[发明专利]一种基于BP神经网络的用户用电异常行为检测方法

摘要

本发明提供了一种基于BP神经网络的用户用电异常行为检测方法，包括如下步骤：S1、基于统计的特征提取：S2、基于KernelPCA的特征降维：为了数据能够更好的表现其特征，并使模型训练能够更加高效，需对基于统计特征提取的数据进行KernelPCA降维处理，形成最终预处理后的特征空间；预处理模型建立的KernelPCA算法步骤如下：S3、对矩阵Y_M×K进行归一化处理得到新矩阵Y_M×K'，使得y_ij'的取值在[0,1]之间；S4、采用BP神经网络模型判断出是用电异常还是用电正常。基于BP神经网络的用户用电异常行为检测方法解决现有技术中因没有对数据进行处理导致后续运算较大而导致分析计算运行时间长的问题。

主权项

1.一种基于BP神经网络的用户用电异常行为检测方法，其特征在于，包括如下步骤：S1、基于统计的特征提取：S11、数据定义：S111、令数据集为X＝{x_n}，n取1至N，数据集中包含N个日常用电用户，每个用户划分为D天、M个月、Q个季度的用电数据；S112、每个用户的日用电量序列：x_n＝{x_nd}，d取1至D；S113、每个用户的月用电量序列：y_n＝{y_nm}，m取1至M，S114、每个用户的季度用电量序列：z_n＝{z_nq}，q取1至Q，S12、对用户用电行为特征在时间上以年、季度、月份为单位划分，并计算每个用户的单位时间均值、标准差和离散系数序列，即是计算：每个用户的全年用电量标准差D1、每个用户的全年用电量离散系数D2、每季度用电量标准差D3～D6、每季度用电量离散系数D7～D10、每月用电量标准差D11～D21、每月用电量离散系数D22～D32、每月平均用电量上升下降趋势D33～D41、相邻两月用电均值之差和比值的最大值D42～D43、相邻两月用电均值之差和比值的最小值D44～D45、相邻季度用电均值之差和比值的最大值D46～D47、相邻季度用电均值之差和比值的最小值D48～D49，其中，D1～D49为统计特征；S2、特征降维：假设将原始数据用于基于统计特征的方式处理后形成有n维向量的M个样本值，M表示用户个数，N表示每个用户提取的统计特征的个数，并令其为一个M×N的矩阵X，矩阵X中xmn表示第m个用户第n个统计特征的具体值；通过Kernel PCA降维方式将矩阵X降为M×K的矩阵YM×K，S3、对矩阵Y_M×K进行归一化处理得到新矩阵Y_M×K'，使得y_ij'的取值在[0,1]之间，采用以下1.1式进行处理，式中，表示矩阵Y_M×K中第j列的最小值，表示矩阵Y_M×K中第j列的最小值：S4、采用BP神经网络模型判断出是用电异常还是用电正常：S41、新矩阵YM×K'中yij'代表第i个用户第j个统计特征的值，从新矩阵YM×K'中选取任意6列作为输入因素；S42、将每个用户的输入因素输入至BP神经网络模型，得到结果yjie；S43、判断yjie是等于0还是1，若是0，则输出该用户用电异常；若是1则输出该用户用电正常。