[发明专利]基于多层正则化极限学习机的用电行为检测方法及系统

说明书

本发明公开一种基于多层正则化极限学习机的用电行为检测方法及系统，方法包括：获取配电网系统电力用户的原始用电数据，并基于所述原始用电数据对预设的多层正则化极限学习机进行训练，使得到多层极限学习机检测模型；基于新型自适应状态转移算法对所述多层极限学习机检测模型进行网络参数寻优，使输出最优网络结构参数；将在线检测数据输入至基于所述最优网络结构参数建立的多层极限学习机检测模型中，使输出用电异常用户。根据新型自适应状态转移算法对多层正则化极限学习机检测模型的网络结构参数进行调优，对状态转移算法的变换因子进行了调整，使其具有非线性自适应特性，从而使得多层正则化极限学习机网络结构参数寻优过程简单易行。

技术领域

本发明属于异常用电分析技术领域，尤其涉及一种基于多层正则化极限学习机的用电行为检测方法及系统。

背景技术

随着经济的快速发展，用户的用电需求不断增加，若用户用电行为异常将增大电网的非技术性损失，增加电力公司的运营成本。传统的用户异常用电行为检测方法是现场人员定期巡检线路、定期校验电表、用户举报等，这些手段对人的依赖性较大，需要投入大量的人力成本，同时，用电行为的检测耗时较长、效率较低。

对于异常用电行为检测的研究主要分为基于状态和基于人工智能两类方法。基于状态的分析方法是通过实时比较配电网的功率、电压、电流等大量数据的变化来检测异常；基于人工智能的异常用电行为检测模型则首先通过数据分析提取可以反映异常用电行为的指标，再借助人工智能的方法训练指标与用电行为检测结果之间的映射关系，完成异常用电行为检测模型的构建。但是目前的模型在参数寻优以及训练过程的时间长，并且无法适用于不同场景下的用户用电异常检测。

发明内容

本发明提供一种基于多层正则化极限学习机的用电行为检测方法及系统，用于至少解决上述技术问题之一。

第一方面，本发明提供一种基于多层正则化极限学习机的用电行为检测方法，包括：获取配电网系统电力用户的原始用电数据，并基于所述原始用电数据对预设的多层正则化极限学习机进行训练，使得到多层极限学习机检测模型，其中所述多层正则化极限学习机的目标函数为：，式中，为调节经验风险和结构风险的参数，为L2正则化和L1正则化的加权系数，为最小化目标函数，为输出数据样本集合，为隐含层输出矩阵，为隐含层输出权重，为L2正则化的输出权重向量范数，为L1正则化的向量范数；基于新型自适应状态转移算法对所述多层极限学习机检测模型进行网络参数寻优，使输出最优网络结构参数，其中输出所述最优网络结构参数的过程包括：基于非线性自适应调整策略对变换因子进行更新，其中所述变换因子包括旋转因子、平移因子、伸缩因子以及轴向因子，所述非线性自适应调整策略的表达式：，式中，、、、分别为旋转因子的最大取值、平移因子的最大取值、伸缩因子的最大取值以及轴向因子的最大取值，为当前迭代次数，、、、分别为旋转因子满足终止条件的最大迭代次数、平移因子满足终止条件的最大迭代次数、伸缩因子满足终止条件的最大迭代次数以及轴向因子满足终止条件的最大迭代次数，、、、分别为旋转因子、平移因子、伸缩因子以及轴向因子；从当前种群中选择适应度函数F达到最小值的一组值，记为，对应的适应度为，将复制为个体数为初始化种群的个数的群体，记为，根据伸缩变换算子、旋转变换算子或轴向变换算子进行伸缩变换得到新的种群，经过伸缩变换后的种群中的最优个体为，对应的适应度为，如果，则根据平移变换算子对个体进行平移变换，并更新平移变换后的和，否则不进行平移变换，其中，为多层极限学习机检测模型第一层神经元个数，为多层极限学习机检测模型第二层神经元个数，为多层极限学习机检测模型第三层神经元个数；判断适应度函数是否满足最小要求或是否达到最大迭代次数，若适应度函数满足最小要求或达到最大迭代次数，输出种群中的最优个体作为最优网络结构参数；将在线检测数据输入至基于所述最优网络结构参数建立的多层极限学习机检测模型中，使输出用电异常用户。