技术领域
本发明涉及计量数据检测技术领域,尤其涉及基于BRB和LSTM模型的电力大数据用电异常检测方法及装置。
背景技术
近年来,随着“智能电网”的兴起和普及,其运行中的输配电损失受到越来越多的关注,而输配电损失大致可分为技术性损失(technical loss,TL)和非技术性损失(non-technical loss,NTL)两大类。其中,严重的非技术性损失,即用户异常窃电行为,给电网行业带来了巨大的经济损失。相比于如印度、巴西等国家的NTL的全国用电量占比,我国的NTL相对较低,但我国的总体用电需求量庞大,并且还在呈现上升的趋势。因此,如何从大量的电力数据中高效、快速的检测出用户的异常用电行为,以供电网人员决策,对提高经济效益、促进电网的发展和进步有着重要的研究意义。
在电力大数据中,对于NTL的异常检测一直以来是该领域的热点及难点问题。目前针对电力大数据的NTL异常检测方法大都基于数据驱动的检测方法,其中包括基于聚类的方法、基于深度学习的方法等。基于这些方法虽然能够较好的完成对NTL的异常检测,但是这些方法都需要大量的用户用电量数据样本作为支撑,特别对于基于深度学习的方法来说,对于正负样本集的标定是异常检测准确率的关键。尤其对于有监督学习来说,好的数据标定,即故障数据样本与正常数据样本的正确标定,可以约束网络更加有效地提取故障样本的特征,从而提高网络的检测准确率。然而,在实际的应用中,对于数据的标定通常采用人工标定的方法,不仅耗时且成本高昂。
发明内容
本发明主要目的在于,为“智慧电网”系统提供一种精准有效的用电异常检测方法,设计一套能够从电力大数据中准确诊断出用户异常用电行为的装置,从而减少这种非技术性损失(non-technical loss,NTL)给电力行业带来经济上的损失。
本发明所采用的技术方案是:
提供一种基于BRB和LSTM模型的电力大数据用电异常检测方法,其特征在于,具体包括以下步骤:
S1、从用电量大数据中提取用户用电量波动特征和用户用电量曲线异常特征,其中采用电量波动系数作为电量波动特征,采用毛刺宽度总和来表征用电曲线异常的特性;
S2、建立置信规则推理BRB系统,对电量波动系数和毛刺宽度总和进行置信度转换;
S3、根据置信规则推理BRB系统中的置信规则库,采用证据推理ER算法对比转换后的置信度,得到用户非技术性损失NTL异常性输出结果中每一个参考值的信任程度;
S4、根据每一个参考值的信任程度对用户非技术性损失NTL异常性用电进行标定;
S5、在标定数据的基础上建立长短记忆LSTM模型,并使用LSTM模型对异常用电特征进行有效提取与检测,最终准确诊断出NTL异常情况。
接上述技术方案,步骤S1中:
电量波动系数CV:
上式中,N为累计天数,σ为标准差,μ为均值,
毛刺宽度总和M:
上式中,d
接上述技术方案,步骤S2具体为:
将电量波动系数CV和毛刺宽度总和M作为BRB系统的前提属性,并将这些前提属性输入值转换为相应的前提属性参考值的隶属度;
一个前提属性B
S(B
其中,S为前提属性输入值的分布,l
在得到隶属度分布后,激活置信规则库中所有置信规则下前提属性的激活权重ω
上式中,β
接上述技术方案,步骤S3具体包括:采用ER算法来集合所有置信规则下的前提属性输入值,以此获取针对用户用电量NTL结果属性中每一个参考值的信任程度,通过对比置信规则库,以此对数据进行NTL异常标定。
接上述技术方案,将前提属性的参考值设定为三个等级,分别为:HR代表用电数据为异常的可能性值高,MR代表可能性值一般,LR代表可能性值低,输入转换的过程为:
HR≥α
MR≥α
α
接上述技术方案,步骤S4中采用两个LSTM模型分别处理异常用电序列和正常用电序列。
本发明还提供了一种基于BRB和LSTM模型的电力大数据用电异常检测装置,包括:
用电量数据特征提取单元,用于提取用户用电波动特征和用户用电曲线异常特征。
BRB系统单元,用于对电量波动系数和毛刺宽度总和进行置信度转换;根据置信规则推理BRB系统中的置信规则库,采用证据推理ER算法对比转换后的置信度,得到用户非技术性损失NTL异常性输出结果中每一个参考值的信任程度;
S4、根据每一个参考值的信任程度对用户非技术性损失NTL异常性用电进行标定;
LSTM模型单元,用于在标定数据的基础上,对异常用电特征的有效提取与检测,最终诊断出用户用电NTL异常情况。
接上述技术方案,该装置还包括数据存储单元,用于存储装置运行时所需要的数据和产生的数据,包括用电量波动系数、毛刺宽度系数、置信规则库、NTL异常用电序列和正常用电序列。
本发明还提供了一种计算机存储介质,其可被处理器执行,其内存储有计算机程序,该计算机程序执行如上述技术方案的BRB和LSTM模型的电力大数据用电异常检测方法。
本发明产生的有益效果是:本发明基于BRB和LSTM模型的电力大数据用电异常检测方法,将BRB方法引入到对电力大数据的异常检测中来,通过提取用户用电量波动特征和用电曲线异常特征的置信规则推理的方法来检测用户用电量异常,自动快速地获取可信度高、较鲁棒的正负样本集。以此样本集为基础,采用LSTM模块来有效提取NTL异常特征,最终高效、准确的完成对用户用电行为异常的检测。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例基于BRB和LSTM模型的电力大数据用电异常检测方法流程图一;
图2是本发明实施例基于BRB和LSTM模型的电力大数据用电异常检测装置示意图一;
图3是本发明实施例基于BRB和LSTM模型的电力大数据用电异常检测装置示意图二。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明为了提高数据标定的效率,首先将置信规则推理(Belief rule-based,BRB)方法引入到对电力大数据的异常检测中来,提出一种基于用户用电量波动特征和用电曲线异常特征的置信规则推理的方法来检测用户用电量异常,自动快速地获取可信度高、较鲁棒的正负样本集。接着,以此样本集为基础,采用LSTM模块来有效提取NTL异常特征,最终完成对用户用电行为异常的检测。
如图1所示,本发明一实施例基于BRB和LSTM模型的电力大数据用电异常检测方法,具体包括以下步骤:
S1、从用电量大数据中提取用户用电量波动特征和用户用电量曲线异常特征,其中采用电量波动系数作为电量波动特征,采用毛刺宽度总和来表征用电曲线异常的特性;
S2、建立置信规则推理BRB系统,对电量波动系数和毛刺宽度总和进行置信度转换;
S3、根据置信规则推理BRB系统中的置信规则库,采用证据推理ER算法对比转换后的置信度,得到用户非技术性损失NTL异常性输出结果中每一个参考值的信任程度;
S4、根据每一个参考值的信任程度对用户非技术性损失NTL异常性用电进行标定;
S5、在标定数据的基础上建立长短记忆LSTM模型,并使用LSTM模型对异常用电特征进行有效提取与检测,最终准确诊断出NTL异常情况。
本发明另一具体实施例中基于BRB和LSTM模型的电力大数据用电异常检测方法,实现了对异常用电特征的有效提取与检测,最终准确诊断出NTL异常情况。具体包括如下步骤:
1.从真实用电量大数据中,对一定时间范围内的用户用电量进行分析,提取用户用电量波动特征和用户用电量曲线异常特征。
1)提取用户用电量波动特征。对一定时间范围内的用户用电量进行分析,采用传统的平均值或方差等指标无法反映时间段内的电量波动情况,故无法表征当前数据异常信息。因此,为了更加有效的反映用电数据特征,而选取电量波动系数CV来分析统计时间范围内的用电量数据异常波动,其定义为:
式(1)中,N为累计天数,σ为标准差,μ为均值,
2)提取用户用电量曲线异常特征。描述用电曲线异常特征,引用毛刺特征,即将电表的读数绘制成曲线后出现的向上的尖峰。其中毛刺的宽度可以直观的衡量异常数量,本发明采用毛刺宽度总和(M)来表征用电曲线异常的特性,其定义为:
式(2)中,d
2.构建BRB系统。将用户用电量波动特征和用户用电量曲线异常特征作为前提属性输入值,并将其转换为相应的前提属性参考值的隶属度,通过训练好的置信规则库(置信规则库的建立:首先根据公式(4)和公式(5)将训练样本数据进行输入转换;接着,结合公式(6)~(8),训练BRB系统;最后,将测试样本数据的用电量异常特征输入转换到系统中,得到最终置信规则库,本发明的一个实施例中,得到的置信规则库如下表一所示。),采用ER算法集合所有置信规则下的前提属性输入值,以此获得用户用电量NTL结果属性中每一个参考值的信任程度。以此对样本数据进行异常数据标定得到NTL异常用电序列和正常用电序列。
表一:训练后的置信规则库
1)信息输入的条件转换。根据1中所述的电量波动系数CV和毛刺宽度总和M作为BRB系统的前提属性,将这些输入值转换为相应的前提属性参考值的隶属度。对一个前提属性值的输入转换是指,首先自定义转换规则,然后按照规则将该值转换成不同的置信度,最后将这些置信度再分配给各前提属性以做决策时的参考值。一个前提属性B
S(B
式(3)中,S为前提属性输入值的分布,l
一般地,当0<CV<0.2时,认为该月的用电情况正常。另外,通过对历史用电量的统计发现,当5≤M≤10时,认为当前电表接近于正常电表。因此,对应于CV和S的参考值,本发明设置为:CV——Big(电量波动大,CV>0.2),Normal(电量波动正常,0<CV<0.2),Small(电量波动小,CV<0),这里的电量波动大和小都意味着用电异常;M——Large(数量多,M>10),Normal(数量正常,5≤M≤10),Little(数量少,M<5)。接下来,再为这些评价等级分配相应的置信度β
HR≥α
MR≥α
为完成前提属性的输入转换,之前还需要对其进行参考值的确定。参考值的确定可依据样本数据由专家来制定。本发明将前提属性输入值转换为相应的前提属性参考值的隶属度,即在确定了前提属性参考值的分布后,一个样本输入值可以经左侧等级公式计算后,得到样本输入值隶属于前提属性参考值的程度。
2)激活权重计算。在得到1)中隶属度分布后,需要激活所有规则下前提属性的权重ω
式(6)中,β
3)NTL异常性结果输出。在置信规则库下,通过ER算法推理出异常性结果,而ER算法所产生的输出结果为:
Out(X)=S(B
式(7)中,χ
输出结果分布是NTL异常和用电量正常分别用0和1作为数据标定。
3.利用步骤2中的输出结果,获得NTL异常数据标定样本序列,对NTL异常用电序列和正常用电序列进行训练得到LSTM模型,使用LSTM模块进行异常用电特征的有效提取与检测,最终准确诊断出NTL异常情况。
1)从真实用电数据集中对NTL异常数据进行标定;
2)对标定的NTL异常用电序列和正常用电系列进行有效的特征提取,建立LSTM模型;
3)使用LSTM模型对实际用户用电进行NTL检测判断,得出NTL用电异常结果。
如图2所示,本发明实施例基于BRB和LSTM模型的电力大数据用电异常检测装置包括:
用电量数据特征提取单元,用于提取用户用电波动特征和用户用电曲线异常特征。
BRB系统单元,用于对电量波动系数和毛刺宽度总和进行置信度转换;根据置信度转换结果获取用户用电量属性的信任程度;采用证据推理ER算法演绎推理规则得到用户非技术性损失NTL异常性输出结果;对用户非技术性损失NTL异常性用电进行标定;
LSTM模型单元,用于在标定数据的基础上,对异常用电特征的有效提取与检测,最终诊断出用户用电NTL异常情况。
该装置还包括数据存储单元,用于存储装置运行时所需要的数据和产生的数据,包括用电量波动系数、毛刺宽度系数、置信规则库、NTL异常用电序列和正常用电序列。
本发明还提供一种计算机存储介质,其可被处理器执行,其内存储有计算机程序,该计算机程序执行上述实施例的BRB和LSTM模型的电力大数据用电异常检测方法。
如图3所示,本发明的另一实施例基于BRB和LSTM模型的电力大数据用电异常检测装置包括:
用电量数据特征提取单元,用于提取用户用电波动特征和用户用电曲线异常特征。
数据存储单元,用于存储系统运行时所需要的数据和产生的数据,主要存储的内容有用电量波动系数(CV)、毛刺宽度系数(M)、置信规则库、NTL异常用电序列和正常用电序列。
BRB系统单元,用于对用电数据样本进行NTL异常数据标定,并将标定的数据存储到数据存储单元中得到NTL异常用电序列和正常用电序列。
LSTM模型单元,用于对异常用电特征的有效提取与检测,最终诊断出用户用电NTL异常情况。
LSTM模型单元具体用于(1)根据BRB模型对真实用电量数据进行数据标定,其标定的类别为NTL异常用电和正常用电,对其进行分组得到训练集和测试集;(2)建立两个LSTM子网络分别处理异常用电序列和正常用电序列,并根据LSTM的输入维度,将训练集和测试集以时间序列为单位进行分割,作为网络的输入,以获取故障特征;(3)经过以上训练得到最终的LSMT模型。从用户用电量数据库中抽取数据对LSMT模型进行异常用电检测。
其中BRB系统单元包括:
用于将前提属性转换的算法模块;
用于通过置信规制库进行数据标定的ER算法推理模块。
所述LSTM模型单元包括:
用于对NTL异常用电序列和正常用电序列训练产生LSTM模型模块;
用于通过LSTM模型测试用户用电,诊断用户用电NTL异常情况模块。
综上,本发明基于BRB和LSTM模型的电力大数据用电异常检测方法及装置对现有技术正确标定数据样本进行改进,从用电量大数据中提取电量波动系数和用电量曲线的毛刺宽度两种用电异常特征;基于一种置信规则推理(BRB)来制定异常特征输入前提属性转换,建立适用于NTL异常检测的置信规则库,通过证据推理(ER)方法输出最终的置信度,从而自动获取具有高鲁棒性的有标签正负样本训练数据集;基于此数据集,构建一种多长短记忆(LSTM)模型,实现对异常用电特征的有效提取与检测,最终准确诊断出NTL异常情况。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
机译: 异常检测系统,模型生成装置,异常检测装置,异常检测方法,模型生成程序和异常检测程序
机译: 异常声音检测装置,异常模型学习装置,异常检测装置,异常声音检测方法,异常声音产生装置,异常数据产生装置,异常声音产生方法和程序
机译: 声音异常检测装置,异常模型学习装置,异常声音检测装置,声音异常检测方法,声音异常产生装置,数据异常产生装置,声音异常产生方法以及程序