本發(fā)明涉及竊電檢測(cè)，具體涉及基于ivmd-wvd和cnn的竊電檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著科學(xué)技術(shù)發(fā)展，竊電戶竊電方法層出不窮，防竊電檢測(cè)方式也日漸先進(jìn)。同時(shí)，智能電表與用電信息采集系統(tǒng)的普及為基于數(shù)據(jù)驅(qū)動(dòng)的竊電檢測(cè)技術(shù)研究積累了大量計(jì)量數(shù)據(jù)。竊電行為不僅嚴(yán)重影響電網(wǎng)企業(yè)運(yùn)營(yíng)效益，且會(huì)產(chǎn)生較為負(fù)面的社會(huì)影響。

2、目前，針對(duì)竊電行為主要存在人工稽查以及基于數(shù)據(jù)驅(qū)動(dòng)的兩大類方法。人工稽查主要是根據(jù)系統(tǒng)預(yù)警的高損臺(tái)區(qū)進(jìn)行人工逐戶篩查和數(shù)據(jù)分析，存在著效率低、主觀性較強(qiáng)以及難以發(fā)現(xiàn)低損臺(tái)區(qū)內(nèi)竊電戶的缺陷。以人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法為主的基于數(shù)據(jù)驅(qū)動(dòng)的方法目前部分被應(yīng)用于電力系統(tǒng)中，但其由于樣本質(zhì)量、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的梯度彌散、過(guò)擬合等問(wèn)題存在著準(zhǔn)確率較低，特征提取較為困難等缺點(diǎn)，該類方法平均檢測(cè)率能達(dá)85％左右。且神經(jīng)網(wǎng)絡(luò)中樣本數(shù)據(jù)預(yù)處理、激活函數(shù)選取、深層次網(wǎng)絡(luò)梯度彌散問(wèn)題、過(guò)擬合、模型泛化能力都會(huì)對(duì)最終檢測(cè)結(jié)果產(chǎn)生影響，從而對(duì)用戶是否竊電戶以及竊電類型的判斷產(chǎn)生影響。

3、綜上所述，對(duì)于竊電檢測(cè)中人工逐戶篩查效率低、主觀性較強(qiáng)和特征提取能力不足等問(wèn)題急需解決，以實(shí)現(xiàn)竊電用戶精準(zhǔn)檢測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問(wèn)題是：傳統(tǒng)竊電檢測(cè)方法中人工逐戶篩查效率低、主觀性較強(qiáng)和特征提取能力不足等問(wèn)題，本發(fā)明目的在于提供基于ivmd-wvd和cnn的竊電檢測(cè)方法及系統(tǒng)，基于改進(jìn)基于ivmd-wvd和cnn，進(jìn)行特征提取與泛化處理，有效避免或抑制cnn訓(xùn)練時(shí)梯度消失等現(xiàn)象，提升竊電檢測(cè)率；獲得的ivmd-wvd灰度圖譜能很好地保留數(shù)據(jù)邊緣特性、瞬時(shí)頻率等特征，增加網(wǎng)絡(luò)模型訓(xùn)練速度。

2、本發(fā)明通過(guò)下述技術(shù)方案實(shí)現(xiàn)：

3、本方案提供基于ivmd-wvd和cnn的竊電檢測(cè)方法，包括：

4、采集數(shù)據(jù)：采集用戶的歷史用電數(shù)據(jù)，并對(duì)所述歷史用電數(shù)據(jù)進(jìn)行預(yù)處理；

5、構(gòu)建竊電檢測(cè)模型：

6、基于預(yù)處理后的歷史用電數(shù)據(jù)構(gòu)建多個(gè)樣本，引入能量差方法改進(jìn)變分模態(tài)分解模型，并將樣本輸入改進(jìn)后的變分模態(tài)分解模型，分解出各樣本的模態(tài)分量；

7、根據(jù)各樣本的模態(tài)分量求解出各樣本的ivmd-wvd圖譜，并對(duì)各ivmd-wvd圖譜進(jìn)行灰度處理，基于灰度處理后的ivmd-wvd圖譜訓(xùn)練改進(jìn)型cnn網(wǎng)絡(luò)得到竊電檢測(cè)模型；

8、竊電檢測(cè)：采集用戶的實(shí)時(shí)用電數(shù)據(jù)，并對(duì)所述實(shí)時(shí)用電數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的實(shí)時(shí)用電數(shù)據(jù)輸入已構(gòu)建好的竊電檢測(cè)模型，得到用戶竊電結(jié)果。

9、本方案工作原理：本方案提供的基于ivmd-wvd和cnn的竊電檢測(cè)方法及系統(tǒng)，基于改進(jìn)基于ivmd-wvd和cnn，進(jìn)行特征提取與泛化處理，有效避免或抑制cnn訓(xùn)練時(shí)梯度消失等現(xiàn)象，提升竊電檢測(cè)率；獲得的ivmd-wvd灰度圖譜能很好地保留數(shù)據(jù)邊緣特性、瞬時(shí)頻率等特征，增加網(wǎng)絡(luò)模型訓(xùn)練速度；本方案對(duì)改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，識(shí)別檢測(cè)竊電類型；相比人工經(jīng)驗(yàn)判斷，能夠有效提升識(shí)別速度和識(shí)別率，避免人工查找主觀性強(qiáng)和特征提取能力不足的問(wèn)題。

10、進(jìn)一步優(yōu)化方案為，所述預(yù)處理的方法包括：對(duì)用戶的歷史用電數(shù)據(jù)進(jìn)行清洗處理，去除無(wú)效數(shù)據(jù)。

11、進(jìn)一步優(yōu)化方案為，所述樣本包括一個(gè)正常樣本和多個(gè)不同類型的竊電樣本；所述竊電樣本包括：固定比例縮小計(jì)量電量樣本s1(wt)、隨機(jī)閾值削減電量樣本s2(wt)、隨機(jī)時(shí)間段削減電量樣本s3(wt)、隨機(jī)閾值削減任意時(shí)刻電量樣本s4(wt)、顛倒電量用電時(shí)刻樣本s5(wt)和均值用電量樣本s6(wt)。

12、進(jìn)一步優(yōu)化方案為，固定比例縮小計(jì)量電量樣本s1(wt)為：

13、s1(wt)＝μwt(0.1＜μ＜0.8)；

14、其中，μ表示區(qū)間隨機(jī)常數(shù)；

15、隨機(jī)閾值削減電量樣本s2(wt)為：

16、

17、其中，λ表示介于最小電量值與最大電量值之間的隨機(jī)常數(shù)；

18、隨機(jī)時(shí)間段削減電量樣本s3(wt)為：

19、

20、其中，t1和t2表示一天當(dāng)中的任意時(shí)刻，且t2≥t1+3；

21、隨機(jī)閾值削減任意時(shí)刻電量樣本s4(wt)為：

22、s4(wt)＝max{wt-δ,0}；

23、其中，δ表示隨機(jī)常數(shù)，取平均值或最小值；

24、顛倒電量用電時(shí)刻樣本s5(wt)為：

25、s5(wt)＝w97-t；

26、其中，w97-t表示t時(shí)刻后的用戶用電電量數(shù)據(jù)；

27、均值用電量樣本s6(wt)為：

28、s6(wt)＝mean(wt)；

29、其中，mean(wt)表示對(duì)用戶電量取平均值。

30、進(jìn)一步優(yōu)化方案為，所述引入能量差方法改進(jìn)變分模態(tài)分解模型，并將樣本輸入改進(jìn)后的變分模態(tài)分解模型，分解出各樣本的模態(tài)分量；方法包括：

31、配置初始分解層數(shù)kor，構(gòu)造約束竊電樣本變分問(wèn)題模型；

32、引入lagrange乘數(shù)法和懲罰因子α，優(yōu)化約束竊電樣本變分問(wèn)題模型；

33、引入能量差方法改進(jìn)約束竊電樣本變分問(wèn)題模型的優(yōu)化過(guò)程，得到最優(yōu)分解層數(shù)kopt；

34、基于最優(yōu)分解層數(shù)kopt分解出各樣本的模態(tài)分量。

35、進(jìn)一步優(yōu)化方案為，所述約束竊電樣本變分問(wèn)題模型包括：

36、

37、其中，s(wt)表示用戶用電電量數(shù)據(jù)；ωk表示各模態(tài)函數(shù)中心頻率；表示對(duì)時(shí)間t偏導(dǎo)；δ(t)表示沖激函數(shù)；表示求歐式距離的平方；simfk表示分解得到10個(gè)局放信號(hào)模態(tài)函數(shù)，i為虛數(shù)單位。

38、進(jìn)一步優(yōu)化方案為，所述各樣本ivmd-wvd圖譜的求解方法，包括：

39、根據(jù)下式計(jì)算ivmd-wvd圖譜：

40、

41、其中ivmd-wvd(t,ω)表示ivmd-wvd圖譜，k表示simfk的總個(gè)數(shù)；k表示第k個(gè)simfk；simfk表示用電樣本模態(tài)函數(shù)；α表示時(shí)間窗口；t表示樣本時(shí)間跨度；ω表示樣本在t時(shí)刻的頻率；i表示虛數(shù)單位。

42、進(jìn)一步優(yōu)化方案為，所述對(duì)各ivmd-wvd圖譜進(jìn)行灰度處理，包括方法：

43、按照下式對(duì)對(duì)各ivmd-wvd圖譜進(jìn)行歸一化處理：

44、

45、按照下式對(duì)對(duì)歸一化處理后的ivmd-wvd圖譜進(jìn)行灰度化處理：

46、

47、其中(a,b)表示ivmd-wvd圖譜在(a,b)處的值；ivmd-wvdnor、ivmd-wvdnor-gray分別表示ivmd-wvd歸一化圖譜和ivmd-wvd歸一化灰度圖譜；分別表示ivmd-wvd歸一化圖譜在(m，n)處的紅、綠、藍(lán)分量。

48、進(jìn)一步優(yōu)化方案為，所述基于灰度處理后的ivmd-wvd圖譜訓(xùn)練改進(jìn)型cnn網(wǎng)絡(luò)得到竊電檢測(cè)模型，包括方法：

49、搭建alexnet網(wǎng)絡(luò)，按比例隨機(jī)將各樣本的ivmd-wvd圖譜分成訓(xùn)練集、驗(yàn)證集、測(cè)試集；

50、基于訓(xùn)練集和驗(yàn)證集訓(xùn)練所述alexnet網(wǎng)絡(luò)；

51、基于測(cè)試集測(cè)試訓(xùn)練好的alexnet網(wǎng)絡(luò)。

52、本方案還提供基于ivmd-wvd和cnn的竊電檢測(cè)系統(tǒng)，用于實(shí)現(xiàn)上述的基于ivmd-wvd和cnn的竊電檢測(cè)方法，所述系統(tǒng)包括：

53、采集模塊，用于采集用戶的歷史用電數(shù)據(jù)，并對(duì)所述歷史用電數(shù)據(jù)進(jìn)行預(yù)處理；

54、模型構(gòu)建模塊，用于構(gòu)建竊電檢測(cè)模型：

55、基于預(yù)處理后的歷史用電數(shù)據(jù)構(gòu)建多個(gè)樣本，引入能量差方法改進(jìn)變分模態(tài)分解模型，并將樣本輸入改進(jìn)后的變分模態(tài)分解模型，分解出各樣本的模態(tài)分量；

56、根據(jù)各樣本的模態(tài)分量求解出各樣本的ivmd-wvd圖譜，并對(duì)各ivmd-wvd圖譜進(jìn)行灰度處理，基于灰度處理后的ivmd-wvd圖譜訓(xùn)練改進(jìn)型cnn網(wǎng)絡(luò)得到竊電檢測(cè)模型；

57、檢測(cè)模塊，用于進(jìn)行竊電檢測(cè)：采集用戶的實(shí)時(shí)用電數(shù)據(jù)，并對(duì)所述實(shí)時(shí)用電數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的實(shí)時(shí)用電數(shù)據(jù)輸入已構(gòu)建好的竊電檢測(cè)模型，得到用戶竊電結(jié)果。。

58、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點(diǎn)和有益效果：

59、本發(fā)明提供的基于ivmd-wvd和cnn的竊電檢測(cè)方法及系統(tǒng)；基于改進(jìn)基于ivmd-wvd和cnn，進(jìn)行特征提取與泛化處理，有效避免或抑制cnn訓(xùn)練時(shí)梯度消失等現(xiàn)象，提升竊電檢測(cè)率；獲得的ivmd-wvd灰度圖譜能很好地保留數(shù)據(jù)邊緣特性、瞬時(shí)頻率等特征，增加網(wǎng)絡(luò)模型訓(xùn)練速度；本方案對(duì)改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，識(shí)別檢測(cè)竊電類型；相比人工經(jīng)驗(yàn)判斷，能夠有效提升識(shí)別速度和識(shí)別率，避免人工查找主觀性強(qiáng)和特征提取能力不足的問(wèn)題。