[发明专利]用户用电数据异常检测方法、装置、计算机设备

说明书

本申请涉及一种用户用电数据异常检测方法、装置、计算机设备和存储介质。所述方法包括：获取用户的历史用电数据和当前时刻的真实用电数据；将所述历史用电数据输入到训练好的异常检测模型，确定所述历史用户数据的第一玻尔兹曼分布特征，根据所述第一玻尔兹曼分布特征输出当前时刻的预测用电数据；根据所述预测用电数据和所述真实用电数据进行计算，得到预测用电数据和真实用电数据之间的距离；当所述距离大于预设阈值时，将所述真实用电数据标记为异常用电数据。采用本方法能够提高异常用电数据识别的准确性。

技术领域

本申请涉及用户用电数据处理技术领域，特别是涉及一种用户用电数据异常检测方法、装置、计算机设备和存储介质。

背景技术

随着用户用电数据处理技术的发展，由于窃电、电表故障等各种原因，会导致用户用电数据异常，为了及时发现用户用电数据异常，并对用户用电数据异常的原因作出合理分析、判断，出现了用户用电数据异常检测技术。

传统技术中，从用电数据的时序性的角度出发，提出的方法大致可以分为两类：无监督学习方法和监督学习方法。基于无监督学习的方法主要包含聚类分析、时间序列聚类等。此类方法的关键在于定义距离度量来建模异常用电与正常用电数据之间的相异度，从而确定用户用电数据中的异常用电数据。监督学习方法包括决策树，支持向量机，人工神经网络等模型，通过大量含有标签信息的用户用电数据，训练大量用户用电数据，从而识别异常用电数据。

然而，传统方法中，无监督学习中不同行业用电的时序特性差别较大，在没有对各用户用电特征进行合理度量化时，很难确定差别较大是用户异常用电还是由于行业用电的特征引起的，因而容易造成异常用电数据的错误识别。

发明内容

基于此，有必要针对上述技术问题，提供一种提高异常用电数据识别准确度的用户用电数据异常检测方法、装置、计算机设备和存储介质。

一种用户用电数据异常检测方法，所述方法包括：

获取用户的历史用电数据和当前时刻的真实用电数据；

将所述历史用电数据输入到训练好的异常检测模型，确定所述历史用户数据的第一玻尔兹曼分布特征，根据所述第一玻尔兹曼分布特征输出当前时刻的预测用电数据；

根据所述预测用电数据和所述真实用电数据进行计算，得到预测用电数据和真实用电数据之间的距离；

当所述距离大于预设阈值时，将所述真实用电数据标记为异常用电数据。

在其中一个实施例中，获取时序化的各行业用电量数据和对应的标注的所属数据标签；

将所述时序化的各行业用电量数据和数据标签作为异常检测模型的输入值，得到参数化的玻尔兹曼分布；

根据所述参数化的玻尔兹曼分布和所属的数据标签，训练得到所述异常检测模型；其中，模型训练目标使正常标签的用电数据的玻尔兹曼分布特征和异常标签的用电数据的玻尔兹曼分布特征距离相异且远离。

在其中一个实施例中，将所述时序化的各行业用电量数据和数据标签作为异常检测模型的输入值，得到参数化的玻尔兹曼分布，包括：

根据所述数据标签和时序化的各行业用电数据，得到二值隐式表达；

根据所述二值隐式表达计算得到实值隐式表达；

根据所述二值隐式表达和所述实值隐式表达，得到参数化的玻尔兹曼分布。

在其中一个实施例中，根据所述参数化的玻尔兹曼分布和所属的数据标签，训练得到所述异常检测模型，包括：

通过神经网络结合所述参数化的玻尔兹曼分布中的正常标签的用电数据、异常标签的用电数据进行训练，得到损失函数；