[发明专利]窃电检测方法、装置及存储介质、电子设备

说明书

本发明公开了一种窃电检测方法、装置及存储介质、电子设备，窃电检测方法包括：获取用户的用电数据，其中，用电数据包括用电参数的时间序列数据；将用电数据输入至训练好的特征表示模型，得到时间特征向量，其中，特征表示模型采用自监督学习方式训练得到；利用训练好的异常检测模型对时间特征向量进行异常检测，得到用户的窃电类别。本发明提高了窃电检测的准确率和召回率，降低了窃电检测的误检率和漏检率。

技术领域

本发明涉及窃电检测技术领域，尤其涉及到一种窃电检测方法、装置及存储介质、电子设备。

背景技术

相关技术中，采用LSTM(Long Short-Term Memory，长短期记忆网络)、CNN(Convolutional Neural Networks，卷积神经网络)或两种组合及微调的骨干网络进行窃电检测。该类方法将窃电检测问题转化为一个分类问题，其需要将采集的正样本(窃电样本)与负样本(正常样本)转换成近似平衡的数据集，但是在百万及千万级真实用电样本中，仅存在极其少量的用电异常用户，为获取近似平衡的数据集，需要对负样本进行降采样，对正样本过采样。由于正负样本数量悬殊过大，可能会出现欠采样，样本和总体分布不再一致，正样本过采样后，被过度学习，导致上线后窃电检测网络出现准确率低、误报率高、召回率低等问题。同时该类方法还将窃电检测作为一个监督问题，在实际数据中，窃电标签数据是非常少的，同时除了被标记的窃电数据外的其他数据不仅包含了非窃电数据还包含了未标记的窃电数据。

或采用基于kmeans(k均值)聚类和局部异常因子异常检测(Local OutlierFactor，LOF)的算法进行窃电检测，但该类方法存在的问题是对于多变量的高维时间序列数据，高维空间样本会相对稀疏。该类方法表现可能会很差，只对单点时间处理又无法提取到时间变化上的特征，在实际场景中缺乏实用性。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种窃电检测方法，具有窃电检测准确率和召回率高，误检率和漏检率低的优点。

本发明的第二个目的在于提出一种窃电检测装置。

本发明的第三个目的在于提出一种计算机可读存储介质。

本发明的第四个目的在于提出一种电子设备。

为达到上述目的，本发明第一方面实施例提出了一种窃电检测方法，所述方法包括：获取用户的用电数据，其中，所述用电数据包括用电参数的时间序列数据；将所述用电数据输入至训练好的特征表示模型，得到时间特征向量，其中，所述特征表示模型采用自监督学习方式训练得到；利用训练好的异常检测模型对所述时间特征向量进行异常检测，得到所述用户的窃电类别。

根据本发明实施例的窃电检测方法，采用自监督学习方式训练得到训练好的特征表示模型，将用户的用电数据输入至训练好的特征表示模型，获取用户用电数据的时间特征向量，并将时间特征向量输入至训练好的异常检测模型进行异常检测，来判断用户是否为窃电用户，提高了窃电检测的准确率、召回率，降低了窃电检测的误检率和漏检率。

另外，根据本发明上述实施例提出的窃电检测方法还可以具有如下附加的技术特征：

根据本发明的一个实施例，所述特征表示模型的训练过程包括：获取训练数据集，其中，所述训练数据集中的训练数据包括用电参数的时间序列数据；将所述训练数据集中的训练数据分别输入第一结构和第二结构，对应得到所述训练数据的长时间特征和局部时间特征，其中，所述第一结构包括依次连接的门控循环单元GRU层和第一全局池化层，所述第二结构包括依次连接的多个卷积层和第二全局池化层，每一所述卷积层之后连接有第一批标准化层和激活层，所述GRU层用于提取所述训练数据的长时间特征，所述一维卷积层用于提取所述训练数据的局部时间特征；对所述长时间特征和所述局部时间特征进行拼接，得到时间特征向量；将所述时间特征向量依次输入至全连接层，得到预测值；基于所述预测值及其对应训练数据的真实值构建损失函数；基于所述损失函数对所述特征表示模型进行训练，得到训练好的特征表示模型。