王德文，潘晓飞，赵红博

(1.华北电力大学 控制与计算机工程学院，河北 保定 071003；2.复杂能源系统智能计算教育部工程研究中心，河北 保定 071003)

0 引 言

近年来，随着深度神经网络迅速发展，基于深度学习的异常检测算法变得越来越流行，它能够较好地处理复杂的时间相关性并且具有较强的学习能力，因此被用于许多时序数据的异常检测中[1-3]。

生成对抗网络(generative adversarial network，GAN)在图像的异常检测和生成领域被广泛应用[4]，并且GAN和对抗训练框架已经能够成功地用于生成复杂和高维分布的真实数据中[5]，足以说明它可以用于时序数据的异常检测。使用GAN进行异常检测的方法是使用对抗训练学习正常数据的特征，检测重构效果不佳的异常数据[6]。

然而，由于时序数据具有高度复杂的时间相关性并且通常缺少标签，现有的异常检测模型难以有效提取时序数据的时间信息，缺乏时间关系和特征关系的结合，模型检测的准确性不高；模型在训练过程中不稳定，容易发生训练不稳定[7]等问题；进行异常检测时，若使用人为统一设定的阈值会影响异常检测效果。针对以上问题，本文提出结合BiLSTM与WGAN-GP的时序数据异常检测模型。该模型的生成器和判别器采用BiLSTM来捕捉时序数据复杂的时间相关性。为保证训练过程稳定性，使用Wasserstein距离代替JS散度的衡量方法，并且在判别器损失中增加梯度惩罚项。最后使用重构损失和判别损失的加权平均值来定义异常函数，通过局部自适应阈值判别异常，提高异常检测的准确性。……