一种基于LSTM-seq2seq-attention模型的中长期用电异常检测方法技术

本发明专利技术公开了一种基于LSTM

【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的我国专利技术专利公开了一种在训练用电数据异常检测模型时，先基于历史用电数据，应用LSTM网络解析历史用电数据的数据关联信息以对历史用电数据进行降维处理后再训练用电数据异常检测模型，从而得到了适应用电数据时间关联特性和高维度特性的用电数据异常检测模型，应用这样的用电数据异常检测模型对输入的待检测用电数据进行检测得到检测结果。但是，这种方法存在有不同种类的数据之间相互影响、估计准确度较低等问题。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种鲁棒性好和估计准确度高的基于LSTM
‑
seq2seq
‑
attention模型的中长期用电异常检测方法。
[0006]为解决上述技术问题，本专利技术采用如下的技术方案。
[0007]一种基于LSTM
‑
seq2seq
‑
attention模型的中长期用电异常检测方法，包括以下几个步骤：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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。
[0015]所述步骤1中，所述时间周期为检测当前月之前的48个月。
[0016]所述用电数据包括用电负荷数据、经济数据GDP和气象数据。
[0017]气象数据包括降雨量、气温、湿度数据、风速、气压。
[0018]所述步骤1中，还包括收集检测当前月的用电数据。
[0019]所述步骤3中，所述多层LSTM
‑
seq2seq
‑
attention神经网络包括编码器和解码器，并引入注意力机制。
[0020]所述步骤4中，训练过程采用Adam优化算法对模型的参数进行优化。
[0021]所述步骤6中，采用公式(11)计算用户异常用电异常综合检测值d；
[0022]d＝|h
‑
s|/h*100％
ꢀꢀ
(11)
[0023]公式(11)中，h是月平均GDP估计值，s是月平均待检测值，待检测值是该企业当月的月平均经济数据GDP。
[0024]所述步骤7中，通过阈值σ与用电异常综合指数d的比较，判断用户是处于无窃电嫌疑状态、存在窃电嫌疑状态还是可疑用户需报警状态。
[0025]本专利技术的有益效果是：
[0026]本专利技术的一种基于LSTM
‑
seq2seq
‑
attention模型的中长期用电异常检测方法，包括数据收集步骤、数据预处理步骤、神经网络模型构建步骤、神经网络模型训练步骤、经济数据估计步骤、用电异常综合指数d计算步骤、用电异常判断步骤。根据历史数据，可以通过结合包括GDP，气候，节假日在内的影响因素，分析出不同用户的用电行为特征。利用LSTM
‑
seq2seq
‑
attention神经网络，能够快速有效的分析用户数据，对可疑用户进行检测，实施防窃电。
[0027]近些年用电信息采集系统逐渐得到应用，电力企业有着丰富的历史用户数据。根据历史数据，可以通过结合包括经济数据GDP、气象数据和节假日在内等影响因素，分析出不同用户的用电行为特征。利用LSTM
‑
seq2seq
‑
attention神经网络，能够快速有效的分析用户数据，对可疑用户进行检测，实施防窃电。
[0028]本专利技术在使用LSTM作为神经单元的seq2seq结构的同时加入注意力机制，能更好的分配网络权重，同时选用Adam优化算法优化模型参数，提升计算效率，并且seq2seq结构的编码器使用多层LSTM增强了模型的鲁棒性和估计准确度。同时选用主成分分析法，消除了评价指标之间的相互影响，减少了工作量，降低了算法的计算开销。
[0029]利用seq2seq
‑
attention与主成分分析双模型完成用电异常检测，提高检测准确性与鲁棒性。相比于原来方法，该神经网络模型判断窃电更为快速和精确。
[0030]本专利技术的基于LSTM
‑
seq2seq
‑
attention模型的中长期用电异常检测方法，具有快
速和精确、准确性高与鲁棒性好等优点。
附图说明
[0031]图1是本专利技术基于LSTM
‑
seq2本文档来自技高网...

【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：