[发明专利]一种基于时序自动编码器的窃电检测方法、系统及介质

权利要求书

1.一种基于时序自动编码器的窃电检测方法，其特征在于，包括模型训练阶段和模型应用阶段，模型训练阶段如下：

S1：获取多个用户的多日电量消耗数据作为原始数据集；

S2：建立多个高斯混合模型，结合原始数据集，使用最大期望法EM分别确定各个高斯混合模型的参数，利用贝叶斯信息准则BIC得到最优高斯混合模型，所述最优高斯混合模型包括K个高斯分布；

S3：基于最优高斯混合模型对原始数据集的聚类结果，将原始数据集划分为K个训练集；

S4：构建K个基于长短期记忆人工神经网络LSTM的自动编码器，分别使用训练集进行训练，得到最优高斯混合模型中各个高斯分布所对应的自动编码器；

模型应用阶段如下：

获取原始数据集中的用户的电量消耗数据作为输入数据集，根据最优高斯混合模型对输入数据集进行聚类，使用聚类结果所对应的自动编码器对聚类结果中的电量消耗数据进行异常检测，得到窃电检测结果。

2.根据权利要求1所述的一种基于时序自动编码器的窃电检测方法，其特征在于，步骤S2具体为：

S21：依次建立高斯分布个数为1、2、…L的高斯混合模型，L为高斯混合模型中高斯分布的最大个数；

S22：对于每个高斯混合模型，分别使用最大期望法EM确定高斯混合模型的参数；

S23：利用贝叶斯信息准则BIC分别计算每个高斯混合模型的BIC值，选择BIC值最小的高斯混合模型作为最优高斯混合模型，所述最优高斯混合模型包括K个高斯分布。

3.根据权利要求1所述的一种基于时序自动编码器的窃电检测方法，其特征在于，步骤S4中对第i个(1≤i≤K)自动编码器进行训练具体为：

A1：获取第i个训练集中的训练数据，使用训练集中的训练数据训练第i个编码器；

A2：将训练集中的训练数据依次输入第i个自动编码器，得到每个训练数据的误差向量、均值和方差，基于误差向量、均值和方差分别计算各个训练数据的异常分数；

A3：根据异常分数自高至低自第i个训练集中移除M个训练数据，再使用训练集中剩余的训练数据训练第i个编码器，完成自动编码器的训练，记录自动编码器的模型参数，其中，M＝N×P，N表示第i个训练集中训练数据的数量，P表示预设置的异常比例。

4.根据权利要求3所述的一种基于时序自动编码器的窃电检测方法，其特征在于，所述误差向量为：

其中，e^(j)为第j个训练数据的误差向量，x^(j)为训练集中的第j个训练数据，为x^(j)输入自动编码器后得到的输出。

5.根据权利要求4所述的一种基于时序自动编码器的窃电检测方法，其特征在于，所述异常分数的计算公式为：

a^(j)＝(e^(j)-μ)^Tσ_-²(e^(j)-μ)

其中，a^(j)为第j个训练数据x^(j)的异常分数，μ和σ²为第i个训练集所对应的高斯分布的均值和方差。

6.根据权利要求3所述的一种基于时序自动编码器的窃电检测方法，其特征在于，模型应用阶段中，对属于同一个聚类结果的电量消耗数据进行异常检测具体为：

获取该聚类结果所对应的自动编码器，将电量消耗数据输入自动编码器，计算电量消耗数据的异常分数，将异常分数大于分数阈值的电量消耗数据作为异常数据，所述分数阈值是该自动编码器在训练过程中移除的M个训练数据中的异常分数最小的训练数据的异常分数值。

7.根据权利要求1所述的一种基于时序自动编码器的窃电检测方法，其特征在于，所述输入数据集包括多个用户的多日电量消耗数据，原始数据集和输入数据集的每日采样时间和采样频率相同。