基于深度学习用电与计量设备异常分析.pptx

基于深度学习的用电及计量设备异常分析 国网冀北电力有限公司计量中心 2016年6月5日 1 目 录 2 信息化建设 1 服务质量 2 电力用户对服务的要求不断提高 电网各专业对采集数据的需求不断增加 电力营销人员迫切需要依靠采集数据为用户提供精准服务 采集系统建设应用高歌猛进 3 近900万用户 35项数据 44类异常 远程控制 日交互数据规模7GB以上 电力信息化智能化水平不断提升 4 电力行业的信息时代正处于关键转折点，随智能变电站系统、现场移动检修系统、测控一体化系统、GIS系统、智能表计等建设，以往数据类型较为单一、增长较为缓慢的情况将发生转变，逐渐步入到由复杂及异构数据源广泛存在和驱动的时代。 5 互联网+智慧能源带来巨大冲击 《关于进一步深化电力体制改革的若干意见》及其6个配套文件 《关于推进“互联网+”智慧能源发展的指导意见》 《关于推进电能替代的指导意见》 大数据应用是以进一步支撑业务发展与创新为目标，利用大数据存储、大数据整合、大数据计算、大数据应用四类核心技术，驱动业务应用和技术平台的升级与改造，扩展对业务数据采集的容纳能力，填补在非结构化数据分析与利用、海量数据挖掘等领域的空白，提升信息资源价值挖掘的整体水平，促进业务管理向着更精细、更协同、更敏捷、更高效的方向发展。 电力大数据 电力大数据 特征 数据量 (Volume) 多样性 (Variety) 速度 (Velocity) 价值 (Value) TBPB以上 结构化、非结构化、历史/准实时、GIS信息 持续实时产生数据，要求即时处理 业务趋势预测 和数据价值挖掘 6 目 录 7 机器学习是数据价值挖掘的关键技术，大数据的分布式计算与存储可有效的提升机器学习处理数据的性能。机器学习是用数据或以往的经验自动改进算法模型，数据越多越有利于提升模型的精确性。 什么是机器学习？ 柯洁年内将战“阿尔法狗” 深度学习 主要工作原理是“深度学习”，“深度学习”是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。 2016.3.16“阿尔法狗”对战李世石（4:1） 8 机器学习中的“训练”与“预测”过程可以对应到人类的“归纳”和“推测”过程。机器学习不是基于编程形成的结果，因此它的处理过程不是因果的逻辑，而是通过归纳思想得出的相关性结论，以此来预测未来。 机器学习与人类思考的对比模型 机器学习与人类学习？ 9 机器学习的分类 机器学习的类型 机器学习 监督学习 半监督学习 无监督学习 输入数据有标签，使用结构化的数据进行预测 输入数据无标签，目的是在数据中发现结构 利用少量标注样本和大量未标注样本 10 机器学习经典算法 C4.5 Native Bayes KNN CART AdaBoost PageRank EM Apriori SVM K-Means 11 模型训练的过程 基于“数据驱动”的大数据研究范式 特征融合整体关联 局部特征关联 局部特征提取 大数据研究范式——将大规模高维数据导入的计算机集群中，借助数据之间的关联特征，基于“数据驱动”策略 ，挖掘传统分析范式无法发现的新模式、新知识甚至新规律。 自下而上的数据驱动 12 金融服务 欺诈检测 风险管理 全方位客户分析 交通运输 天气和交通状况对物流和燃油消耗量的影响 健康与生命科学 流行病早期预警 ICU患者监控 远程健康监控 电信 CDR处理 客户流失预测 套餐推广优化 设备监控 IT 针对多个业务系统进行的日志关联故障/预警分析 网络安全 零售 市场细分 客户情绪分析 精准实时营销 政府管理 实时全方位监管 态势感知 其他行业应用 13 目 录 14 标签化管理全触点用户数据、设备数据、运行数据，构建企业全维度标签体系 凭借智能化价值分布、权重分配、时间衰减等算法支持，立体化展现360°用户（设备）画像，充分挖掘数据资产价值。 分析用户行为习惯、设备状态、资产全寿命信息，便捷快速圈定目标群，全方位分析群体特征。 支撑多渠道数据导入、多维度用户洞察及多角度客户服务，促进公司构建新的业务模式、营销模式和服务模式优化和转型升级。 企业级数据标签体系 微观画像 宏观画像 数据输出管理 数据资产标签化 15 数据资产标签化的核心任务在于寻找一个有效解决对数据资产进行管理的实践方法，既帮助企业合理评估、规范和治理企业数据资产，又可以挖掘和发挥数据资产价值并促进持续增值，并符合大数据