[發(fā)明專利]用戶用電數(shù)據(jù)異常檢測方法、裝置、計(jì)算機(jī)設(shè)備

有效

• 申請?zhí)枺?/td>: 202110377478.6
• 申請日: 2021-04-08
• 公開（公告）號: CN113284000B
• 公開（公告）日: 2023-04-04
• 發(fā)明（設(shè)計(jì)）人: 鄭楷洪;周尚禮;張文瀚;龔起航;陳敏娜
• 申請（專利權(quán)）人: 南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06F18/22;G06F18/214;G06N3/0895
• 代理公司: 華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 聶榕

本申請涉及一種用戶用電數(shù)據(jù)異常檢測方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)。所述方法包括：獲取用戶的歷史用電數(shù)據(jù)和當(dāng)前時(shí)刻的真實(shí)用電數(shù)據(jù)；將所述歷史用電數(shù)據(jù)輸入到訓(xùn)練好的異常檢測模型，確定所述歷史用戶數(shù)據(jù)的第一玻爾茲曼分布特征，根據(jù)所述第一玻爾茲曼分布特征輸出當(dāng)前時(shí)刻的預(yù)測用電數(shù)據(jù)；根據(jù)所述預(yù)測用電數(shù)據(jù)和所述真實(shí)用電數(shù)據(jù)進(jìn)行計(jì)算，得到預(yù)測用電數(shù)據(jù)和真實(shí)用電數(shù)據(jù)之間的距離；當(dāng)所述距離大于預(yù)設(shè)閾值時(shí)，將所述真實(shí)用電數(shù)據(jù)標(biāo)記為異常用電數(shù)據(jù)。采用本方法能夠提高異常用電數(shù)據(jù)識別的準(zhǔn)確性。

技術(shù)領(lǐng)域

本申請涉及用戶用電數(shù)據(jù)處理技術(shù)領(lǐng)域，特別是涉及一種用戶用電數(shù)據(jù)異常檢測方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)。

背景技術(shù)

隨著用戶用電數(shù)據(jù)處理技術(shù)的發(fā)展，由于竊電、電表故障等各種原因，會導(dǎo)致用戶用電數(shù)據(jù)異常，為了及時(shí)發(fā)現(xiàn)用戶用電數(shù)據(jù)異常，并對用戶用電數(shù)據(jù)異常的原因作出合理分析、判斷，出現(xiàn)了用戶用電數(shù)據(jù)異常檢測技術(shù)。

傳統(tǒng)技術(shù)中，從用電數(shù)據(jù)的時(shí)序性的角度出發(fā)，提出的方法大致可以分為兩類：無監(jiān)督學(xué)習(xí)方法和監(jiān)督學(xué)習(xí)方法。基于無監(jiān)督學(xué)習(xí)的方法主要包含聚類分析、時(shí)間序列聚類等。此類方法的關(guān)鍵在于定義距離度量來建模異常用電與正常用電數(shù)據(jù)之間的相異度，從而確定用戶用電數(shù)據(jù)中的異常用電數(shù)據(jù)。監(jiān)督學(xué)習(xí)方法包括決策樹，支持向量機(jī)，人工神經(jīng)網(wǎng)絡(luò)等模型，通過大量含有標(biāo)簽信息的用戶用電數(shù)據(jù)，訓(xùn)練大量用戶用電數(shù)據(jù)，從而識別異常用電數(shù)據(jù)。

然而，傳統(tǒng)方法中，無監(jiān)督學(xué)習(xí)中不同行業(yè)用電的時(shí)序特性差別較大，在沒有對各用戶用電特征進(jìn)行合理度量化時(shí)，很難確定差別較大是用戶異常用電還是由于行業(yè)用電的特征引起的，因而容易造成異常用電數(shù)據(jù)的錯(cuò)誤識別。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種提高異常用電數(shù)據(jù)識別準(zhǔn)確度的用戶用電數(shù)據(jù)異常檢測方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)。

一種用戶用電數(shù)據(jù)異常檢測方法，所述方法包括：

獲取用戶的歷史用電數(shù)據(jù)和當(dāng)前時(shí)刻的真實(shí)用電數(shù)據(jù)；

將所述歷史用電數(shù)據(jù)輸入到訓(xùn)練好的異常檢測模型，確定所述歷史用戶數(shù)據(jù)的第一玻爾茲曼分布特征，根據(jù)所述第一玻爾茲曼分布特征輸出當(dāng)前時(shí)刻的預(yù)測用電數(shù)據(jù)；

根據(jù)所述預(yù)測用電數(shù)據(jù)和所述真實(shí)用電數(shù)據(jù)進(jìn)行計(jì)算，得到預(yù)測用電數(shù)據(jù)和真實(shí)用電數(shù)據(jù)之間的距離；

當(dāng)所述距離大于預(yù)設(shè)閾值時(shí)，將所述真實(shí)用電數(shù)據(jù)標(biāo)記為異常用電數(shù)據(jù)。

在其中一個(gè)實(shí)施例中，獲取時(shí)序化的各行業(yè)用電量數(shù)據(jù)和對應(yīng)的標(biāo)注的所屬數(shù)據(jù)標(biāo)簽；

將所述時(shí)序化的各行業(yè)用電量數(shù)據(jù)和數(shù)據(jù)標(biāo)簽作為異常檢測模型的輸入值，得到參數(shù)化的玻爾茲曼分布；

根據(jù)所述參數(shù)化的玻爾茲曼分布和所屬的數(shù)據(jù)標(biāo)簽，訓(xùn)練得到所述異常檢測模型；其中，模型訓(xùn)練目標(biāo)使正常標(biāo)簽的用電數(shù)據(jù)的玻爾茲曼分布特征和異常標(biāo)簽的用電數(shù)據(jù)的玻爾茲曼分布特征距離相異且遠(yuǎn)離。

在其中一個(gè)實(shí)施例中，將所述時(shí)序化的各行業(yè)用電量數(shù)據(jù)和數(shù)據(jù)標(biāo)簽作為異常檢測模型的輸入值，得到參數(shù)化的玻爾茲曼分布，包括：

根據(jù)所述數(shù)據(jù)標(biāo)簽和時(shí)序化的各行業(yè)用電數(shù)據(jù)，得到二值隱式表達(dá)；

根據(jù)所述二值隱式表達(dá)計(jì)算得到實(shí)值隱式表達(dá)；

根據(jù)所述二值隱式表達(dá)和所述實(shí)值隱式表達(dá)，得到參數(shù)化的玻爾茲曼分布。

在其中一個(gè)實(shí)施例中，根據(jù)所述參數(shù)化的玻爾茲曼分布和所屬的數(shù)據(jù)標(biāo)簽，訓(xùn)練得到所述異常檢測模型，包括：

通過神經(jīng)網(wǎng)絡(luò)結(jié)合所述參數(shù)化的玻爾茲曼分布中的正常標(biāo)簽的用電數(shù)據(jù)、異常標(biāo)簽的用電數(shù)據(jù)進(jìn)行訓(xùn)練，得到損失函數(shù)；