[发明专利]一种窃电用户识别与窃电时间段检测方法

权利要求书

1.一种窃电用户识别与窃电时间段检测方法，其特征在于，包括以下步骤：

步骤S1，根据窃电攻击模型结合电力消费数据构建窃电样本，构建基于残差网络结构的特征提取器，从样本数据中提取高维特征，并将多通道的高维特征展开，得到一维特征向量；

步骤S2，构建窃电识别层和窃电时间段检测层，并将一维特征向量输入到其中；

构建共享隐藏层，引入Softmax激活函数构建窃电识别层；基于共享隐藏层，引入Sigmoid激活函数构建窃电时间段检测层；将步骤S1处理得到的一维特征通过dropout层输入两个任务层模块；

步骤S3，模型训练；

基于任务不确定度构建基于同方差不确定性的多任务自适应损失函数，平衡回归与分类任务的训练过程，建立窃电时段检测准确率评价指标，并使用ACC评价窃电用户识别准确性，最终模型能同时输出识别到的窃电用户及其对应窃电时段。

2.根据权利要求1所述的窃电用户识别与窃电时间段检测方法，其特征在于，步骤1中，经过残差网络提取得到64个通道的高维特征数据，其中每个通道包含8个特征值；将多通道的高维特征展开，得到长度为512的一维特征向量。

3.根据权利要求1所述的窃电用户识别与窃电时间段检测方法，其特征在于，步骤2中，基于包含128个神经元的全连接神经网络构建共享隐藏层，对特征提取器提取的一维特征向量进行维度变换；在共享隐藏层和特征提取器之间添加Dropout层防止模型过拟合；引入Softmax激活函数构建窃电识别层，输出是否窃电。

4.根据权利要求1所述的窃电用户识别与窃电时间段检测方法，其特征在于，步骤1中，所述的残差网络的模型为：

y_l＝F(x_l,w_l)+g(x_l)

x_l+1＝f(y_l)

式中，x_l表示第l层残差块(Residual block)的输入数据，y_l表示第l层残差块的输出；F则表示残差映射函数，由两层卷积核大小为3的一维卷积层堆叠而成；g代表捷径分支映射函数，由一层卷积核大小为1的卷积层构成；f表示残差块的输出激活函数，采用Relu函数，其表达式为f(x)＝max(0,x)。

5.根据权利要求4所述的窃电用户识别与窃电时段检测方法，其特征在于，步骤3中，所述的基于同方差不确定性的多任务损失函数为：

式中，任务不确定度σ₁、σ₂均为可学习参数，通过网络训练自动确定；L₁和L₂分别表示回归任务和分类任务的损失函数，分别表示为：

L₁＝||y₁-f^w(x)||²

L₂＝-log(Softmax(y₂,f^w(x))；

式中，y1和y2分别表示回归任务和分类任务的样本标签，均用2维向量表示；

式中，f^w(x)表示所述的残差网络输出的预测值，x是输入数据，w是权重。

6.根据权利要求5所述的窃电用户识别与窃电时段检测方法，其特征在于，所述的窃电时段检测准确率评价指标IOU计算过程如下：

low＝max(x₁,y₁)

high＝min(x₂,y₂)

overlap＝max(0,high-low)

union＝(x₂-x₁)+(y₂-y₁)-overlap

IOU＝overlap/union；

式中，x1,x2表示用户真实窃电的起点和终点时间，y1,y2表示模型预测的用户窃电起点和终点时间。