[发明专利]一种基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法

权利要求书

1.一种基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法，其特征在于，包含如下步骤：

步骤1.采集台区下正常用户的历史电量数据，建立用户的二维电量矩阵；

步骤2.建立卷积自编码器CAE异常检测模型，计算各用户的重构误差大小，将重构误差较大的异常用电用户识别为窃电用户；

步骤3.分别从窃电用户的窃电和非窃电时段的电量计量数据中提取表征用户窃电量关联性的电量统计指标并构建特征向量；

步骤4.以步骤3构建的特征向量作为输入，依据Tradaboost算法训练并生成XGBoost回归模型，即可预测各窃电用户的潜在窃电量。

2.根据权利要求1所述基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法，其特征在于，所述的步骤1中，所述建立用户的二维电量矩阵，具体是将一维时序电量数据变换为二维矩阵：

式中，是用户i的二维电量矩阵，为第j个用电周期内第k时刻的电量数据，T^CAE是用电周期的时间长度，M是用电周期数。

3.根据权利要求1所述的基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法，其特征在于：

在步骤2中，采用二维卷积层，池化层和上采样层构建卷积自编码器，然后学习正常用户的用电特征，从而建立卷积自编码器CAE异常检测模型；具体为：

二维卷积层将输入的二维电量矩阵划分为尺寸相同的l×l感受域，然后用权重系数与各感受域中的电量值作乘积运算，采用卷积运算提取二维电量矩阵的特征，卷积运算表示为

式中，是感受域(u，v)的卷积运算结果，是感受域内电量值对应的权重系数，是二维电量矩阵中的元素，b是卷积计算的偏差项，f_ker(·)是非线性变换的激活函数；

在卷积自编码器的编码过程中，每个二维卷积层后添加池化层，对二维卷积层的卷积运算结果作欠采样；在解码过程中，每个二维卷积层后添加上采样层，对压缩后的卷积运算结果作过采样，最后使卷积自编码器输出的特征矩阵尺寸与输入的二维电量矩阵的尺寸相同；CAE的输出特征矩阵表示为

计算各用户的重构误差δ为

式中是卷积自编码器CAE异常检测模型的输出特征矩阵中对应于的输出电量值；

将重构误差较大的异常用电用户识别为窃电用户。

4.根据权利要求1所述的基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法，其特征在于，所述的步骤3具体为：

采集获得窃电用户i的窃电时段和正常时段的电量数据，并分别建立尺寸为1×T^Tr的窃电时段电量向量和正常时段电量向量其中T^Tr是采集电量的时间长度；从电量向量中提取表征用户i窃电量关联性的电量统计指标并构建特征向量F_i^Xg，表示为

F_i^Xg＝[F_i^avg,F_i^max,F_i^min,F_i^null,F_i^zero,F_i^var,F_i^pcc]

式中，F_i^avg,F_i^max,F_i^min,F_i^null,F_i^zero,F_i^var是原始电量曲线的平均值、最大值、最小值、空值数、零值数及方差统计指标；和函数分别表示计算正常用电和窃电用电向量的平均值、最大值、最小值、空值数、零值数及方差指标向量；用于计算和间的皮尔逊相关系数F_i^pcc。

5.根据权利要求1所述的基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法，其特征在于：

在步骤4中，以待预测窃电用户作为目标训练集用户的数量为N^TT，对应的窃电量向量为y^TT，同时采集当地历史窃电记录作为辅助训练集用户的数量为N^AT，对应的窃电量向量为y^AT；设置训练集中每位用户的权重向量α^t＝[α^t(1),α^t(2),…,α^t(N^TT+N^AT)]；

在第t次迭代中，以组合训练集(F^TT+F^AT)、标签向量(y^TT+y^AT)和权重向量α^t为输入，训练XGBoost模型Xg(t)，预测目标训练集用户的窃电量向量计算目标训练集的预测误差ε_t

其中ε₀为窃电量向量的误差阈值，为判断误差是否超过误差阈值的判定函数；然后分别定义F^TT和F^AT上的训练误差β_t和β₀为

然后更新全部输入样本的新一轮权重向量α^t+1(i)为

达到最大迭代次数N^Xg后，迭代停止，输出训练完毕的XGBoost模型Xg(N^Xg)，用该模型预测窃电用户的潜在窃电量大小。