本发明专利技术涉及一种基于时间卷积网络的大范围检测用户偷电漏电的方法，属于智能电网技术领域。1数据集的采集和预处理；1.1通过智能电表采集用电用户的用电数据，将用电用户划分为正常用户和异常用户；1.2将通过时间卷积神经网络对用电用户的用电数据进行归一化处理，将数据集归一化在（
【技术实现步骤摘要】
一种基于时间卷积网络的大范围检测用户偷电漏电的方法
[0001]本专利技术涉及一种基于时间卷积网络的大范围检测用户偷电漏电的方法，属于智能电网技术领 域。
技术介绍
[0002]偷电窃电的现象越来越智能化。更改电路结构等方法进行偷点窃电，这些私自改装的行为严重 扰乱了供电秩序，极易引起事故。因此需要一种检测方法能够高效精准的检测用户的异常用电。
技术实现思路
[0003]本专利技术的目的在于，克服现有技术中存在的问题，提供一种基于时间卷积网络的大范围检测用 户偷电漏电的方法，能够有效识别异常用电用户。
[0004]为了解决上述问题，本专利技术的基于时间卷积网络的大范围检测用户偷电漏电的方法包括如下步 骤：
[0005]步骤1：数据集的采集和预处理；
[0006]步骤2：根据经过预处理后的数据集搭建用户用电异常的时间卷积网络模型；
[0007]步骤3：对时间卷积网络模型进行评估。
[0008]进一步的，步骤1具体包括如下步骤：
[0009]步骤1.1：通过智能电表采集用电用户的用电数据，将用电用户划分为正常用户和异常用户；
[0010]步骤1.2：将通过时间卷积神经网络对用电用户的用电数据进行归一化处理，将数据集归一化 在(
‑
1，1)之间；
[0011]步骤1.3：将用电数据按照8:2的比例划分为训练集与测试集。
[0012]进一步的，所述时间卷积网络模型设有输入层、4个TCN残差模块、1个全连接层和输出层， 所述残差模块的结构包括ReLu激活层、Dropout层和卷积层。
[0013]进一步的，步骤1.3中所述训练集的生成步骤如下：
[0014]步骤1.31：对存在异常窃电行为的数据样本x
i
采用KNN算法得到数据样本x
i
的数据集；
[0015]步骤1.32：从k个近邻的样本数据中随机选择一个x
i
；
[0016]步骤1.33：随机生成一个(0,1)之间的随机数，合成一个新样本，公式如下：
[0017](X1，X2)＝(x1，x2)+random(0，1)
×
Δ
[0018]式中：(x1，x2)为少数类的样本案例，(x
’1，x
’2)为近邻的样本案例， Δ＝{(x
’1‑
x1)，(x
’2‑
x2)}；
[0019]步骤1.34：重复步骤1.31至步骤1.33，从而形成N个新的样本，N为根据采样比例确定的采 样倍数；
[0020]步骤1.35：通过少数过采样技术得到正常数量样本与异常数量样本平衡的正常数
据集*2，并 作为异常检测模型的训练集。
[0021]进一步的，所述时间卷积网络模型的评估采用F1值评价体系，在F1值的评价体系中，P代表 正样本，N代表负样本，TP是预测正确的正样本，TN是预测正确的负样本，FP代表预测错误的正 样本，FN代表预测错误的负样本，F1值的计算公式如下：
[0022][0023][0024][0025]进一步的，所述Dropout层的Dropout率计算方式如下：
[0026]C
i
＝N
i
N
i
‑1[0027][0028]其中C
i
为第i层的连接数，C
ir
为下一次训练中第i层的连接数，C
i0
为初始的第i层的连接数； 其中D
r
为当前的Dropout率，N
i
为第i层的神经元的数量。
[0029]进一步的，所述时间卷积网络模型采用的损失函数为MAC损失函数，公式如下：
[0030][0031]式中，为预测值，y
i
为真实值，n为样本数量。
[0032]本专利技术的有益效果是：本专利技术能够提升用电异常检测的准确度，为大数据时代下的电力系统安 全提供先进的技术解决方案，有效的电力用户用电异常检测能够为供电公司的窃电稽查工作提供参 考，提高现场检查的命中率，降低运营成本，同时可以节省大量的人力物力，具有重大的经济效益。
附图说明
[0033]图1为本专利技术基于时间卷积网络的大范围检测用户偷电漏电的方法的流程图；
[0034]图2为本专利技术基于时间卷积网络的大范围检测用户偷电漏电的方法中时间卷积网络模型的结 构框图。
具体实施方式
[0035]现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明 本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0036]如图1所示，本专利技术的基于时间卷积网络的大范围检测用户偷电漏电的方法包括如下步骤：
[0037]步骤1：数据集的采集和预处理；
[0038]步骤1具体包括如下步骤：
[0039]步骤1.1：通过智能电表采集用电用户的用电数据，将用电用户划分为正常用户和
异常用户；
[0040]步骤1.2：将通过时间卷积神经网络对用电用户的用电数据进行归一化处理，将数据集归一化 在(
‑
1，1)之间；
[0041]步骤1.3：将用电数据按照8∶2的比例划分为训练集与测试集。
[0042]步骤1.31：对存在异常窃电行为的数据样本x
i
采用KNN算法得到数据样本x
i
的数据集；
[0043]步骤1.32：从k个近邻的样本数据中随机选择一个x
i
；
[0044]步骤1.33：随机生成一个(0，1)之间的随机数，合成一个新样本，公式如下：
[0045](X1，X2)＝(x1，x2)+random(0，1)
×
Δ
[0046]式中：(x1，x2)为少数类的样本案例，(x
’1，x
’2)为近邻的样本案例， Δ＝{(x
’1‑
x1)，(x
’2‑
x2)}；
[0047]步骤1.34：重复步骤1.31至步骤1.33，从而形成N个新的样本，N为根据采样比例确定的采 样倍数；
[0048]步骤1.35：通过少数过采样技术得到正常数量样本与异常数量样本平衡的正常数据集*2，并 作为异常检测模型的训练集。
[0049]在重复10
‑
20个训练周期后，可以将模型分类的准确率提高到近乎100％。
[0050]步骤2：根据经过预处理后的数据集搭建用户用电异常的时间卷积网络模型；
[0051]如图2所示，时间卷积网络模型设有输入层、4个TCN残差模块、1个全连接层和输出层，残 差模块的结构包括ReLu激活层、Dropout层和卷积层。卷积层包括1
×
1卷积层和扩张因果卷积层； 卷积层中卷积核的大小包括3*3、5*5、7*7。
[0052]Dro本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于时间卷积网络的大范围检测用户偷电漏电的方法，其特征在于，包括如下步骤：步骤1：数据集的采集和预处理；步骤2：根据经过预处理后的数据集搭建用户用电异常的时间卷积网络模型；步骤3：对时间卷积网络模型进行评估。2.根据权利要求1所述的基于时间卷积网络的大范围检测用户偷电漏电的方法，其特征在于，步骤1具体包括如下步骤：步骤1.1：通过智能电表采集用电用户的用电数据，将用电用户划分为正常用户和异常用户；步骤1.2：将通过时间卷积神经网络对用电用户的用电数据进行归一化处理，将数据集归一化在(
‑
1，1)之间；步骤1.3：将用电数据按照8:2的比例划分为训练集与测试集。3.根据权利要求1所述的基于时间卷积网络的大范围检测用户偷电漏电的方法，其特征在于：所述时间卷积网络模型设有输入层、4个TCN残差模块、1个全连接层和输出层，所述残差模块的结构包括ReLu激活层、Dropout层和卷积层。4.根据权利要求2所述的基于时间卷积网络的大范围检测用户偷电漏电的方法，其特征在于：步骤1.3中所述训练集的生成步骤如下：步骤1.31：对存在异常窃电行为的数据样本x
i
采用KNN算法得到数据样本x
i
的数据集；步骤1.32：从k个近邻的样本数据中随机选择一个x
i
；步骤1.33：随机生成一个(0,1)之间的随机数，合成一个新样本，公式如下：(X1，X2)＝(x1，x2)+random(0，1)
×
Δ式中：(x1，x2)为少数类的样本案例，(x
′1，x
′2)为近邻的样本案例，Δ＝{(x
′1‑<...
【专利技术属性】
技术研发人员：周鹏，章旺，吴斌，
申请(专利权)人：南京鼐云信息技术有限责任公司，
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。