【技术实现步骤摘要】
本专利技术属于电力数据分析，特别涉及一种基于频谱学习与张量分解的用电异常检测方法和系统。
技术介绍
1、随着智能电网的普及，利用智能电网进行营销采集领域中的用户行为检测成为了很有价值的研究内容。通过对用户用电行为的合理推测，电网一方面能够减轻供电负荷压力，另一方面能够避免异常的用电行为影响电网的正常运行或对经济造成损失。用电异常检测主要是指通过判断当前某一时间的用电负荷是否偏离正常的用电量来检测是否发生异常，其中异常主要包括窃电以及计量装置异常。发生用电异常通常会给电网安全带来极大的隐患。
2、传统的异常检测方法可以分为基于密度的方法，基于距离的方法，基于统计学的方法，以及深度学习模型等等。基于密度的方法可以通过lof离群点检测，比较每个观测值周围点的密度来识别相对西游的观测值；基于距离的方法可以通过knn聚类，使用距离度量来检测与其他数据点距离较远的观测值；传统的统计学的方法通过绘制箱线图来显示数据的分布范围和异常值。这些传统方法在短时单变量异常检测的任务下表现良好，但是难以捕捉到长时间多变量的异常数据。近年来，深度学习方...
【技术保护点】
1.一种基于频谱学习与张量分解的用电异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于频谱学习与张量分解的用电异常检测方法，其特征在于，所述将用户用电序列在时间方向上进行特征映射得到嵌入矩阵的过程包括：
3.根据权利要求2所述的一种基于频谱学习与张量分解的用电异常检测方法，其特征在于，所述基于所述嵌入矩阵构建数据的拓扑关系得到邻接矩阵的过程包括：用户用电序列节点i所有可能的关系可以表示为：
4.根据权利要求3所述的一种基于频谱学习与张量分解的用电异常检测方法，其特征在于，所述利用嵌入矩阵与邻接矩阵，通过图卷积...
【技术特征摘要】
1.一种基于频谱学习与张量分解的用电异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于频谱学习与张量分解的用电异常检测方法，其特征在于，所述将用户用电序列在时间方向上进行特征映射得到嵌入矩阵的过程包括：
3.根据权利要求2所述的一种基于频谱学习与张量分解的用电异常检测方法，其特征在于，所述基于所述嵌入矩阵构建数据的拓扑关系得到邻接矩阵的过程包括：用户用电序列节点i所有可能的关系可以表示为：
4.根据权利要求3所述的一种基于频谱学习与张量分解的用电异常检测方法，其特征在于，所述利用嵌入矩阵与邻接矩阵，通过图卷积获得节点层次的第一特征矩阵的过程包括：
5.根据权利要求4所述的一种基于频谱学习与张量分解的用电异常检测方法，其特征在于，所述将所述第一特征矩阵通过注意力机制得到拓扑结构的第二特征矩阵的过程包括：
6.根据权利要求5所述的一种基于频谱学习与张量分解的用...
【专利技术属性】
技术研发人员：李秀强，刘志刚，魏晓光，谢帅，孙家印，秦灏，魏卓，李秀清，
申请(专利权)人：国网山东省电力公司济南供电公司，
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。