[发明专利]基于深度加权神经网络的异常用电检测方法

说明书

本发明公开了一种基于深度加权神经网络的异常用电检测方法。本发明包括如下步骤：步骤1、数据预处理；步骤2、对预处理后的数据进行特征提取，形成特征库；步骤3、依据提取出的特征库，用DWELM算法构建异常电量的检测模型。本发明采用的DWELM算法由EH‑DrELM和改进的AdaBoost‑ID两种算法结合而成大大提高了少数样本的识别率，证明了算法的有效性。其中，EH‑DrELM比原始的ELM更好提高了表示能力，而且改进的AdaBoost‑ID解决了原始AdaBoost算法中不适用于不平衡的多类数据问题，更适用于数据类别极度不均衡的异常用电量的检测。

技术领域

本发明属于机器学习和电网营销数据挖掘领域，涉及一种基于深度加权随机神经网络不均衡数据分类的异常用电量智能检测方法。

背景技术

频繁的异常电力消耗，不仅使电力企业遭受严重的经济损失，同时还会威胁到人们的生命安全。美国智能咨询和服务公司2017年发布的针对50多个发展中国家的用电异常调查报告显示，大多数国家电力企业遭遇了异常电力消耗所带来的严重的非技术损失，每年经济损失高达64.7亿美元；2013至2016年的非技术性损失年均增长率约为11％。因此，智能高效的异常用电检测对电网管理部门至关重要。目前，我国电力企业的异常用电检测都是采用人工排查或用电数据库规则推断的方法，往往存在适用性不高、准确率和效率较低等问题。随着智能电网的蓬勃发展以及用电数据急剧增加，复杂的数据结构和海量的数据流使得传统的用电异常检测算法已不再适用。因此,研究基于人工智能的智能高效用电异常检测算法是智慧用电管理与电力营销的重要保障。

根据国家电网浙江电力公司数据统计，目前最具有代表性的用电异常种类高达几十种，但相对于庞大的正常用电数据，异常用电数据总量的比例相对较小，不超过0.3％。使得异常用电检测的建模面临的是一个典型的不均衡数据集学习问题。

一方面，传统基于均衡数据集的智能建模算法并不适用于异常用电检测，虽然传统的智能算法在不均衡数据集上仍然能保证很高的识别率，但少数样本类(minorityclass)的识别率却很低，而少数样本类往往又是不均衡数据集处理中最重要的信息；另一方面，传统浅层不均衡集处理算法在处理大规模用电数据时，往往面临着表征能力不够、时效性差等缺点。因此，如何构建高效的表征能力强泛化性能好又同时适用于不均衡用电大数据的异常用电检测模型成为一个亟待解决的问题。

针对这个问题，本发明以国网浙江电力公司营销部用电大数据为应用背景，提出基于深度不均衡随机神经网络超限学习机(DWELM)算法的异常用电检测模型，重点分析10种典型的用电异常类别检测问题，提出能够描述传统基于规则推理判别方法的用电异常数据特征表示方法。详细的发明内容如下：

发明内容

本发明针对传统异常电量消耗检测方法的不足，提出了一种更适用于不均衡数据集的基于深度加权神经网络的异常用电量检测方法。本专利以10种出现频率较高用电异常检测为例，但实际算法并不局限于10种，易于扩展。这些典型用电异常包括：1)上期电量为0且本期电量大于设定值，该异常在电力系统标示为FH04；2)总峰谷电量异常，该异常在电力系统标示为FH06；3)电量值超过合同最大电量两倍，该异常在电力系统标示为FH08；4)低压居民电量异常波动，该异常在电力系统标示为FH09；5)低压非居民电量异常波动，该异常在电力系统标示为FH10；6)高压电量异常波动，该异常在电力系统标示为FH11；7)无功异常，该异常在电力系统标示为FH14；8)光伏电量异常，该异常在电力系统标示为FH22；9)光伏电量异常波动，该异常在电力系统标示为FH24；10)环比电量异常波动，该异常在电力系统标示为FH28。为方便说明，本专利选取来自杭州余杭区部分用户近两年历史用电数据为例。

本发明的技术方案主要包括如下步骤：

步骤1、数据预处理；

步骤2、对预处理后的数据进行特征提取，形成特征库；

步骤3、依据提取出的特征库，用DWELM算法构建异常电量的检测模型。