[發明專利]基于雙向長短時記憶網絡和滑動窗輸入的反竊電識別方法

在審

• 申請號: 202011263880.3
• 申請日: 2020-11-12
• 公開（公告）號: CN112418623A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 燕躍豪;鮑薇;湯亮;曹亞旭;劉曉輝;陳啟龍;張同;安信如;劉嘉賓;馬騰肖;周心銳
• 申請（專利權）人: 國網河南省電力公司鄭州供電公司;河南煜暉能源科技有限公司;鄭州大學;國家電網有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06N3/04;G06N3/08;G06N7/00
• 代理公司: 鄭州金成知識產權事務所(普通合伙) 41121
• 代理人: 郭增欣

本發明公開了一種基于雙向長短時記憶網絡和滑動窗輸入的反竊電識別方法，從用電信息采集系統中采集竊電用戶和正常用戶的用電信息，在該用電信息中手動添加是否存在竊電行為的標簽；采用滑動窗輸入的方式輸入包括目標日在內的連續一段時間的電量數據以及目標日的標簽，通過雙向長短時記憶網絡對輸入的電量序列特征進行學習；形成竊電智能識別模型，并對用戶用電數據進行分析，判斷用戶是否具有竊電嫌疑；本發明通過對采集的竊電用戶和正常用戶的用電信息進行標簽處理，利用雙向長短時記憶網絡訓練得到竊電智能識別模型，并在貝葉斯優化算法的優化作用下，提高竊電識別模型的精度，能夠在減少反竊電工作人員工作量的同時大大提高反竊電工作的效率。

技術領域：

本發明涉及反竊電分析領域，特別是涉及一種基于雙向長短時記憶網絡和滑動窗輸入的反竊電識別方法。

背景技術：

目前，各行業的用電需求量不斷増大，電力工業在國民經濟的所有部門中扮演著提供基礎動力的角色。而供電企業作為基礎產業之一，在計算機及通信和網絡技術方面都有了較快發展，廣泛應用了自動化技術、信息技術等通信技術，但仍然存在很大問題。許多用電客戶在利益的驅使下，利用電力設備及管理等方面的漏洞，使用多種方法實施竊電行為，造成十分巨大的經濟損失。

目前已提出的竊電檢測方法有傳統人工檢測方法和基于神經網絡的檢測方法等。人工檢測針對竊電導致的用電異常采用人工抽檢的方法，缺點是針對多種多樣的竊電行為檢測難度大，收集的用電異常信息在應用時彼此不相關，從而找出用電異常用戶的概率很低，出現較高的誤報率和漏報率；基于神經網絡的檢測方法針對竊電導致的用電異常，采用非線性映射方法，該方法具有較好的泛化能力，較之人工方法可有效減小漏報率，但是很多神經網絡算法的精度并不高。

發明內容：

本發明所要解決的技術問題是：克服現有技術的不足，提供一種通過對采集的竊電用戶和正常用戶的用電信息進行標簽處理，利用雙向長短時記憶網絡訓練得到竊電智能識別模型，并在貝葉斯優化算法的優化作用下，提高竊電識別模型的精度，能夠在減少反竊電工作人員工作量的同時，大大提高反竊電工作效率的基于雙向長短時記憶網絡和滑動窗輸入的反竊電識別方法。

本發明的技術方案是：一種基于雙向長短時記憶網絡和滑動窗輸入的反竊電識別方法，其特征是：步驟一、從用電信息采集系統中采集竊電用戶和正常用戶的用電信息，在該用電信息中手動添加是否存在竊電行為的標簽，存在竊電的標為1，正常用電的標為0；

步驟二、從用電信息采集系統中采集竊電用戶和正常用戶的用電信息，從用電信息中提取用戶編號、數據日期、總電量等信息，根據總電量計算出用戶的日電量，對日電量進行歸一化處理；

步驟三、采用滑動窗輸入的方式輸入包括目標日在內的連續一段時間的電量數據以及目標日的標簽，按照一定比例劃分訓練集和測試集后，通過雙向長短時記憶網絡對輸入的訓練集電量序列特征進行學習；

步驟四、經過數據訓練，最終形成竊電智能識別模型，依據測試集，通過貝葉斯優化算法對模型的超參數進行優化調整，以提高竊電識別模型的精度；

步驟五、通過該模型對用戶用電數據進行分析，判斷用戶是否具有竊電嫌疑。

進一步的，所述步驟三中，將滑動窗口的長度設置為13，將[t-6，t+6]連續13天的電量數據作為一個輸入，第t日的用電狀態作為該輸入的目標。

進一步的，所述步驟三中，雙向長短時記憶網絡的訓練方式為序列到點的方式，即輸入一個窗口序列，對應的目標為該窗口中間日的用戶用電狀態。

進一步的，所述步驟三中，所述雙向長短時記憶網絡的輸入維度為13，輸出維度為2，隱藏層單元數為100，求解器設置為adam，訓練輪數設置為250輪，梯度閾值設置為1，初始學習率設置為0.01，在經過125輪訓練后將學習率乘以0.2來降低學習率。

進一步的，所述步驟三中，數據的前80%作為訓練集，后20%作為測試集。