【技术实现步骤摘要】
一种基于LSTM
‑
seq2seq
‑
attention模型的中长期用电异常检测方法
[0001]本专利技术涉及测距
,特别是涉及一种基于LSTM
‑
seq2seq
‑
attention模型的中长期用电异常检测方法。
技术介绍
[0002]随着现在社会的发展,电能成为了生产和生活中的不可缺少的重要能源,成为了现代经济发展的地基。随着我国电力行业的不断发展,电量也有了充足的提升。但在日常用电过程中,一直存在着偷电漏电行为。偷电漏电行为不但会浪费国家的资源,还会造成大量的安全隐患,对居民的人身安全造成威胁,成为阻碍社会经济发展的重要因素之一。
[0003]目前,窃电技术层出不穷,窃电手段逐渐专业化和高科技化,甚至有了一套完整的产业链。随之而来的是更大的防窃电难度。目前的窃电检测主要有人工到现场进行排查、硬件设备通过防电磁干扰、软件实时监控系统等方式。首先,人工排查的方式,存在有需要大量人力物力、劳动强度和工作量大,人工排查过程中存在有漏查现象。其次,硬件设备中,市面上大多数防窃电装备或设备都有着昂贵和不便移动等缺点。再次,软件检测存在漏判误判,并且这些检测方法和设备大幅增加了投资和运营成本,性价比不高。
[0004]当前研究主要集中在解决异常用电数据检测的性能方面的问题。随着电力用户数据和用电设备的快速增长,用户用电数据的维度和数据量也快速增加,导致现有用电数据异常检测算法性能低的问题。申请号为201910389132.0的我国 ...
【技术保护点】
【技术特征摘要】
1.一种基于LSTM
‑
seq2seq
‑
attention模型的中长期用电异常检测方法,其特征在于,包括以下几个步骤:步骤1:数据收集步骤;按照预设的时间周期,收集该时间周期内的用电数据;步骤2:数据预处理步骤;对收集到的用电数据进行数据清洗、缺失值补齐和归一化处理;步骤3:神经网络模型构建步骤;以LSTM神经网络为神经元,构建多层LSTM
‑
seq2seq
‑
attention神经网络;步骤4:神经网络模型训练步骤;利用步骤2中数据预处理后的用电数据,对步骤3的LSTM
‑
seq2seq
‑
attention神经网络进行训练,获得用电正常情况下的电力数据;步骤5:经济数据估计步骤;以步骤4的用电正常情况下的电力数据作为输入,通过主成分分析法计算获得用电正常情况下的经济数据的估计值;步骤6:用电异常综合指数d计算步骤;根据步骤5的用电正常情况下的经济数据的估计值,计算用电异常综合指数d;步骤7:用电异常判断步骤;根据预设的阈值σ,通过阈值σ与用电异常综合指数d的比较,判断用电是否存在异常。2.根据权利要求1所述的基于LSTM
‑
seq2seq
‑
attention模型的中长期用电异常检测方法,其特征在于,所述步骤1中,所述时间周期为检测当前月之前的48个月。3.根据权利要求1所述的基于LSTM
‑
seq2seq
‑
attention模型的中长期用电异常检测方法,其特征在于,所述用电数据包括用电负荷数据、经济数据GDP和气象数据。4.根据权利要求3所述的基于LSTM
‑
seq2seq
‑
attention...
【专利技术属性】
技术研发人员:丁转莲,朱一鸣,吴雨,胡炜鑫,孙登第,
申请(专利权)人:安徽大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。