【技术实现步骤摘要】
本专利技术属于智能电网领域，涉及一种基于多目标优化及时域卷积神经网络的窃电检测方法。
技术介绍
1、智能电网输、配电过程中存在电力技术性损失与非技术性损失，其中电力技术损失为线损、变压器铁损与铜损等。而非技术性损失指用户通过一定的技术和设备非法篡改智能电表或入侵电力系统，造成用户用电量低于实际用电量的行为。这些窃电行为严重损害电网的经济利益，并给人民的用电安全带来隐患。因此，研究有效的窃电检测方法具有十分重要的意义。
2、然而，用户用电行为的多样性及窃电行为的隐蔽性，导致当前窃电检测方法的误检率与检出率难以同时满足工程实践需求。因此，有必要设计一种基于多目标优化及时域卷积神经网络的窃电检测方法。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于多目标优化及时域卷积神经网络的窃电检测方法，本专利技术主要针对当前电网窃电检测误检率高与检出率低的问题，采用nsga-ⅲ提高窃电检测模型的检出率并降低误检率。针对现有技术存在的技术问题，本专利技术建立准确率、检出率与误检率三个维度的目标函数，提出一种改进时域卷积神经网络的窃电检测多目标优化方法。
2、专利技术的技术解决方案如下：
3、一种基于多目标优化及时域卷积神经网络的窃电检测方法，包括以下步骤：
4、步骤s1：数据采集；
5、步骤s2：构建模型；
6、模型为基于时域卷积神经网络的用于窃电检测的多目标优化模型；
7、步骤s3：对模型进行训练；p>
8、采用梯度下降算法对模型的进行第一阶段训练；
9、通过非支配排序遗传算法对模型进行第二阶段训练。
10、所述步骤s1中，从用户用电信息采集系统获取用户的电力数据，并根据现场稽查结果为每个用户生成窃电标签，构建窃电数据集。
11、所述步骤s1中的数据集分为训练集、测试集和验证集三个部分，比例为6：2：2。
12、所述步骤s2中构建的时域卷积神经网络包括特征提取网络和二分类网络；
13、特征提取网络包括4个残差块和一个cbam特征融合层，每个残差块包括两个时域卷积层、一个快捷连接、两个bn权值归一化、两个relu激活函数；二分类网络采用sigmoid分类器输出窃电概率；
14、特征提取网络与二分类网络之间采用全局最大值池化连接，其作用是将一维卷积神经网络的输出降维并展开成一维特征向量。
15、步骤s2中：
16、时域卷积神经网络中的每层残差块引入侧输出网络结构层，每层的残差块首先通过因果、膨胀卷积核提取各层用户用电信息的特征，然后通过短路连接的方式连接多层因果、膨胀卷积核的输入和输出，使模型在训练中自动选择该因果、膨胀卷积核的接入比例，依次得到用户用电信息的低层、中层和高层特征，并通过cbam注意力机制调整用户用电信息的低层、中层和高层特征的权重系数，建立特征融合层，自适应分配各层特征的权重，保留窃电敏感特征。
17、所述步骤s3具体实现步骤为：
18、s31：采用梯度下降法算法完成第一阶段训练，得到初步的窃电检测模型；
19、s32：根据初步的窃电检测模型的混淆矩阵构建准确率、检出率与误检率三个维度的多目标优化函数，用来优化模型的误检率、检出率与准确率；
20、s33：在步骤s31得到的初步模型基础上，采用三代非支配排序遗传算法(non-dominated sorting genetic algorithm,nsga-ⅲ)对准确率、检出率与误检率三个维度的多目标优化函数进行优化，完成第二阶段训练，训练过程中保留特征提取网络，只对分类器网络进行权重更新，得到最终的模型。
21、所述步骤s32中基于窃电检测的混淆矩阵误建立准确率、检出率与误检率三个维度的多目标优化函数，其过程为：
22、首先，根据表1混淆矩阵构建多维度的评价指标对窃电模型进行全面评估
23、表1混淆矩阵
24、
25、根据表1混淆矩阵，分别构建：
26、(1)窃电评价指标正确率acc＝(tp+tn)/(tp+fp+tn+fn)：所有预测样本中预测正确的比例；
27、(2)检出率tpr＝tp/(tp+fn)：实际异常用户中预测正确样本的占比；
28、(3)误检率fpr＝fp/(fp+fn)：正常用户中被误检为异常用户的比例；
29、(4)f1＝2tp/(2tp+fn+fp)：为兼顾tpr和fpr的综合指标；
30、(5)auc(area under curve)：受试者工作曲线面积，描述了fpr和tpr指标变化之间的相对关系，auc数值越大，窃电检测模型性能越好；
31、根据窃电评价指标建立nsga-ⅲ多目标优化函数
32、
33、基于时域卷积神经网络设计了一个窃电检测的深度学习模型，并引入侧输出网络结构，有效提取了用户负荷数据的低维与高维特征；基于注意力机制建立特征融合层，改进时域卷积神经网络，调整低维与高维特征的重要性，减少了特征冗余。采用nsga-ⅲ算法对准确率、检出率与误检率三个维度的窃电评价指标进行多目标优化，二次优化改进时域卷积神经网络中全连接层的权重与阈值，提高窃电检测模型的检出率并降低误检率。
34、有益效果：
35、本专利技术公开了一种基于多目标优化及时域卷积神经网络的窃电检测方法，包括：s01，从用户用电信息采集系统获取用户的电力数据，构建窃电数据集；s02，构建改进时域卷积神经网络的窃电检测多目标优化模型；s03，采用梯度下降算法优化模型的权重与阈值，实现窃电检测的高准确率，进而通过第三代非支配排序遗传算法(non-dominatedsorting genetic algorithm,nsga-ⅲ)进一步优化窃电检测模型的检出率与误检率，实现窃电检测模型的高检出率与低误检率。本专利技术主要针对当前电网窃电检测误检率高与检出率低的问题，采用nsga-ⅲ提高窃电检测模型的检出率并降低误检率。
36、本专利技术在训练的第二阶段采用三代非支配排序遗传算法(non-dominatedsorting genetic algorithm,nsga-ⅲ)对准确率、检出率与误检率三个维度的目标函数进行优化，能够解决现有窃电检测模型检出率低误检率高的问题。
本文档来自技高网...【技术保护点】
1.一种基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，所述步骤S1中，从用户用电信息采集系统获取用户的电力数据，并根据现场稽查结果为每个用户生成窃电标签，构建窃电数据集。
3.根据权利要求1所述的基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，所述步骤S1中的数据集分为训练集、测试集和验证集三个部分，比例为6：2：2。
4.根据权利要求1所述的基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，所述步骤S2中构建的时域卷积神经网络包括特征提取网络和二分类网络；特征提取网络包括4个残差块和一个CBAM特征融合层，每个残差块包括两个时域卷积层、一个快捷连接、两个BN权值归一化、两个ReLU激活函数；
5.根据权利要求4所述的基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，步骤S2中：
6.根据权利要求1所述的基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，所述步骤S3具
7.根据权利要求6所述的基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，所述步骤S32中基于窃电检测的混淆矩阵误建立准确率、检出率与误检率三个维度的多目标优化函数，其过程为：
...【技术特征摘要】
1.一种基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，所述步骤s1中，从用户用电信息采集系统获取用户的电力数据，并根据现场稽查结果为每个用户生成窃电标签，构建窃电数据集。
3.根据权利要求1所述的基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，所述步骤s1中的数据集分为训练集、测试集和验证集三个部分，比例为6：2：2。
4.根据权利要求1所述的基于多目标优化及时域卷积神经网络的窃电检测方法，其特征在于，所述步骤s2中构建的时域卷积神经网络...
【专利技术属性】
技术研发人员：高云鹏，陈康，蔡梓文，赵云，李云峰，肖勇，张奇文，陆煜锌，庄悦，王浩林，
申请(专利权)人：湖南大学，
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。