CN116500335B - 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 - Google Patents

Abstract

本发明公开了一种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，涉及窃电检测技术领域，该方法包括：对获取的用电数据进行预处理，得到预处理后的一维用电数据；基于格拉姆角和场的用电数据图转换方法，将一维用电数据转换为二维图像；将一维用电数据和二维图像输入至检测模型中，该检测模型包括长短期记忆网络和二维神经网络，基于一维用电数据，通过长短期记忆网络学习全局时序特征，基于二维图像，通过二维卷积神经网络学习二维数据特征，通过特征融合得到融合特征，以此输出窃电检测结果。本发明利用提取原始一维序列数据的全局时序特征和二维图像数据所保留的时序相关性特征，实现智能电网窃电检测精度的提高。

Description

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

技术领域

本发明涉及窃电检测技术领域，尤其涉及一种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。

背景技术

近年来，随着智能电网的发展，用电居民在享受其带来的便利的同时，供电企业的线路损失率居高不下，这就导致了供电运营成本的提升。在电力系统中，电力损耗有两种类型：技术性损失(Technical Losses, TLs) 和非技术性损失(Non-Technical Losses,NTLs)。技术性损失是电能在传输过程中无法避免的固有损耗，主要由电力系统中组件自身的功率损耗组成。而导致非技术性损失的原因有很多种，主要包括：篡改仪表、从电源上安装线路绕过仪表、贿赂抄表员、仪表故障或损坏、数据处理以及计费中的技术和人为错误等。在实际场景中，非法篡改导致的损耗是非技术性损失的主要原因，用户的非法篡改通常称为用户窃电行为，其在造成社会经济损失的同时，还会影响电网安全运行，甚至产生危及生命的公共安全问题。

对于窃电问题，执行定期检查的费用很高，因此难以计算或衡量实际损失。随着智能电网的不断发展，用电信息采集异常几率逐渐增大，累计的终端用户异常用电数据也越来越多，异常的用电模式蕴藏着电网的重要信息。因此，对用电数据进行深层次挖掘，根据其所隐藏的规律，能够有效检测出异常的用电模式，实现准确的窃电检测。

窃电检测是指利用电力系统中的历史数据和实时数据，检测电力系统中存在的异常用电用户或异常用电行为。目前，基于数据驱动的窃电检测技术主要包括基于聚类、分类和状态估计三大类方法，其中针对基于分类方法进行切点检测的研究较多。传统的通常采用支持向量机、反向传播神经网络、多层感知机等模型进行窃电检测，然而，受限于单模型的识别精度，通过模型融合的窃电检测方式应运而生，目前通常采用集成学习和联合学习的方法，构建分类模型，并结合提取的用电数据的特征，进行窃电检测。例如，将卷积神经网络(Convolutional Neural Network, CNN)与随机森林算法相结合，实现有效的窃电检测；提取用电数据的特征参数，将时序和非时序数据分别输入长短期记忆网络(Long Short-term Memory, LSTM)和多层感知机(Multi-layer Perceptron, MLP)模型中，通过混合模型有效提升窃电识别的可靠性。

但是，现有的上述方案通常是基于一维用电数据构建窃电检测模型，考虑到用户用电行为的独立性和随机性，仅仅将原始的用电数据直接作为检测模型的输入，则会忽略用电数据本身所隐含的其它特征规律，进而导致检测模型的检测精度较低。

发明内容

为解决上述现有技术的不足，本发明提供了一种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，通过将用户的用电数据二维化，基于一维和二维的用电数据，通过长短期记忆网络LSTM和二维卷积神经网络分别提取用电数据的时间特征和二维数据特征，将学习到的特征进行融合，充分提取用电数据的特征，基于融合特征实现高检测精度的智能电网窃电检测。

第一方面，本公开提供了一种基于一维特征和二维特征的智能电网窃电检测方法。

一种基于一维特征和二维特征的智能电网窃电检测方法，包括：

获取智能电网中多户用户的用电数据，对获取的用电数据进行预处理，得到预处理后的一维用电数据；

根据预处理后的一维用电数据，基于格拉姆角和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像；

将一维用电数据和二维图像输入至检测模型中，输出窃电检测结果，判别窃电用户；

所述检测模型包括长短期记忆网络和二维神经网络，基于一维用电数据，通过长短期记忆网络学习全局时序特征；基于二维图像，通过二维卷积神经网络学习二维数据特征；融合全局时序特征和二维数据特征，得到融合特征；基于融合特征，输出窃电检测结果。

进一步的技术方案，所述预处理包括数据缺失值处理和数据异常值处理。

进一步的技术方案，所述数据缺失值处理，包括：

根据数据缺失率筛选用电数据，若某一用户用电数据的数据缺失率大于设定阈值，则判断为已损坏数据，删除该用户的用电数据；反之则判断为缺失数据，保留该用户的用电数据；

针对缺失数据，通过基于灰色关联分析的K近邻缺失值填补法进行模型拟合，得到近似数值，基于所得到近似数值，进行数据缺失值填补。

进一步的技术方案，所述数据异常值处理，包括：

基于三西格玛经验法则，对用电数据进行调整；

对调整后的用电数据进行归一化处理。

进一步的技术方案，所述基于格拉姆角和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像，包括：

对预处理后的每一用户的日用电数据序列进行坐标转换，包括：以半径对应时间戳，以角度对应序列数值，进行双射映射；

根据转换后的坐标，基于两角和的余弦函数，生成一维时间序列的格拉姆角转换矩阵，进而得到用电数据二维化后的二维图像。

进一步的技术方案，所述二维卷积神经网络包括依次连接的卷积层、最大池化层、8个残差块和全连接层；

二维图像通过卷积层进行特征转换，再经过最大池化层和8个残差块后，通过全连接层将所提取的局部信息连接起来，最终输出提取的二维数据特征。

进一步的技术方案，每个残差块均由两个3×3的二维卷积核单元构成，每个残差块中的上一层输出的像素特征信息经过2次卷积变换后，通过恒等路径与输入相加。

第二方面，本公开提供了一种基于一维特征和二维特征的智能电网窃电检测系统。

一种基于一维特征和二维特征的智能电网窃电检测系统，包括：

用电数据获取模块，用于获取智能电网中多户用户的用电数据；

用电数据预处理模块，用于对获取的用电数据进行预处理，得到预处理后的一维用电数据；

二维图像生成模块，用于根据预处理后的一维用电数据，基于格拉姆角和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像；

窃电检测模块，用于将一维用电数据和二维图像输入至检测模型中，输出窃电检测结果，判别窃电用户；

所述检测模型包括长短期记忆网络和二维神经网络，基于一维用电数据，通过长短期记忆网络学习全局时序特征；基于二维图像，通过二维卷积神经网络学习二维数据特征；融合全局时序特征和二维数据特征，得到融合特征；基于融合特征，输出窃电检测结果。

以上一个或多个技术方案存在以下有益效果：

1、本发明提供了一种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，将用户用电数据二维化，基于一维和二维的用电数据，通过长短期记忆网络LSTM和二维卷积神经网络分别提取用电数据的时间特征和二维数据特征，将学习到的特征进行融合，基于融合特征，输出窃电检测结果。本发明利用提取原始一维序列数据的全局时序特征和二维图像数据所保留的时序相关性特征，实现智能电网窃电检测精度的提高。

2、本发明中，对获取的用户用电数据进行预处理，包括数据缺失值处理和数据异常值处理，保证用于训练检测模型的数据的准确性，进而保障训练完成的检测模型的可靠性。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例所述智能电网窃电检测方法的整体流程图；

图2为本发明实施例中数据缺失值填补的流程图；

图3为本发明实施例中检测模型的示意图；

图4为本发明实施例中二维卷积神经网络的结构示意图；

图5为本发明实施例中包括并行的边缘增强网络的二维卷积神经网络的结构示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

本实施例提供了一种基于一维特征和二维特征的智能电网窃电检测方法，如图1所示，包括以下步骤：

步骤S1、获取智能电网中多户用户的用电数据，对获取的用电数据进行预处理，得到预处理后的一维用电数据；

步骤S2、根据预处理后的一维用电数据，基于格拉姆角和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像；

步骤S3、将一维用电数据和二维图像输入至检测模型中，输出窃电检测结果，判别窃电用户；

所述检测模型包括长短期记忆网络和二维神经网络，基于一维用电数据，通过长短期记忆网络学习全局时序特征；基于二维图像，通过二维卷积神经网络学习二维数据特征；融合全局时序特征和二维数据特征，得到融合特征；基于融合特征，输出窃电检测结果。

本实施例所提出的智能电网窃电检测方法，首先步骤S1中，获取智能电网中多户用户的用电数据，对获取的用电数据进行预处理，得到预处理后的一维用电数据。

为了检测用电用户的用电行为，配电公司通过智能电网每天记录实际日负荷数据（即用户的日用电数据），因此，在本实施例中，以数据的采集频率为1天1次，获取设定时间内的n户用户的用电数据，构成用电数据集D=，其中，/>表示某用户的日负荷数据实例，每个实例/>有m个特征（m天的用电数据），即长度为m的日用电数据序列/>，表示为/>=(/>(1),/>(2),.../>(m))。

之后，对所获取的用电数据进行预处理，该预处理包括数据缺失值处理和数据异常值处理。

针对数据缺失值处理，由于电表故障、系统不稳定、存储异常及自然因素等原因，数据在采集的过程中往往会丢失，导致数据集中出现大量缺失值。因此，首先根据数据缺失率筛选数据，缺失率为当前列（即n列）中所缺失的行数（共m行）占总行数的比率，若某一用户用电数据的缺失率大于设定阈值，如缺失率大于30%，则将其定义为已损坏数据，删除该用户的用电数据；若缺失率小于设定阈值，则将其定义为缺失数据，保留该用电数据。

其次，针对缺失数据，通过基于灰色关联分析的K近邻缺失值填补方法进行模型拟合，得到近似的数值进行填补。具体的，两个特征间的灰色关联系数可表示为：

上式中，i,j=0,1,...,n；k,p=0,1,...,m；p表示具体的一个特征；(p)表示实例中特征p处的值；/>(p)-/>(p)项指实例/>和实例/>在特征p处取值的差值，其余三项通过求最值过程，遍历所有实例j和所有特征k并求其和，然后计算这个实例/>与参考实例/>间的差值的最小值以及最大值。

对于要进行填补的某一列数据，首先去除当前列中带缺失值的行，去掉缺失行后，将剩余行中对应的当前列的列值作为标签，统计当前列相邻前后各5列的数据，若这5列数据中仍存在缺失值，则以这些列的列均值取代。之后，对提取的这10列数据进行灰色关联分析，得到灰色关联矩阵，对关联矩阵中的关联系数由大到小排序，并记录列索引。排序的前5列为与填补列相关性最高的特征，将这5列作为K近邻模型的输入。利用训练好的模型用来预测缺失值，通过预测的缺失值进行填补，上述过程如图2所示。

针对数据异常值处理，对于电力能耗数据，在部分情况下会出现偏离正常趋势的较大或较小值，这些对应于实际生活中的特定假日，比如在春节等节日，用电量会迅速提高，形成远离序列一般水平的极端大值和极端小值，即离群点。离群点会降低模型的泛化性能，对于这类数据，首先，采用三西格玛经验法则进行调整，可表示为：

上式中，avg(x)和std(x)分别表示当前列中日负荷数据的均值和标准差。

其次，由于神经网络对不同的数据比较敏感，因此，对调整后的用电数据进行归一化处理。本实施例所采用的归一化方法为最小-最大归一化，表示为：

上式中，min(x)和max(x)分别表示当前列中日负荷数据的最小值和最大值。

步骤S2中，根据预处理后的一维用电数据，基于格拉姆角(Gramian angularsummation, GASF)和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像。

在本实施例中，针对预处理后的每一用户的日用电数据序列=(/>(1),/>(2),.../>(m))，首先对其进行坐标转换。具体的，以半径对应时间戳，以角度对应序列数值，进行双射映射。其中，角度/>的计算方法为：

=arccos(/>(m))，-1≤/>(m)≤1，/>

其次，利用两角和的余弦函数保留不同时间间隔内点(i,j)的相关性，生成一维时间序列的格拉姆角GASF转换矩阵G，进而得到用电数据二维化后的三通道图像，即获取二维图像。其中，转换矩阵G为：

通过上述方式获取多种场景下的二维图像，包括原始用电数据的二维图像、长期连续窃电场景下用电数据的二维图像以及间歇窃电场景下用电数据的二维图像等，而且基于GASF图转换变换后，各类型的用电数据存在明显的差异。

作为另一种实施方式，上述预处理后得到的一维用电数据对应的二维图像，将一一对应的一维用电数据和二维图像构成数据集，对该数据集中的数据进行标注，标注窃电数据和非窃电数据后，将该数据集按比例划分为训练集和测试集，利用训练集训练下述检测模型，利用测试集测试训练完成的检测模型。

在完成上述数据处理后，执行步骤S3，将一维用电数据和二维图像输入至检测模型中，输出窃电检测结果，判别窃电用户。具体的，上述检测模型如图3所示，包括长短期记忆网络和二维神经网络，基于一维用电数据，通过长短期记忆网络学习全局时序特征；基于二维图像，通过二维卷积神经网络学习二维数据特征；通过融合模块融合全局时序特征和二维数据特征，得到融合特征；最终，基于该融合特征，输出窃电检测结果。

首先，介绍长短期记忆网络。为了解决循环神经网络的短期记忆问题，提出了长短期记忆网络。长短期记忆网络具有额外的特征来记忆数据序列，能克服循环神经网络中的消失梯度的问题。LSTM能够从网络的初始阶段到最后阶段记忆和传播重要信息，在处理时序数据的特征提取上有非常显著的效果，因此常被用于时间序列数据预测及分类。每个LSTM 是一组单元或系统模块，在每个单元中使用了一些门，单元中的数据流可以被捕获并存取，然后处理、过滤或添加到下一个单元中，因此单元可以有选择地让信息通过或者删除。

考虑到正常用户的用电数据和窃电用户的用电数据存在波动差异性，而用户用电数据表现为一维时间序列，因此，将一维日用电负荷数据D=输入至LSTM网络中，通过LSTM学习全局电力数据中隐含的时间特征，输出提取的时间特征。

其次，本实施例针对所获取的二维用电数据（即二维图像）进行特征提取，构建了二维卷积神经网络。如图4所示，本实施例所提出的二维卷积神经网络包括依次连接的卷积层、最大池化层、8个残差块和全连接层。其中，第一个卷积层conv1是一个独立的7×7卷积层（步长为2），用以进行特征转换；接着通过最大池化(Max-pooling)层（3×3，步长为2）减小特征映射的长度，提高网络的泛化能力和下采样效率；经过8个残差块和平均池化层后，通过全连接层将之前提取的局部信息连接起来，最终输出提取的二维数据特征。

本实施例上述二维卷积神经网络的构建过程中，考虑到传统的卷积神经网络模型在网络层数加深之后，会出现梯度爆炸或梯度消失等问题，导致模型能力退化，因此，引入了残差块。当输入为x时，其学习到的特征记为H(x)，此时对应的残差为F(x)=H(x)-x，在激活前将F(x)与x用类似短路机制的“跳线”连接相加，保证了恒等映射和反向传播的梯度传递。当残差趋近于0时，网络学习到的特征接近于原始输入，使得模型在层数增加时仍然能保持较好的训练效果，提高了深层网络的准确率。在本实施例中，每个残差块均是由两个3×3的二维卷积核(convolution 2D, Conv2D)单元构成，每个残差块中的上一层输出的像素特征信息经过2次卷积变换后，通过恒等路径与输入相加，保证输入信息的完整性。

作为另一种实施方式，二维图像通过上述卷积层、残差块等提取抽象特征，在这个过程中由于图像分辨率不断缩放，导致图像中的结构像素不断丢失，使得图像丢失大量的边缘细节信息，使得图像特征提取不完善，为此，在上述二维卷积神经网络提取二维特征的同时，本实施例还设置了边缘增强网络，保留边缘像素信息，如图5所示，具体的，上述二维卷积神经网络还包括并行的边缘增强网络，该边缘增强网络包括依次连接的Sobel算子和3×3卷积层，输入的二维图像通过Sobel算子提取边缘信息，然后边缘特征依次通过3×3卷积层输出边缘特征，该边缘特征与上述网络输出的二维特征拼接，得到最终的二维数据特征。

最后，本实施例设置模块融合，融合全局时序特征和二维数据特征，得到融合特征。具体的，从所获取的一维时间序列及二维图像数据中提取得到用户用电行为的广度与深度特征，为了能让模型同时学习到这两类特征，对输出的特征进行拼接(Concatenate)，生成新的融合特征。所述拼接操作如下式所示：

上式中，分别为用电数据的时间特征和二维数据特征，S为拼接后的融合特征，/>、/>分别表示一、二维特征的第i个元素，/>()为拼接函数，即将2个特征按照同一连接轴进行维度拼接，n为连接轴处二者对应的维度。

为了使混合模块能够公平地学习到来自双通道的特征信息，本实施例所述拼接操作整合了所提取到的两类用电特征信息，再将融合后的特征输入神经元数量为64的全连接层进行非线性特征学习，最后通过Sigmoid函数，输出每一用电用户相应的窃电概率，即输出窃电检测结果，具体的，若窃电概率大于0.5的用电用户，则判定为窃电用户，反之则判定为正常用户。

综上，本实施例所提出的基于一维特征和二维特征的智能电网窃电检测方法，通过将用户用电数据二维化，基于一维和二维的用电数据，通过长短期记忆网络LSTM和二维卷积神经网络分别提取用电数据的时间特征和二维数据特征，将学习到的特征进行融合，基于融合特征，输出窃电检测结果，利用提取原始一维序列数据的全局时序特征和二维图像数据所保留的时序相关性特征，实现智能电网窃电检测精度的提高。

实施例二

本实施例提供了一种基于一维特征和二维特征的智能电网窃电检测系统，包括：

用电数据获取模块，用于获取智能电网中多户用户的用电数据；

用电数据预处理模块，用于对获取的用电数据进行预处理，得到预处理后的一维用电数据；

二维图像生成模块，用于根据预处理后的一维用电数据，基于格拉姆角和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像；

窃电检测模块，用于将一维用电数据和二维图像输入至检测模型中，输出窃电检测结果，判别窃电用户；

所述检测模型包括长短期记忆网络和二维神经网络，基于一维用电数据，通过长短期记忆网络学习全局时序特征；基于二维图像，通过二维卷积神经网络学习二维数据特征；融合全局时序特征和二维数据特征，得到融合特征；基于融合特征，输出窃电检测结果。

以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种基于一维特征和二维特征的智能电网窃电检测方法，其特征是，包括：

获取智能电网中多户用户的用电数据，对获取的用电数据进行预处理，得到预处理后的一维用电数据；所述预处理包括数据缺失值处理，所述数据缺失值处理，包括：

根据数据缺失率筛选用电数据，若某一用户用电数据的数据缺失率大于设定阈值，则判断为已损坏数据，删除该用户的用电数据；反之则判断为缺失数据，保留该用户的用电数据；

针对缺失数据，通过基于灰色关联分析的K近邻缺失值填补法进行模型拟合，得到近似数值，基于所得到近似数值，进行数据缺失值填补；具体的，对于要进行填补的某一列数据，首先去除当前列中带缺失值的行，去掉缺失行后，将剩余行中对应的当前列的列值作为标签，统计当前列相邻前后各5列的数据，若这5列数据中仍存在缺失值，则以这些列的列均值取代；之后，对提取的10列数据进行灰色关联分析，得到灰色关联矩阵，对关联矩阵中的关联系数由大到小排序，并记录列索引；排序的前5列为与填补列相关性最高的特征，将这5列作为K近邻模型的输入，利用训练好的K近邻模型来预测缺失值，通过预测的缺失值进行填补；

根据预处理后的一维用电数据，基于格拉姆角和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像；

将一维用电数据和二维图像输入至检测模型中，输出窃电检测结果，判别窃电用户；

所述检测模型包括长短期记忆网络和二维神经网络，基于一维用电数据，通过长短期记忆网络学习全局时序特征；基于二维图像，通过二维卷积神经网络学习二维数据特征；融合全局时序特征和二维数据特征，得到融合特征；基于融合特征，输出窃电检测结果；

所述二维卷积神经网络包括依次连接的卷积层、最大池化层、8个残差块和全连接层；每个残差块均由两个3×3的二维卷积核单元构成，每个残差块中的上一层输出的像素特征信息经过2次卷积变换后，通过恒等路径与输入相加；二维图像通过卷积层进行特征转换，再经过最大池化层和8个残差块后，通过全连接层将提取的局部信息连接起来，输出二维特征；

所述二维卷积神经网络还包括并行的边缘增强网络，所述边缘增强网络包括依次连接的Sobel算子和3×3卷积层；输入的二维图像通过Sobel算子提取边缘信息，边缘信息依次通过3×3卷积层输出边缘特征，所述边缘特征与二维特征拼接，得到最终的二维数据特征。

2.如权利要求1所述的基于一维特征和二维特征的智能电网窃电检测方法，其特征是，所述预处理还包括数据异常值处理。

3.如权利要求2所述的基于一维特征和二维特征的智能电网窃电检测方法，其特征是，所述数据异常值处理，包括：

基于三西格玛经验法则，对用电数据进行调整；

对调整后的用电数据进行归一化处理。

4.如权利要求1所述的基于一维特征和二维特征的智能电网窃电检测方法，其特征是，所述基于格拉姆角和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像，包括：

对预处理后的每一用户的日用电数据序列进行坐标转换，包括：以半径对应时间戳，以角度对应序列数值，进行双射映射；

根据转换后的坐标，基于两角和的余弦函数，生成一维时间序列的格拉姆角转换矩阵，进而得到用电数据二维化后的二维图像。

5.一种基于一维特征和二维特征的智能电网窃电检测系统，其特征是，包括：

用电数据获取模块，用于获取智能电网中多户用户的用电数据；

用电数据预处理模块，用于对获取的用电数据进行预处理，得到预处理后的一维用电数据；所述预处理包括数据缺失值处理，所述数据缺失值处理，包括：

根据数据缺失率筛选用电数据，若某一用户用电数据的数据缺失率大于设定阈值，则判断为已损坏数据，删除该用户的用电数据；反之则判断为缺失数据，保留该用户的用电数据；

针对缺失数据，通过基于灰色关联分析的K近邻缺失值填补法进行模型拟合，得到近似数值，基于所得到近似数值，进行数据缺失值填补；具体的，对于要进行填补的某一列数据，首先去除当前列中带缺失值的行，去掉缺失行后，将剩余行中对应的当前列的列值作为标签，统计当前列相邻前后各5列的数据，若这5列数据中仍存在缺失值，则以这些列的列均值取代；之后，对提取的10列数据进行灰色关联分析，得到灰色关联矩阵，对关联矩阵中的关联系数由大到小排序，并记录列索引；排序的前5列为与填补列相关性最高的特征，将这5列作为K近邻模型的输入，利用训练好的K近邻模型来预测缺失值，通过预测的缺失值进行填补；

二维图像生成模块，用于根据预处理后的一维用电数据，基于格拉姆角和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像；

窃电检测模块，用于将一维用电数据和二维图像输入至检测模型中，输出窃电检测结果，判别窃电用户；

所述检测模型包括长短期记忆网络和二维神经网络，基于一维用电数据，通过长短期记忆网络学习全局时序特征；基于二维图像，通过二维卷积神经网络学习二维数据特征；融合全局时序特征和二维数据特征，得到融合特征；基于融合特征，输出窃电检测结果；

所述二维卷积神经网络包括依次连接的卷积层、最大池化层、8个残差块和全连接层；每个残差块均由两个3×3的二维卷积核单元构成，每个残差块中的上一层输出的像素特征信息经过2次卷积变换后，通过恒等路径与输入相加；二维图像通过卷积层进行特征转换，再经过最大池化层和8个残差块后，通过全连接层将提取的局部信息连接起来，输出二维特征；

所述二维卷积神经网络还包括并行的边缘增强网络，所述边缘增强网络包括依次连接的Sobel算子和3×3卷积层；输入的二维图像通过Sobel算子提取边缘信息，边缘信息依次通过3×3卷积层输出边缘特征，所述边缘特征与二维特征拼接，得到最终的二维数据特征。

6.如权利要求5所述的基于一维特征和二维特征的智能电网窃电检测系统，其特征是，所述基于格拉姆角和场的用电数据图转换方法，将预处理后的一维用电数据转换为二维图像，包括：

对预处理后的每一用户的日用电数据序列进行坐标转换，包括：以半径对应时间戳，以角度对应序列数值，进行双射映射；

根据转换后的坐标，基于两角和的余弦函数，生成一维时间序列的格拉姆角转换矩阵，进而得到用电数据二维化后的二维图像。