[发明专利]一种居民用电负荷异常数据的识别方法

说明书

本发明公开了一种居民用电负荷异常数据的识别方法。包括以下步骤：首先以AP聚类算法对原始电力负荷数据进行处理，将大量实测采样数据划分为若干个聚类，将连续变状态设备的负荷离散化处理得到有限个状态，得到样本设备的工作功率集，建立负荷分类的LSTM网络模型，将处理后的数据带入到网络模型中，利用输入模型中的数据预测下一个序列的数据。将预测到的数据作为标准值，设定一个上下浮动的阈值范围。若实测值低于阈值，则判定为有异常的偷电现象。本方法以稳态功率作为负荷特征，充分考虑到了数据的时序性，能够比对出异常数据，达到反窃电的目的。

技术领域

本发明涉及一种居民用电负荷异常数据的识别方法。

背景技术

智能用电是智能电网中重要的一部分，非侵入式电力负荷识别与预测是智能用电的关键环节。对用户用电数据的进一步采集和分析可以进使电网更加易于实施反窃电政策，同时也会对的需求侧管理更加方便，提高对能源的利用率。目前现有的方式主要为侵入式和非侵入式两种，非侵入式方法成本低、实用性强，对智能用电的发展有很大帮助。关于反窃电，目前主要是在依靠员工逐步排查，判断是否存在窃电行为或者异常用电。然而这种挨家挨户的排查方式，效率过于低下。并且对于普遍的窃电技术，如欠流窃电法，很难排查出来。

发明内容

有鉴于此，本发明针对现有技术存在的问题，提供了一种居民用电负荷异常数据的识别方法。该方法可以实现对非侵入式负荷的检测，通过智能电能表对用户的用电情况的实时检测，能够及时的发现异常数据，提高了出现偷电情况时的响应度。

为了解决现有技术存在的上述问题，本发明采用如下的技术方案：

一种居民用电负荷异常数据的识别方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

本发明所具有的优点和有益效果是：