[发明专利]一种窃电客户识别方法及装置

说明书

本发明提供了一种窃电客户识别方法及装置，通过构建窃电客户指标体系，提高待识别数据的全面性和准确性，并将基于LM神经网络的识别模型与基于CART决策树的识别模型中对窃电客户识别效果最好的模型作为窃电客户识别模型，由于LM神经网络既有高斯‑牛顿法的局部收敛性，又具有梯度下降法的全局特性，CART决策树效率高，每一次预测的最大计算次数不超过决策树的深度，且决策树对输入数据没有任何统计分布的假设要求，因此，利用从这两种模型中选择的最优模型进行窃电客户识别，可以得到收敛速度快、精度高的全局最优解，从而提高了窃电客户识别效率。

技术领域

本发明涉及数据分析技术领域，更具体的，涉及一种窃电客户识别方法及装置。

背景技术

近年来，窃电现象仍然时有发生，给正常供电和安全用电带来了极大的影响。

目前，窃电识别主要依靠人工巡查结合指标分析，其中，人工巡查需要花费大量人力，排查效率低下，指标分析则需要分析海量数据，窃电识别难度大、准确率较低。

发明内容

有鉴于此，本发明提供了一种窃电客户识别方法及装置，实现对窃电客户的准确识别。

为了实现上述发明目的，本发明提供的具体技术方案如下：

一种窃电客户识别方法，包括：

获取待识别客户在预先构建的窃电客户指标体系下的多维度指标值；

将所述多维度指标值输入预先构建的窃电客户识别模型中，得到所述待识别客户的识别结果，其中，所述窃电客户识别模型为基于LM神经网络的识别模型与基于CART决策树的识别模型中对窃电客户识别效果最好的模型，所述基于LM神经网络的识别模型与所述基于CART决策树的识别模型为利用已标注是否为窃电客户的训练样本分别对LM神经网络模型和CART决策树模型进行训练后得到的，所述训练样本包括所述窃电客户指标体系下的多维度指标值。

可选的，所述获取待识别客户在预先构建的窃电客户指标体系下的多维度指标值，包括：

获取所述待识别客户在预设时间段内的用电数据；

从所述用电数据中提取所述窃电客户指标体系下的多维度指标对应的数据；

对所述窃电客户指标体系下的多维度指标对应的数据进行数据清洗，并采用拉格朗日插值法对清洗后的缺失值进行插补处理；

对插补处理后的所述窃电客户指标体系下的多维度指标对应的数据进行归一化处理，得到所述多维度指标值。

可选的，所述方法还包括：

根据所述窃电客户指标体系中多维度指标的数量确定LM神经网络中输入层神经元的数量，并将LM神经网络中输出层的神经元的数量确定为1；

采用不用的初始训练参数，利用所述训练样本对LM神经网络进行多次收敛训练；

获取每次收敛训练后的训练集精度和测试集精度，并根据预先设定的训练集精度权重和测试集精度权重，分别对每次收敛训练后的训练集精度和测试集精度进行加权平均值计算，得到每次收敛训练的精度值；

将精度值最高的收敛训练对应的网络参数确定为最优网络参数，得到最优网络参数对应的所述基于LM神经网络的识别模型。

可选的，所述方法还包括：

根据预设规则从所述窃电客户指标体系中选取一个或一个以上多维度指标作为树节点的划分属性，并将所述训练样本中的各个多维度指标作为测试变量树的各个分支中，重复该过程，直到满足预设条件之一停止建树，生成CART决策树；

利用剪枝算法对生成的CART决策树进行剪枝处理，形成子树序列；