[发明专利]基于BRB和LSTM模型的电力大数据用电异常检测方法及装置

说明书

本发明公开了一种基于BRB和LSTM模型的电力大数据用电异常检测方法及装置，其中方法具体包括以下步骤：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；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；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；用户非技术性损失NTL异常性用电进行标定；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。本发明可有效识别异常用电情况。

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，为日平均电量值，q_i为用户第i天的单日用电量；

毛刺宽度总和M：