[发明专利]用电异常数据检测方法和装置

权利要求书

1.一种用电异常数据检测方法，其特征在于，包括以下步骤：

获取待测试的用电时序数据和用电异常数据检测模型；其中，所述用电异常数据检测模型是以历史用电大数据为训练样本对改进的BP神经网络模型进行学习训练得到的；所述改进的BP神经网络模型为利用连接权值修正量来动态调整多层神经网络中输入层节点、隐含层节点和输出层节点中各节点的连接权值，直至输出层节点输出与期望输出相符得到的；其中，所述连接权值修正量为通过动量因子调整得到的；

根据所述待测试的用电时序数据和所述用电异常数据检测模型，检测所述待测试的用电时序数据中的异常数据；

其中，获得所述的改进的BP神经网络模型的步骤包括：

利用加动量项算法调整所述BP网络模型中的网络参数，获得所述改进的BP神经网络模型；所述网络参数包括所述输入层节点、所述隐含层节点和所述输出层节点中各节点的连接权值；

其中，调整所述网络参数的步骤包括：

在所述BP神经网络模型的误差反向传播过程中，利用连接权值修正量来动态调整所述输入层、所述隐含层和所述输出层节点中各节点的连接权值，所述连接权值修正方法如下:

W_ij(t+1)＝W_ij(t)+αΔW_ij(t)

其中，W_ij表示节点j与节点i的连接权值、ΔW_ij(t)表示连接权值修正量、t表示迭代次数、α表示动量因子、ε表示学习步长、表示神经元节点j在隐含层k-1层的输出值、表示节点j与节点i连接权值的修正误差系数。

2.根据权利要求1所述的用电异常数据检测方法，其特征在于，以历史用电大数据为训练样本对改进的BP神经网络模型进行学习训练步骤包括：

对所述历史用电大数据进行异常特征的提取，并根据所述异常特征将所述历史用电大数据分成正常数据和异常数据；

分别利用所述正常数据和所述异常数据对所述改进的BP神经网络模型进行学习训练，得到所述用电异常数据检测模型；其中，在利用所述异常数据对改进的BP神经网络模型进行学习训练时，利用添加惩罚因子的方式反向训练所述BP神经网络模型。

3.根据权利要求1或2所述的用电异常数据检测方法，其特征在于，根据所述待测试的用电时序数据和所述用电异常数据检测模型，确定所述待测试的用电时序数据中的异常数据的步骤包括：

利用所述用电异常数据检测模型，对所述待测试的用电时序数据进行逐个检测输出，得到所述测试的用电时序数据的输出值；

在所述测试的用电时序数据的输出值与所述测试的用电时序数据的实际值之差的绝对值大于预设的阈值时，确认所述用电时序数据为异常数据。

4.根据权利要求3所述的用电异常数据检测方法，其特征在于，在确认所述用电时序数据为异常数据的步骤中：

所述待测试的用电时序数据中异常数据的个数大于预设的个数时，判定所述待测试的用电时序数据为连续异常数据。

5.根据权利要求1所述的用电异常数据检测方法，其特征在于，还通过以下步骤获得所述的改进的BP神经网络模型：

确定输入层节点、隐含层节点和输出层节点、隐含层层数以及激活函数，建立BP神经网络模型；

其中，调整所述网络参数的步骤还包括：

当节点i为输出层m神经元时，将确认为

当节点i为隐含层k神经元时，将确认为

其中，表示输出层m第i个神经元节点的实际输出，y_i表示输入样本x_i的期望输出，表示神经元节点i在隐含层k层的输出值。

6.根据权利要求5所述的用电异常数据检测方法，其特征在于，在确定输入层节点、隐含层节点和输出层节点、隐含层层数以及激活函数，建立所述BP神经网络模型的步骤中：

基于如下所述激活函数，建立所述BP神经网络模型：

其中，x表示输出样本，a表示自适应梯度参数，f(x)表示激活函数。