[发明专利]InceptionTS模型的建立方法、装置及窃电检测方法、装置

说明书

本发明公开了一种InceptionTS模型的建立方法、装置及窃电检测方法、装置，InceptionTS模型的建立方法包括：获取训练数据集，其中，训练数据集中的训练数据包括窃电用户用电数据和非窃电用户用电数据；将训练数据集中的训练数据输入至InceptionTS模型，得到每一训练数据的分类向量，其中，分类向量包括窃电类别；根据分类向量及其对应训练数据的所属窃电类别构建损失函数；基于损失函数对InceptionTS模型进行训练，得到训练好的InceptionTS模型。利用该建立方法得到的训练好的InceptionTS模型，具有准确率，误报率低，且适应性强的优点。

技术领域

本发明涉及窃电检测技术领域，尤其涉及到一种InceptionTS模型的建立方法、装置及窃电检测方法、装置。

背景技术

目前窃电检测方法主要有基于简单规则的窃电检测方法、基于聚类的检测方法、基于分类的窃电检测方法。其中基于简单规则的窃电检测方法只能对某些特定的窃电手法进行识别，规则需要随窃电方式的变化而变化，而某些窃电方式很难通过规则实现窃电用户的识别。基于聚类的检测方法主要根据用电行为进行用户聚类，将少数样本的类别作为窃电用户，该方法会出现高误报率、低检测率等问题，而且该方法对用电特征依赖性非常高，随窃电方式的改变用电特征也随之改变，聚类就难以将窃电用户有效的进行识别。基于分类的检测方法主要以人工特征和传统机器学习为主，需要先根据用户行为模式来提炼和筛选可有效表征用户用电行为特性的特征指标项，窃电特征随窃电方法的变化而变化，而且某些窃电方法难以通过人工提炼的特征有效表征，窃电和非窃电在某些特征上并不明显，易混淆，因此极易出现大量的误检，不能取得满意的检测效果。

随着窃电手段的更新和升级，上述的窃电检测方法难以有效的进行窃电检测，主要存在问题有：1、及时性差，窃电检测方法不能及时发现用户的窃电行为，实时性不够。2、准确度低，无论是基于规则的方法，基于聚类的检测方法还是基于分类的检测方法，都无法将窃电过程中的窃电行为的根本异常进行捕获。基于聚类和分类的检测方法主要是人工特征，无法对窃电行为异常自动表征学习。因此会出现低检测率，高误报率的问题，导致应用时准确率低。3、边缘部署难度大，目前的检测方法主要以业务后台，数据系统中进行应用有，存在计算量大、依赖的数据量大等问题，未考虑在边缘测的应用，在边缘测部署应用难度大，应用性不足。

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InceptionTS模型的建立方法，利用该建立方法得到的训练好的InceptionTS模型，具有准确率，误报率低，且适应性强的优点。

本发明的第二个目的在于提出一种窃电检测方法。

本发明的第三个目的在于提出一种InceptionTS模型的建立装置。

本发明的第四个目的在于提出一种窃电检测装置。

本发明的第五个目的在于提出一种计算机可读存储介质。

本发明的第六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InceptionTS模型的建立方法，所述包括：获取训练数据集，其中，所述训练数据集中的训练数据包括窃电用户用电数据和非窃电用户用电数据；将所述训练数据集中的训练数据输入至InceptionTS模型，得到每一训练数据的分类向量，其中，所述分类向量包括窃电类别；根据所述分类向量及其对应训练数据的所属窃电类别构建损失函数；基于所述损失函数对所述InceptionTS模型进行训练，得到训练好的InceptionTS模型。

根据本发明实施例的InceptionTS模型的建立方法，利用窃电用户用电数据和非窃电用户用电数据，对InceptionTS模型进行训练，使的训练好的InceptionTS模型，具有准确率，误报率低，且适应性强的优点。