技术特征：
1.一种基于注意力机制和残差网络的电网异常用电检测方法，其特征在于,包括如下步骤，s1、数据采集，利用大量智能电表将用户的海量用电信息进行高频采集，收集大量电力数据；s2、数据预处理，对收集到的数据进行前期处理，如缺失值填充、异常值剔除、降维以消除冗余，为了消除量纲不同造成的预测误差，都会对数据进行归一化处理；s3、选取训练数据集和测试数据集；s4、设置模型初始参数；s5、训练基于注意力机制和残差网络的分类算法，利用训练样本，对基于注意力机制和残差网络的分类算法进行模型训练；s6、预测用电数据，利用测试数据集的样本对模型进行测试，预测用电异常数据；s7、结果分析，对s6预测用电异常数据结果进行评价分析。2.根据权利要求1所述的一种基于注意力机制和残差网络的电网异常用电检测方法，其特征在于，s5中基于注意力机制和残差网络的分类算法包括如下步骤：s1、输入数据首先输入到随机森林中，通过计算特征重要性，获取注意力模块；s2、输入特征通过注意力模块的权重，进行特征的加权；s3、输入到卷积层、池化层；s4、输入到3个改进的残差堆叠块；s5、输入到注意力模块；s6、输入到dropout层和softmax层进行；s7、输出分类结果。3.根据权利要求2所述的一种基于注意力机制和残差网络的电网异常用电检测方法，其特征在于，训练注意力模块的方式为：通过将数据输入到随机森林中，计算数据中每一个特征的重要性，所有的重要性值组成注意力模块，用于下一步的特征增强。4.根据权利要求2所述的一种基于注意力机制和残差网络的电网异常用电检测方法，其特征在于，卷积层是使卷积神经网络与传统的完全连接的神经网络不同的关键组件；卷积层中的卷积核运算比完全连接层中的转换矩阵具有更少的参数。5.根据权利要求2所述的一种基于注意力机制和残差网络的电网异常用电检测方法，其特征在于，所述基于注意力机制和残差网络的分类算法包括注意力模块、卷积层、批量归一化、改进的激活函数、残差模块、挤压与激励网络结构、交叉熵损失函数、pooling层全局平均池化、改进的残差模块。
技术总结
本发明公开了一种基于注意力机制和残差网络的电网异常用电检测方法，包括如下步骤，S1、数据采集，利用大量智能电表将用户的海量用电信息进行高频采集，收集大量电力数据；S2、数据预处理，S3、选取训练数据集和测试数据集；S4、设置模型初始参数；S5、训练基于注意力机制和残差网络的分类算法，利用训练样本，对基于注意力机制和残差网络的分类算法进行模型训练；S6、预测用电数据；S7、结果分析。本发明以较高精度实现电网异常用电检测，在实际应用中，算法的能力十分稳定，对复杂的环境和数据都有较好的处理能力。较好的处理能力。较好的处理能力。
技术研发人员：杨扬 尹旭 张镇 李士波 逄锦山
受保护的技术使用者：山东省计算中心（国家超级计算济南中心）
技术研发日：2021.12.08
技术公布日：2022/6/28