[发明专利]一种基于深度卷积神经网络的窃电监测系统和方法

权利要求书

1.一种基于深度卷积神经网络的窃电监测系统，其特征在于，包括数据输入模块，基于深度卷积神经网络的窃电深度卷积神经网络模型训练模块，以及窃电深度卷积神经网络模型监测效果评估模块，所述数据输入模块将正常用电数据与窃电数据合成，将合成后的数据进行预处理，将预处理后的数据分为训练集和测试集；所述窃电深度卷积神经网络模型训练模块，接收所述数据输入模块预处理后的数据对所述窃电深度卷积神经网络模型进行训练；所述窃电深度卷积神经网络模型监测效果评估模块，对所述窃电深度卷积神经网络模型窃电监测效果进行全面的评估。

2.如权利要求1所述的基于深度卷积神经网络的窃电监测系统，其特征在于，所述数据输入模块的数据预处理方法，首先，合成后的数据集为m×n的矩阵X，

其中m为总训练样本数，n为输入特征个数，x_ij代表第i个样本输入数据的第j个特征；

之后，对原始数据集矩阵每一列的数据进行归一化处理：

其中，为每一列数据的最小值，为每一列数据的级差。

3.如权利要求1所述的基于深度卷积神经网络的窃电监测系统，其特征在于，所述基于深度卷积神经网络的窃电深度卷积神经网络模型包括窃电深度卷积神经网络模型分类器，由一系列卷积层、池化层和全连接层组成。

4.如权利要求3所述的基于深度卷积神经网络的窃电监测系统，其特征在于，所述窃电深度卷积神经网络模型分类器通过提取用户用电曲线的输入特征，将恶意用电行为与正常用电行为区分开。

5.如权利要求3所述的基于深度卷积神经网络的窃电监测系统，其特征在于，所述卷积层由具备学习参数功能的卷积核组成，有效提取输入的特征，在正向传播过程中，卷积核使用输入量进行卷积计算，卷积核根据预定义的步长即卷积核每次移动的距离在对历史监测数据进行数据预处理后的结果上进行移动，以保留历史监测数据的局部特征并提取更多抽象特征。

6.如权利要求3所述的基于深度卷积神经网络的窃电监测系统，其特征在于，所述池化层在保留重要信息的同时，减少特征的维数。

7.如权利要求3所述的基于深度卷积神经网络的窃电监测系统，其特征在于，所述全连接层由重新排列的神经元构成，位于所述窃电深度卷积神经网络模型架构的末端。

8.如权利要求1所述的基于深度卷积神经网络的窃电监测系统，其特征在于，所述窃电深度卷积神经网络模型监测效果评估模块对窃电监测采用准确率、召回率、特异性、F1分数以及准确度指标进行评价。

9.一种基于深度卷积神经网络的窃电监测方法，包括以下步骤：

S1、获取监测数据；

S2、对获取到的数据进行数据预处理；

S3、将预处理过的数据输入窃电检测深度卷积神经网络模型；

S4、输出判断结果，如发现符合窃电模型数据，对该条数据发出警报。

10.如权利要求9所述的基于深度卷积神经网络的窃电监测方法，其特征在于，所述将预处理过的数据输入窃电检测深度卷积神经网络模型包括以下步骤：

S3-1、获取历史监测数据；

S3-2、对历史监测数据进行数据预处理；

S3-3、训练窃电监测深度卷积神经网络模型，直至收敛；

S3-4、依据混淆矩阵评价指标评估窃电监测深度卷积神经网络模型。