用电异常的检测方法、检测装置、电子装置和电子设备制造方法及图纸

本申请提供了一种用电异常的检测方法、检测装置、电子装置和电子设备。该方法包括：获取用电量数据和用电量数据对应的环境信息，根据用电量数据和用电量数据对应的环境信息生成用电数据序列；将用电数据序列输入LSTM

【技术实现步骤摘要】
用电异常的检测方法、检测装置、电子装置和电子设备


[0001]本申请涉及用电量异常检测领域，具体而言，涉及一种用电异常的检测方法、检测装置、计算机可读存储介质、电子装置和电子设备。

技术介绍

[0002]由于窃电、电表故障等原因会导致用户用电数据出现明显的异常，这种用电数据上的异常一方面会影响电网和供电系统的可靠性，一方面会带来一定的经济损失。该问题目前已成为电网异常检测中最关心的问题之一，因此，准确的检测系统中用户用电异常有助于锁定异常用户，由此可以为供电公司节省大量的人力物力、降低经济损失。
[0003]随着智能电网的发展以及相应的信息采集系统的完善，电网的用户用电系统采集并保存了大量的用电数据。随着机器学习方法的发展，越来越多的方法被应用于此类任务中，包括无监督学习方法和监督学习方法。基于无监督学习的方法主要包含聚类分析、离群点检测、时间序列异常分析等方法，此类方法的关键在于定义合适的距离测度来将异常用电与正常用电数据通过定义的距离测度区分开。由于用电数据存在漂移、波动等特性，人工设计特征模型越来越困难，且不同行业用电的时序特性差别很大，采用统一的距离度量方式和相似性度量方式的无监督学习方法适用范围非常有限。此外，有研究人员尝试使用监督学习方法实现用电异常检测任务，监督学习方法包括决策树，支持向量机，人工神经网络等模型，其中，长短时记忆（LSTM）、递归神经网络等应用广泛。但是这些模型存在以下问题：整个网络的训练过程都是依赖于标签信息的，而数据标注本身就会耗费大量人力资源。
[0004]因此，如何有效的利用有限的标记信息进行用电异常检测，是目前亟需解决的问题。

技术实现思路

[0005]本申请的主要目的在于提供一种用电异常的检测方法、检测装置、计算机可读存储介质、电子装置和电子设备，以至少解决现有技术中用电异常检测方法可靠性较低的问题。
[0006]为了实现上述目的，根据本申请的一个方面，提供了一种用电异常的检测方法，包括：获取用电量数据和所述用电量数据对应的环境信息，根据所述用电量数据和所述用电量数据对应的所述环境信息生成用电数据序列，其中，所述环境信息至少包括所述用电量数据对应的天气信息和日期信息；将所述用电数据序列输入LSTM
‑
SVR神经网络模型中，以利用所述LSTM
‑
SVR神经网络模型对所述用电数据序列进行回归分析，并获取所述LSTM
‑
SVR神经网络模型输出的结果，得到预测用电量；获取当前时刻的真实用电量，计算所述预测用电量与所述真实用电量之间的二范数，在所述二范数的值大于预设阈值的情况下，标记所述真实用电量为第一异常用电数据，以使得根据所述第一异常用电数据确定异常用电的原因。
[0007]可选地，将所述用电数据序列输入LSTM
‑
SVR神经网络模型中，以利用所述LSTM
‑
SVR神经网络模型对所述用电数据序列进行回归分析，包括：利用所述LSTM
‑
SVR神经网络模型中的LSTM模型提取所述用电数据序列的特征信息，其中，所述特征信息为所述用电数据序列中所述用电量数据随所述用电量数据对应的所述天气信息和所述日期信息变化而变化的规律；利用所述LSTM
‑
SVR神经网络模型中的SVR模型对所述特征信息进行回归分析，得到所述预测用电量。
[0008]可选地，利用所述LSTM
‑
SVR神经网络模型中的LSTM模型提取所述用电数据序列的特征信息，包括：根据公式计算所述LSTM模型的输入门值，其中，x为所述用电数据序列，W
f
是所述LSTM模型的权重，h是所述LSTM模型的状态值，b
f
是所述LSTM模型的偏置；根据公式，计算得到所述用电数据序列的特征信息，其中，h
t
表示所述特征信息，C
t
表示所述LSTM模型t时刻的细胞状态值，o
t
表示所述LSTM模型t时刻的所述输入门值。
[0009]可选地，利用所述LSTM
‑
SVR神经网络模型中的SVR模型对所述特征信息进行回归分析，得到所述预测用电量，包括：将所述特征信息作为输入，所述用电数据序列作为输出，根据公式对所述特征信息进行回归分析，获取所述SVR模型输出的结果，得到所述预测用电量，其中，x表示所述特征信息，y表示所述用电数据序列，K为所述SVR模型的高斯核且服从高斯分布，a和b为所述SVR模型的输出结果。
[0010]可选地，计算所述预测用电量与所述真实用电量之间的二范数，包括：根据公式计算所述预测用电量与所述真实用电量之间的二范数，其中，D表示所述二范数，Pre表示所述预测用电量，True表示所述真实用电量。
[0011]可选地，在所述二范数的值大于预设阈值的情况下，标记所述真实用电量为异常用电数据之前，包括：计算所述用电量数据中的第二异常用电数据与所述用电数据序列之间的欧氏距离和波动量，其中，所述第二异常用电数据为预先标记的且与正常用电数据的差值超过预设范围的用电数据，所述正常用电数据为所述用电数据中除所述第二异常用电数据之外的用电数据；将所述欧氏距离和所述波动量的差值作为预设阈值。
[0012]可选地，在根据所述用电量数据生成用电数据序列之前，还包括：对所述用电数据序列进行归一化处理；对归一化后的所述用电数据序列进行噪声去除处理，其中，所述噪声去除处理为剔除所述用电数据序列中具有明显偏差的数据。
[0013]根据本申请的另一方面，提供了一种用电异常的检测装置，包括：生成单元，用于获取用电量数据和所述用电量数据对应的环境信息，根据所述用电量数据和所述用电量数据对应的所述环境信息生成用电数据序列，其中，所述环境信息至少包括所述用电量数据对应的天气信息和日期信息；获取单元，用于将所述用电数据序列输入LSTM
‑
SVR神经网络模型中，以利用所述LSTM
‑
SVR神经网络模型对所述用电数据序列进行回归分析，并获取所述LSTM
‑
SVR神经网络模型输出的结果，得到预测用电量；标记单元，用于获取当前时刻的真实用电量，计算所述预测用电量与所述真实用电量之间的二范数，在所述二范数的值大于预设阈值的情况下，标记所述真实用电量为第一异常用电数据，以使得根据所述第一异常用电数据确定异常用电的原因。
[0014]根据本申请的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储
介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的检测方法。
[0015]根据本申请的又一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行任意一种所述的检测方法。
[0016]根据本申请的又一方面，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用电异常的检测方法，其特征在于，包括：获取用电量数据和所述用电量数据对应的环境信息，根据所述用电量数据和所述用电量数据对应的所述环境信息生成用电数据序列，其中，所述环境信息至少包括所述用电量数据对应的天气信息和日期信息；将所述用电数据序列输入LSTM
‑
SVR神经网络模型中，以利用所述LSTM
‑
SVR神经网络模型对所述用电数据序列进行回归分析，并获取所述LSTM
‑
SVR神经网络模型输出的结果，得到预测用电量；获取当前时刻的真实用电量，计算所述预测用电量与所述真实用电量之间的二范数，在所述二范数的值大于预设阈值的情况下，标记所述真实用电量为第一异常用电数据，以使得根据所述第一异常用电数据确定异常用电的原因。2.根据权利要求1所述的检测方法，其特征在于，将所述用电数据序列输入LSTM
‑
SVR神经网络模型中，以利用所述LSTM
‑
SVR神经网络模型对所述用电数据序列进行回归分析，包括：利用所述LSTM
‑
SVR神经网络模型中的LSTM模型提取所述用电数据序列的特征信息，其中，所述特征信息为所述用电数据序列中所述用电量数据随所述用电量数据对应的所述天气信息和所述日期信息变化而变化的规律；利用所述LSTM
‑
SVR神经网络模型中的SVR模型对所述特征信息进行回归分析，得到所述预测用电量。3.根据权利要求2所述的检测方法，其特征在于，利用所述LSTM
‑
SVR神经网络模型中的LSTM模型提取所述用电数据序列的特征信息，包括：根据公式计算所述LSTM模型的输入门值，其中，x为所述用电数据序列，W
f
是所述LSTM模型的权重，h是所述LSTM模型的状态值，b
f
是所述LSTM模型的偏置；根据公式，计算得到所述用电数据序列的特征信息，其中，h
t
表示所述特征信息，C
t
表示所述LSTM模型t时刻的细胞状态值，o
t
表示所述LSTM模型t时刻的所述输入门值。4.根据权利要求2所述的检测方法，其特征在于，利用所述LSTM
‑
SVR神经网络模型中的SVR模型对所述特征信息进行回归分析，得到所述预测用电量，包括：将所述特征信息作为输入，所述用电数据序列作为输出，根据公式对所述特征信息进行回归分析，获取所述SVR模型输出的结果，得到所述预测用电量，其中，x表示所述特征信息，y表示所述用电数据序列，K为所述SVR模型的高...

【专利技术属性】
技术研发人员：蔡梓文，林伟斌，赵云，陆煜锌，王浩林，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：