[发明专利]基于深度加权神经网络的异常用电检测方法

摘要

本发明公开了一种基于深度加权神经网络的异常用电检测方法。本发明包括如下步骤：步骤1、数据预处理；步骤2、对预处理后的数据进行特征提取，形成特征库；步骤3、依据提取出的特征库，用DWELM算法构建异常电量的检测模型。本发明采用的DWELM算法由EH‑DrELM和改进的AdaBoost‑ID两种算法结合而成大大提高了少数样本的识别率，证明了算法的有效性。其中，EH‑DrELM比原始的ELM更好提高了表示能力，而且改进的AdaBoost‑ID解决了原始AdaBoost算法中不适用于不平衡的多类数据问题，更适用于数据类别极度不均衡的异常用电量的检测。

主权项

1.基于深度加权神经网络的异常用电检测方法，其特征在于包括如下步骤：步骤1、数据预处理；步骤2、对预处理后的数据进行特征提取，形成特征库；步骤3、依据提取出的特征库，用DWELM算法构建异常电量的检测模型；所述步骤1的数据预处理主要包括对相关用电数据的整合和用户分类；具体实现包括以下几个步骤：1‑1.把分布在不同数据源的用户的户号、用电客户类型、年月、总电量、峰电量、谷电量、总止度、尖止度、峰止度、谷止度、合同容量、有功抄表电量、无功抄表电量、光伏用户发电表电量、上网表电量及对应电量异常标签收集、整理、清洗，转换加载到一个新的数据源，同时剔除重复数据，形成新数据；1‑2.对整合后新数据按照用电客户类型划分成高压、低压居民、低压非居民和光伏用户这4种类别；所述的步骤2对预处理后的用电数据进行特征提取；2‑1、首先把上月电量、本月电量、去年同期电量、尖电量、峰电量、谷电量、总电量、总止度、尖止度、峰止度、谷止度、合同容量、有功抄表电量、无功抄表电量、执行力调、光伏用户发电表电量和上网表电量分别记为x_p、x_c、x_s、x_se、x_pe、x_ve、x_te、x_td、x_sd、x_pd、x_vd、x_cc、x_a、x_r、x_d、x_g和x_n,因此可得到电量同比(ECF_L)和环比(ECF_P)的计算公式为:2‑2.对上述4种用电客户类型一共进行了25维特征提取，分别记为f₁、f₂,…,f₂₅；由于不同用电客户类型具有的电量异常种类不同，因此具有维度信息不完全一致，具体如下所述：对于低压居民：只有f₁～f₅、f₁₂和f₁₄～f₂₃，其中，f₁＝x_p，f₂＝x_c‑200，f₃＝x_c‑100，f₄＝ECF_L，f₅＝ECF_P，f₁₂＝x_s，f₁₄＝x_t‑x_sd‑x_pd‑x_vd，f₁₅＝x_se+x_pe+x_ve，f₁₆＝x_te，f₁₇＝x_pe，f₁₈＝x_ve，f₁₉＝x_se，f₂₀＝x_cc*24*30*2，f₂₁＝x_a，f₂₂＝x_r，其余特征维度向量设置为0；对于低压非居民：只有f₁、f₂、f₆～f₈、f₁₂和f₁₄～f₂₃，其中，f₆＝x_c‑10000,f₇～f₈在低压非居民类别内的计算方法分别与f₄～f₅相同，其余特征维度向量设置为0；对于高压居民：只有f₁、f₂、f₉～f₁₂、和f₁₄～f₂₃，其中，f₉～f₁₁在高压居民类别内的计算方法和f₆、f₄～f₅一样，其余特征维度向量设置为0；对于光伏用户：只有f₁₃、f₂₄～f₂₅，其中f₁₃＝ECF_P，f₂₄＝x_g和f₂₅＝x_n，其余特征维度向量设置为0。