一种基于神经网络的异常用电检测方法技术

本发明专利技术公开了一种基于神经网络的异常用电检测方法，通过基于用户侧的表计获取所述用户侧的实时用电数据源，并对上述数据源进行分析与判断。该基于神经网络的异常用电检测方法，不仅提高了检测用电异常的效率，同时也提高了检测用电异常的准确性，且通过对数据的预处理，结合神经网络检测模型，利用检测与价法相结合的方式，在解决涉及多种复杂现象和多种因素的窃电漏电等异常用电行为中具有显著优势，减小了人工建模的复杂度，实现了系统的自动训练学习和建模，达到快速又精准地定位异常用电嫌疑用户的目的，为监测窃电、漏电等异常用电行为提供了便利。用电行为提供了便利。用电行为提供了便利。

【技术实现步骤摘要】
一种基于神经网络的异常用电检测方法


[0001]本专利技术涉及电网异常用电检测
，具体为一种基于神经网络的异常用电检测方法。

技术介绍

[0002]电力是以电能作为动力的能源，发现于19世纪70年代，电力的发现和应用掀起了第二次工业化高潮，成为人类历史18世纪以来，世界发生的三次科技革命之一，从此科技改变了人们的生活，20世纪出现的大规模电力系统是人类工程科学史上最重要的成就之一，是由发电、输电、变电、配电和用电等环节组成的电力生产与消费系统，它将自然界的一次能源通过机械能装置转化成电力，再经输电、变电和配电将电力供应到各用户。
[0003]随着电力系统信息化程度的不断提高和配用电数据量的迅速增长，各类装置及系统都有大量的数据要处理，同时，由于多种通信故障、设备故障、电网波动以及用户异常用电行为等原因，出现了大量数据异常的现象，这些异常数据影响了电能数据的准确性、完备性、自洽性和动态性，但也蕴藏了电网的重要事件信息，因此研究适用于大规模用电数据挖掘的算法，并建立有效的异常发现模型，来进行异常用电信息的分析、辨识和处理，对于电力行业分析挖掘事件信息和智能电网的发展具有重要意义，对于设备故障及用户异常用电的检测，早期多采用的是现场检测方法，即技术人员到用电现场进行排查，这种处理方式极其耗费人力物力资源，效率低、效果差，同时，这种方式存在极大的人为因素，不利于电力行业的管理。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于神经网络的异常用电检测方法，具备便于快速发现用电异常等优点，解决了传统异常用电检测方法效率低、准确率差的问题。
[0005]本专利技术的目的是通过以下技术方案实现的，包括以下步骤：
[0006]S1、开始：基于用户侧的表计获取所述用户侧的实时用电数据源，并对上述数据源进行初步判断，剔除不可能存在用电异常行为的用户，并保留可能存在异常的数据样本；
[0007]S2、数据采集：对上述可能存在异常的数据样本进行采集，并训练数据集，所述的数据主要来源于电能表和采集终端中的电能计量数据、运行工况数据和事件记录等备类数据；
[0008]S3、数据处理：对上述采集的数据进行预处理，数据预处理过程包括数据清洗、缺失值处理、异常值处理、数据变换和数据格式化，用于使数据规范化，提高数据分析效率；
[0009]S4、特征提取：数据预处理完毕后，针对数据对其进行特征提取，并再次对数据中不可能存在异常的数据进行剔除，然后提取其中的异常数据；
[0010]S5、输入检测模型：将上述异常数据输入至神经网络检测模型中，检测模型对数据进行分析；
[0011]S6、结束：将分析后得出的异常数据进行同一标记分类，以便工作人员进行查看。
[0012]优选的，所述数据处理主要为数据的清洗与归一化处理，数据清洗主要是删除重复信息、填补缺失信息和纠正错误信息等，其中，数据归一化处理公式如下：
[0013][0014]其中，x为样本数据，x＝[x1，x2，
…
，x
n
]，n为样本数，mean(x)表示计算样本平均值；max(x)表示计算样本最大值；min(x)表示计算样本最小值；x
′
i
为归一化处理后的数据。
[0015]优选的，所述特征提取采用特征提取模块FEM进行特征提取，特征提取模块由多个长短期记忆块垂直连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入。
[0016]优选的，所述特征提取还包括处理高维度数据，将输入的高维度数据划分成为三个大小相同的子数据，针对子数据，利用由十个特征提取模块所构建的结构递归神经网络，实现输入的高维度数据的特征提取。
[0017]优选的，所述检测模型使用损失函数来计算当前模型的损失偏差程度，通过损失函数的计算，进行反馈调节，调整各个神经网络的参数设置，中所用损失函数如式：
[0018]f
Loss
＝
‑
mean[y
real ln(y
class
)][0019]其中，y
real
表示实际的分类标签，y
class
表示分类结果，对于上述损失函数，使用适应性矩阵估计进行优化，得到最小化损失函数值。
[0020]优选的，所述输入检测模型还包括结果评价，使用混淆矩阵对模型的结果进行评价，定义异常用电数据为负类，正常用电数据为正类，分类结果用混淆矩阵表示。
[0021]与现有技术相比，有益效果是：
[0022]该基于神经网络的异常用电检测方法，能够提高用电异常检测的效率与准确性。通过对数据的预处理，结合神经网络检测模型，利用检测与价法相结合的方式，在解决涉及多种复杂现象和多种因素的窃电漏电等异常用电行为的案例中具有显著优势，且减小了人工建模的复杂度，实现了系统的自动训练学习和建模，达到快速又精准的定位异常用电嫌疑用户，为获取窃电、漏电等异常用电行为提供了便利。
附图说明
[0023]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简单地介绍，显而易见地，下面描述中的附图仅仅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。
[0024]图1为本专利技术提出的一种基于神经网络的异常用电检测方法的流程图。
[0025]图2为本专利技术提出的一种基于神经网络的异常用电检测方法的系统框图。
具体实施方式
[0026]下面结合附图对本公开实施例进行详细描述。
[0027]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。
[0028]请参阅图1
‑
2，本实施例中的一种基于神经网络的异常用电检测方法，包括以下步骤：
[0029]S1、开始：基于用户侧的表计获取用户侧的实时用电数据源，并对上述数据源进行初步判断，剔除不可能存在用电异常行为的用户，并保留可能存在异常的数据样本；
[0030]S2、数据采集：对上述可能存在异常的数据样本进行采集，并训练数据集，的数据主要来源于电能表和采集终端中的电能计量数据、运行工况数据和事件记录等备类数据；
[0031]S3、数据处理：对上述采集的数据进行预处理，数据预处理过程包括数据清洗、缺失值处理、异常值处理、数据变换和数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的异常用电检测方法，其特征在于，包括以下步骤：S1、开始：基于用户侧的表计获取所述用户侧的实时用电数据源，并对上述数据源进行判断，剔除不存在用电异常行为的用户，并保留存在异常的数据样本；S2、数据采集：对异常的数据样本进行采集，并训练数据集，所述的数据包括电能表和采集终端中的电能计量数据、运行工况数据和事件记录备类数据；S3、数据处理：对上述采集的数据进行预处理，数据预处理过程包括数据清洗、缺失值处理、异常值处理、数据变换和数据格式化；S4、特征提取：对预处理后数据对其进行特征提取，并再次对数据中不可能存在异常的数据进行剔除，然后提取其中的异常数据；S5、输入检测模型：将上述异常数据输入至神经网络检测模型中，对数据进行分析；S6、结束：将分析后得出的异常数据进行同一标记分类。2.根据权利要求1所述的方法，其特征在于，所述数据处理主要为数据的清洗与归一化处理，数据清洗主要是删除重复信息、填补缺失信息和纠正错误信息，其中，数据归一化处理公式如下：其中，x为样本数据，x＝[x1，x2，
…
，x
n
]，n为样本数，mean(x)表示计算样本平均值；max(x)表示计算样本最大值；min(x)表示计算样本最小值；x

【专利技术属性】
技术研发人员：李金灿，邹晖，黄燕，练琳，黄家宝，卢万平，李景顺，陈哲，韦建伟，王东升，张廷征，覃建远，覃江英，莫小向，覃海源，欧鹏楠，
申请(专利权)人：广西电网有限责任公司河池供电局，
类型：发明
国别省市：