一种基于改进深度卷积神经网络的窃电行为检测方法技术

本发明专利技术提供一种基于改进深度卷积神经网络的窃电行为检测方法，包括：对用户用电量的原始数据进行预处理；将预处理后的数据分为以天为单位的一维数据和以周为单位的二维数据；在所述一维数据中添加注意力模块，再通过长度为α的全连接层得到宽度部分；将所述二维数据先通过R层空洞卷积，然后添加注意力模块，最后通过池化层以及长度为β的全连接层得到卷积神经网络部分；对网络进行训练；通过sigmoid函数对用电用户进行分类，从而得出用户是否窃电的结果。本发明专利技术基于现有的注意力模块分别对宽度部分和卷积神经网络部分的通道维度进行权值的分配，相比现有的深度学习方法，具有更高的收敛速度和计算效率，而且检测准确度更高。而且检测准确度更高。而且检测准确度更高。

【技术实现步骤摘要】
一种基于改进深度卷积神经网络的窃电行为检测方法


[0001]本专利技术涉及电网的用电管理
，特别涉及一种基于改进深度卷积神经网络的窃电行为检测方法。

技术介绍

[0002]电力系统中的输配电损失是电力企业最关心的一个主题，其损失可以分为技术性损失，technical loss，TL)和非技术性损失(non
‑
technical loss，NTL)两大类，而窃电是造成NTL最主要的原因。窃电用户通过非法途径篡改电表数据来达到减少或者避免电费支出，窃电行为不仅对电力企业有巨大的经济损失而且对电力装置产生巨大的破坏，因此需要对窃电行为进行准确检测，及时发现窃电行为，减少电力企业损失。
[0003]现有的窃电行为检测方法大多采用人工进行现场稽查，但是这种方法通常会消耗电力公司大量的人力和物力且效率低下。随着智能电网的发展，高级量测体系(advanced metering infrastructure，AMI)在电力公司应用，使得智能化的检测方法逐步使用，但是现有的方法准确度不高且模型复杂。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进深度卷积神经网络的窃电行为检测方法，可以解决现有技术的方法准确度不高且模型复杂的问题。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于改进深度卷积神经网络的窃电行为检测方法，包括以下步骤：
[0007]对用户用电量的原始数据进行预处理；
[0008]将预处理后的数据分为以天为单位的一维数据和以周为单位的二维数据；
[0009]在所述一维数据中添加注意力模块，再通过长度为α的全连接层得到宽度部分；
[0010]将所述二维数据先通过R层空洞卷积，然后添加注意力模块，最后通过池化层以及长度为β的全连接层得到卷积神经网络部分；
[0011]将所述宽度部分和所述卷积神经网络部分采用Focal Loss作为损失函数对网络进行训练；
[0012]通过sigmoid函数对用电用户进行分类，从而得出用户是否窃电的结果。
[0013]进一步的，对用户用电量的原始数据进行预处理包括以下方式中的至少一种：
[0014]将赘余的数据进行过滤；
[0015]对离群值进行修复；
[0016]对原始数据进行缺失值处理。
[0017]进一步的，所述对离群值进行修复采用的公式为：
[0018]其中：
[0019]σ(X
i
)表示为向量X
i
的标准差；x
i
为某用户在一个周期内的电力消耗值；NaN表示x
i
为非数值符号或0时的值。
[0020]进一步的，所述对原始数据进行缺失值处理采用的公式为：
[0021]其中：
[0022]mean(X
i
)表示为向量X
i
的平均值；x
i
为某用户在一个周期内的电力消耗值；NaN表示x
i
为非数值符号或0时的值。
[0023]进一步的，得到所述宽度部分采用的线性模型为：
[0024]其中：
[0025]y
j
为全连接层的第j个神经元，n为一维数据的长度，w
i,j
代表第i个输入值和第j个神经元的权值，b1为偏置，x
i
为某用户在一个周期内的电力消耗值。
[0026]进一步的，通过sigmoid函数对用电用户进行分类，从而得出用户是否窃电的结果包括：宽度部分和卷积神经网络部分模型进行联合训练，并将两个模型的结果的加权和作为最终的预测结果：
[0027]P(Y＝1|x)＝δ(W[x
Wide
,x
CNN
]+b)；
[0028]其中，Y表示二分类标签，δ(
·
)为sigmoid激活函数，x
Wide
和x
CNN
分别代表宽度部分和卷积神经网络部分的特征值，W表示宽度部分和卷积神经网络部分联合训练的权值，b为偏置。
[0029]进一步的，所述空洞卷积的数学表达式为：
[0030]其中：
[0031]x和y分别代表输入和输出，ω代表k
×
k的卷积核，d为第i卷积层对应的空洞率。
[0032]本专利技术的基于改进深度卷积神经网络的窃电行为检测方法，相对于现有技术，其有益效果主要体现在以下几个方面：
[0033]本专利技术具有如下技术效果：
[0034]本专利技术基于现有的注意力模块分别对wide component(宽度部分)和CNN component(即卷积神经网络部分也就是深度部分)的通道维度进行权值的分配，相比现有的深度学习方法，具有更高的收敛速度和计算效率，而且检测准确度更高。
[0035]本专利技术通过基于所构建的Wide(宽度)和Deep(深度)部分，结合attention(注意力)模块进行检测，物理概念明确，算法思路清晰，分析计算层次分明且简便，可以有效解决对任意用电负荷进行窃电行为的检测问题。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为SENet模块示意图；
[0038]图2为本专利技术的基于改进深度卷积神经网络的窃电行为检测方法实施流程图；
[0039]图3为6种攻击模型和原始用户随时间变化的用电量图。
具体实施方式
[0040]下面结合附图对本公开实施例进行详细描述。
[0041]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0042]本专利技术的基于改进深度卷积神经网络的窃电行为检测方法，包括以下步骤：
[0043]步骤S1、对用户用电量的原始数据X进行预处理。
[0044]进一步的，对用户用电量的原始数据X进行预处理包括以下方式中的至少一种：
[0045]1.将赘余的数据进行过滤：剔除如银行、学校、政府部门等公用事业大用户；过滤因节假日用电量明显减少的居民假期用电数据。
[0046]为了减少不必要的分析本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进深度卷积神经网络的窃电行为检测方法，其特征在于，包括以下步骤：对用户用电量的原始数据进行预处理；将预处理后的数据分为以天为单位的一维数据和以周为单位的二维数据；在所述一维数据中添加注意力模块，再通过长度为α的全连接层得到宽度部分；将所述二维数据先通过R层空洞卷积，然后添加注意力模块，最后通过池化层以及长度为β的全连接层得到卷积神经网络部分；将所述宽度部分和所述卷积神经网络部分采用Focal Loss作为损失函数对网络进行训练；通过sigmoid函数对用电用户进行分类，从而得出用户是否窃电的结果。2.根据权利要求1所述的基于改进深度卷积神经网络的窃电行为检测方法，其特征在于，对用户用电量的原始数据进行预处理包括以下方式中的至少一种：将赘余的数据进行过滤；对离群值进行修复；对原始数据进行缺失值处理。3.根据权利要求2所述的基于改进深度卷积神经网络的窃电行为检测方法，其特征在于，所述对离群值进行修复采用的公式为：其中：σ(X
i
)表示为向量X
i
的标准差；x
i
为某用户在一个周期内的电力消耗值；NaN表示x
i
为非数值符号或0时的值。4.根据权利要求2所述的基于改进深度卷积神经网络的窃电行为检测方法，其特征在于，所述对原始数据进行缺失值处理采用的公式为：其中：mean(X
i
)表示为向量X
i
的平均值；x
i
...

【专利技术属性】
技术研发人员：卿柏元，李金瑾，陈珏羽，蒋雯倩，唐志涛，龙伟杰，颜丹丹，杨舟，林秀清，黄柯颖，韦杏秋，包岱远，陈俊，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：