要求3所述的多变量时序异常检测方法， 其特征在于， 所述步骤一中的SCADA 数据预处 理包括： 采用SCADA数据作为实验数据， 由安装在风力发电机组各部位的加速度传感器采集的 机组运行SCADA数据； 针对数据噪声则使用变分模态分解VMD对非平稳的SCADA信号进行处 理， 通过峭度指标选取 频域信号中的本征模态函数IMFs， 过 滤掉SCADA数据中的噪声分量； 所述步骤二中的构建空间特 征重构模块并提取空间相关特 征包括： 将多维SCADA数据输入D SAE深度栈式自动 编码器， 提取多变量之间的空间相关特 征； (1)构建空间特 征重构模块 自动编码器AE通过将输入向量X通过隐藏层编码得到向量的压缩表示， 再通过解码映 射为原始向量， 中间层的压缩向量则为原输入向量的低 维特征表示z； 以低 维特征表示z为 输入向量， 继续堆叠构建深层编 码器， 获得更深的栈式 自动编码器网络； 重复建立提取三次 压缩表示， 获得七层对称结构的D SAE编码器－ 解码器网络； 编码器Encode(x)获得压缩表示的原理如以下公式所示： zi＝σ(Wi×xi+bi)； 其中， σ(·)是激活函数RELU， Wi是第i层权重参数， xi是第i层输入向量， bi是第i层偏置权　利　要　求　书 1/3 页 2 CN 115222141 A 2项； 解码器Decode(z)从压缩向量中恢复重构向量ri的原理如以下公式所示： 其中， σ(·)是激活函数RELU， 是第i层的压缩向量所对应的解码器的权重参数， zi是 第i层的压缩向量， bi是第i层压缩向量所对应的解码器的偏置项； (2)提取空间相关性的低维特 征表示z 将多维SCADA数据输入DSAE深度栈式自动编码器， 提取多变量之间的空间相关特征， 通 过深度自动 编码器的压缩提取， 最终 获得多维变量的低维特 征表示z； (3)计算重构多维时序数据r以及重建误差 Er 将中间层提取得到的低维特征表示z， 输入DSAE后半的解码器网络中， 获得重构的多维 时序数据r， 计算基于欧式距离度量的重建误差 Er， 公式如下： Er＝||x‑r||2； 其中， x为输入的多维时序数据， r重构数据。 5.如权利要求3所述的多变量 时序异常检测方法， 其特征在于， 所述步骤三中的构建时 序预测模块并提取全局时序依赖关系包括： 训练Transformer预测子网络， 提取时序数据中的全局时序依赖； (1)构建基于Transformer预测子网络 构建编码器－解码器结构的Transformer模型； 编码器部分包括一组编码器， 堆栈数为 6层， 每个编码 器具有规范化、 多头注意力、 残差加和、 规范化、 全连接单元； 解码 器是一组解 码器构成， 数量与编码器相同； 通过使用自注意力机制， Transformer获得全局特征提取能 力； (2)Transformer预测子网络 输出预测 将DSAE输 出的低维特征表示z和重建误差Er输入到时序预测模 块中， 通过编码器提取全 局时序依赖； 通过解码器输出预测值zp， 以预测值zp与真实值zt的均方差MSE作为损失度量 Ep， 计算公式如下： Ep＝||zp‑zt||2。 6.如权利要求3所述的多变量 时序异常检测方法， 其特征在于， 所述步骤四中的联合训 练包括： 对于整体 融合框架的训练， 使用联合训练 的方式， 提出端到端的最小化联合训练方式， 同时获得更好的空间压缩特征表示和全局时序依赖信息； 联合训练由两部分构成： 重建误 差Er和预测误差 Ep， 目标函数为： J(w)＝Er+λEp＝||x‑r||2+λ||zp‑zt||2 其中， Er为重建误差， Ep为预测误差， λ为控制两种误差 重要性的超参数； 所述步骤五中的异常 分析包括： 区分正常状态与异常状态需要确定一个异常阈值TAD， 通过训练集数据 对模型的训练结 果， 计算出相应的异常阈值TAD： 其中， E(x)为模型目标函数的损失值， 为模型损失值的均值；权　利　要　求　书 2/3 页 3 CN 115222141 A 3