[发明专利]InceptionTS模型的建立方法、装置及窃电检测方法、装置

权利要求书

1.一种InceptionTS模型的建立方法，其特征在于，包括：

获取训练数据集，其中，所述训练数据集中的训练数据包括窃电用户用电数据和非窃电用户用电数据；

将所述训练数据集中的训练数据输入至InceptionTS模型，得到每一训练数据的分类向量，其中，所述分类向量包括窃电类别；

根据所述分类向量及其对应训练数据的所属窃电类别构建损失函数；

基于所述损失函数对所述InceptionTS模型进行训练，得到训练好的InceptionTS模型。

2.根据权利要求1所述的InceptionTS模型的建立方法，其特征在于，将所述训练数据集中的训练数据输入至InceptionTS模型，得到每一训练数据的分类向量，包括：

将所述训练数据集中的训练数据输入多层第一Inception Block网络，得到第一张量，同时将所述训练数据集中的训练数据输入第一残差结构，得到第二张量，并将所述第一张量和所述第二张量进行相加后，通过第一激活层得到第三张量，其中，每层所述第一Inception Block网络之后加入了第一批标准化层和第二激活层，所述第一残差结构包括第一卷积层和第二批标准化层；

将所述第三张量输入多层第二Inception Block网络，得到第四张量，同时将所述第三张量输入第二残差结构，得到第五张量，并将所述第四张量和所述第五张量进行相加后，通过第三激活层得到目标张量，其中，每层所述第二Inception Block网络之后加入了第三批标准化层和第四激活层，所述第二残差结构包括第二卷积层和第四批标准化层；

将所述目标张量依次输入平均池化层和全连接层，得到所述分类向量。

3.根据权利要求2所述的InceptionTS模型的建立方法，其特征在于，将所述训练数据集中的训练数据输入Inception Block网络，包括：

将所述训练数据集中的训练数据分别输入至第一结构和第二结构，对应得到第六张量和多个第七张量，其中，所述第一结构包括依次连接的池化层和LSTM长短期记忆网络层，所述第二结构包括依次连接的第三卷积层和卷积层组，所述卷积层组包括与所述第三卷积层分别连接的多个第四卷积层，所述多个第四卷积层的大小不同；

将所述第六张量和所述多个第七张量合并输入FilterConcatenation混合层，得到第八张量。

4.根据权利要求1所述的InceptionTS模型的建立方法，其特征在于，所述损失函数使用交叉熵损失函数，所述交叉熵损失函数的表达式为：

其中，CE表示所述交叉熵损失函数，p_i表示第i个训练数据所属的窃电类别标签，第i个训练数据属于窃电用电数据时，p_i＝1，第i个训练数据属于非窃电用电数据时，p_i＝0，s_i表示第i个训练数据属于窃电用电数据的概率，C表示窃电类别的数量。

5.根据权利要求4所述的InceptionTS模型的建立方法，其特征在于，所述损失函数收敛至最小时，对应的InceptionTS模型为所述训练好的InceptionTS模型。