[发明专利]用户用电数据异常检测方法、装置、计算机设备

权利要求书

1.一种用户用电数据异常检测方法，其特征在于，所述方法包括：

获取用户的历史用电数据和当前时刻的真实用电数据；

将所述历史用电数据输入到训练好的异常检测模型，确定所述历史用电数据的第一玻尔兹曼分布特征，根据所述第一玻尔兹曼分布特征输出当前时刻的预测用电数据；

根据所述预测用电数据和所述真实用电数据进行计算，得到预测用电数据和真实用电数据之间的距离；

当所述距离大于预设阈值时，将所述真实用电数据标记为异常用电数据；

所述异常检测模型的训练过程包括：

获取时序化的各行业用电量数据和对应的标注的所属数据标签；

将所述时序化的各行业用电量数据和数据标签作为异常检测模型的输入值，得到参数化的玻尔兹曼分布；

根据所述参数化的玻尔兹曼分布和所属的数据标签，训练得到所述异常检测模型；其中，模型训练目标使正常标签的用电数据的玻尔兹曼分布特征和异常标签的用电数据的玻尔兹曼分布特征距离相异且远离。

2.根据权利要求1所述的方法，其特征在于，将所述时序化的各行业用电量数据和数据标签作为异常检测模型的输入值，得到参数化的玻尔兹曼分布，包括：

根据所述数据标签和时序化的各行业用电数据，得到二值隐式表达；

根据所述二值隐式表达计算得到实值隐式表达；

根据所述二值隐式表达和所述实值隐式表达，得到参数化的玻尔兹曼分布。

3.根据权利要求1所述的方法，其特征在于，根据所述参数化的玻尔兹曼分布和所属的数据标签，训练得到所述异常检测模型，包括：

通过神经网络结合所述参数化的玻尔兹曼分布中的正常标签的用电数据、异常标签的用电数据进行训练，得到损失函数；

将所述损失函数和均方误差项作为目标函数，在预设迭代次数内对进行求偏导直至迭代次数等于预设迭代次数，其中，均方误差项包括正常标签的用电数据和异常标签的用电数据；

当所述均方误差项的导数达到最小值时，获得训练好的所述异常检测模型。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从时序的用电量数据中得到最大值和最小值；

基于所述最大值和所述最小值，对所述时序的用电量数据中的每个数据进行归一化计算，获得归一化数据；其中所述归一化计算为将所述时序的用电量数据中的每个数据减去所述最小值，再除以所述最大值和所述最小值之间的差值。

5.根据权利要求4所述的方法，其特征在于，在获得归一化数据之后，还包括：

对所述归一化数据中的误差数据进行删除，并对剩余的数据进行部分标注，得到所述数据标签。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：当所述距离不大于所述预设阈值时，将所述真实用电数据标记为正常用电数据，并将所述正常用电数据存储于所述模型中。

7.一种用户用电数据异常检测装置，其特征在于，所述装置包括：

用电数据获取模块，用于获取用户的历史用电数据和当前时刻的真实用电数据；

用电数据预测模块，用于将所述历史用电数据输入到训练好的异常检测模型，确定所述历史用电数据的第一玻尔兹曼分布特征，根据所述第一玻尔兹曼分布特征输出当前时刻的预测用电数据；

距离计算模块，用于根据所述预测用电数据和所述真实用电数据进行计算，得到预测用电数据和真实用电数据之间的距离；

用电数据标记模块，用于当所述距离大于预设阈值时，将所述真实用电数据标记为异常用电数据；

标签数据获取模块，用于获取时序化的各行业用电量数据和对应的标注的所属数据标签；

参数化的玻尔兹曼分布获取模块，用于将所述时序化的各行业用电量数据和数据标签作为异常检测模型的输入值，得到参数化的玻尔兹曼分布；

异常检测模型训练模块，用于根据所述参数化的玻尔兹曼分布和所属的数据标签，训练得到所述异常检测模型；其中，模型训练目标使正常标签的用电数据的玻尔兹曼分布特征和异常标签的用电数据的玻尔兹曼分布特征距离相异且远离。