一种窃电用户识别与窃电时间段检测方法技术

本发明专利技术涉及一种窃电用户识别与窃电时间段检测方法，步骤S1，根据窃电攻击模型结合电力消费数据构建窃电样本，构建基于残差网络结构的特征提取器，从样本数据中提取高维特征，并将多通道的高维特征展开，得到一维特征向量；步骤S2，构建共享隐藏层和窃电时间段检测层；步骤S3，基于任务不确定度构建基于同方差不确定性的多任务自适应损失函数，平衡回归与分类任务的训练过程，建立窃电时段检测准确率评价指标，并使用ACC评价窃电用户识别准确性，最终模型同时输出识别到的窃电用户及其对应窃电时段。本发明专利技术能够同时识别窃电用户及其窃电时间段，提高了单独检测窃电时间段的准确度，拓展了窃电领域的研究。拓展了窃电领域的研究。拓展了窃电领域的研究。

【技术实现步骤摘要】
一种窃电用户识别与窃电时间段检测方法


[0001]本专利技术涉及一种窃电用户识别与窃电时间段检测方法。

技术介绍

[0002]智能电网加快建设，智能电表随之被广泛使用，窃电手段层出不穷，给电力部门带来巨大的经济损失。目前基于数据驱动的窃电检测方法仅仅识别出窃电用户，不检测窃电行为发生的具体时间段，而电力公司在实际稽查活动中与窃电用户核实追补电费时，首先需要对窃电量进行计算，窃电量则由窃电设备的额定容量与实际窃电时间共同决定，其中窃电时间的分析是一个重点与难点。因此，在复杂电网环境下实现窃电用户的准确识别与窃电时间段的准确检测，对于抑制窃电行为、维护供电企业利益以及在电力公司分析稽查成本与用户应追补电费的基础上进行经济性稽查时，都有着重要意义。
[0003]因此，有必要设计一种窃电用户识别与窃电时间段检测方法。

技术实现思路

[0004]本专利技术所要解决的技术问题是提出一种使用方便，准确度高的窃电用户识别与窃电时间段检测方法，其基于多任务学习与残差网络的窃电用户识别与时间段检测，对比基于数据驱动的窃电识别与窃电时间段检测算法，解决了现有方法依次确定用户窃电嫌疑用户与确定窃电时间段所带来的巨大计算量、窃电时间段检测准确度低的问题。
[0005]专利技术的技术解决方案如下：
[0006]一种窃电用户识别与窃电时间段检测方法，包括以下步骤：
[0007]步骤S1，根据窃电攻击模型结合电力消费数据构建窃电样本，构建基于残差网络结构的特征提取器，从样本数据中提取高维特征，并将多通道的高维特征展开，得到一维特征向量；
[0008]步骤S2，构建窃电识别层和窃电时间段检测层，并将一维特征向量输入到其中；
[0009]构建共享隐藏层，引入Softmax激活函数构建窃电识别层；基于共享隐藏层，引入Sigmoid激活函数构建窃电时间段检测层；将步骤S1处理得到的一维特征通过dropout层输入两个任务层模块；
[0010]步骤S3，模型训练；
[0011]基于任务不确定度构建基于同方差不确定性的多任务自适应损失函数，平衡回归与分类任务的训练过程，建立窃电时段检测准确率评价指标，并使用ACC评价窃电用户识别准确性，最终模型能同时输出识别到的窃电用户及其对应窃电时段。
[0012]步骤1中，经过残差网络提取得到64个通道的高维特征数据，其中每个通道包含8个特征值；将多通道的高维特征展开，得到长度为512的一维特征向量。
[0013]步骤2中，基于包含128个神经元的全连接神经网络构建共享隐藏层，对特征提取器提取的一维特征向量进行维度变换；在共享隐藏层和特征提取器之间添加Dropout层防止模型过拟合；引入Softmax激活函数构建窃电识别层，输出是否窃电。
[0014]步骤1中，所述的残差网络的模型为：
[0015]y
l
＝F(x
l
,w
l
)+g(x
l
)
[0016]x
l+1
＝f(y
l
)
[0017]式中，x
l
表示第l层残差块(Residual block)的输入数据，y
l
表示第l层残差块的输出；F则表示残差映射函数，由两层卷积核大小为3的一维卷积层堆叠而成；g代表捷径分支映射函数，由一层卷积核大小为1的卷积层构成；f表示残差块的输出激活函数，采用Relu函数，其表达式为f(x)＝max(0,x)。
[0018]步骤3中，所述的基于同方差不确定性的多任务损失函数为：
[0019][0020]式中，任务不确定度σ1、σ2均为可学习参数，通过网络训练自动确定；
[0021]具体计算公式为：
[0022][0023]式中，网络权重w和任务不确定度σ1、σ2均为可学习参数，通过网络训练自动确定。
[0024]L1和L2分别表示回归任务和分类任务的损失函数，分别表示为：
[0025]L1＝||y1‑
fw(x)||2[0026]L2＝
‑
log(Softmax(y2,f
w
(x))；
[0027]式中，y1和y2分别表示回归任务和分类任务的样本标签，均用2维向量表示；
[0028]式中，f^w(x)表示所述的残差网络输出的预测值，x是输入数据，w是权重。所述的窃电时段检测准确率评价指标IOU计算过程如下：
[0029]low＝max(x1,y1)
[0030]high＝min(x2,y2)
[0031]overlap＝max(0,high
‑
low)
[0032]union＝(x2‑
x1)+(y2‑
y1)
‑
overlap
[0033]IOU＝overlap/union；
[0034]说明：low，high，overlap，union都是计算IOU指标的中间量，IOU计算是一个公式，分开写只是为了清晰，没有实际含义。竖线是+
‑
*/中除以的符号。式中，x1,x2表示用户真实窃电的起点和终点时间，y1,y2表示模型预测的用户窃电起点和终点时间。
[0035]有益效果：
[0036]本专利技术基于现有的多任务学习算法与残差网络模型构建多任务深度模型，基于任务不确定性构建的窃电用户识别与时间段检测多任务损失，相比现流行的窃电检测算法，
能够实现同时识别窃电用户并检测其窃电时段，模型复杂度低，窃电时间段检测速度更快，窃电时间段检测的准确度得到有效提升。
[0037]本专利技术通过基于多任务深度残差网络构建模型实现同时识别窃电用户并检测其窃电时段，仿真结果表明：构建的基于任务不确定度的多任务自适应损失很好的平衡了窃电用户识别与窃电时段检测任务，有效提高了窃电时段检测准确度，基于多任务学习与残差网络构建的深度模型简化了窃电用户识别与时间段检测模型的参数与规模，同时保证了窃电用户识别的准确度，并且本专利技术方法可直接用于计算窃电用户潜在窃电量，以实现窃电稽查的经济回报最大化，对比常用方法，本专利技术方法实现简单、易于实现，准确度高。
附图说明
[0038]图1为本专利技术构建的多任务模型基本结构图；
[0039]图2为本专利技术的实施流程图；
[0040]图3为本专利技术构建的基于残差结构的特征提取器结构图；
[0041]图4为利用本专利技术对窃电样本数据训练时的训练过程变化图；
[0042]图5为利用基于分别对两个任务损失函数进行常规线性加权方法得到的仿真结果示意图。
具体实施方式
[0043]以下将结合图1
‑
图5对本专利技术的技术方案做进一步详细说明。
[0044]本专利技术提供了一种针对复杂电网环境下的窃电用户识别与窃电时间段检测方法，首先利用窃电攻击模型结合电力消费数据构建窃电样本，构建基于残差网络结构的特征提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种窃电用户识别与窃电时间段检测方法，其特征在于，包括以下步骤：步骤S1，根据窃电攻击模型结合电力消费数据构建窃电样本，构建基于残差网络结构的特征提取器，从样本数据中提取高维特征，并将多通道的高维特征展开，得到一维特征向量；步骤S2，构建窃电识别层和窃电时间段检测层，并将一维特征向量输入到其中；构建共享隐藏层，引入Softmax激活函数构建窃电识别层；基于共享隐藏层，引入Sigmoid激活函数构建窃电时间段检测层；将步骤S1处理得到的一维特征通过dropout层输入两个任务层模块；步骤S3，模型训练；基于任务不确定度构建基于同方差不确定性的多任务自适应损失函数，平衡回归与分类任务的训练过程，建立窃电时段检测准确率评价指标，并使用ACC评价窃电用户识别准确性，最终模型能同时输出识别到的窃电用户及其对应窃电时段。2.根据权利要求1所述的窃电用户识别与窃电时间段检测方法，其特征在于，步骤1中，经过残差网络提取得到64个通道的高维特征数据，其中每个通道包含8个特征值；将多通道的高维特征展开，得到长度为512的一维特征向量。3.根据权利要求1所述的窃电用户识别与窃电时间段检测方法，其特征在于，步骤2中，基于包含128个神经元的全连接神经网络构建共享隐藏层，对特征提取器提取的一维特征向量进行维度变换；在共享隐藏层和特征提取器之间添加Dropout层防止模型过拟合；引入Softmax激活函数构建窃电识别层，输出是否窃电。4.根据权利要求1所述的窃电用户识别与窃电时间段检测方法，其特征在于，步骤1中，所述的残差网络的模型为：y1＝F(x1，w1)+g(x1)x
l+1
＝f(y1)式中，x
l...

【专利技术属性】
技术研发人员：高云鹏，郑思凡，李云峰，顾德喜，陈康，石军浩，庄悦，张奇文，程豪，
申请(专利权)人：湖南大学，
类型：发明
国别省市：