[发明专利]一种基于神经网络的异常用电检测方法

摘要

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；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；5）模型实现；6）结果分析，模型最终的异常用电发现准确率维持在较高水平。

主权项

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，其特征在于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。