[发明专利]一种基于卷积神经网络的用电异常预判方法

权利要求书

1.一种基于卷积神经网络的用电异常预判方法，其特征在于：包括数据预处理的过程和数据训练的过程；所述数据预处理的过程包括以下步骤：S11通过预处理脚本文件对数据进行属性层次分析；S12按照训练故障数据要求对数据进行属性层次分类；S13对分类近似数据进行合并；S14重新计算生成各类数据之间的距离；S15生成初步线性数据并判断数据的分类准确性；S16数据分类完成存储入库；S17数据准备完成；所述数据训练的过程包括以下步骤：S21制作故障数据训练数据集；S22进入监控中心查看状态 确认是否进行调整；S23完成训练后，进行数据处理，获得异常的样本；S24利用正异常样本调整手段，自动生成海量负样本；S25把正异常样本做成数据集，进行训练；S26训练完成对模型进行测试；S27训练完成。

2.根据权利要求1所述的基于卷积神经网络的用电异常预判方法，其特征在于：所述数据预处理的过程需要预先配置应用平台，包括以下步骤：在源服务器上搭建数据预处理平台；配置分类参数及数据库；确认预处理平台是否部署成功。

3.根据权利要求1所述的基于卷积神经网络的用电异常预判方法，其特征在于：所述数据训练的过程需要预先配置应用平台，包括以下步骤：在服务器上在服务器上搭建故障数据预测模型平台；配置训练初始参数及模型数据；确认数据集及运行平台部署成功。

4.根据权利要求1所述的基于卷积神经网络的用电异常预判方法，其特征在于：所述属性层次分类模型，分为三层，顶层为目标层，中间为准则层，底层为方案层，以顶层与中间层的每一元素为准则，构造与它有关的下一层元素的属性判断矩阵。

5.根据权利要求1所述的基于卷积神经网络的用电异常预判方法，其特征在于：采集的所述数据具体包括电流、电压、功率、电量四类数据。

6.根据权利要求1所述的基于卷积神经网络的用电异常预判方法，其特征在于：故障数据包括电压故障数据、电流故障数据、功率故障数据、电量故障数据。

7.根据权利要求6所述的基于卷积神经网络的用电异常预判方法，其特征在于：所述电压故障数据包括：欠压数据、过压数据；电流故障数据：电流失衡数据、二次串接数据；功率故障数据：电流回路数据、二次串接数据；电量故障数据：总分时表码不等数据、表码数据跳变数据。