[发明专利]一种居民用电负荷异常数据的识别方法

权利要求书

1.一种居民用电负荷异常数据的识别方法，其特征在于，包括以下步骤：

步骤一：对获取的原始电力负荷数据进行归一化处理，并将处理过的数据通过AP聚类算法划分为若干个聚类；

步骤二：构建长短时记忆神经网络模型，调整网络内部超参数；

步骤三：将划分为若干个聚类后的数据按照时序输入长短时记忆神经网络模型，预测下一个序列数据；

步骤四：将长短时记忆神经网络模型预测出的序列数据作为标准值，设定一个上下浮动的阈值，若实测值低于阈值范围则判定为异常数据，存在偷电现象。

2.根据权利要求1所述的一种居民用电负荷异常数据的识别方法，其特征在于：所述长短时记忆神经网络模型包括数据采集层、输入层、LSTM层、dropout层、全连接层、softmax层和输出层。

3.根据权利要求2所述的一种居民用电负荷异常数据的识别方法，其特征在于：

所述输入层用于将通过AP聚类算法处理后的数据转化为网络输入的格式；所述LSTM层用于LSTM网络训练；

所述dropout层用于防止网络过拟合；

所述输出层用于输出电器识别的分类结果。

4.根据权利要求1所述的一种居民用电负荷异常数据的识别方法，其特征在于：

所述步骤一中针对负荷功率连续变化的情况，根据聚类结果确定设备的功率区段代表值，据此得到样本设备的工作功率集。

5.根据权利要求1所述的一种居民用电负荷异常数据的识别方法，其特征在于：步骤二所述调整网络内部超参数包括以下步骤：

按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，用门激活函数调整对应的传入门，遗忘门、备选门和输入门的超参数。

6.根据权利1要求所述的一种居民用电负荷异常数据的识别方法其特征在于，所述步骤三中将步骤一中处理过的数据按照时序输入长短时记忆神经网络模型，包括以下步骤：

将处理过的数据输入对应的长短时记忆神经网络模型中进行模型训练，并设定两个网络训练终止指标div(s)和ω，若两个所述网络训练终止指标div(s)和ω的值中任意一个小于设定值，则重新调整网络内部超参数进行模型训练，直到两个网络训练终止指标值都满足要求。