(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 202211002791.2 (22)申请日 2022.08.22 (71)申请人 广东电网有限责任公司肇庆供电局 地址 526000 广东省肇庆市端州区7 7区信 安路88号 (72)发明人 梁妍陟　张杰明　陈显超　高宜凡　 陈展尘　李波　刘洋　陈忠颖　 陈益哲　陈金成　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 任文生 (51)Int.Cl. G01R 31/00(2006.01) G01D 21/02(2006.01) G06K 9/00(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种电力机房异常检测方法、 装置、 设备及 可读存储介质 (57)摘要 本发明涉及电力机房检测技术领域， 公开了 一种电力机房异常检测方法、 装置、 设备及可读 存储介质。 本发 明利用目标电力机房的多维传感 器时间序列数据构建第一向量矩 阵和第二向量 矩阵， 并输入到训练好的深度学习网络模型以得 到相应的重构数据， 基于重构数据的异常得分确 定异常数据； 深度学习网络模型包括第一编码 器、 第二编码器、 第一解码器和第二解码器。 本发 明在深度学习网络模型中， 将 Transfomer重构成 类似GAN式的对抗式网络， 并利用异常多头注意 力机制优 化了Tran sfomer的多头注意力层， 能够 有效提升电力机房异常检测的精确性和稳定性。 权利要求书3页 说明书14页 附图4页 CN 115078894 A 2022.09.20 CN 115078894 A 1.一种电力机房异常检测方法， 其特 征在于， 包括： 根据目标电力 机房的多维传感器时间序列 数据构建输入向量矩阵， 利用预置长度的窗 口获取所述输入向量矩阵的先前序列， 根据所述先前序列构建第一向量矩阵， 将所述先前 序列与所述输入向量矩阵融合以得到第二向量矩阵； 将所述第一向量矩阵和所述第二向量矩阵输入到训练好的深度学习网络模型以得到 相应的重构数据； 所述深度学习网络模 型包括第一编码 器、 第二编码器、 第一解码 器和第二 解码器， 所述第一编码器包括多头注意力层和前馈层， 所述第二编码器包括掩膜多头注意 力层和异常多头注意力层， 所述异常多头注意力层用于计算先验关联与序列关联， 根据所 述先验关联与序列关联计算关联差异， 并利用极大极小策略来放大正常数据与 异常数据的 关联差异； 对所述重构数据进行打分 以得到异常分数， 若所述异常分数超过分数阈值， 判定对应 机房设备 出现异常。 2.根据权利要求1所述的电力 机房异常检测方法， 其特征在于， 所述第 一解码器和所述 第二解码器均包括前馈层和激活函数。 3.根据权利要求1所述的电力 机房异常检测方法， 其特征在于， 所述将所述第 一向量矩 阵和所述第二向量矩阵输入到训练好的深度学习网络模型以得到相应的重构数据， 包括： 根据所述第 一向量矩阵和所述第 二向量矩阵进行两阶段的数据重构； 进行第 一阶段的 数据重构时以全零矩阵作为焦点分数； 进行第二阶段的数据重构时， 根据所述第一解码器 在第一阶段的重建后输出和所述第二向量矩阵计算第一阶段的偏差范数， 将所述偏差范数 和所述第一向量矩阵合并后与位置编码相加， 将得到的结果作为焦点分数； 其中， 每阶段的数据重构包括： 将所述第一向量矩阵与焦点分数合并， 将合并得到的结果与位置编码相加作为所述第 一编码器的输入， 得到所述第一编码器输出的第一数据特 征； 将所述第二向量矩阵与位置编码相加输入所述第 二编码器的掩膜多头注意力层， 将得 到的结果与对应的原先输入相加并进行 标准化， 得到第二数据特 征； 将所述第一数据 特征和所述第 二数据特征输入所述第 二编码器的异常多头注意力层， 将得到的结果与所述第二数据特 征相加并进行 标准化， 得到第三数据特 征； 将所述第三数据 特征作为所述第 一解码器和所述第 二解码器的输入， 得到所述第 一解 码器和所述第二 解码器的重建后输出。 4.根据权利要求3所述的电力 机房异常检测方法， 其特征在于， 所述根据 所述第一向量 矩阵和所述第二向量矩阵进行两阶段的数据重构， 包括： 在进行第一阶段的数据重构时， 采用下列损失函数： 式中， 表示第一阶段对应的损失， 为训练参数， 为训练轮数， 为所述第一解码 器在第一阶段的重建后输出， 为所述第二向量矩阵， 为所述第二解码器在第二阶段权　利　要　求　书 1/3 页 2 CN 115078894 A 2的重建后输出， 为损失参数， 为关联差异； 在进行第二阶段的数据重构时， 采用下列损失函数： 式中， 表示第二阶段对应的损失， 为所述第二 解码器在第一阶段的重建后输出。 5.根据权利要求3所述的电力 机房异常检测方法， 其特征在于， 所述对所述重构数据进 行打分以得到异常 分数， 包括： 按照下列打 分公式对所述重构数据进行打 分： 式中， 表示异常分数，   为所述第一解码器在第一阶段的重建后输出， 为所述第 二向量矩阵， 为所述第二解码器在第二阶段的重建后输出， 为关联 差异， 为归一化指数函数。 6.根据权利要求5所述的电力 机房异常检测方法， 其特征在于， 所述若所述异常分数超 过分数阈值， 判定对应机房设备 出现异常， 包括： 基于所述异常 分数通过POT模型确定出 所述分数阈值。 7.根据权利要求1所述的电力 机房异常检测方法， 其特征在于， 所述根据目标电力 机房 的多维传感器时间序列数据构建输入向量矩阵， 包括： 构建输入向量矩阵时， 按照下式对相应的多维传感器时间序列进行规范化处 理： 式中， 为多维传感器时间序列 中第 个向量， 为对 进行规范化处理后得到 的结果， 为多维传感器时间序列 中模最小的向量， 为多维传感 器时间序列 中模最大的向量， 是一个极小的用于防止零除的向量。 8.一种电力机房异常检测装置， 其特 征在于， 包括： 数据准备模块， 用于根据目标电力机房的多维传感器时间序列数据构建输入向量矩 阵， 利用预置长度的窗口获取所述输入向量矩阵的先前序列， 根据所述先前序列构建第一 向量矩阵， 将所述先 前序列与所述输入向量矩阵融合以得到第二向量矩阵； 异常检测模块， 用于将所述第 一向量矩阵和所述第 二向量矩阵输入到训练好的深度 学 习网络模 型以得到相应的重构数据； 所述深度学习网络模型包括第一编码 器、 第二编 码器、 第一解码器和第二解码器， 所述第一编码器包括多头注意力层和前馈层， 所述第二编码器 包括掩膜多头注意力 层和异常多头注意力 层， 所述异常多头注意力层用于计算先验关联与权　利　要　求　书 2/3 页 3 CN 115078894 A 3