CN111612651A - 一种基于长短期记忆网络的异常电量数据检测方法 - Google Patents

一种基于长短期记忆网络的异常电量数据检测方法 Download PDF

Info

Publication number
CN111612651A
CN111612651A CN202010459636.8A CN202010459636A CN111612651A CN 111612651 A CN111612651 A CN 111612651A CN 202010459636 A CN202010459636 A CN 202010459636A CN 111612651 A CN111612651 A CN 111612651A
Authority
CN
China
Prior art keywords
data
electric quantity
quantity data
prediction
lstm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010459636.8A
Other languages
English (en)
Other versions
CN111612651B (zh
Inventor
邵振国
许良财
张承圣
张嫣
陈飞雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202010459636.8A priority Critical patent/CN111612651B/zh
Publication of CN111612651A publication Critical patent/CN111612651A/zh
Application granted granted Critical
Publication of CN111612651B publication Critical patent/CN111612651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于长短期记忆网络的异常电量数据检测方法。将所预测的电量数据作为实际电量数据的比较对象，并提出了一种时间窗口滑动检测方式，对所预测的电量数据加区间阈值，设置一定的天数作为时间窗口阈值，时间窗口由前向后滑动依次检测，通过检测实际值在连续的时间窗口内是否处于预测阈值之外而判断是否为异常电量数据。本发明方法适用于长时异常电量数据检测，能够快速检测由电表长期故障或者窃电行为引起的异常电量变化。

Description

一种基于长短期记忆网络的异常电量数据检测方法
技术领域
本发明涉及一种基于长短期记忆网络的异常电量数据检测方法。
背景技术
随着智能电网不断建设发展，智能电表等用电信息采集设备普遍安装，使得电网公司从用户侧获取的电量数据越来越多。然而，在海量的电量数据中也存在着大量的异常电量数据，这些异常电量数据产生的原因主要有两个：一是智能表计等采集设备故障使得数据出现异常；二是由用户的窃电行为而引起电量数据异常。无论是基于何种原因，电网公司都需要快速锁定这些产生异常电量数据的用户，对其进行针对性处理以减少用户和电网公司自身的经济损失，同时提高电网运行稳定性。
现有的异常电量数据检测方法主要有两类：一种是传统的统计学方法，一种是基于聚类的离群点检测方法。
传统的统计学对于异常电量数据检测主要有两种方式：一是依据简单的统计量分析数据的合理性，如判断电量数据的极值是否异常。二是通过箱型图分析方式，依靠数据与均值之间的差异程度判断是否异常。上述方式依赖于单一设定值的合理性，而用户的用电行为是多样的，每天的用电量是随之变化的，通过每天的电量数据与同一个值对比容易形成误判和漏判。
基于聚类的离群点检测是一种无监督的学习方式，将大部分相似的电量数据聚集为多个类，筛选出孤立的电量数据。然而，此种方式只适用于检测一些异常数据点，而不能应用于电表故障检测和窃电检测的连续性异常电量数据分析。
同时，无论是上述何种方式，都只适用于电表偶尔采集错误所带来的短时异常数据，对于电表故障及窃电行为引起的长时异常数据难以检测。
长短期记忆网络(LSTM，Long Short-TermMemory)是一种时间循环神经网络，能够用来进行时间序列预测，而用户的日用电量作为一种典型的时间序列数据，具有一定的规律性，当天的电量数据与前多天的电量数据之间有一定的关联性。通过LSTM可以选择性地训练预测模型，预测电量数据的大致值，并与真实值对比而判断是否出现异常。
因此，本发明提出一种基于LSTM的异常电量数据检测方法，用以快速检测异常电量数据，能够为故障电表监测和窃电行为检测提供依据。
发明内容
本发明的目的在于提供一种基于长短期记忆网络的异常电量数据检测方法，适用于长时异常电量数据检测，能够快速检测由电表长期故障或者窃电行为引起的异常电量变化。
为实现上述目的，本发明的技术方案是：一种基于长短期记忆网络的异常电量数据检测方法，通过采集用电量数据搭建基于LSTM的异常电量数据预测模型，并基于建立的模型得到预测的电量数据；对所预测的电量数据加区间预测阈值，设置时间窗口由前向后滑动依次检测，通过检测实际电量数据在连续的时间窗口内是否处于预测阈值之外而判断是否为异常电量数据。
在本发明一实施例中，该方法具体实现步骤如下：
步骤S1、采集用户的历史日用电量数据以及需要检测的日用电量数据，将历史日用电量数据划分为训练集A1(t)、验证集A2(t)，检测数据为测试集A3(t)，验证集的数据量大小与测试集一致，三个数据集依次连接整合形成数据集A(t)，其存储形式如下：
Figure BDA0002510221300000021
式中，1，2，...，n表示日期，仅代表时间先后顺序；
步骤S2、利用式(2)对A(t)进行归一化处理：
Figure BDA0002510221300000022
其中，x′i表示经归一化处理后的日用电量数据，xi表示原始日用电量数据，xmax和xmin分别表示原始日用电量数据集里的最大值和最小值；
归一化后的数据存储形式如下：
[a(1) a(2) a(3) … a(n-1) a(n)]T (3)
步骤S3、将归一化后的一维数据集转化为有标签的二维数据集，作为基于LSTM的电量预测模型的输入数据，其存储形式如下：
Figure BDA0002510221300000031
同样依次划分为训练集(train_X，train_Y)、验证集(test1_X，test1_Y)、测试集(test2_X，test2_Y)；
步骤S4、搭建基于LSTM的异常电量数据预测模型，具体过程如下：
在keras深度学习框架的Sequential模型中直接导入LSTM模块，设置LSTM的隐藏层个数为1，隐藏层神经元个数为50，输入层大小由步长和特征两部分组成，步长为n_day，其意义为利用用户前n_day天的日电量数据，预测用户第n_day+1天的日用电量数据，由于只对单一电量特征进行预测，特征值为1，输出层由一个全连接层Dense构成，输出单元个数为1；
采用随机梯度下降算法优化损失函数，损失函数为均方根误差函数，其计算公式如下：
Figure BDA0002510221300000032
其中，ai和bi分别表示i时刻的预测值和真实值；
为防止过拟合和欠拟合，模型训练次数参数epoch依次设置为200至500，将训练集(train_X，train_Y)直接导入建好的预测模型，以优化LSTM中的各权重值；然后将验证集(test1_X，test1_Y)导入训练好的模型，计算训练损失loss和验证损失val_loss，使得当训练次数增加时，loss和val_loss之间的差值趋于一个较小的稳定值，此时的epoch即为最佳训练次数；
步骤S5、将测试集(test2_X，test2_Y)直接导入已经建立好的基于LSTM的异常电量数据预测模型，输出经归一化的预测数据prediction_Y，此后将prediction_Y和test_Y分别存储于两个表格中，完成电量预测过程；
步骤S6、采用滑动时间窗口检测方式，设置时间窗口l＝5，阈值t＝0.1，对每个预测数据上下加阈值形成预测曲线带，具体公式如下：
Figure BDA0002510221300000041
其中，Upbound为曲线带上边界，Lowbound为曲线带下边界；
由前向后依次判断时间窗口内的l个实际电量数据是否均在曲线带之外，窗口依次向后滑动一天，如果由前向后不存在一个窗口内l个实际电量数据在预测曲线带之外，则不存在疑似电表故障或者窃电行为引起的异常电量数据，反之，则用户存在疑似电表故障或者窃电行为；具体判断公式如下：
Figure BDA0002510221300000042
在本发明一实施例中，步骤S1中，历史日用电量数据为与需要检测的日用电量数据相近日期的用电量数据，且历史日用电量数据的数据量大小大于需要检测的日用电量数据的数据量大小。
在本发明一实施例中，步骤S4中，参数n_day的设置方式为：将参数n_day分别取1至10，然后训练基于LSTM的电量数据预测模型，通过验证集(test1_X，test1_Y)验证，使得预测数据和实际数据之间的均方误差达到较小时，选择此时的n_day为其参数值。
相较于现有技术，本发明具有以下有益效果：
本发明提出的一种基于LSTM的异常电量数据检测方法，适用于长时异常电量数据检测，能够快速检测由电表长期故障或者窃电行为引起的异常电量变化。其主要优点如下：
(1)将预测算法应用于异常电量数据检测中，生成一组用于比较实际电量数据的预测电量数据，预测模型有选择性地通过用户历史正常电量数据进行训练，能够抓取用户的历史用电特征；模型训练所需数据量小，数据维度小，训练速度快；
(2)时间窗口滑动比较方式可依据用户其它因素设置窗口大小和阈值大小，控制检测的严格程度，同时可以检测产生异常电量数据的大致开始时间和持续时间。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于长短期记忆网络的异常电量数据检测方法，通过采集用电量数据搭建基于LSTM的异常电量数据预测模型，并基于建立的模型得到预测的电量数据；对所预测的电量数据加区间预测阈值，设置时间窗口由前向后滑动依次检测，通过检测实际电量数据在连续的时间窗口内是否处于预测阈值之外而判断是否为异常电量数据。如图1所示，该方法具体实现步骤如下：
步骤S1、采集用户的历史日用电量数据以及需要检测的日用电量数据，将历史日用电量数据划分为训练集A1(t)、验证集A2(t)，检测数据为测试集A3(t)，验证集的数据量大小与测试集一致，三个数据集依次连接整合形成数据集A(t)，其存储形式如下：
Figure BDA0002510221300000051
式中，1，2，...，n表示日期，仅代表时间先后顺序；
步骤S2、利用式(2)对A(t)进行归一化处理：
Figure BDA0002510221300000052
其中，x′i表示经归一化处理后的日用电量数据，xi表示原始日用电量数据，xmax和xmin分别表示原始日用电量数据集里的最大值和最小值；
归一化后的数据存储形式如下：
[a(1) a(2) a(3) … a(n-1) a(n)]T (3)
步骤S3、将归一化后的一维数据集转化为有标签的二维数据集，作为基于LSTM的电量预测模型的输入数据，其存储形式如下：
Figure BDA0002510221300000053
同样依次划分为训练集(train_X，train_Y)、验证集(test1_X，test1_Y)、测试集(test2_X，test2_Y)；
步骤S4、搭建基于LSTM的异常电量数据预测模型，具体过程如下：
在keras深度学习框架的Sequential模型中直接导入LSTM模块，设置LSTM的隐藏层个数为1，隐藏层神经元个数为50，输入层大小由步长和特征两部分组成，步长为n_day，其意义为利用用户前n_day天的日电量数据，预测用户第n_day+1天的日用电量数据，由于只对单一电量特征进行预测，特征值为1，输出层由一个全连接层Dense构成，输出单元个数为1；
采用随机梯度下降算法优化损失函数，损失函数为均方根误差函数，其计算公式如下：
Figure BDA0002510221300000061
其中，ai和bi分别表示i时刻的预测值和真实值；
为防止过拟合和欠拟合，模型训练次数参数epoch依次设置为200至500，将训练集(train_X，train_Y)直接导入建好的预测模型，以优化LSTM中的各权重值；然后将验证集(test1_X，test1_Y)导入训练好的模型，计算训练损失loss和验证损失val_loss，使得当训练次数增加时，loss和val_loss之间的差值趋于一个较小的稳定值，此时的epoch即为最佳训练次数；
步骤S5、将测试集(test2_X，test2_Y)直接导入已经建立好的基于LSTM的异常电量数据预测模型，输出经归一化的预测数据prediction_Y，此后将prediction_Y和test_Y分别存储于两个表格中，完成电量预测过程；
步骤S6、采用滑动时间窗口检测方式，设置时间窗口l＝5，阈值t＝0.1，对每个预测数据上下加阈值形成预测曲线带，具体公式如下：
Figure BDA0002510221300000062
其中，Upbound为曲线带上边界，Lowbound为曲线带下边界；
由前向后依次判断时间窗口内的l个实际电量数据是否均在曲线带之外，窗口依次向后滑动一天，如果由前向后不存在一个窗口内l个实际电量数据在预测曲线带之外，则不存在疑似电表故障或者窃电行为引起的异常电量数据，反之，则用户存在疑似电表故障或者窃电行为；具体判断公式如下：
Figure BDA0002510221300000063
以下为本发明的具体实现过程。
本发明提出的一种基于LSTM的异常电量数据检测方法的具体步骤如下：
第一步：采集用户的历史日用电量数据以及需要检测的日用电量数据，历史日用电量数据要求能够反应用户的正常用电规律，因此其采集日期不能离检测数据日期太远，其数据量大小应当高于检测数据的数据量大小，本发明选择的历史用电量数据的时间跨度大致为一年，检测数据的时间跨度大致为一个月。将历史用电数据划分为训练集A1(t)、验证集A2(t)，检测数据为测试集A3(t)，验证集的大小与测试集一致，三个数据集依次连接整合形成数据集A(t)，其存储形式如下：
Figure BDA0002510221300000071
式中，1，2，...，n表示日期，仅代表时间先后顺序。
第二步：将原始日用电量数据集进行最大最小归一化处理。归一化处理所采用的公式如下：
Figure BDA0002510221300000072
其中，x′i表示经归一化处理后的日用电量数据，xi表示原始日用电量数据，xmax和xmin分别表示原始日用电量数据集里的最大值和最小值。利用式(5.2)对A(t)进行归一化处理，归一化后的数据存储形式如下：
[a(1) a(2) a(3) ... a(n-1) a(n)]T (5.3)
第三步：将归一化后的一维数据集转化为有标签的二维数据集，作为基于LSTM的电量预测模型的输入数据，其存储形式如下：
Figure BDA0002510221300000073
同样依次划分为训练集(train_X，train_Y)、验证集(test1_X，test1_Y)、测试集(test2_X，test2_Y)。
上述存储方式的意义是利用用户前五天的电量数据，预测用户第六天的电量数据，设置参数n_day＝5。由于电量数据长时依赖性弱，n_day设置一般在10以内，具体n_day设置方法如下：参数n_day分别取1至10，然后训练基于LSTM的电量数据预测模型，通过验证集(test1_X，test1_Y)验证，使得预测数据和实际数据之间的均方误差达到较小，选择此时的n_day为其参数值。
第四步：搭建基于LSTM的异常电量数据预测模型，具体过程如下：
在keras深度学习框架的Sequential模型中直接导入LSTM模块，设置LSTM的隐藏层个数为1，隐藏层神经元个数为50，输入层大小由步长和特征两部分组成，步长即为n_day，由于只对单一电量特征进行预测，特征值为1不变，输出层由一个全连接层Dense构成，输出单元个数为1。
采用随机梯度下降算法优化损失函数，损失函数为均方根误差函数，其计算公式如下：
Figure BDA0002510221300000081
其中，ai和bi分别表示i时刻的预测值和真实值。
为防止过拟合和欠拟合，模型训练次数参数epoch依次设置为200至500，将训练集(train_X，train_Y)直接导入建好的预测模型，以优化LSTM中的各权重值。然后将验证集(test1_X，test1_Y)导入训练好的模型，计算训练损失loss和验证损失val_loss，使得当训练次数增加时，loss和val_loss之间的差值趋于一个较小的稳定值，此时的epoch即为最佳训练次数。
第五步：将测试集(test2_X，test2_Y)直接导入已经建立好的电量数据预测模型，输出经归一化的预测数据prediction_Y，此后将prediction_Y和test_Y分别存储于两个表格中，完成电量预测过程。
第六步：采用滑动时间窗口检测方式，设置时间窗口l＝5，阈值t＝0.1，对每个预测数据上下加阈值形成预测曲线带,具体公式如下：
Figure BDA0002510221300000082
其中，Upbound为曲线带上边界，Lowbound为曲线带下边界。
由前向后依次判断时间窗口内的l个实际电量数据是否均在曲线带之外，窗口依次向后滑动一天，如果由前向后不存在一个窗口内l个实际电量数据在预测曲线带之外，则不存在疑似电表故障或者窃电行为引起的异常电量数据，反之，则用户存在疑似电表故障或者窃电行为；具体判断公式如下：
Figure BDA0002510221300000091
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于长短期记忆网络的异常电量数据检测方法，其特征在于，通过采集用电量数据搭建基于LSTM的异常电量数据预测模型，并基于建立的模型得到预测的电量数据；对所预测的电量数据加区间预测阈值，设置时间窗口由前向后滑动依次检测，通过检测实际电量数据在连续的时间窗口内是否处于预测阈值之外而判断是否为异常电量数据。
2.根据权利要求1所述的一种基于长短期记忆网络的异常电量数据检测方法，其特征在于，该方法具体实现步骤如下：
步骤S1、采集用户的历史日用电量数据以及需要检测的日用电量数据，将历史日用电量数据划分为训练集A1(t)、验证集A2(t)，检测数据为测试集A3(t)，验证集的数据量大小与测试集一致，三个数据集依次连接整合形成数据集A(t)，其存储形式如下：
Figure FDA0002510221290000011
式中，1，2，...，n表示日期，仅代表时间先后顺序；
步骤S2、利用式(2)对A(t)进行归一化处理：
Figure FDA0002510221290000012
其中，x′i表示经归一化处理后的日用电量数据，xi表示原始日用电量数据，xmax和xmin分别表示原始日用电量数据集里的最大值和最小值；
归一化后的数据存储形式如下：
[a(1) a(2) a(3) ... a(n-1) a(n)]T (3)
步骤S3、将归一化后的一维数据集转化为有标签的二维数据集，作为基于LSTM的电量预测模型的输入数据，其存储形式如下：
Figure FDA0002510221290000021
同样依次划分为训练集(train_X，train_Y)、验证集(test1_X，test1_Y)、测试集(test2_X，test2_Y)；
步骤S4、搭建基于LSTM的异常电量数据预测模型，具体过程如下：
在keras深度学习框架的Sequential模型中直接导入LSTM模块，设置LSTM的隐藏层个数为1，隐藏层神经元个数为50，输入层大小由步长和特征两部分组成，步长为n_day，其意义为利用用户前n_day天的日电量数据，预测用户第n_day+1天的日用电量数据，由于只对单一电量特征进行预测，特征值为1，输出层由一个全连接层Dense构成，输出单元个数为1；
采用随机梯度下降算法优化损失函数，损失函数为均方根误差函数，其计算公式如下：
Figure FDA0002510221290000022
其中，ai和bi分别表示i时刻的预测值和真实值；
为防止过拟合和欠拟合，模型训练次数参数epoch依次设置为200至500，将训练集(train_X，train_Y)直接导入建好的预测模型，以优化LSTM中的各权重值；然后将验证集(test1_X，test1_Y)导入训练好的模型，计算训练损失loss和验证损失val_loss，使得当训练次数增加时，loss和val_loss之间的差值趋于一个较小的稳定值，此时的epoch即为最佳训练次数；
步骤S5、将测试集(test2_X，test2_Y)直接导入已经建立好的基于LSTM的异常电量数据预测模型，输出经归一化的预测数据prediction_Y，此后将prediction_Y和test_Y分别存储于两个表格中，完成电量预测过程；
步骤S6、采用滑动时间窗口检测方式，设置时间窗口l＝5，阈值t＝0.1，对每个预测数据上下加阈值形成预测曲线带，具体公式如下：
Figure FDA0002510221290000031
其中，Upbound为曲线带上边界，Lowbound为曲线带下边界；
由前向后依次判断时间窗口内的l个实际电量数据是否均在曲线带之外，窗口依次向后滑动一天，如果由前向后不存在一个窗口内l个实际电量数据在预测曲线带之外，则不存在疑似电表故障或者窃电行为引起的异常电量数据，反之，则用户存在疑似电表故障或者窃电行为；具体判断公式如下：
Figure FDA0002510221290000032
3.根据权利要求2所述的一种基于长短期记忆网络的异常电量数据检测方法，其特征在于，步骤S1中，历史日用电量数据为与需要检测的日用电量数据相近日期的用电量数据，且历史日用电量数据的数据量大小大于需要检测的日用电量数据的数据量大小。
4.根据权利要求2所述的一种基于长短期记忆网络的异常电量数据检测方法，其特征在于，步骤S4中，参数n_day的设置方式为：将参数n_day分别取1至10，然后训练基于LSTM的电量数据预测模型，通过验证集(test1_X，test1_Y)验证，使得预测数据和实际数据之间的均方误差达到较小时，选择此时的n_day为其参数值。
CN202010459636.8A 2020-05-27 2020-05-27 一种基于长短期记忆网络的异常电量数据检测方法 Active CN111612651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010459636.8A CN111612651B (zh) 2020-05-27 2020-05-27 一种基于长短期记忆网络的异常电量数据检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010459636.8A CN111612651B (zh) 2020-05-27 2020-05-27 一种基于长短期记忆网络的异常电量数据检测方法

Publications (2)

Publication Number Publication Date
CN111612651A true CN111612651A (zh) 2020-09-01
CN111612651B CN111612651B (zh) 2022-07-26

Family

ID=72201411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010459636.8A Active CN111612651B (zh) 2020-05-27 2020-05-27 一种基于长短期记忆网络的异常电量数据检测方法

Country Status (1)

Country Link
CN (1) CN111612651B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418623A (zh) * 2020-11-12 2021-02-26 国网河南省电力公司郑州供电公司 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法
CN112461537A (zh) * 2020-10-16 2021-03-09 浙江工业大学 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法
CN112635031A (zh) * 2020-12-15 2021-04-09 北京懿医云科技有限公司 一种数据量的异常检测方法、装置、存储介质和设备
CN112926686A (zh) * 2021-03-30 2021-06-08 武汉工程大学 基于brb和lstm模型的电力大数据用电异常检测方法及装置
CN113011476A (zh) * 2021-03-05 2021-06-22 桂林电子科技大学 基于自适应滑动窗口gan的用户行为安全检测方法
CN113239029A (zh) * 2021-05-18 2021-08-10 国网江苏省电力有限公司镇江供电分公司 一种电能表缺失日冻结数据的补全方法
CN113377827A (zh) * 2021-04-30 2021-09-10 西安电子科技大学 一种基于Conv-LSTM网络的窃电检测方法和系统
CN113705867A (zh) * 2021-08-16 2021-11-26 浙江浙大中控信息技术有限公司 一种基于能耗区间预测的设备异常诊断方法
CN114549095A (zh) * 2022-04-25 2022-05-27 江西师范大学 一种基于时间序列的滑动窗口式售电量预测方法
CN115170003A (zh) * 2022-09-08 2022-10-11 国网山东省电力公司兰陵县供电公司 窃电监控方法及系统、存储介质、终端
CN116068479A (zh) * 2023-03-07 2023-05-05 潍柴动力股份有限公司 燃料电池耐久试验中输出性能信号的异常检测方法与装置
CN116500335A (zh) * 2023-06-30 2023-07-28 国网山东省电力公司邹城市供电公司 基于一维特征和二维特征的智能电网窃电检测方法及系统
CN118154350A (zh) * 2024-02-08 2024-06-07 北京市生态环境监测中心 一种用电量数据异常识别及填充方法、装置、介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160117326A1 (en) * 2014-10-28 2016-04-28 Oracle International Corporation Correlating consumption and voltage data to identify line loss in an electric grid
CN108761377A (zh) * 2018-05-28 2018-11-06 国网福建省电力有限公司电力科学研究院 一种基于长短时记忆模型的电能计量装置异常检测方法
CN110988422A (zh) * 2019-12-19 2020-04-10 北京中电普华信息技术有限公司 一种窃电识别方法、装置及电子设备
CN111047094A (zh) * 2019-12-12 2020-04-21 国网浙江省电力有限公司 一种基于深度学习算法的抄表数据异常分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160117326A1 (en) * 2014-10-28 2016-04-28 Oracle International Corporation Correlating consumption and voltage data to identify line loss in an electric grid
CN108761377A (zh) * 2018-05-28 2018-11-06 国网福建省电力有限公司电力科学研究院 一种基于长短时记忆模型的电能计量装置异常检测方法
CN111047094A (zh) * 2019-12-12 2020-04-21 国网浙江省电力有限公司 一种基于深度学习算法的抄表数据异常分析方法
CN110988422A (zh) * 2019-12-19 2020-04-10 北京中电普华信息技术有限公司 一种窃电识别方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
仇媛等: "基于长短期记忆网络和滑动窗口的流数据异常检测方法", 《计算机应用》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112461537A (zh) * 2020-10-16 2021-03-09 浙江工业大学 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法
CN112418623A (zh) * 2020-11-12 2021-02-26 国网河南省电力公司郑州供电公司 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法
CN112635031A (zh) * 2020-12-15 2021-04-09 北京懿医云科技有限公司 一种数据量的异常检测方法、装置、存储介质和设备
CN112635031B (zh) * 2020-12-15 2023-08-29 北京懿医云科技有限公司 一种数据量的异常检测方法、装置、存储介质和设备
CN113011476A (zh) * 2021-03-05 2021-06-22 桂林电子科技大学 基于自适应滑动窗口gan的用户行为安全检测方法
CN112926686A (zh) * 2021-03-30 2021-06-08 武汉工程大学 基于brb和lstm模型的电力大数据用电异常检测方法及装置
CN112926686B (zh) * 2021-03-30 2023-11-17 武汉工程大学 基于brb和lstm模型的电力大数据用电异常检测方法及装置
CN113377827B (zh) * 2021-04-30 2023-07-25 西安电子科技大学 一种基于Conv-LSTM网络的窃电检测方法和系统
CN113377827A (zh) * 2021-04-30 2021-09-10 西安电子科技大学 一种基于Conv-LSTM网络的窃电检测方法和系统
CN113239029A (zh) * 2021-05-18 2021-08-10 国网江苏省电力有限公司镇江供电分公司 一种电能表缺失日冻结数据的补全方法
CN113705867A (zh) * 2021-08-16 2021-11-26 浙江浙大中控信息技术有限公司 一种基于能耗区间预测的设备异常诊断方法
CN114549095A (zh) * 2022-04-25 2022-05-27 江西师范大学 一种基于时间序列的滑动窗口式售电量预测方法
CN114549095B (zh) * 2022-04-25 2022-08-09 江西师范大学 一种基于时间序列的滑动窗口式售电量预测方法
CN115170003A (zh) * 2022-09-08 2022-10-11 国网山东省电力公司兰陵县供电公司 窃电监控方法及系统、存储介质、终端
CN116068479A (zh) * 2023-03-07 2023-05-05 潍柴动力股份有限公司 燃料电池耐久试验中输出性能信号的异常检测方法与装置
CN116500335A (zh) * 2023-06-30 2023-07-28 国网山东省电力公司邹城市供电公司 基于一维特征和二维特征的智能电网窃电检测方法及系统
CN116500335B (zh) * 2023-06-30 2023-10-13 国网山东省电力公司邹城市供电公司 基于一维特征和二维特征的智能电网窃电检测方法及系统
CN118154350A (zh) * 2024-02-08 2024-06-07 北京市生态环境监测中心 一种用电量数据异常识别及填充方法、装置、介质及设备

Also Published As

Publication number Publication date
CN111612651B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN111612651B (zh) 一种基于长短期记忆网络的异常电量数据检测方法
CN112098714B (zh) 一种基于ResNet-LSTM的窃电检测方法及系统
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN109214566A (zh) 基于长短期记忆网络的风电功率短期预测方法
CN103324980B (zh) 一种风电场风速预测方法
CN109308571B (zh) 配电线路线变关系检测方法
CN109738776A (zh) 基于lstm的风机变流器开路故障识别方法
CN110045209A (zh) 用电数据异常的检测方法、装置、设备及可读存储介质
CN111710150A (zh) 一种基于对抗自编码网络的异常用电数据检测方法
CN104200032B (zh) 广义负荷建模中基于时段性的横向时间轴聚类方法
CN113887616A (zh) 一种epg连接数的实时异常检测系统及方法
CN108761377A (zh) 一种基于长短时记忆模型的电能计量装置异常检测方法
CN107732970A (zh) 一种新能源并网电力系统的静态安全概率评估方法
CN116258269A (zh) 一种基于负荷特征分解的超短期负荷动态预测方法
CN110879377A (zh) 基于深度信念网络的计量装置故障溯源方法
CN107993012A (zh) 一种时间自适应的电力系统在线暂态稳定评估方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN105005708A (zh) 一种基于ap聚类算法的广义负荷特性聚类方法
CN109934469A (zh) 基于异源交叉回归分析的停电敏感度预警方法及装置
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN113327008A (zh) 一种基于时序自动编码器的窃电检测方法、系统及介质
CN115271253A (zh) 一种水风光发电功率预测模型构建方法、装置及存储介质
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN112213687A (zh) 基于伪异常点辨识的关口电能表数据异常检测方法及系统
CN112085108A (zh) 基于自动编码器及k均值聚类的光伏电站故障诊断算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant