[发明专利]一种用电量数据检测方法、装置、设备及存储介质

说明书

本申请涉及人工智能技术领域，公开了一种用电量数据检测方法、装置、设备及存储介质，包括：获取正常用电量数据和异常用电量数据，并基于所述异常用电量数据利用第一模型中的生成器生成虚假异常用电量数据，得到目标训练集；所述生成器为全连接网络；利用所述目标训练集对第二模型进行训练，得到训练后的所述第二模型；其中，所述第二模型由卷积神经网络、长短期记忆网络及多头注意力机制组成；将待检测用电量数据输入训练后的所述第二模型以依次通过卷积神经网络、长短期记忆网络及多头注意力机制，得到对应的检测结果。避免由于数据不平衡导致检测模型的检测结果具有偏向性，从而提高窃电行为的检测准确度。

技术领域

本发明涉及人工智能技术领域，特别涉及一种用电量数据检测方法、装置、设备及存储介质。

背景技术

智能电表可以实时对用电信息进行量测和监控，随后将报告发送给电网服务商。然而在这个过程中存在恶意的用户可能通过新型的物联网技术针对智能电表的系统漏洞进行攻击，从而篡改本地与远程交互的计量数据，达到非法用电并减少计费账单的目的。为了防止用户窃电，电力窃电检测(ETD)是可行的办法。

现有技术中，基于状态估计的方法是利用改装的电流表对低压装置进行欺诈检测，操作员可以检查和比较本地和远程检测窃电措施的差异。然而，基于状态估计的窃电检测只能应用于变电站层面，而不能应用于最终用户层面。此外，额外的设备将花费额外的费用，并且一些种类的设备很难安装在现有的分销网络；基于博弈论的方法是把这些篡改行为看作是恶意用户和电力公司之间的游戏。这种方法的目标是找到博弈的纳什均衡。基于博弈论的方法相对便宜，但它们很难找到一个合适的等式来解释用户和电力公司之间的关系；基于机器学习的方法在参数选择上存在问题使得检测性能较差、节点不能正确分离样本导致误分类样本进入下节点并造成错误累积的概率会增加、由于包含重复数据而引起的过拟合问题没有被考虑进去、复杂的神经网络使得系统容易陷入局部极小值而无法跳出且深度学习中卷积层数和网络超参数的确定较为困难等。

因此，如何提供一种高效、准确的用电量数据检测方案是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种用电量数据检测方法、装置、设备及存储介质，避免由于数据不平衡导致检测模型的检测结果具有偏向性，从而提高窃电行为的检测准确度。其具体方案如下：

本申请的第一方面提供了一种用电量数据检测方法，包括：

获取正常用电量数据和异常用电量数据，并基于所述异常用电量数据利用第一模型中的生成器生成虚假异常用电量数据，得到目标训练集；其中，所述目标训练集包含由所述正常用电量数据组成的第一样本数据和由所述异常用电量数据和所述虚假异常用电量数据组成的第二样本数据；所述生成器为全连接网络；

利用所述目标训练集对第二模型进行训练，得到训练后的所述第二模型；其中，所述第二模型由卷积神经网络、长短期记忆网络及多头注意力机制组成；

将待检测用电量数据输入训练后的所述第二模型以依次通过卷积神经网络、长短期记忆网络及多头注意力机制，得到对应的检测结果。

可选的，所述获取正常用电量数据和异常用电量数据之后，还包括：

采用拉格朗日插值法分别对所述正常用电量数据和所述异常用电量数据进行缺失值补齐处理，得到补齐后的所述正常用电量数据和所述异常用电量数据；

采用最小最大缩放法分别对补齐后的所述正常用电量数据和所述异常用电量数据进行归一化处理，得到归一化后的所述正常用电量数据和所述异常用电量数据。

可选的，所述基于所述异常用电量数据利用第一模型中的生成器生成虚假异常用电量数据之前，还包括：