基于BRB和LSTM模型的电力大数据用电异常检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于BRB和LSTM模型的电力大数据用电异常检测方法及装置，其中方法具体包括以下步骤：从用电量大数据中提取用户用电量波动特征和用户用电量曲线异常特征；建立置信规则推理BRB系统，对电量波动系数和毛刺宽度总和进行置信度转换；根据置信规则推理BRB系统中的置信规则库，采用证据推理ER算法对比转换后的置信度，得到用户非技术性损失NTL异常性输出结果中每一个参考值的信任程度；用户非技术性损失NTL异常性用电进行标定；在标定数据的基础上建立长短记忆LSTM模型，并使用LSTM模型对异常用电特征进行有效提取与检测，最终准确诊断出NTL异常情况。本发明专利技术可有效识别异常用电情况。效识别异常用电情况。效识别异常用电情况。

【技术实现步骤摘要】
基于BRB和LSTM模型的电力大数据用电异常检测方法及装置


[0001]本专利技术涉及计量数据检测
，尤其涉及基于BRB和LSTM模型的电力大数据用电异常检测方法及装置。

技术介绍

[0002]近年来，随着“智能电网”的兴起和普及，其运行中的输配电损失受到越来越多的关注，而输配电损失大致可分为技术性损失(technical loss,TL)和非技术性损失(non
‑
technical loss,NTL)两大类。其中，严重的非技术性损失，即用户异常窃电行为，给电网行业带来了巨大的经济损失。相比于如印度、巴西等国家的NTL的全国用电量占比，我国的NTL相对较低，但我国的总体用电需求量庞大，并且还在呈现上升的趋势。因此，如何从大量的电力数据中高效、快速的检测出用户的异常用电行为，以供电网人员决策，对提高经济效益、促进电网的发展和进步有着重要的研究意义。
[0003]在电力大数据中，对于NTL的异常检测一直以来是该领域的热点及难点问题。目前针对电力大数据的NTL异常检测方法大都基于数据驱动的检测方法，其中包括基于聚类的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BRB和LSTM模型的电力大数据用电异常检测方法，其特征在于，具体包括以下步骤：S1、从用电量大数据中提取用户用电量波动特征和用户用电量曲线异常特征，其中采用电量波动系数作为电量波动特征，采用毛刺宽度总和来表征用电曲线异常的特性；S2、建立置信规则推理BRB系统，对电量波动系数和毛刺宽度总和进行置信度转换；S3、根据置信规则推理BRB系统中的置信规则库，采用证据推理ER算法对比转换后的置信度，得到用户非技术性损失NTL异常性输出结果中每一个参考值的信任程度；S4、根据每一个参考值的信任程度对用户非技术性损失NTL异常性用电进行标定；S5、在标定数据的基础上建立长短记忆LSTM模型，并使用LSTM模型对异常用电特征进行有效提取与检测，最终准确诊断出NTL异常情况。2.如权利要求1所述的BRB和LSTM模型的电力大数据用电异常检测方法，其特征在于，步骤S1中：电量波动系数CV：上式中，N为累计天数，σ为标准差，μ为均值，为日平均电量值，q
i
为用户第i天的单日用电量；毛刺宽度总和M：上式中，d
i
和d
j
分别表示毛刺周围边界值对应时间的下界节点和上界节点。3.如权利要求1所述的BRB和LSTM模型的电力大数据用电异常检测方法，其特征在于，步骤S2具体为：将电量波动系数CV和毛刺宽度总和M作为BRB系统的前提属性，并将这些前提属性输入值转换为相应的前提属性参考值的隶属度；一个前提属性B
i
的输入值转换公式为：S(B
i
,α
i
)＝{(l
im
,β
im
),m＝1,...,m
i
},i∈{1,...,N}其中，S为前提属性输入值的分布，l
im
代表输入前提属性B
i
的第m个参考值，β
im
为l
im
的置信度β
im
≥0，且m
i
为参考值的数量，α
i
表示前提属性的输入值；在得到隶属度分布后，激活置信规则库中所有置信规则下前提属性的激活权重ω
k
，对于第k条置信规则下的激活权重的计算用以下公式来获取：上式中，β
ik
代表个体置信匹配度，是第i个前提属性的输...

【专利技术属性】
技术研发人员：刘威，陈成，卢涛，万磊，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：