基于对比预测编码的低压用户窃电识别方法与流程

本发明属于电力系统防窃电，涉及一种基于对比预测编码的低压用户窃电识别方法。

背景技术：

1、窃电偷电等非正常用电是电网的主要问题之一，给国家造成了重大的损失，并且威胁电网安全运行。随着科技的发展，非正常用电手段呈现多样化，越来越隐蔽，给窃电检测造成了困难。

2、现有的窃电检测技术主要有以下几种：一种是根据历史用电数据，采用(svm)分类器的数据挖掘方法来检测窃电，但该方法仅适于检测负荷突变的情况；也有利用贝叶斯网络和决策树检测窃电，即选择电力负荷特性指标建立决策树，由决策树来判断窃电；还有基于距离的离群点检测窃电，根据电压或电流离群点来判断窃电，但不能判断其他异常用电。因此，现有窃电识别的方法中存在较大比例的误判，需要使用更好技术方法不断优化现有窃电识别模型，降低误判率，提高识别的准确度。

3、近年来自监督的自动编码器(autoencoder,ae)常常被用于从用户采集大数据中提取用户的负荷模式关键特征，然后基于提取的特征使用svm等有监督分类器对进行窃电用户检测。ae从用户采集大数据中提取出全部的用电模式信息，其中包括短期和长期模式。但短期用电突变会和窃电造成的用电突变相混淆，因此使用ae提取的用电特征会有较高的误判率。

技术实现思路

1、针对上述现有技术的不足，本发明所要解决的技术问题是：提供一种误判率低的基于对比预测编码的低压用户窃电识别方法。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于对比预测编码的低压用户窃电识别方法，包括以下步骤：

4、s100、采用神经网络搭建低压用户窃电识别模型；

5、s200、基于对比预测编码的方法训练低压用户窃电识别模型；

6、s300、采用低压用户窃电识别模型对低压用户的用电数据进行识别。

7、进一步的，所述低压用户窃电识别模型包括用电特征提取模型和分类器；所述s200步骤包括以下子步骤：

8、s210、使用无标注的正常用户的用电数据对用电特征提取模型进行预训练，使其具备提取长期用电特征的能力；

9、s220、通过预训练好的用电特征提取模型从带有标注的用户用电训练集数据中提取用户的长期用电特征，并采用提取的长期用电特征和标注信息对分类器进行训练。

10、进一步的，所述用电特征提取模型包括卷积神经网络、门控循环单元和第一全连接层；所述s210步骤包括以下子步骤：

11、s211、卷积神经网络将用户用电量数据集x中的一个序列编码为1行m列的第一特征向量,m为整数；

12、s212、门控循环单元将编码后的第一特征向量进行汇总，并提取该序列的第一特征向量前n列的数据转换为一个多行n列矩阵形式的第二特征向量,n为整数,且n＜m；

13、s213、第一全连接层根据第二特征向量预测出该序列的第一特征向量的第n步之后的特征向量；

14、s214、提取第一全连接层预测出的第(n+k)步的特征向量和该序列的第一特征向量的第(n+k)步的特征向量形成正样本对；提取第一全连接层预测出的第(n+k)步的特征向量和根据用户用电量数据集x中的另一序列形成的第一特征向量的第(n+k)步的特征向量形成负样本对；1≤k≤(m-n)；

15、s215、采用正样本对和负样本对修正卷积神经网络的参数。

16、进一步的，所述第一特征向量为1行512列的向量；所述第二特征向量为21行256列的矩阵形式。

17、进一步的，k的最大取值小于或等于16。

18、进一步的，在执行所述s220步骤后，还执行以下步骤：

19、s230、使用有标记的用户用电测试数据集对低压用户窃电识别模型的性能进行评估。

20、进一步的，所述低压用户窃电识别模型使用infonce作为损失函数，并结合正、负样本例进行对比，学习样本中的长期用电特征。

21、进一步的，所述低压用户窃电识别模型的损失函数为

22、

23、

24、

25、其中，e表示期望值；xj表示用户用电量数据集x中的第j个序列；xj(n+k)表示序列xj的第(n+k)个元素；cj(n)表示根据用户用电量数据集x中的第j个序列形成的第二特征向量；zj(n+k)表示根据xj(n+k)得到的第一特征向量的第(n+k)步的特征向量；表示第一全连接层根据cj(n)预测得到的第一特征向量的第(n+k)步的特征向量；xi表示用户用电量数据集x中的第i个序列；xi(n+k)表示序列xi的第(n+k)个元素；zi(n+k)表示根据xi(n+k)得到的第一特征向量的第(n+k)步的特征向量；sim()为函数，定义为下：

26、

27、其中，x、y表示sim()函数的参数，且x、y均为向量。

28、进一步的，所述卷积神经网络包括

29、多个卷积层，用于从用户的用电数据中提取低级的用户用电特征，并从低级的用户用电特征中迭代提取复杂的用户用电特征；

30、激活函数，用于使用relu函数来增加卷积神经网络模型的非线性拟合能力；以及

31、多个池化层，用于将一层的神经元簇的输出合并到下一层的单个神经元来减少数据量。

32、进一步的，所述分类器采用全连接神经网络，用于将一个层的每个神经元与另一个层的每个神经元相连，从而将局部特征结合变成全局特征后计算每一类的得分；所述分类器的训练方法包括以下步骤：

33、步骤s221、用随机数初始化全连接神经网络所有的参数；

34、步骤s222、低压用户窃电识别模型对输入数据执行前向传播步骤并计算每个类别的对应输出概率；

35、步骤s223、计算输出层的总误差；

36、步骤s224、低压用户窃电识别模型执行反向传播算法计算误差相对于所有参数的梯度；

37、步骤s225、用梯度下降法更新全连接神经网络所有的参数的值。

38、本发明中，通过利用对比预测编码算法进行自监督学习，通过优化infonce损失函数，使得正样本对更加的靠近且负样本对之间更加远离，从而使得nd-cp模型提取到共享最多的长期用电模式而将无关联的短期用电模式过滤掉，并保留更关键的长期模式信息，实现更准确和更低误判率的窃电识别，提高电力安全稳定性。

技术特征：

1.一种基于对比预测编码的低压用户窃电识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于对比预测编码的低压用户窃电识别方法，其特征在于：所述低压用户窃电识别模型包括用电特征提取模型和分类器；所述s200步骤包括以下子步骤：

3.根据权利要求2所述的基于对比预测编码的低压用户窃电识别方法，其特征在于：所述用电特征提取模型包括卷积神经网络、门控循环单元和第一全连接层；所述s210步骤包括以下子步骤：

4.根据权利要求3所述的基于对比预测编码的低压用户窃电识别方法，其特征在于：所述第一特征向量为1行512列的向量；所述第二特征向量为21行256列的矩阵形式。

5.根据权利要求3所述的基于对比预测编码的低压用户窃电识别方法，其特征在于：k的最大取值小于或等于16。

6.根据权利要求2所述的基于对比预测编码的低压用户窃电识别方法，其特征在于，在执行所述s220步骤后，还执行以下步骤：

7.根据权利要求3至6任一项所述的基于对比预测编码的低压用户窃电识别方法，其特征在于：所述低压用户窃电识别模型使用infonce作为损失函数，并结合正、负样本例进行对比，学习样本中的长期用电特征。

8.根据权利要求3至6任一项所述的基于对比预测编码的低压用户窃电识别方法，其特征在于：所述低压用户窃电识别模型的损失函数为

9.根据权利要求3所述的基于对比预测编码的低压用户窃电识别方法，其特征在于：所述卷积神经网络包括

10.根据权利要求2所述的基于对比预测编码的低压用户窃电识别方法，其特征在于：所述分类器采用全连接神经网络，用于将一个层的每个神经元与另一个层的每个神经元相连，从而将局部特征结合变成全局特征后计算每一类的得分；所述分类器的训练方法包括以下步骤：

技术总结
本发明涉及一种基于对比预测编码的低压用户窃电识别方法，包括：采用神经网络搭建低压用户窃电识别模型；基于对比预测编码的方法训练低压用户窃电识别模型；采用低压用户窃电识别模型对低压用户的用电数据进行识别。本发明中，通过利用对比预测编码算法进行自监督学习，过滤用户用电信息中的短期模式信息，保留更关键的长期模式信息，从而实现更准确和更低误判率的窃电识别，提高电力安全稳定性。

技术研发人员：马泽菊,舒玉平,冉懋海,熊隽迪,高丽玲,雷剪,陈陵希,谭世海
受保护的技术使用者：重庆电力高等专科学校
技术研发日：
技术公布日：2024/1/15