本发明涉及一种防窃电方法,具体地说是基于深度学习算法的防窃电系统及其防窃电方法。
背景技术:
当今,电能是十分重要的清洁能源。但是,因为人们追求经济利益,窃电现象开始大量滋生,给各个地区都造成了利益损失。并且,因为窃电者的窃电行为而产生的人员伤亡与设备损坏也层出不穷,实际上,因窃电导致事故所造成的间接损失则更为巨大。由此可见,防窃电工作的重要意义。伴随着防窃电技术及措施的改进,窃电手段不断的提高,防窃电问题,需要更多人员的学习,以及管理专业人员不断地去研究、破解。
现有防窃电手段的确取得了一定的成效,如通过对电能表进行集中设置以及封紧锁牢的措施,避免用户随便接触电能表;统一采取封口压下后无法恢复的封装方法,并且都封上号码来一起记录管理;使用有禁止逆转功能的电能表,供电厂商订货时要求厂家设计配有止逆功能的电度表,杜绝反相电流窃电。但随着科技的进步,高科技窃电的花样也越来越多,现有的防窃电技术已经无法很好的防范种类繁多的窃电行为。作为智能电网关键技术之一,用电信息采集系统由用户端的电能计量表、上位机数据管理系统和用于其通信的网络组成,兼顾了信息采集和负荷监控的基础功能。它的整合应用是智能电网的必然趋势,为满足智能配电网的互动性搭建了一个更高的平台。实施先进的用电信息采集系统,通过其采集的用电数据分析判断窃电用户是目前的研究热点之一。然而,由于用电信息采集系统每隔一个固定时间点就会采集用户的用电数据,以用电信息采集系统中的scada为例,每隔3~4s采集一次用电数据,10000个遥测点每年将产生1.03tb的数据。因此,利用用电信息采集系统识别窃电用户面临海量数据的困境。
深度学习是机器学习中的一个新兴的领域,也即人工智能中的一个热门的方向。它的概念是基于神经网络的,与传统的人工神经网络相区别的点在于隐含层的增多。如此一来就可以训练海量的数据,学习有用的特征,最终达到高精确度的分类和预测。实际上就是通过重新排列组合低层的特征映射,在形成抽象的高层的特征映射后表示不同的属性类别。与人工规则构造特征的方法相比,利用大数据来学习特征,更能够刻画数据的丰富内在信息。
相比其他方法,深度学习具有很强的数据学习能力和泛化能力,因此可以用来实现智能的防窃电,更高效地解决窃电问题。
技术实现要素:
本发明的目的是为给生活中的窃电问题提供一种基于深度学习算法的防窃电方法。
本发明采用的技术方案是:一种基于深度学习算法的防窃电系统,其特征在于:包括在线识别疑似窃电用户模块和离线训练深度学习网络模块,在线识别疑似窃电用户模块用于识别疑似窃电用户,离线训练深度学习网络模块用于确定在线识别疑似窃电用户模块中深度学习网络各个网络参数。
进一步的,所述的基于深度学习算法的防窃电系统的防窃电方法,其特征在于:步骤包括:
a、利用用电信息采集系统,获取用户用电数据,包括有功功率w有功、无功功率w无功、谷值功率w谷值、、峰段功率w峰值、平值功率w平值以及功率等数据;
有功功率:w有功=(m本月有功-m上月有功)·m,m表示倍率,m代表抄表值;
无功功率:w无功=(m本月无功-m上月无功)·m;
谷值功率:w谷值=(m本月谷值-m上月谷值)·m;
峰值功率:w峰值=(m本月峰值-m上月峰值)·m;
平值功率:w平值=(m本月平值-m上月平值)·m;
功率因素:
b、在采用深度学习算法之前,需要对有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率等用电数据的归一化,将其取值范围化为[-1,1],归一化公式为:
其中,xmax为本指标数值中的最大值,xmin为本指标数值中的最小值,xi为第i个输入数据,xmid表示中位数,
c、根据归一化的有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率等用电数据,构建用电数据矩阵n×6,其中,n表示用电数据采样点数,6表示上述提到的有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率等参量的数量,采用深度学习算法中的卷积神经网络算法,根据softmax分类器计算用户用电嫌疑系数,softmax分类器中,softmax值计算如下:
其中,si表示第i个数据的softmax值,vi表示输入softmax分类器的第i个数据,j表示数据编号,窃电嫌疑系数y的计算模型如下:
y=h(x1,x2,x3,x4,x5,x6)(4)
其中,h(x)代表深度学习运算
d、若该月窃电嫌疑系数大于等于0.85,则该月有较大窃电嫌疑,并发出预警信息;若该月窃电嫌疑系数小于0.85,则确定该月无窃电行为。
本发明的有益效果和特点是:①可以有效利用现有用电信息采集系统的数据,提高数据的利用率;②成本低廉,只需要在现有用电信息采集系统中增加基于深度学习的防窃电算法模块,不需要增加其它硬件;③识别有嫌疑的窃电用户正确率较高。
附图说明
图1是本发明所述方法的总体流程图;
图中标号分别表示:1-在线识别疑似窃电用户模块、2-离线训练深度学习网络模块;
具体实施方式
下面结合附图对本发明进行进一步说明:
下面结合附图和具体实施方案对本发明专利进行详细说明。
本发明基于深度学习算法的防窃电系统的整体系统结构,如图1所示,
该基于深度学习算法的防窃电系统,包括在线识别疑似窃电用户模块1和离线训练深度学习网络模块2,在线识别疑似窃电用户模块用于识别疑似窃电用户,离线训练深度学习网络模块用于确定在线识别疑似窃电用户模块中深度学习网络各个网络参数。
该基于深度学习算法的防窃电系统的防窃电方法,包括如下步骤:
a、利用用电信息采集系统,获取用户用电数据,包括有功功率w有功、无功功率w无功、谷值功率w谷值、、峰段功率w峰值、平值功率w平值以及功率等数据;
有功功率:w有功=(m本月有功-m上月有功)·m,m表示倍率,m代表抄表值;
无功功率:w无功=(m本月无功-m上月无功)·m;
谷值功率:w谷值=(m本月谷值-m上月谷值)·m;
峰值功率:w峰值=(m本月峰值-m上月峰值)·m;
平值功率:w平值=(m本月平值-m上月平值)·m;
功率因素:
b、在采用深度学习算法之前,需要对有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率等用电数据的归一化,将其取值范围化为[-1,1],归一化公式为:
其中,xmax为本指标数值中的最大值,xmin为本指标数值中的最小值,xi为第i个输入数据,xmid表示中位数,
c、根据归一化的有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率等用电数据,构建用电数据矩阵n×6,其中,n表示用电数据采样点数,6表示上述提到的有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率等参量的数量,采用深度学习算法中的卷积神经网络算法,根据softmax分类器计算用户用电嫌疑系数,softmax分类器中,softmax值计算如下:
其中,si表示第i个数据的softmax值,vi表示输入softmax分类器的第i个数据,j表示数据编号,窃电嫌疑系数y的计算模型如下:
y=h(x1,x2,x3,x4,x5,x6)(0≤y≤1)(4)
其中,h(x)代表深度学习运算
d、若该月窃电嫌疑系数大于等于0.85,则该月有较大窃电嫌疑,并发出预警信息;若该月窃电嫌疑系数小于0.85,则确定该月无窃电行为。
所述离线训练深度学习网络模块具体实现的步骤包括:
a.选取用户用电数据,输入卷积神经网络;
b.计算卷积神经网络的实际输出;
c.计算卷积神经网络的实际输出与理想值的差值;
d.按照极小化误差方法方向传播调整矩阵;
e.训练完成,计算用户用电嫌疑系数;
采用卷积神经网络时,上述过程的具体实现方式包括如下步骤:
step1.从选定训练组,在归一化抄表数据中随机选取一定数量的样本作为训练样本集;
step2.初始化,将各个权值vij,wjk和阈值θk,
step3.从训练组中选取任意一个输入模式x输入到网络中,并指定其目标输出向量d;
step4.利用(5)计算出中间层输出向量h=(h0,h1,…,hl),再利用公式(6)计算出实际输出向量y;
式中,l表示网络中间层的网络数,k表示输出单元,yk表示输出单元k的输出,hj表示中间层j的输出值;。
step5.计算输出向量中的元素yk与理想的目标向量中的元素dk的差值,计算出m个输出误差项:
δk=(dk-yk)yk(1-yk)(7)
其中,m表示输出层的单元数;
step6.计算中间层的隐含单元的误差项,共l个:
step7.依次计算出各个连接权值的调整量δwjk(n)和δvjk(n),n表示输入层单元数,δvij表示输出单元i到隐含单元j的权值调整量,δwjk表示隐含单元j到输出单元k的权值调整量;
δwjk(n)=(α/(1+l))*(δwjk(n-1)+1)*δk*hj
δvjk(n)=(α/(1+l))*(δvjk(n-1)+1)*δk*hj(9)
和阈值的调整量,δθk和
δθk(n)=(α/(1+l))*(δθk(n-1)+1)*δk
δφj(n)=(α/(1+l))*δφj(n-1)+1)*δj(10)
调整权值:
wjk(n+1)=wjk(n)+δwjk(n)
vjk(n+1)=vjk(n)+δvjk(n)(11)
调整阈值:
θk(n+1)=θk(n)+δθk(n)
φj(n+1)=φj(n)+δφj(n)(12)
step8.k重复进行1至m后,判断评定指标是否满足精度要求:e≤ε,其中e是总误差函数,且
若不满足,就返回第3步,继续计算迭代,若满足则进行下一步;
step9.训练结束后,将训练得到的权值和阈值保存在网络中,认为稳定可用的网络分类器已经形成,如需再次进行训练,则直接调用现有的权值和阈值进行训练,无需再次进行初始化操作。
两个模块协同工作的方法如下:首先,离线训练深度学习网络模块根据输入的用电数据,确定卷积神经网络中的网络参数;然后,在线识别疑似窃电用户模块根据确定的网络参数,采用softmax分类器确定疑似窃电用户;最后,定期地根据存储的用电数据更新卷积神经网络中的网络参数,调整相应参数,保证在线识别疑似窃电用户模块中卷积审计网络参数的实时性。
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。