[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

说明书

本发明公开了一种基于深度卷积神经网络的窃电监测系统和方法，涉及电力监测技术领域，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，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；窃电深度卷积神经网络模型训练模块，接收数据输入模块预处理后的数据对窃电深度卷积神经网络模型进行训练；窃电深度卷积神经网络模型监测效果评估模块，对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，本发明实现了对数据包含的有效信息的挖掘，使得窃电监测准确度提高，且对于正常用电负荷变化更具鲁棒性。

技术领域

本发明涉及电力监测技术领域，尤其涉及一种基于深度卷积神经网络的窃电监测系统和方法。

背景技术

得益于最新的信息技术，近年来见证了用于智能能源的工业物联网的新兴和快速发展。智能仪表作为物联网中的终端设备，肩负着准确记录电能消耗的责任。然而，数字智能电表的应用引入了新的能量盗窃的可能。目前，针对窃电问题的解决方法可以分为三类，即基于状态估计，博弈论和数据挖掘方法。基于数据挖掘的检测方法利用机器学习技术来提取能耗数据的统计模式。受益于机器学习技术的最新发展，这种方法有望实现高性能的窃电监测。

文献Jokar P,Arianpoo N,Leung V C M.Electricity theft detection in AMIusing customers’consumption patterns[J].IEEE Transactions on Smart Grid,2016,7(1):216-226.中报道了基于支持向量机(support vector classifier,SVC)的窃电监测方法。其具有很高的分类性能，并且对正常用电模式的变化具有较强的鲁棒性。然而，基于以SVM为代表的浅层机器学习窃电监测模型，存在监测精度、计算效率等指标均较低的问题，另外基于SVM机器学习方法的窃电监测依赖于CPU计算，耗时较长，不能满足窃电监测实时性的需求。

因此，本领域的技术人员致力于开发一种基于深度卷积神经网络的窃电监测系统和方法，以寻求数据测量频率的提高以及智能电表的广泛部署带来的数据规模日益增大、针对窃电监测的需要可以有效应对的大数据监测方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是以SVM为代表的浅层机器学习窃电监测模型存在的监测精度、计算效率等指标低的问题，以及浅层机器学习窃电监测模型依赖CPU计算存在的计算耗时长、不能满足窃电监测实时性的要求的问题。

为实现上述目的，本发明提供了一种基于深度卷积神经网络的窃电监测系统，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，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；窃电深度卷积神经网络模型训练模块，接收数据输入模块预处理后的数据对窃电深度卷积神经网络模型进行训练；窃电深度卷积神经网络模型监测效果评估模块，对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。

进一步的，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。

进一步的，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。