一种用于反窃电现场的机器学习系统的制作方法

1.本发明属于安防监控技术领域，具体涉及一种用于反窃电现场的机器学习系统。


背景技术：

2.在日常反窃电工作中存在几个难点：
3.第一，预防窃电工作做的不够，只靠人工查处手段效率低下效果不佳，不能从源头上切断窃电行为，关键是不能对窃电行为进行预判、预警，从预防着手加强反窃电工作；
4.第二，反窃电工作取证难，窃电查处过程中要查计量装置和用电设施，经常出现的现象是用电检查人员到达现场时，抓不到任何证据。同时由于电能具有无形性、使用过后无任何残留物，加之窃电手法越来越隐蔽，甚至利用电能计量原理窃电，窃电时间通常无法准确查明，窃电量、窃电金额也难以准确认定，因此普遍存在取证难问题，即便发现窃电行为也很难拿出确凿的证据；
5.第三，反窃电执行困难，个别人甚至暴力抗查，阻碍供电企业、电力管理部门开展用电检查，威胁并报复工作人员的事件时有发生，存在涉黑涉暴行为，但执法人员人力不足，没有专门的电力行政执法队伍，因此反窃电行政执法难以真正到位。
6.针对以上三个难点，现有技术中出现了反窃电系统；
7.中国专利cn113777375a《一种反窃电系统》公开了一种反窃电系统，包括用户侧监测装置、远程监测中心和移动终端；用户侧监测装置、移动终端均通过通讯模块连接到远程监测中心；该系统通过统计出非正常波动的数据，或超出阈值的数据，在显示单元上进行异常数据预警提示；同时在用户侧监测装置上加设视频监测单元，实时监测计量表，作为用电户对计量表的更改的证据。
8.中国专利cn113393103a《一种基于遗传算法优化bp神经网络的反窃电系统》公开了一种基于遗传算法优化bp神经网络的反窃电系统，其包括输入向量的选择、输入输出的归一化、训练样本的设计、隐含层数的设计、隐节点数的设计和激活函数的选取，该系统通过建立基于遗传神经网络预测窃电行为的模型，并将其应用于电力用户用电信息采集系统，通过数据分析技术实现对电网用户行为的挖掘，从而解决电力公司对反窃电的实际需求，基于窃电的特点及反窃电的原理方法，将反窃电评价指标体系与bp神经网络相结合构建了反窃电模型，并将其应用于窃电嫌疑系数的计算，反窃电评价指标体系具有很好的科学性及bp神经网络对窃电嫌疑分析的可行性和有效性。
9.中国专利cn113111053a《一种基于大数据的线损诊断与反窃电系统、方法及模型》公开了一种基于大数据的线损诊断与反窃电系统、方法及模型，包括数据端子系统、线损诊断端子系统和反窃电端子系统；线损诊断端子系统包括基础信息管理模块、异常分析模块、监测与分析模块和工单管理模块；该系统通过实时分析台区线损异常成因，建立台区线损异常预警机制，减少人工分析工作量，实现台区线损高效治理。
10.然而，上述反窃电系统中，反窃电系统仅基于模块功能实现反窃电的目的，虽然起到了代替人力监测巡检等功能，但反窃电系统自身无自学习、自训练以及自适应的能力，在
监测环境不断变化过程中，反窃电系统不能根据获得数据进行训练，从而会导致自身优化效果差，降低识别的准确性。


技术实现要素：

11.为解决现有技术中存在的不足，本发明提供一种用于反窃电现场的机器学习系统，包括数据采集模块、预警模块以及中心服务器。本发明采用3d图像技术，数据采集模块使用深度相机，深度相机通过深度传感技术，增强了摄像机进行面部和目标识别的能力，利用深度相机生成的深度信息(点云数据)构建物体三维结构，完成对三维场景的还原，通过深度相机和矢量计算技术，本系统有效解决了传统监控系统只能进行平面图像识别带来的局限性，大幅提高物体识别准确性，大大减少了误报、漏报，提高识别准确率。本发明中的反窃电系统采用人工智能算法，模型具有自学习、自训练以及自适应的能力，从而提高系统识别的精度，并且在不断获取数据的过程中，训练模块基于机器学习算法训练数据采集模块，从而提高系统的自优化的演进能力。
12.本发明采用如下的技术方案。
13.一种用于反窃电现场的机器学习系统，包括数据采集模块以及中心服务器。
14.所述中心服务器包括：
15.识别模块，基于深度学习算法识别数据采集模块图像；
16.训练模块，基于机器学习算法训练识别模型。
17.处理模块，训练模块根据识别模块识别图像数据使识别模型自训练，处理模块存储数据采集模块训练数据，并接收识别模块识别图像数据后通过显示模块显示信息。
18.所述数据采集模块包括深度相机，深度相机安装于反窃电现场，深度相机通过5g网络、有线网络将现场的视频信号传输到中心服务器，中心服务器对视频内容进行识别，对异常情况进行告警，并抓图、截取视频片段进行保留。
19.所述机器学习算法识别过程为模型训练的过程，机器学习模型包括监督学习、无监督学习和半监督学习，其中，监督学习通过训练带标签的数据来建立一个预测模型；无监督学习根据样本的属性将其划分为不同的组别和子集；半监督学习通过使用未标记数据生成伪标签数据，并配合标记数据训练分类器。
20.所述无监督学习包括基于密度的聚类、基于划分的聚类、基于层次的聚类以及基于网格的聚类。
21.优选地，所述基于密度的聚类处理步骤为：
22.(1)对每个样本点找到其ε-邻域内的点，并找到其核心对象；
23.(2)找到核心对象的连通分量，忽略所有非核心对象点；
24.(3)选择一个核心对象并根据ε-邻域将非核心对象点分配到离它们最近的簇中。
25.所述深度学习算法包括卷积神经网络。所述卷积神经网络的处理逻辑为：
26.(1)输入图像通过和三个滤波器及一个可加偏置进行卷积，卷积后在c1层产生三个特征映射图；
27.(2)特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置；
28.(3)通过激活函数得到三个特征映射图；
29.(4)特征映射图像素值栅格化，并连接成一维向量输入到神经网络中，完成输出。
30.一种用于反窃电现场的机器学习系统，还包括预警模块，所述预警模块包括电网监测设备、警报器以及扬声器，电网监测设备、警报器以及扬声器均与中心服务器通过交换机连接。
31.所述电网监测设备实时监测电网电流状况，发生窃电状况时，中心服务器控制警报器发出警报，工作人员通过扬声器进行现场喊话。
32.所述半监督学习通过svm作为模型进行计算，对所有无标签样本进行标记后再找到一个使得间隔最大化的超平面，计算公式为：
[0033][0034]
yj(ω
t
χi+b)≥1，j＝1,...,n
l
[0035][0036]
式中，是需要求得法向量w的2范数的平方乘以二分之一最小值，w是超平面的法向量，b为超平面的截距，x是输入数据，t表示“转置”，通常把行向量变为列向量，yj是有标签的数据样本，是无标签数据，根据有标签训练推理得来。n
l
为带标签样本的数量，nu为无标签样本的数量。
[0037]
本发明的有益效果在于，与现有技术相比，
[0038]
1、本发明的识别模块基于深度学习算法识别数据采集模块图像，精准分析每一帧画面，系统获取单帧图像，并将单帧图像传输至训练好的深度学习模型，从而提高系统识别的精度，并且在不断获取数据的过程中，训练模块基于机器学习算法训练数据采集模块，从而提高系统的自学习以及自适应的演进能力；
[0039]
2、本发明系统的数据采集模块为深度相机，深度相机是系统的眼睛，通过该相机能检测出拍摄空间的景深距离，通过深度相机获取到图像中每个点距离摄像头的距离，在加上该点在2d图像中的二维坐标，就能获取图像中每个点的三维空间坐标，以此还原物体的三维图像，大幅提高物体识别准确性，大大减少了误报、漏报，提高识别准确率；
[0040]
3、本发明优选无监督学习算法作为训练模块的机器学习算法，不仅识别精度高，而且便于调试，预测精度高；
[0041]
4、本发明通过将卷积神经网络作为识别模型的深度学习算法，使得输入图像和网络的拓扑结构能很好的进行吻合；特征提取和模式分类可以同时进行，并同时在网络训练中产生；权重共享可以减少网络的训练参数，使得神经网络结构变得更加简单，适应性更强；
[0042]
5、本发明通过设置预警模块，实现对现场电网电流的监测预警，配合数据采集模块实现现场双重预警，并且在确定窃电状况后，通过现场警报以及喊话威慑犯罪分子的不法行为。
附图说明
[0043]
图1为本发明一种用于反窃电现场的机器学习系统的结构示意图；
[0044]
图2为本发明实施例中卷积神经网络的结构示意图；
[0045]
图3为本发明实施例中卷积神经网络的均方误差收敛曲线图。
具体实施方式
[0046]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本技术所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明的保护范围。
[0047]
一种用于反窃电现场的机器学习系统，如图1所示，包括数据采集模块、预警模块以及中心服务器。
[0048]
所述中心服务器包括识别模块、训练模块、处理模块。
[0049]
所述识别模块基于深度学习算法识别数据采集模块图像并生成识别模型。模型对单帧图像的内容进行目标检测，并通过对单帧图像的内容进行分析，精准识别反窃电现场的违法行为，对涉黑、涉爆等行为精准预判。
[0050]
所述深度学习算法采用卷积神经网络算法。本领域技术人员清楚，可以采用包括卷积神经网络、池化网络、特征金字塔策略、yolo算法、ssd算法等深度学习算法，基于当前采集到的画面数据进行监测分析。现有技术中的这些方法均能解决本发明中对应的技术问题并能取得基本的技术效果。而本发明实施例中的采用卷积神经网络具体计算方式只不过属于一种优选实施例，该实施例不应成为对本发明实施方案以及权利要求保护范围的限制。
[0051]
如图2所示，卷积神经网络的处理逻辑为：
[0052]
(1)输入图像通过和三个滤波器及一个可加偏置进行卷积，卷积后在c1层产生三个特征映射图；
[0053]
(2)特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置；
[0054]
(3)通过激活函数得到三个特征映射图；
[0055]
(4)特征映射图像素值栅格化，并连接成一维向量输入到神经网络中，完成输出。
[0056]
输入图像通过和三个滤波器及一个可加偏置进行卷积，卷积后在c1层产生三个特征映射图，然后特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置，通过一个激活函数(sigmoid函数)得到三个s2层的特征映射图，这些映射图再经过相应滤波得到c3层，该层再和s2一样产生s4，最终，这些像素值被栅格化，并连接成一个一维向量输入到传统的神经网络中，得到输出。
[0057]
卷积神经网络为一种优选的但非限制性的实施方式，卷积核大小为3*3，数量为10个，控制不同的隐含层数量，即卷积层和采样层的层数，使系统深度l取值为5、7、9、11、13及15；
[0058]
卷积神经网络实验模型的系统误识别率在试验中的结果如下表所示：
[0059][0060][0061]
由上表可知，在l＝9时即卷积层为三层时最佳，随后增加卷积层的深度并不能带来好的效果，系统性能反而严重下降。
[0062]
如图3所示，在均方误差收敛速度曲线图中，横轴是迭代序号，纵轴是系统均方误差。增加样本的特征数，可以提高系统性能，但是提高的幅度比较缓慢，在固定网络其他参数的情况下，增加网络深度l也可以使系统性能得到显著提高，但是在l＝15时数据失常，因此，适度加深网络层次可以获得比较好的性能。
[0063]
所述训练模块，基于机器学习算法训练识别模型，使识别模型具有自学习、自训练、自提高、自适应的演进能力，数据采集模块获得的数据越多，准确性会越高，识别过程也是模型训练的过程，也是模型自学习、自训练过程，系统通过实际输入的数据不断自身优化。
[0064]
所述机器学习算法识别过程也是模型训练的过程，也是模型自学习、自训练过程，系统通过实际输入的数据不断自身优化，机器学习模型分成四种，分别是监督学习、无监督学习和半监督学习。
[0065]
监督学习算法指的是通过训练带标签的数据来建立一个预测模型，在窃电检测中，监督学习的模型属于分类方法，分类方法包括向量机(svm)模型以及神经网络(ann)模型；
[0066]
向量机(svm)模型首先通过核函数将原始数据样本映射到更高维的空间中，其次构造一个在每个样本类别中对最近的数据样本具有最大间距的分隔超平面来进行分类，具体公式如下：
[0067][0068]
s.t.yi(ω
t
)φ(χi+b)≥1-ei[0069][0070]
式中，χi表示第i个数据样本，yi表示对应的标签；ω表示超平面的法向量，确定超
平面的方向；c表示惩罚因子；ei用于衡量约束冲突；φ(
·
)表示核函数；b用于确定超平面相对于原点到法向量的偏移量，以上概念可以转化为以下的凸二次规划问题。
[0071]
神经网络(ann)模型根据其具体的结构有多种类型，包括误差反向传播神经网络，极限学习机和卷积神经网络等，传统网络中其中最为简单的模型为多层感知机。
[0072]
所述监督学习算法还包括回归分析，通过拟合因变量和自变量的关系进而对因变量未来的变化趋势进行预测，在窃电检测中，回归分析常用于短期负荷预测，通过预测负荷曲线和实际负荷曲线之间的偏差判定用户用电情况是否异常，假设负荷预测足够准确，当用户的行为严重偏离预测值时，或用户实际负荷曲线反复出现异常时，则可能是窃电者。
[0073]
无监督学习算法根据样本的相似属性将其划分为不同的组别和子集，无监督学习方法包括基于密度的聚类、基于划分的聚类、基于层次的聚类和基于网格的聚类等；
[0074]
基于密度的聚类：首先需要定义两个参数，ε为样本点的邻域半径和形成密集域所需的最小点数minpts；
[0075]
首先，对每个样本点找到其ε-邻域内的点，并找到其核心对象，即对该ε-邻域内的点，若该点包含至少minpts个样本，则视为核心对象；
[0076]
其次，找到核心对象的连通分量，忽略所有非核心对象点；
[0077]
最后，从当前核心对象集合中选择一个核心对象并根据ε-邻域将非核心对象点分配到离它们最近的簇中，其它的点则是视为噪声。
[0078]
基于划分的聚类：根据样本点的特性和数据相似性划分为不同的类别，通常基于点与点之间的距离进行衡量，即同一类别的样本点尽可能进，而不同类别间的样本点尽可能远，具体公式如下：
[0079][0080]ci
＝argjmin||x
i-μj||2(1)
[0081][0082]
上式中，ci表示数据点xi所属的类别；其中，式(2)对每个类别中心ci均重复计算，具体处理逻辑为：首先随机选取k个样本点作为初始聚类中心μk，重复执行式(1)和式(2)直至达到终止条件。
[0083]
半监督学习算法通过使用大量的未标记数据生成伪标签数据，同时配合少量带真正标记地数据训练分类器，半监督学习算法包括自训练、协同训练和半监督svm等，通过svm作为模型进行计算，对所有无标签样本进行标记后再找到一个使得间隔最大化的超平面，具体公式如下：
[0084][0085]
yj(ω
t
χi+b)≥1，j＝1,...,n
l
[0086][0087]
式中，是需要求得法向量w的2范数的平方乘以二分之一最小值，w是超平面的法向量，b为超平面的截距，x是输入数据，t表示“转置”，通常把行向量变为列向量，yj是有标签的数据样本，是无标签数据，根据有标签训练推理得来，n
l
为带标签样本的数
量，nu为无标签样本的数量。
[0088]
综上所述，监督学习通常需要很长时间的调试，反复对参数和模型框架进行选择，由于实际生活中窃电用户的数量要远小于正常用户的数量，这就导致数据集会出现数据不平衡甚至缺乏窃电样本的问题，特别是在一些新安装电能表的区域，工作人员无法掌握用户的历史数据，因此需要长时间的收集这些用户的数据并到现场检查标记，其次现有的分类模型多是针对单个用户的数据进行训练，泛化能力不足，在某个数据集中表现良好的模型可能在其它数据集中就得不到理想的结果；
[0089]
半监督学习所依据的理论基础在于标记数据和未标记数据在分布上的连续性和一致性，因此机器学习可以利用这一点特定进行有效的结构化学习，增强模型的表征能力，但半监督学习在窃电检测领域的应用还较少，在部分情况下半监督学习算法对标签的错误预测往往会导致最终结果变差；
[0090]
因此，本实施例中，优选但非限制性的实施方式，以无监督学习算法作为训练模块的机器学习算法，不仅识别精度高，而且便于调试，预测精度高。
[0091]
所述处理模块，训练模块根据识别模块识别图像数据使识别模型自训练，处理模块存储识别模型训练数据，并接收识别模块识别图像数据后通过显示模块显示信息，同时判断现场可能出现窃电的情况时，自动拍照并截取视频片段，保存到中心服务器。
[0092]
所述数据采集模块包括深度相机，深度相机安装于反窃电现场，深度相机通过4(5)g网络、有线网络将现场的视频信号传输到中心服务器，中心服务器对视频内容进行识别，对异常情况进行告警，并抓图、截取视频片段进行保留。
[0093]
深度相机是系统的眼睛，通过该相机能检测出拍摄空间的景深距离，通过深度相机获取到图像中每个点距离摄像头的距离，在加上该点在2d图像中的二维坐标，就能获取图像中每个点的三维空间坐标，以此还原物体的三维图像，而且深度相机通过深度传感技术，增强了摄像机进行面部和目标识别的能力，利用深度相机生成的深度信息(点云数据)构建物体三维结构，完成对三维场景的还原，大幅提高物体识别准确性，大大减少了误报、漏报，提高识别准确率。
[0094]
所述预警模块包括电网监测设备、警报器以及扬声器，电网监测设备、警报器以及扬声器均与中心服务器通过交换机连接，其中，电网监测设备实时监测电网电流状况，当电网电流运行状况变化幅度较大时，向中心服务器反馈预警，中心服务器预警后，及时通过数据采集模块监控现场，若发生窃电现象，中心服务器控制警报器发出警报，并且工作人员可直接由中心服务器向扬声器发送信息，从而通过扬声器进行现场喊话，以解决反窃电工作中预防难的问题，当现场可能出现窃电的情况时，会在系统发出预警信息，同时在反窃电现场进行自动喊话，以威慑犯罪分子的不法行为。
[0095]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。