一种基于逻辑回归的疑似窃电主题影响因素权重优化方法技术

本发明专利技术公开了一种基于逻辑回归的疑似窃电主题影响因素权重优化方法，采用最大似然法构建逻辑回归预测函数，并通过建立任意阶可导的对数函数作为损失函数，并采用采用梯度下降法优化因素权值能够得到全局最优解，最终获得高精准度额预测函数，从而得出符合历史窃电行为样本的疑似窃电主题影响因素权重，解决了以往窃电概率预测精度低、过分依赖人工的问题，并提高了预测的精准度。

【技术实现步骤摘要】
一种基于逻辑回归的疑似窃电主题影响因素权重优化方法
本专利技术涉及一种疑似窃电主题影响因素的权重，特别是一种基于逻辑回归的疑似窃电主题影响因素权重优化方法。
技术介绍
随着我国经济的快速发展，人们对于电力的需求不断增加，电网企业迅速发展，窃电问题比以往更加严重。窃电主体也由从单个的个体转向了公司团体，窃电的隐蔽性也是越来越高，如果用电监察人员专业素质不精深、洞察力不够，很难发现这一偷窃电力的行为。国家电网公司于2015年提出了计量在线监测与智能诊断模型，其所包含的窃电模型能够帮助用电检查人员分析窃电问题，但由于该模型的判定规则对主观经验的依赖度较高，难以准确的捕捉用户多样化的窃电的行为特征，存在着误报率过高等问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足之处，通过对以往窃电样本数据进和行分析，对计量在线监测与智能诊断模型中窃电模型进行优化调整，采用逻辑回归算法优化各相关因素的权值，构建了能够预测窃电用户的计算模型，从而能精准预测出用户窃电的概率，减少电力方面经济损失。一种基于逻辑回归的疑似窃电主题影响因素权重优化方法，(1)采用Sigmoid函数构建逻辑回归预测函数，所述的预测函数为：其中，θi表示相对应的因素xi的权值，i∈(0,1,...k)；(2)采用对数函数构建逻辑回归的损失函数，所述的损失函数为：其中yi为因变量，即是否是窃电用户这个结果，前面所求hθ(x)代表y取1的概率，其中y取1表示窃电用户；(3)采用梯度下降法更新权值：首先初始化权值θ0,θ1,...,θk，阈值η和学习率α；具体步骤如下：1)首先确定当前位置的损失函数的梯度，对于θi，其梯度表达式为：2)用学习率乘以损失函数的梯度，得到当前位置下降的距离即步长为：其中，学习率可在0.1～0.5范围内多次取值计算，依据收敛速度和逼近最优解的情况选择最佳学习率值；3)确定每一个θ值梯度下降的距离都小于η，如果小于η，则算法终止，否则进入步骤(4)，其中，梯度下降阈值可选择首次步长的1％；4)按照以下公式更新θ值：然后转回步骤(1)，通过以上步骤不断迭代，便可得出最优化的权值，形成最终的预测函数，从而精准预测出用户窃电的概率。传统的考虑窃电影响因素权重过分依赖于人工的判定，受到主观因素的影响较大。本方法采用逻辑回归的方式对窃电主题的影响因素进行权重优化，一方面能够客观反映数据因素和窃电结果之间的关联程度，另一方面也能够通过窃电验证的结果，进一步对模型优化，通过不断的验证和修订模型权重，实现模型的自学习和自优化。本专利技术将逻辑回归算法应用到电网企业识别窃电用户上，能够比较准确地拟合预测函数，预测出窃电用户。本专利技术基于Sigmond函数，利用其在z值在0.5时变化率最大的特性，基于1:1的窃电和非窃电样本构造预测函数。.基于极大似然估计，采用对数函数构建损失函数，使得具有凸函数特性的损失函数求解过程中的局部最优近似等于全局最优解，避免因窃电用户数量大而导致权重优化陷入局部最优的问题。采用梯度下降法更新权值，使得权值求解沿着函数变化最快的方向寻找最值，由于窃电用户所涉及的因素众多，采用梯度下降法能更快的得到最优解。综上所述的，本专利技术相比现有技术如下优点：本专利技术采用最大似然法构建逻辑回归预测函数，并通过建立任意阶可导的对数函数作为损失函数，并采用采用梯度下降法优化因素权值能够得到全局最优解，最终获得高精准度额预测函数，从而得出符合历史窃电行为样本的疑似窃电主题影响因素权重，解决了以往窃电概率预测精度低、过分依赖人工的问题，并提高了预测的精准度。附图说明图1是本专利技术的基于逻辑回归的疑似窃电主题影响因素权重优化方法的流程图。具体实施方式下面结合实施例对本专利技术进行更详细的描述。实施例1一种基于逻辑回归的疑似窃电主题影响因素权重优化方法，(1)采用Sigmoid函数构建逻辑回归预测函数，所述的预测函数为：其中，θi表示相对应的因素xi的权值，i∈(0,1,...k)；(2)采用对数函数构建逻辑回归的损失函数，所述的损失函数为：其中yi为因变量，即是否是窃电用户这个结果，前面所求hθ(x)代表y取1的概率，其中y取1表示窃电用户；(3)采用梯度下降法更新权值：首先初始化权值θ0,θ1,...,θk，阈值η和学习率α；具体步骤如下：1)首先确定当前位置的损失函数的梯度，对于θi，其梯度表达式为：2)用学习率乘以损失函数的梯度，得到当前位置下降的距离即步长为：其中，学习率可在0.1～0.5范围内多次取值计算，依据收敛速度和逼近最优解的情况选择最佳学习率值；3)确定每一个θ值梯度下降的距离都小于η，如果小于η，则算法终止，否则进入步骤(4)，其中，梯度下降阈值可选择首次步长的1％；4)按照以下公式更新θ值：然后转回步骤(1)，通过以上步骤不断迭代，便可得出最优化的权值，形成最终的预测函数，从而精准预测出用户窃电的概率。如图1所示的基于逻辑回归的疑似窃电主题影响因素权重优化方法的流程图，首先构建逻辑回归预测函数，然后构建逻辑回归损失函数，采用梯度下降法，计算出与窃电相关的因素权值的梯度，每次计算后求得本次下降的步长，若步长小于阈值，则算法结束，否则，便更新权值，重新计算梯度和步长，由此进行迭代，最终求解预测函数，获得各个因素权重值。以下以本专利技术具体应用的实例说明本专利技术的技术效果：实验数据以国网某电力公司选取的2000窃电用户及其在窃电期间的相关用电数据、2000非窃电用户及其一段时间的相关用电数据，共同组成样本。其中有22个相关因素，一对相关组合因素。将所有相关因素和相关组合因素代入逻辑回归计算方法，按照梯度下降步骤进行计算。初始化所有θ值为0.5，η＝0.1，学习率分别取α＝0.1和α＝0.5，每此迭代得到更新的θ值，更新预测函数并将样本代入进行预测。最终迭代152次后，求解结果不再变动，将样本代入预测函数进行计算，得到的平均准确率为94.1％，平均精准率为96.6％，平均召回率为95.8％。本实施例未述部分与现有技术相同。本文档来自技高网...

【技术保护点】
一种基于逻辑回归的疑似窃电主题影响因素权重优化方法，其特征在于，步骤如下：(1)采用Sigmoid函数构建逻辑回归预测函数，所述的预测函数为：

【技术特征摘要】
1.一种基于逻辑回归的疑似窃电主题影响因素权重优化方法，其特征在于，步骤如下：(1)采用Sigmoid函数构建逻辑回归预测函数，所述的预测函数为：其中，θi表示相对应的因素xi的权值，i∈(0,1,...k)；(2)采用对数函数构建逻辑回归的损失函数，所述的损失函数为：其中yi为因变量，即是否是窃电用户这个结果，前面所求hθ(x)代表y取1的概率，其中y取1表示窃电用户；(3)采用梯度下降法更新权值：首先初始化权值θ0,θ1,...,θk，阈值η和学习率α；具体步骤如下：1)首先...

【专利技术属性】
技术研发人员：苏迎迎，阿辽沙·叶，李思韬，窦健，蔡继东，张海龙，陈颖心，卢继哲，陈蓓蓓，王帆，李然，
申请(专利权)人：国网福建省电力有限公司，国家电网公司，国网福建省电力有限公司福州供电公司，中国电力科学研究院有限公司，国网计量中心有限公司，
类型：发明
国别省市：福建,35