[發(fā)明專利]基于多層正則化極限學習機的用電行為檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202210536401.3
• 申請日: 2022-05-18
• 公開（公告）號: CN114638555B
• 公開（公告）日: 2022-09-16
• 發(fā)明（設(shè)計）人: 黃山;王虎;詹韜;劉秋林;寧濤;詹文斌;朱云鵬;戶艷琴;彭湃;劉念;李承霖;傅皆愷;黃天翔;張延;石德文;胡志強;范志夫
• 申請（專利權(quán)）人: 國網(wǎng)江西綜合能源服務(wù)有限公司;國家電網(wǎng)有限公司;華北電力大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/08;G06K9/62;G06F16/215;G06Q50/06
• 代理公司: 南昌賢達專利代理事務(wù)所(普通合伙) 36136
• 代理人: 金一嫻

1.一種基于多層正則化極限學習機的用電行為檢測方法，其特征在于，包括：

獲取配電網(wǎng)系統(tǒng)電力用戶的原始用電數(shù)據(jù)，并基于所述原始用電數(shù)據(jù)對預設(shè)的多層正則化極限學習機進行訓練，使得到多層極限學習機檢測模型，其中所述多層正則化極限學習機的目標函數(shù)為：

式中，C為調(diào)節(jié)經(jīng)驗風險和結(jié)構(gòu)風險的參數(shù)，α為L2正則化和L1正則化的加權(quán)系數(shù)，minL為最小化目標函數(shù)，Y為輸出數(shù)據(jù)樣本集合，H為隱含層輸出矩陣，β為隱含層輸出權(quán)重，||β||₂為L2正則化的輸出權(quán)重向量范數(shù)，||β||₁為L1正則化的向量范數(shù)；

基于新型自適應(yīng)狀態(tài)轉(zhuǎn)移算法對所述多層極限學習機檢測模型進行網(wǎng)絡(luò)參數(shù)尋優(yōu)，使輸出最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，其中，基于新型自適應(yīng)狀態(tài)轉(zhuǎn)移算法對所述多層極限學習機檢測模型進行網(wǎng)絡(luò)參數(shù)尋優(yōu)的表達式為：

式中，v_k為變量空間中的當前狀態(tài)，A_k為狀態(tài)轉(zhuǎn)移矩陣，N_total為訓練樣本總數(shù)，N_actual為被正確檢測樣本的個數(shù)，F(xiàn)(v_k+1)為適應(yīng)度函數(shù)，即為用戶異常用電行為檢測錯誤率；

輸出所述最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的過程包括：

基于非線性自適應(yīng)調(diào)整策略對變換因子進行更新，其中所述變換因子包括旋轉(zhuǎn)因子、平移因子、伸縮因子以及軸向因子，所述非線性自適應(yīng)調(diào)整策略的表達式：

式中，S_a.max、S_b.max、S_c.max、S_d.max分別為旋轉(zhuǎn)因子的最大取值、平移因子的最大取值、伸縮因子的最大取值以及軸向因子的最大取值，t為當前迭代次數(shù)，T_a._max、T_b.max、T_c.max、T_d.max分別為旋轉(zhuǎn)因子滿足終止條件的最大迭代次數(shù)、平移因子滿足終止條件的最大迭代次數(shù)、伸縮因子滿足終止條件的最大迭代次數(shù)以及軸向因子滿足終止條件的最大迭代次數(shù)，a、b、c、d分別為旋轉(zhuǎn)因子、平移因子、伸縮因子以及軸向因子；

從當前種群中選擇適應(yīng)度函數(shù)F達到最小值的一組{l₁，l₂，l₃，C，α}值，記為v_best，對應(yīng)的適應(yīng)度為F_best，將v_best復制為個體數(shù)為初始化種群的個數(shù)N_SE的群體，記為v_k，根據(jù)伸縮變換算子、旋轉(zhuǎn)變換算子或軸向變換算子進行伸縮變換得到新的種群，經(jīng)過伸縮變換后的種群中的最優(yōu)個體為v_newbest，對應(yīng)的適應(yīng)度為F_newbest，如果F_newbest＜F_best，則根據(jù)平移變換算子對個體v_newbest進行平移變換，并更新平移變換后的v_best和F_best，否則不進行平移變換，其中，l₁為多層極限學習機檢測模型第一層神經(jīng)元個數(shù)，l₂為多層極限學習機檢測模型第二層神經(jīng)元個數(shù)，l₃為多層極限學習機檢測模型第三層神經(jīng)元個數(shù)，計算所述伸縮變換算子的表達式為：

v_k+1＝v_k+cR_ev_k，

式中，V_k為超參數(shù)變量k時刻的狀態(tài)，即當前狀態(tài)，v_k+1為超參數(shù)變量k+1時刻的狀態(tài)，c為平移因子，R_e為元素服從高斯分布的隨機對角矩陣；

計算所述旋轉(zhuǎn)變換算子的表達式為：

式中，a為旋轉(zhuǎn)因子，v_k為超參數(shù)變量k時刻的狀態(tài)，即當前狀態(tài)，R_r為元素服從[-1，1]均勻分布的隨機矩陣，v_k+1為超參數(shù)變量k+1時刻的狀態(tài)，n為隨機矩陣R_r的維數(shù)，||v_k||₂為超參數(shù)變量k時刻的2范數(shù)；

計算所述軸向變換算子的表達式為：

v_k+1＝v_k+dR_av_k，

式中，v_k+1為超參數(shù)變量k+1時刻的狀態(tài)，v_k為超參數(shù)變量k時刻的狀態(tài)，即當前狀態(tài)，d為軸向因子，R_a為非零元素服從高斯分布的稀疏隨機對角矩陣；計算所述平移變換算子的表達式為：

式中，v_k+1為超參數(shù)變量k+1時刻的狀態(tài)，v_k為超參數(shù)變量k時刻的狀態(tài)，即當前狀態(tài)，v_k-1為超參數(shù)變量k-1時刻的狀態(tài)，||v_k-v_k-1||₂為超參數(shù)變量k時刻與k-1時刻之差的2范數(shù)，R_t為元素服從[0，1]均勻分布的隨機數(shù)，b為平移因子；

判斷適應(yīng)度函數(shù)是否滿足最小要求或是否達到最大迭代次數(shù)，若適應(yīng)度函數(shù)滿足最小要求或達到最大迭代次數(shù)，輸出種群中的最優(yōu)個體作為最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)；

將在線檢測數(shù)據(jù)輸入至基于所述最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)建立的多層極限學習機檢測模型中，使輸出用電異常用戶。