[发明专利]一种基于神经网络的异常用电检测方法

说明书

技术领域

本发明涉及的是一种基于神经网络的异常用电检测方法，属于电网的异常用电检测技术领域。

背景技术

随着信息化程度的不断提高，大数据时代已经到来，从大量价值密度较低的数据中挖掘出有价值的信息，已经成为各行各业密切关注的热点问题。对于电力行业来说，随着电力系统信息化程度的不断提高和配用电数据量的迅速增长，各类装置及系统都有大量的数据要处理，数据规模庞大，蕴含的事件信息种类繁多，但是到目前为止，仍然面临“数据海量，信息匮乏”的重要问题。

同时，由于多种通信故障、设备故障、电网波动以及用户异常用电行为等原因，出现了大量数据异常的现象。这些异常数据影响了电能数据的准确性、完备性、自洽性和动态性，但也蕴藏了电网的重要事件信息，因此研究适用于大规模用电数据挖掘的算法，并建立有效的异常发现模型，来进行异常用电信息的分析、辨识和处理，对于电力行业分析挖掘事件信息和智能电网的发展具有重要意义。

对于设备故障及用户异常用电的检测，早期多采用的是现场检测方法，即技术人员到用电现场进行排查。这种处理方式极其耗费人力物力资源，效率低、效果差，同时，这种方式存在极大的人为因素，不利于电力行业的管理。

近年来，人们一直在寻求一种高效精准的算法对异常事件进行发现和归类，以及时发现、预防和处理电力用户用电异常，提高电力用户服务质量。

发明内容

本发明的目的在于克服现有技术存在的不足，而提供一种基于有监督的神经网络的异常用电检测模型经过大数据集训练后，以便能快速发现用电异常，准确率高，能有效帮助有关部门缩小排查范围，并为电力公司节约人力物力资源，降低成本的基于神经网络的异常用电检测方法。

本发明的目的是通过如下技术方案来完成的，一种基于神经网络的异常用电检测方法，该方法基于建立异常用电检测模型，通过对设备的运行工况进行诊断和分析，判断计量设备是否处于正常运行状态，实现辅助决策功能；所述的方法具体包括如下步骤：

1)数据采集，所述的数据主要来源于电能表和采集终端中的电能计量数据、运行工况数据和事件记录等备类数据；

2)数据清洗，使用的数据需经过数据清洗和筛选后方可进入模型，剔除内容不符合数据协议格式要求的数据，包括数据乱码和应填数据为空等情况；剔除内容明显有误的数据，包括数据写入时间早于设备安装时间以及数据写入时间晚于当前时间几天后的情况；

3)数据分类，完成了数据清洗之后，对数据进行标定，在数据的最后加一列表示数据分类的数字进行分类，完成了数据标定的数据集成为训练数据；

4)建模流程，采用有监督学习的方式构建算法模型，即将输入数据称为训练数据，每组训练数据有一个明确的标识或结果，在建立算法模型的时候，建立一个学习过程，学习数据的内在结构以便合理地组织数据得到结果；

用Matlab建立多隐藏层的BP神经网络。BP神经网络算法包括两方面：信号的前向传播和误差的反向传播。也就是计算实际输出时按从输入到输出的方向进行，而权值和阈值的调整则按从输出到输入的方向进行；

5)模型实现：

第一步进行数据归一化处理，将数据映射到[0，1]或[-1，1]区间或者更小的区间内，防止神经网络因为输入数据的单位和范围不一致而导致收敛速度过慢；

第二步对各函数进行选择，首先选择激活函数，BP神经网络的激活函数必须是处处可微的，最经常使用的是S型的对数函数或S型的正切函数和线性函数，一般的神经网络算法模型，在隐藏层传输函数用S型激活函数，输出层的传输函数则选用线性激活函数；其次是对训练函数的选择，应用动量一自适应学习速率函数traingdx；

第三步是对网络层数和隐藏层节点数的选择，在能够保证精度的前提下，优先考虑采取尽可能少的隐藏层节点数；最终确定以公式确定隐藏层节点数，对于不同的训练数据，隐藏层节点数也是不确定的；

第四步进行各函数的选择，应用Matlab自带的创建函数newff创建一个BP神经网络；神经网络在建立后，还需要手动设置一些参数，这些参数都是经过实验不断尝试选取的，同时也有一些历史经验的参考，epochs是网络的最大训练步数，goal是训练目标的最小误差，show表示训练结果显示频率的间隔周期，lr是学习速率；

最后进行的是模型初始化和仿真，应用Matlab自带的神经网络初始化函数init，并使用sim函数进行仿真；

6)结果分析，经过不断调整和修改各参数和隐藏层节点数之后，模型最终的异常用电发现准确率维持在较高水平。