本發(fā)明屬于人工智能反竊電領域，具體涉及一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法及系統(tǒng)。

背景技術：

1、異常用電行為包括竊電、電表故障、計費錯誤等，其主要來源是竊電現(xiàn)象。隨著我國用電需求的增加，異常用電行為也時有發(fā)生，這不僅給電力公司造成了經(jīng)濟損失，還對居民的人身安全和正常用電產(chǎn)生威脅。

2、傳統(tǒng)的用電異常行為識別方法重在防范，僅憑經(jīng)驗和用戶舉報很難進行有效識別，且隨著科技的發(fā)展，異常用電行為的方式與手段呈現(xiàn)為科技化、信息化等特性，極大地增加了其隱蔽性。隨著用采系統(tǒng)和營銷系統(tǒng)的深入應用，可通過利用電力大數(shù)據(jù)和人工智能的方法進行用電異常辨識。現(xiàn)有的基于機器學習和深度學習的方法特征僅通過使用一維用電數(shù)據(jù)進行特征提取，難以捕捉到潛在特征和周期性，且沒有考慮到數(shù)據(jù)集不平衡的問題，從而導致模型的泛化能力差，檢測精度低。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明的目的在于提供一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法及系統(tǒng)，解決了現(xiàn)有技術中的問題。

2、本發(fā)明的目的可以通過以下技術方案實現(xiàn)：

3、一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法，包括以下步驟：

4、獲取用電數(shù)據(jù)，并對用電數(shù)據(jù)進行預處理；

5、將預處理后的用電數(shù)據(jù)進行分類，并使用wgan網(wǎng)絡對異常用電樣本進行擴充；

6、將擴充后的一維用電量數(shù)據(jù)輸入到bi-lstm模型中提取用電數(shù)據(jù)長期趨勢特征；并將一維數(shù)據(jù)按周形式轉(zhuǎn)化為二維數(shù)據(jù)輸入到cnn模型中提取用電數(shù)據(jù)潛在特征；

7、將所述長期趨勢特征和所述潛在特征合并后輸入到全連接神經(jīng)網(wǎng)絡中進行檢測，輸出檢測結(jié)果。

8、進一步地，所述用電數(shù)據(jù)預處理過程包括：采用線性插值法填補用電數(shù)據(jù)缺失值、利用3σ準則處理用電數(shù)據(jù)異常值以及對用電數(shù)據(jù)進行歸一化處理。

9、進一步地，異常用電樣本擴充的步驟包括：

10、s21，將預處理后的用電數(shù)據(jù)分為訓練集、驗證集和測試集，設訓練集異常用電用戶樣本為x，其分布為pr；

11、s22，設潛在噪聲z滿足高斯分布pz，生成器g通過對噪聲z進行映射，使映射后的樣本滿足pr的分布；生成器g的目標函數(shù)定義為：

12、

13、θg和θd分別為生成器g和判別器d的參數(shù)；

14、s23，判別器d的目標是判斷生成異常用電樣本的真實性，判斷最大化生成樣本與真實樣本之間的差距，d的目標函數(shù)定義如下：

15、

16、生成器g和判別器d相互博弈，以達到輸出高相似度異常用電樣本；

17、s24，采用wasserstain距離替代gan網(wǎng)絡中的js散度損失函數(shù)，wasserstain距離公式為：

18、

19、其中，γ∈π(px,pz)為以px和pz為邊緣分布組合起來的聯(lián)合分布的集合；可從γ中采樣真實分布x和生成樣本z，x與z距離期望的最小值即為wasserstain距離。

20、進一步地，提取用電數(shù)據(jù)潛在特征的過程包括：先將二維周用電數(shù)據(jù)輸入cnn模型的卷積層中進行卷積操作，輸出特征圖yi；然后經(jīng)過池化層對特征圖yi進行池化操作，輸出最大池降維后的特征圖ym；之后經(jīng)過dropout和批正則化層以防止模型過擬合和神經(jīng)網(wǎng)絡訓練過程中的內(nèi)部協(xié)變量偏移現(xiàn)象，然后經(jīng)過flatten層將特征圖ym展平成一維向量輸入到全連接層，最終輸出潛在特征。

21、進一步地，bi-lstm是lstm模型的擴展，在同一個t時刻同時從正向和反向訓練兩個子lstm模型；lstm模型由輸入門、遺忘門和輸出門三個記憶門組成，輸入門決定保留的輸入數(shù)據(jù)，遺忘門篩選重要信息進入細胞狀態(tài)，輸出門決定傳遞給下一個隱藏層的信息。

22、進一步地，所述bi-lstm模型公式表示為：

23、ht＝f(wxt+uht-1+b)

24、htreverse＝f(wreversext+ureverseht+1+breverse)

25、yt＝g(vht+vreversehtreverse)+c

26、其中，ht為t時刻隱層狀態(tài)，htreverse為t時刻反向隱層狀態(tài)，w、u為輸入層到隱層的權重矩陣，wreverse、ureverse為輸入層到隱層的反向權重矩陣，v、vreverse分別為隱層到輸出層的權重和反向權重，f、g為激活函數(shù)，yt為t時刻的輸出，b，c均為偏置。

27、進一步地，所述全連接神經(jīng)網(wǎng)絡的檢測模型為：

28、ntldet＝σ(wnn[hcnn,hbi-lstm]+bnn)?(19)

29、式中，ntldet為竊電檢測結(jié)果，σ為sigmoid激活函數(shù)，wnn和bnn分別為全連接神經(jīng)網(wǎng)絡的權重和偏置。

30、一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識系統(tǒng)，包括：

31、數(shù)據(jù)預處理模塊：獲取用電數(shù)據(jù)，并對用電數(shù)據(jù)進行預處理；

32、樣本擴充模塊：將預處理后的用電數(shù)據(jù)進行分類，并使用wgan網(wǎng)絡對異常用電樣本進行擴充；

33、特征提取模塊：將擴充后的一維用電量數(shù)據(jù)輸入到bi-lstm模型中提取用電數(shù)據(jù)長期趨勢特征；并將一維數(shù)據(jù)按周形式轉(zhuǎn)化為二維數(shù)據(jù)輸入到cnn模型中提取用電數(shù)據(jù)潛在特征；

34、以及，檢測辨識模塊：將所述長期趨勢特征和所述潛在特征合并后輸入到全連接神經(jīng)網(wǎng)絡中進行檢測，輸出檢測結(jié)果。

35、一種計算機存儲介質(zhì)，存儲有可讀程序，其特征在于，當程序運行時，能夠執(zhí)行上述的一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法。

36、一種電子設備，包括：處理器、存儲器、通信接口和通信總線，所述處理器、所述存儲器和所述通信接口通過所述通信總線完成相互間的通信；

37、所述存儲器用于存放至少一可執(zhí)行指令，所述可執(zhí)行指令使所述處理器執(zhí)行上述的一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法對應的操作。

38、本發(fā)明的有益效果：

39、本發(fā)明的有益效果在于：本發(fā)明提出了一種基于wgan的數(shù)據(jù)擴充算法，通過編碼器模塊可以合成可信的異常用電數(shù)據(jù)樣本進行訓練，同時將用電數(shù)據(jù)分別重構成一維和二維形式分別輸入到lstm和cnn模型中，以捕獲用電數(shù)據(jù)潛在周期用電特征和時序用電特征，提高泛化能力。

技術特征：

1.一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法，其特征在于，所述用電數(shù)據(jù)預處理過程包括：采用線性插值法填補用電數(shù)據(jù)缺失值、利用3σ準則處理用電數(shù)據(jù)異常值以及對用電數(shù)據(jù)進行歸一化處理。

3.根據(jù)權利要求1所述的一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法，其特征在于，異常用電樣本擴充的步驟包括：

4.根據(jù)權利要求1所述的一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法，其特征在于，提取用電數(shù)據(jù)潛在特征的過程包括：先將二維周用電數(shù)據(jù)輸入cnn模型的卷積層中進行卷積操作，輸出特征圖yi；然后經(jīng)過池化層對特征圖yi進行池化操作，輸出最大池降維后的特征圖ym；之后經(jīng)過dropout和批正則化層以防止模型過擬合和神經(jīng)網(wǎng)絡訓練過程中的內(nèi)部協(xié)變量偏移現(xiàn)象，然后經(jīng)過flatten層將特征圖ym展平成一維向量輸入到全連接層，最終輸出潛在特征。

5.根據(jù)權利要求1所述的一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法，其特征在于，bi-lstm是lstm模型的擴展，在同一個t時刻同時從正向和反向訓練兩個子lstm模型；lstm模型由輸入門、遺忘門和輸出門三個記憶門組成，輸入門決定保留的輸入數(shù)據(jù)，遺忘門篩選重要信息進入細胞狀態(tài)，輸出門決定傳遞給下一個隱藏層的信息。

6.根據(jù)權利要求5所述的一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法，其特征在于，所述bi-lstm模型公式表示為：

7.根據(jù)權利要求1所述的一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法，其特征在于，所述全連接神經(jīng)網(wǎng)絡的檢測模型為：

8.一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識系統(tǒng)，其特征在于，包括：

9.一種計算機存儲介質(zhì)，存儲有可讀程序，其特征在于，當程序運行時，能夠執(zhí)行權利要求1-7任一項所述的一種基于wgan數(shù)據(jù)擴充的cnn-lstm異常用電行為辨識方法。

10.一種電子設備，包括：處理器、存儲器、通信接口和通信總線，所述處理器、所述存儲器和所述通信接口通過所述通信總線完成相互間的通信；

技術總結(jié)
本發(fā)明公開一種基于WGAN數(shù)據(jù)擴充的CNN?LSTM異常用電行為辨識方法及系統(tǒng)，屬于人工智能反竊電領域；一種基于WGAN數(shù)據(jù)擴充的CNN?LSTM異常用電行為辨識方法包括：獲取用電數(shù)據(jù)，并對用電數(shù)據(jù)進行預處理；將預處理后的用電數(shù)據(jù)進行分類，并使用WGAN網(wǎng)絡對異常用電樣本進行擴充；將擴充后的一維用電量數(shù)據(jù)輸入到Bi?LSTM模型中提取用電數(shù)據(jù)長期趨勢特征；并將一維數(shù)據(jù)按周形式轉(zhuǎn)化為二維數(shù)據(jù)輸入到CNN模型中提取用電數(shù)據(jù)潛在特征；將所述長期趨勢特征和所述潛在特征合并后輸入到全連接神經(jīng)網(wǎng)絡中進行檢測，輸出檢測結(jié)果。

技術研發(fā)人員：薛溟楓,陳心揚,魯玉普,李志丹,陳浩,毛曉波,許涵慎,繆佳妮,劉瀚陽,王逸飛
受保護的技術使用者：國網(wǎng)江蘇省電力有限公司無錫供電分公司
技術研發(fā)日：
技術公布日：2024/12/23