CN112308124A - 一种面向用电信息采集系统的智能防窃电方法 - Google Patents

Abstract

一种面向用电信息采集系统的智能防窃电方法，包括建立用电信息采集系统的窃电样本数据库、建立基于马尔科夫链的窃电预测模型、建立基于卷积神经网络的窃电识别模型及建立智能窃电检测模型；可以有效在用电信息采集系统下对窃电用户进行定位，数据来源方式更为便捷；通过引入马尔科夫链及卷积神经网络，窃电行为分析更加快速、准确；通过建立智能窃电检测模型，对两种模型的加权，窃电行为结果更加可靠、合理。

Description

一种面向用电信息采集系统的智能防窃电方法

技术领域

本发明涉及一种防窃电方法，尤其是涉及一种面向用电信息采集系统的智能防窃电方法。

背景技术

用电采集系统作为面向客户侧泛在电力物联网的重要组成部分，通过实时监控、采集、上传用电用户的负载、用电量、电流、电压等重要数据，为国家电网公司售电、供电提供基础的数据支撑，但科学技术的进步，使得部分不法分子窃电地点、过程更加隐蔽，其窃电行为越发猖獗，这不仅降低了国家电网公司的经济效益，也严重干扰了电力市场的安全与秩序。因此，防窃电工作具有重要意义。

目前，防窃电手段通过电能表改装、设计检测算法等方式取得了一定的成效，但却无法很好防范种类繁多的高科技窃电行为，且随着智能电表的普及，采集数据由原来仅存储电能被替代为许多相关数据维度，其日增量已超过60TB，用电信息采集系统识别窃电用户面临海量数据的困境，且各类算法均未研究针对用电信息采集系统对窃电样本数据进行识别。

发明内容

本发明的主要目的是提供一种面向用电信息采集系统的智能防窃电方法。

本发明采用的技术方案是：一种面向用电信息采集系统的智能防窃电方法，包括以下步骤：

步骤1，建立用电信息采集系统的窃电样本数据库：根据用电信息采集系统功能对台区用户进行排查，通过召测反向有功电能、召测电流数据块、召测电压数据块方式判断用户当前的用电行为，准确定位窃电用户用电数据并记录，累积形成窃电样本数据库并导出；

步骤2，建立基于马尔科夫链的窃电预测模型：通过检索数据字符段提取窃电用户线路电压、电流、时间，首先建立单一预测模型，弱化电能信息的波动性及随机性，然后引入误差熵对各项单一预测模型加权，最后采用马尔科夫描述加权模型的离散化过程，将加权预测模型进行离散时间序列组合，而状态空间内数据在当前时间的状态只与前一时刻的状态有关，获得当前用电状态概率区间；并通过马尔科夫链以概率区间的形式对用户窃电行为进行窃电分析，根据不同时刻的状态概率区间预测用户窃电行为；

步骤3，建立基于卷积神经网络的窃电识别模型：通过随机数据组合对数据库进行扩充(运用随机数法，在其范围内进行随机排列组合)，并以日窃电数据量为单位生成窃电数据图，由CNN-LeNet5网络模型进行训练，通过卷积提取图像特征，通过池化降低图像采样率，通过全连接层对概率进行预测；从而自动对用户窃电行为进行识别；

步骤4，建立智能窃电检测模型：结合步骤2、3的样本训练及验证结果，对错误预测样本数据进行概率计算，并以此为依据分配步骤2、步骤3的概率预测权值，建立智能窃电检测模型，综合评估用户用电状态。

进一步的，所述步骤1中通过召测反向有功电能判断用户当前的用电行为的方法为：对日用电数据进行反向电能有功电能测试，如反向有功总电能示值与反向有功费率电能示值不一样，则用户发生窃电行为，反之，用户用电行为正常。

进一步的：所述步骤1中通过召测电流数据块判断用户当前的用电行为的方法为：对日用电数据进行电流数据块测试，如火线中三相电流示值均在设定阈值之上，则用户发生窃电行为，反之，用户用电行为正常。

进一步的，所述步骤1中通过召测电压数据块判断用户当前的用电行为的方法为：对日用电数据进行电流数据块测试，如火线中三相电流示值均在设定阈值之上，则用户发生窃电行为，反之，用户用电行为正常。

进一步的，所述步骤2中所述单一预测模型是根据采集时间对原始样本数据进行一阶累加形成新样本数据序列，具体方法如下：

从现有数据库导入窃电数据如电压(U(t)1)、电流(I(t)1)，根据采集时间对其进行排序，通过一阶累加的方式形成新样本数据U(t)2、I(t)2，此时加权系数a为常数，并引入微积分、多项式、指数函数等建立单一预测模型A(U,I)；

U_t ¹＝(U₁、U₂、…U_t) (1)

I_t ¹＝(I₁、I₂、…I_t) (2)

A(U,I)＝a_t ^uU_t ²+a_t ⁱI_t ² (5)

其中，U_(t) ¹、I_(t) ¹为原始样本数据，U₁、U₂、…、U_t代表不同时刻的采集的电压数据，U_(t) ²、I_(t) ²为新样本数据，U_i、I_i均源于U_i ¹、I_i ¹，a为加权系数a∈[0,1]，A(U,I)为单一预测模型，a_t ^u为电压模型系数，a_t ⁱ为电流模型系数。

进一步的，所述步骤2中引入误差熵对各项单一预测模型加权的方法为：对输出差值进行归一化处理，并获得全部样本的误差熵，通过调整累加样本数据权值的方式重新构建单一预测模型形成加权预测模型，具体方法如下：

ΔA＝A-A(U,I) (6)

其中，A为实际输出值，A(U,I)为理论输出值，ΔA为输出误差，B为归一化后的误差，b_t为误差熵，kB为玻尔兹曼常数，a_t为调整后的权值，将a_t带入公式3、公式4、公式5获得加权预测模型；

根据单一预测模型A(U,I)带入原始样本数据U_(t) ¹、I_(t)获得实际输出值A，计算输出差值ΔA，并对其进行归一化处理转换至同一数据量级上，据此获得全部样本的误差熵b_t，调整累加样本数据权值a_t，重新构建单一预测模型形成加权预测模型。

进一步的，所述步骤2中获得当前用电状态概率区间；并通过马尔科夫链以概率区间的形式对用户窃电行为进行窃电分析的具体方法为：

由于样本数据具有明显的离散特征，将加权预测模型离散为非负整数时间集合，根据马尔科夫“无后效”性质对下一时刻的数据状态以概率区间的形式进行预测判断；

A(U,I)→C(C₀、C₁、…C_n) (10)

D＝{D_n+1＝C_n+1|D_n＝C_n} (11)

D(n)^u＝{1±0.5(C_j-1+C_j+1)}U_t ¹ (13)

D(n)ⁱ＝{1±0.5(C_j-1+C_j+1)}I_t ¹ (14)

其中，C为非负整数时间集合，D为数据状态空间，D_ij(n)为表示时刻n在下一时刻n+1数据状态变为j的概率；

将加权预测模型A(U,I)进行离散时间序列组合C，根据在状态空间D内数据在当前时间的状态只与前一时刻的状态有关，且满足当前数据状态概率在0、1间变化，当前时刻所有数据状态概率和为1，获得当前用电状态概率区间D_(n) ^u、D_(n) ⁱ。

进一步的，所述步骤3具体包括如下步骤：

步骤3.1，从数据库中导入数据，由于深度学习需要大量训练样本，对同一时间段内原始数据通过随机排序组合的方式进行扩充；

(U,I)_nt＝((U₁₁,I₁₁)、(U₁₂,I₁₂)、…(U_nt,I_nt)) (15)

E＝random(e) (16)

其中，(U，I)_nt为原始样本数据，E为随机生成的样本数据序号，e代表深度学习样本训练数量，(U，I)_ntE代表新样本数据，C_E ⁱ代表样本中排列组合序号，i代表样本组合个数；

从数据库导入数据，实际情况中用电信息采集系统仅存在少量的样本数据(U，I)_nt，运用随机数法random对样本进行扩充，如随机生成数1000，在其范围内对其进行随机排列组合

实现数据样本的扩充(U,I)_ntE；

步骤3.2，对同一时间段新样本数据，进行归一化处理，将处理后的数据填入矩阵内，形成数据图形化展示；

[u,i]＝[(u,i)_ntE]＝[G]_m×n (19)

其中，(u,i)_ntE为归一化后样本数据，[u,i]为填入矩阵后的数据，[G]_mxn代表图像矩阵，其大小为m×n；

获取数据后需要对其归一化处理，并按照同一时刻下电能数据进行排序，采用灰度化的方式(u,i)_ntE填入矩阵中，形成图像[u,i]；

步骤3.3，将图像用于CNN-LeNet5网络训练，经过卷积、池化、全连接层处理后，输出窃电行为的概率分数；

h_l＝β_jL(h_j)+o_j (21)

其中，h_j为卷积后得到的第j层图像特征，J为卷积函数，k_i为第i层卷积核，g_i为第i层图像特征，l_i为第i层的卷积偏置项，h_l为池化后的图像特征，β_j为乘偏项，L(.)为池化函数，o_j为池化层偏置项，P_l为预测概率分数；

获取图像后，通过卷积提取图像特征，通过池化降低图像采样率，通过全连接层对概率进行预测，特别的，输入信息不局限于电压、电流，还可以是有功功率、线损率、功率因数等信息，卷积函数、池化函数均需根据图像特征进行确定。

进一步的，所述步骤3中生成窃电数据图的方法为；对获取的数据进行归一化处理，并按照同一时刻下电能数据进行排序，采用灰度化的方式填入矩阵中，形成图像。

本发明的有益效果和特点是：1.有效在用电信息采集系统下对窃电用户进行定位，数据来源方式更为便捷；2.引入马尔科夫链及卷积神经网络，窃电行为分析更加快速、准确；3.建立智能窃电检测模型，对两种模型加权分析，窃电行为结果更加可靠、合理。

附图说明

图1是本发明的整体流程图；

图2是本发明在用电信息采集系统中对用电数据进行分析的判断规则；

图3是本发明提出基于马尔科夫链的窃电预测模型流程图；

图4是本发明提出基于卷积神经网络的窃电识别模型流程图；

图5是本发明提出的智能窃电检测模型流程图。

具体实施方式

下面结合附图对本发明进行进一步说明：

一种面向用电信息采集系统的智能防窃电方法，包括以下步骤：

请参考图1、图2，步骤1，建立用电信息采集系统的窃电样本数据库。根据用电信息采集系统功能对台区用户进行排查，通过召测反向有功电能、电流数据块、电压数据块等方式判断用户当前的用电行为，准确定位窃电用户用电数据并记录，累积形成窃电样本数据库并导出。

步骤1.1，根据采集点地址确定台区编号、集中器终端地址及用户编号，依次调取日用电数据、月用电数据，并根据以下规则判断，记录窃电数据并导出用电信息采集系统，形成数据库：

规则1，对日用电数据进行反向电能有功电能测试，如反向有功总电能示值与反向有功费率电能示值不一样，则用户发生窃电行为，反之，用户用电行为正常；

规则2.1，对日用电数据进行电流数据块测试，如火线中A、B、C三相电流示值均在设定阈值之上，则用户发生窃电行为，反之，用户用电行为正常；

规则2.2，对日用电数据进行电流数据块测试，如零线电流与火线电流一致，则用户发生窃电行为，反之，用户用电行为正常；

规则3，对日用电数据进行电压数据块测试，如某相电压示值为零，但电流示值正常，则用户发生窃电行为，如果某相电压、电流示值均正常，则用户用电行为正常；

规则4，对日用电数据、月用电数据进行用电量分析，当用户近5天用电量为零，止码不变，且月用电数据中近6天用电量为零，则用户发生窃电行为，反之，用户用电行为正常。

规则1-4都是针对用户的日常用电数据进行分析，而规则4比较特殊，它是针对有日常用电数据的用户，即该规则适用于用户每日会用电产生计量数据，如果是其它情况下采用规则1-3，规则4具有一定的特殊性。

步骤2，请参考图3，图4，建立基于马尔科夫链的窃电预测模型。通过检索数据字符段提取窃电用户线路电压、电流、时间，首先建立单一预测模型，弱化电能信息的波动性及随机性，然后引入误差熵对各项单一预测模型加权，最后采用马尔科夫链描述加权模型的离散化过程，根据不同时刻的状态区间预测用户窃电行为。

步骤2.1，建立单一预测模型。从数据库中导入数据，形成原始样本数据序列，同一序列下相邻元素通过一阶累加方式形成新的数据序列，建立单一预测模型。

U_t ¹＝(U₁、U₂、…U_t) (1)

I_t ¹＝(I₁、I₂、…I_t) (2)

A(U,I)＝a_t ^uU_t ²+a_t ⁱI_t ² (5)

其中，U_(t) ¹、I_(t) ¹为原始样本数据，U_(t) ²、I_(t) ²为新样本数据，U_i、I_i均源于U_i ¹、I_i ¹，a为加权系数，A(U,I)为单一预测模型，a_t ^u为电压模型系数，a_t ⁱ为电流模型系数。

说明：U₁、U₂、…、U_t代表不同时刻的采集的电压数据，如0：15份采集一次电压数据，为U₁，然后每间隔15分钟采集电压数据，形成U₂-U_t；I₁、I₂、…、I_t代表不同时刻的采集的电流数据，如0：15份采集一次电流数据，为I₁，然后每间隔15分钟采集电流数据，形成I₂-I_t；a∈[0,1]。

从数据库导入窃电数据如电压(U_(t) ¹)、电流(I_(t) ¹)，根据采集时间对其进行排序，通过一阶累加的方式形成新样本数据U_(t) ²、I_(t) ²，此时加权系数a为常数，并引入微积分、多项式、指数函数等建立单一预测模型A(U,I)。

步骤2.2，建立基于误差熵的加权预测模型。根据单一预测模型输出结果计算误差值，经过归一化处理后计算误差熵，并根据误差熵调整新序列的权重系数，形成加权预测模型。

ΔA＝A-A(U,I) (6)

其中，A为实际输出值，A(U,I)为理论输出值，ΔA为输出误差，B为归一化后的误差，b_t为误差熵，kB为玻尔兹曼常数，a_t为调整后的权值，将a_t带入公式3、公式4、公式5获得加权预测模型。

根据单一预测模型A(U,I)带入原始样本数据U_(t) ¹、I_(t)获得实际输出值A，计算输出差值ΔA，并对其进行归一化处理转换至同一数据量级上，据此获得全部样本的误差熵b_t，调整累加样本数据权值a_t，重新构建单一预测模型形成加权预测模型。

步骤2.3，建立基于马尔科夫链的窃电预测模型。由于样本数据具有明显的离散特征，将加权预测模型离散为非负整数时间集合，根据马尔科夫“无后效”性质对下一时刻的数据状态以概率区间的形式进行预测判断。

A(U,I)→C(C₀、C₁、…C_n) (10)

D＝{D_n+1＝C_n+1|D_n＝C_n} (11)

D(n)^u＝{1±0.5(C_j-1+C_j+1)}U_t ¹ (13)

D(n)ⁱ＝{1±0.5(C_j-1+C_j+1)}I_t ¹ (14)

其中，C为非负整数时间集合，D为数据状态空间，D_ij(n)为表示时刻n在下一时刻n+1数据状态变为j的概率。

将加权预测模型A(U,I)进行离散时间序列组合C，根据在状态空间D内数据在当前时间的状态只与前一时刻的状态有关，且满足当前数据状态概率在0、1间变化，当前时刻所有数据状态概率和为1，获得当前用电状态概率区间D_(n) ^u、D_(n) ⁱ。

3.建立基于卷积神经网络的窃电识别模型。通过随机数据组合对数据库进行扩充，并以日窃电数据量为单位生成窃电数据图，由CNN-LeNet5网络模型进行训练，自动对用户窃电行为进行识别。

步骤3.1，从数据库中导入数据，由于深度学习需要大量训练样本，对同一时间段内原始数据通过随机排序组合的方式进行扩充。

(U,I)_nt＝((U₁₁,I₁₁)、(U₁₂,I₁₂)、…(U_nt,I_nt)) (15)

E＝random(e) (16)

其中，(U，I)_nt为原始样本数据，E为随机生成的样本数据序号，e代表深度学习样本训练数量，(U，I)_ntE代表新样本数据，C_E ⁱ代表样本中排列组合序号，i代表样本组合个数。

从数据库导入数据，实际情况中用电信息采集系统仅存在少量的样本数据(U，I)_nt，运用随机数法random对样本进行扩充，如随机生成数1000，在其范围内对其进行随机排列组合

实现数据样本的扩充(U,I)_ntE。

步骤3.2，对同一时间段新样本数据，进行归一化处理，将处理后的数据填入矩阵内，形成数据图形化展示。

[u,i]＝[(u,i)_ntE]＝[G]_m×n (19)

其中，(u,i)_ntE为归一化后样本数据，[u,i]为填入矩阵后的数据，[G]_mxn代表图像矩阵，其大小为m×n。

获取数据后需要对其归一化处理，并按照同一时刻下电能数据进行排序，采用灰度化的方式(u,i)_ntE填入矩阵中，形成图像[u,i]。

步骤3.3，将图像用于CNN-LeNet5网络训练(经过卷积、池化、全连接层处理后，输出窃电行为的概率分数。

说明：采用卷积神经网络进行训练，即CNN，其中LeNet5代表其基本的网络结构，一共是7层，即输入-卷积-池化-卷积-全连接-全连接-输出，CNN网络是应用、推广较好的网络模型，用于图像识别时可以自动提取图像特征、处理速度快，与传统网络相对时还具有自主学习能力强、网络稳定性高的优势。

h_l＝β_jL(h_j)+o_j (21)

其中，h_j为卷积后得到的第j层图像特征，J为卷积函数，k_i为第i层卷积核，g_i为第i层图像特征，l_i为第i层的卷积偏置项，h_l为池化后的图像特征，β_j为乘偏项，L(.)为池化函数，o_j为池化层偏置项，P_l为预测概率分数。

获取图像后，通过卷积提取图像特征，通过池化降低图像采样率，通过全连接层对概率进行预测，特别的，输入信息不局限于电压、电流，还可以是有功功率、线损率、功率因数等信息，卷积函数、池化函数均需根据图像特征进行确定。

步骤4，建立智能窃电检测模型。结合步骤2、3的样本训练及验证结果，对错误预测样本数据进行概率计算，并以此为依据分配步骤2、步骤3的概率预测权值，建立智能窃电检测模型，综合评估用户用电状态。

请参考图5，本方案结合基于马尔科夫链的窃电预测模型、基于卷积神经网络的窃电识别模型中样本训练及验证结果，对错误预测样本数据进行概率计算，并以此为依据分配概率预测权值，建立智能窃电检测模型，综合评估用户用电状态。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的结构关系及原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种面向用电信息采集系统的智能防窃电方法，其特征在于，包括以下步骤：

步骤1，建立用电信息采集系统的窃电样本数据库：根据用电信息采集系统功能对台区用户进行排查，通过召测反向有功电能、召测电流数据块、召测电压数据块方式判断用户当前的用电行为，准确定位窃电用户用电数据并记录，累积形成窃电样本数据库并导出；

步骤2，建立基于马尔科夫链的窃电预测模型：通过检索数据字符段提取窃电用户线路电压、电流、时间，首先建立单一预测模型，弱化电能信息的波动性及随机性，然后引入误差熵对各项单一预测模型加权，最后采用马尔科夫描述加权模型的离散化过程，将加权预测模型进行离散时间序列组合，而状态空间内数据在当前时间的状态只与前一时刻的状态有关，获得当前用电状态概率区间；并通过马尔科夫链以概率区间的形式对用户窃电行为进行窃电分析，根据不同时刻的状态概率区间预测用户窃电行为；

步骤3，建立基于卷积神经网络的窃电识别模型：通过随机数据组合对数据库进行扩充，并以日窃电数据量为单位生成窃电数据图，由CNN-LeNet5网络模型进行训练，通过卷积提取图像特征，通过池化降低图像采样率，通过全连接层对概率进行预测；从而自动对用户窃电行为进行识别；

步骤4，建立智能窃电检测模型：结合步骤2、3的样本训练及验证结果，对错误预测样本数据进行概率计算，并以此为依据分配步骤2、步骤3的概率预测权值，建立智能窃电检测模型，综合评估用户用电状态。

2.根据权利要求1所述的面向用电信息采集系统的智能防窃电方法，其特征在于：所述步骤1中通过召测反向有功电能判断用户当前的用电行为的方法为：对日用电数据进行反向电能有功电能测试，如反向有功总电能示值与反向有功费率电能示值不一样，则用户发生窃电行为，反之，用户用电行为正常。

3.根据权利要求1所述的面向用电信息采集系统的智能防窃电方法，其特征在于：所述步骤1中通过召测电流数据块判断用户当前的用电行为的方法为：对日用电数据进行电流数据块测试，如火线中三相电流示值均在设定阈值之上，则用户发生窃电行为，反之，用户用电行为正常。

4.根据权利要求1所述的面向用电信息采集系统的智能防窃电方法，其特征在于：所述步骤1中通过召测电压数据块判断用户当前的用电行为的方法为：对日用电数据进行电流数据块测试，如火线中三相电流示值均在设定阈值之上，则用户发生窃电行为，反之，用户用电行为正常。

5.根据权利要求1所述的面向用电信息采集系统的智能防窃电方法，其特征在于：所述步骤2中所述单一预测模型是根据采集时间对原始样本数据进行一阶累加形成新样本数据序列，具体方法如下：

从现有数据库导入窃电数据如电压(U(t)1)、电流(I(t)1)，根据采集时间对其进行排序，通过一阶累加的方式形成新样本数据U(t)2、I(t)2，此时加权系数a为常数，并引入微积分、多项式、指数函数等建立单一预测模型A(U,I)；

U_t ¹＝(U₁、U₂、…U_t) (1)

I_t ¹＝(I₁、I₂、…I_t) (2)

A(U,I)＝a_t ^uU_t ²+a_t ⁱI_t ² (5)

其中，U_(t) ¹、I_(t) ¹为原始样本数据，U₁、U₂、…、U_t代表不同时刻的采集的电压数据，U_(t) ²、I_(t) ²为新样本数据，U_i、I_i均源于U_i ¹、I_i ¹，a为加权系数a∈[0,1]，A(U,I)为单一预测模型，a_t ^u为电压模型系数，a_t ⁱ为电流模型系数。

6.根据权利要求1所述的面向用电信息采集系统的智能防窃电方法，其特征在于：所述步骤2中引入误差熵对各项单一预测模型加权的方法为：对输出差值进行归一化处理，并获得全部样本的误差熵，通过调整累加样本数据权值的方式重新构建单一预测模型形成加权预测模型，具体方法如下：

ΔA＝A-A(U,I) (6)

其中，A为实际输出值，A(U,I)为理论输出值，ΔA为输出误差，B为归一化后的误差，b_t为误差熵，kB为玻尔兹曼常数，a_t为调整后的权值，将a_t带入公式3、公式4、公式5获得加权预测模型；

根据单一预测模型A(U,I)带入原始样本数据U_(t) ¹、I_(t)获得实际输出值A，计算输出差值ΔA，并对其进行归一化处理转换至同一数据量级上，据此获得全部样本的误差熵b_t，调整累加样本数据权值a_t，重新构建单一预测模型形成加权预测模型。

7.根据权利要求1所述的面向用电信息采集系统的智能防窃电方法，其特征在于：所述步骤2中获得当前用电状态概率区间；并通过马尔科夫链以概率区间的形式对用户窃电行为进行窃电分析的具体方法为：

由于样本数据具有明显的离散特征，将加权预测模型离散为非负整数时间集合，根据马尔科夫“无后效”性质对下一时刻的数据状态以概率区间的形式进行预测判断；

A(U,I)→C(C₀、C₁、…C_n) (10)

D＝{D_n+1＝C_n+1|D_n＝C_n} (11)

D(n)^u＝{1±0.5(C_j-1+C_j+1)}U_t ¹ (13)

D(n)ⁱ＝{1±0.5(C_j-1+C_j+1)}I_t ¹ (14)

其中，C为非负整数时间集合，D为数据状态空间，D_ij(n)为表示时刻n在下一时刻n+1数据状态变为j的概率；

将加权预测模型A(U,I)进行离散时间序列组合C，根据在状态空间D内数据在当前时间的状态只与前一时刻的状态有关，且满足当前数据状态概率在0、1间变化，当前时刻所有数据状态概率和为1，获得当前用电状态概率区间D_(n) ^u、D_(n) ⁱ。

8.根据权利要求1所述的面向用电信息采集系统的智能防窃电方法，其特征在于：所述步骤3具体包括如下步骤：

步骤3.1，从数据库中导入数据，由于深度学习需要大量训练样本，对同一时间段内原始数据通过随机排序组合的方式进行扩充；

(U,I)_nt＝((U₁₁,I₁₁)、(U₁₂,I₁₂)、…(U_nt,I_nt)) (15)

E＝random(e) (16)

其中，(U，I)_nt为原始样本数据，E为随机生成的样本数据序号，e代表深度学习样本训练数量，(U，I)_ntE代表新样本数据，C_E ⁱ代表样本中排列组合序号，i代表样本组合个数；

从数据库导入数据，实际情况中用电信息采集系统仅存在少量的样本数据(U，I)_nt，运用随机数法random对样本进行扩充，如随机生成数1000，在其范围内对其进行随机排列组合

实现数据样本的扩充(U,I)_ntE；

步骤3.2，对同一时间段新样本数据，进行归一化处理，将处理后的数据填入矩阵内，形成数据图形化展示；

[u,i]＝[(u,i)_ntE]＝[G]_m×n (19)

其中，(u,i)_ntE为归一化后样本数据，[u,i]为填入矩阵后的数据，[G]_mxn代表图像矩阵，其大小为m×n；

获取数据后需要对其归一化处理，并按照同一时刻下电能数据进行排序，采用灰度化的方式(u,i)_ntE填入矩阵中，形成图像[u,i]；

步骤3.3，将图像用于CNN-LeNet5网络训练，经过卷积、池化、全连接层处理后，输出窃电行为的概率分数；

h_l＝β_jL(h_j)+o_j (21)

其中，h_j为卷积后得到的第j层图像特征，J为卷积函数，k_i为第i层卷积核，g_i为第i层图像特征，l_i为第i层的卷积偏置项，h_l为池化后的图像特征，β_j为乘偏项，L(.)为池化函数，o_j为池化层偏置项，P_l为预测概率分数；

获取图像后，通过卷积提取图像特征，通过池化降低图像采样率，通过全连接层对概率进行预测，特别的，输入信息不局限于电压、电流，还可以是有功功率、线损率、功率因数等信息，卷积函数、池化函数均需根据图像特征进行确定。

9.根据权利要求1所述的面向用电信息采集系统的智能防窃电方法，其特征在于：所述步骤3中生成窃电数据图的方法为；对获取的数据进行归一化处理，并按照同一时刻下电能数据进行排序，采用灰度化的方式填入矩阵中，形成图像。

Images