一种基于用电趋势量化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用电趋势量化网络的异常用电检测方法，属于用电行为分析技术领域。本发明专利技术的主要创新之处在于，搭建包括用电趋势信息提取层、量化网络层、归一化层以及深度时间序列分类网络的异常用电检测模型。其中，用电趋势信息提取层通过分时用电按日同比相除提取用电趋势变化信息；量化网络层可以解决分时用电按日同比相除后数据范围过大的问题，并可以消除用电行为的随机性导致的用电数据中的正常波动对异常用电检测产生的影响；归一化层的目的在于保留用电数据的时段信息；最后将量化结果与归一化处理结果合并后输入深度时间序列分类网络，并以最小化分类损失为目标，对异常用电检测模型进行训练；训练后的模型用于异常用电检测。型用于异常用电检测。型用于异常用电检测。

【技术实现步骤摘要】
一种基于用电趋势量化网络的异常用电检测方法


[0001]本专利技术属于用电行为分析
，更具体地，涉及一种基于用电趋势量化网络的异常用电检测方法。

技术介绍

[0002]异常用电检测是电网安全运行的重要支撑。在电网运行中，计量设备故障、用户窃电等均会导致电网公司采集不到用户真实的用电数据，这些数据为异常用电数据。异常用电会影响电网的调度以及供电安全，并使电力部门承受巨大的经济损失。如何利用智能电网收集的高精度、细时间粒度的用户用电数据进行有效异常用电检测具有重要意义，通过主动发现用电数据异常，能够及时对异常的计量装置维修或对窃电用户进行电费补缴和罚款，降低电力损失并保证电网的运行安全。
[0003]基于数据驱动的异常用电检测技术通过分析大量的用电数据，识别出异常用电的模式和特征，从而实现对异常用电的检测和识别。虽然已有许多基于数据驱动的研究致力于提高异常用电检测的准确率和可靠性，但这些研究主要只针对单一数据源进行了验证和测试，未考虑模型在未知场景下的检测问题。不同地域，不同时间，不同用户类型的用户的用电行为存在很大差异。训练用户特定的检测器极为耗费资源也不现实，而训练用户通用的检测器就不可避免的要考虑待检测用户数据与训练集用户数据的分布差异，现有的用户通用的检测器模型大多假设训练集和测试集同分布，在未知场景下的泛化能力不足。
[0004]现有的基于数据驱动的异常用电检测方法主要可分为机器学习方法和深度学习方法。机器学习方法大部分需要人工提取特征，再通过聚类、离群点检测、分类等算法进行处理最终找出异常用电用户，提取特征与当前训练集数据分布高度相关，当数据分布发生变化时，之前提取到的特征会失效，不具有良好的跨域泛化性。深度学习方法具有较强的数据建模和表征能力，能够更好地挖掘数据之间的内在联系和规律，且不依赖于人工建模，但当前的研究往往局限于特定用户检测或同用户域检测，未考虑到模型跨领域后的性能退化问题。
[0005]因此，研究如何提升异常用电检测模型的跨域泛化能力有助于提高异常用电检测的实际应用效果，为电力系统的安全稳定运行和智能化发展提供有力的支持和保障。

技术实现思路

[0006]针对现有技术的缺陷和改进需求，本专利技术提供了一种基于用电趋势量化网络的异常用电检测方法，其目的在于解决现有异常用电检测模型在未知场景下性能退化明显的技术问题。
[0007]为实现上述目的，第一方面，本专利技术提供了一种基于用电趋势量化网络的异常用电检测模型的构建方法，包括以下步骤：
[0008]获取连续N天的用电量时序数据，并对其进行标注，作为训练样本集；其中，N为大于等于2的整数；
[0009]搭建包括用电趋势信息提取层、量化网络层、归一化层以及深度时间序列分类网络的异常用电检测模型；所述用电趋势信息提取层用于将所述训练样本集中每天的采样点数据除以N天中同时刻的采样数据，得到三维数组；所述量化网络层用于求取所述三维数组中所有数据的m个分位点，并分别计算每个数据与每个分位点的距离，得到每个数据对应的m个距离值，再通过神经网络将各距离值映射到n个量化区间，使用soft
‑
argmax获得每个数据对应的量化结果；所述归一化层用于对训练样本集中数据进行归一化处理；其中，n为量化网络层的量化级数；
[0010]将所述量化结果与归一化处理结果合并后输入所述深度时间序列分类网络，并以最小化分类损失为目标，对所述异常用电检测模型进行训练。
[0011]进一步地，在获得所述三维数组的过程中，当遇到需要除以当日之后每一天中同时刻的采样数据时直接填充为1。
[0012]进一步地，在所述量化网络层求取所述三维数组中所有数据的m个分位点之前，还包括：将所述三维数组中最后一行数据舍弃，并将缩减后的三维数组输入所述量化网络层。
[0013]第二方面，本专利技术提供了一种基于用电趋势量化网络的异常用电检测方法，包括：将待检测的用电量时序数据输入到采用第一方面所述的基于用电趋势量化网络的异常用电检测模型的构建方法所构建的异常用电检测模型中，输出检测结果。
[0014]第三方面，本专利技术提供了一种基于用电趋势量化网络的异常用电检测模型的构建装置，包括：
[0015]获取模块，用于获取连续N天的用电量时序数据，并对其进行标注，作为训练样本集；其中，N为大于等于2的整数；
[0016]搭建模块，用于搭建包括用电趋势信息提取层、量化网络层、归一化层以及深度时间序列分类网络的异常用电检测模型；所述用电趋势信息提取层用于将所述训练样本集中每天的采样点数据除以N天中同时刻的采样数据，得到三维数组；所述量化网络层用于求取所述三维数组中所有数据的m个分位点，并分别计算每个数据与每个分位点的距离，得到每个数据对应的m个距离值，再通过神经网络将各距离值映射到n个量化区间，使用soft
‑
argmax获得每个数据对应的量化结果；所述归一化层用于对训练样本集中数据进行归一化处理；其中，n为量化网络层的量化级数；
[0017]训练模块，用于将所述量化结果与归一化处理结果合并后输入所述深度时间序列分类网络，并以最小化分类损失为目标，对所述异常用电检测模型进行训练。
[0018]第四方面，本专利技术提供了一种基于用电趋势量化网络的异常用电检测装置，包括检测模块，所述检测模块用于将待检测的用电量时序数据输入到采用第三方面所述的基于用电趋势量化网络的异常用电检测模型的构建装置所构建的异常用电检测模型中，输出检测结果。
[0019]第五方面，本专利技术提供了一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如第一方面所述的基于用电趋势量化网络的异常用电检测模型的构建方法和/或如第二方面所述的基于用电趋势量化网络的异常用电检测方法。
[0020]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0021]本专利技术的主要创新之处在于，搭建包括用电趋势信息提取层、量化网络层、归一化
层以及深度时间序列分类网络的异常用电检测模型。其中，用电趋势信息提取层通过分时用电按日同比相除提取用电趋势变化信息；量化网络层可以解决分时用电按日同比相除后数据范围过大的问题，并可以消除用电行为的随机性导致的用电数据中的正常波动对异常用电检测产生的影响；归一化层的目的在于保留用电数据的时段信息；最后将量化结果与归一化处理结果合并后输入深度时间序列分类网络，并以最小化分类损失为目标，对异常用电检测模型进行训练；训练后的模型用于异常用电检测。如此，本专利技术无需人工提取用电特征，就能够捕捉与领域无关的异常用电信息，具有良好的跨域检测能力。
附图说明
[0022]图1是本专利技术实施例提供的基于用电趋势量化网络的异常用电检测模型的构建方法的流程示意图；
[0023]图2是本专利技术实施例提供的异常用电检测模型结构图；
[0024]图3是本专利技术实施例提供的用电趋势信息提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用电趋势量化网络的异常用电检测模型的构建方法，其特征在于，包括以下步骤：获取连续N天的用电量时序数据，并对其进行标注，作为训练样本集；其中，N为大于等于2的整数；搭建包括用电趋势信息提取层、量化网络层、归一化层以及深度时间序列分类网络的异常用电检测模型；所述用电趋势信息提取层用于将所述训练样本集中每天的采样点数据除以N天中同时刻的采样数据，得到三维数组；所述量化网络层用于求取所述三维数组中所有数据的m个分位点，并分别计算每个数据与每个分位点的距离，得到每个数据对应的m个距离值，再通过神经网络将各距离值映射到n个量化区间，使用soft
‑
argmax获得每个数据对应的量化结果；所述归一化层用于对训练样本集中数据进行归一化处理；其中，n为量化网络层的量化级数；将所述量化结果与归一化处理结果合并后输入所述深度时间序列分类网络，并以最小化分类损失为目标，对所述异常用电检测模型进行训练。2.根据权利要求1所述的基于用电趋势量化网络的异常用电检测模型的构建方法，其特征在于，在获得所述三维数组的过程中，当遇到需要除以当日之后每一天中同时刻的采样数据时直接填充为1。3.根据权利要求2所述的基于用电趋势量化网络的异常用电检测模型的构建方法，其特征在于，在所述量化网络层求取所述三维数组中所有数据的m个分位点之前，还包括：将所述三维数组中最后一行数据舍弃，并将缩减后的三维数组输入所述量化网络层。4.一种基于用电趋势量化网络的异常用电检测方法，其特征在于，包括：将待检测的用电量时序数据输入到采用权利要求1至3任一项所述的基于用电趋势量化网络的异常用电检测模型的构建方法所构建的异常用电检测模型中...

【专利技术属性】
技术研发人员：王非，孟东，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：