一种居民用电负荷异常数据的识别方法技术

本发明专利技术公开了一种居民用电负荷异常数据的识别方法。包括以下步骤：首先以AP聚类算法对原始电力负荷数据进行处理，将大量实测采样数据划分为若干个聚类，将连续变状态设备的负荷离散化处理得到有限个状态，得到样本设备的工作功率集，建立负荷分类的LSTM网络模型，将处理后的数据带入到网络模型中，利用输入模型中的数据预测下一个序列的数据。将预测到的数据作为标准值，设定一个上下浮动的阈值范围。若实测值低于阈值，则判定为有异常的偷电现象。本方法以稳态功率作为负荷特征，充分考虑到了数据的时序性，能够比对出异常数据，达到反窃电的目的。反窃电的目的。反窃电的目的。

【技术实现步骤摘要】
一种居民用电负荷异常数据的识别方法


[0001]本专利技术涉及一种居民用电负荷异常数据的识别方法。

技术介绍

[0002]智能用电是智能电网中重要的一部分，非侵入式电力负荷识别与预测是智能用电的关键环节。对用户用电数据的进一步采集和分析可以进使电网更加易于实施反窃电政策，同时也会对的需求侧管理更加方便，提高对能源的利用率。目前现有的方式主要为侵入式和非侵入式两种，非侵入式方法成本低、实用性强，对智能用电的发展有很大帮助。关于反窃电，目前主要是在依靠员工逐步排查，判断是否存在窃电行为或者异常用电。然而这种挨家挨户的排查方式，效率过于低下。并且对于普遍的窃电技术，如欠流窃电法，很难排查出来。

技术实现思路

[0003]有鉴于此，本专利技术针对现有技术存在的问题，提供了一种居民用电负荷异常数据的识别方法。该方法可以实现对非侵入式负荷的检测，通过智能电能表对用户的用电情况的实时检测，能够及时的发现异常数据，提高了出现偷电情况时的响应度。
[0004]为了解决现有技术存在的上述问题，本专利技术采用如下的技术方案：
[0005]一种居民用电负荷异常数据的识别方法，包括以下步骤：
[0006]步骤一：对获取的原始电力负荷数据进行归一化处理，并将处理过的数据通过AP聚类算法划分为若干个聚类；
[0007]步骤二：构建长短时记忆神经网络模型，调整网络内部超参数；
[0008]步骤三：将划分为若干个聚类后的数据按照时序输入长短时记忆神经网络模型，预测下一个序列数据；
[0009]步骤四：将长短时记忆神经网络模型预测出的序列数据作为标准值，设定一个上下浮动的阈值，若实测值低于阈值范围则判定为异常数据，存在偷电现象。
[0010]进一步地，所述长短时记忆神经网络模型包括数据采集层、输入层、LSTM层、dropout层、全连接层、softmax层和输出层。
[0011]进一步地，所述输入层用于将通过AP聚类算法处理后的数据转化为网络输入的格式；所述LSTM层用于LSTM网络训练；
[0012]所述dropout层用于防止网络过拟合；
[0013]所述输出层用于输出电器识别的分类结果。
[0014]进一步地，所述步骤一中针对负荷功率连续变化的情况，根据聚类结果确定设备的功率区段代表值，据此得到样本设备的工作功率集。
[0015]进一步地，步骤二所述调整网络内部超参数包括以下步骤：
[0016]按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，用门激活函数调整对应的传入门，遗忘门、备选门和输入门的超参数。
[0017]进一步地，所述步骤三中将步骤一中处理过的数据按照时序输入长短时记忆神经网络模型，包括以下步骤：
[0018]将处理过的数据输入对应的长短时记忆神经网络模型中进行模型训练，并设定两个网络训练终止指标div(s)和ω，若两个所述网络训练终止指标div(s)和ω的值中任意一个小于设定值，则重新调整网络内部超参数进行模型训练，直到两个网络训练终止指标值都满足要求。
[0019]本专利技术所具有的优点和有益效果是：
[0020]本专利技术一种居民用电负荷异常数据的识别方法，采用AP聚类算法和长短时记忆网络相结合的方式，对电力负荷数据进行处理和预测，通过对异常数据的比对进行反窃电。首先以AP聚类算法对原始电力负荷数据进行处理，将大量实测采样数据划分为若干个聚类，将连续变状态设备的负荷离散化处理得到有限个状态，得到样本设备的工作功率集，建立负荷分类的LSTM网络模型，将处理后的数据带入到网络模型中，利用输入模型中的数据预测下一个序列的数据。将预测到的数据作为标准值，设定一个上下浮动的阈值范围。若实测值低于阈值，则判定为有异常的偷电现象。通过这种算法来达到反窃电的目的。本方法以稳态功率作为负荷特征，对一般的采样设备友好，数据获取较为简易，减少了硬件成本，充分考虑到了数据的时序性，能够比对出异常数据，达到反窃电的目的。本方法可以实现对非侵入式负荷的检测，通过智能电能表对用户的用电情况的实时检测，能够及时的发现异常数据，提高了出现偷电情况时的响应度。
附图说明
[0021]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0022]图1为一种居民用电负荷异常数据的识别方法流程图；
[0023]图2为数据分析图。
具体实施方式
[0024]下面结合附图和具体的实施例对本专利技术做进一步详细说明，所述是对本专利技术的解释而不是限定。
[0025]如图1所示，本专利技术一种居民用电负荷异常数据的识别方法，包括以下步骤：
[0026]由于不同的用电设备结构不同，因此负荷特征有所不同。检测到的非侵入式负荷特征可分为暂态特征和稳态特征。主要的稳态特征主要有以下几点：有功功率、无功功率、稳态基波分量、谐波分量。在这些特征中选取了易于得到的稳态功率为电力负荷识别的负荷特征。
[0027]首先，第一步：由于获取到的原始电力负荷数据杂乱无章，所以对获取到的原始电力负荷数据进行归一化处理，并将处理过的数据通过AP聚类算法进行处理，将大量实测采样数据划分为若干个聚类，将连续变状态设备的负荷离散化处理得到有限个状态，根据聚类结果确定设备的功率区段代表值，得到样本设备的工作功率集。本步骤具体包括以下步骤：
[0028]采用AP聚类算法对用电设备进行归一化处理后的电力负荷数据进行处理，是因为
采用AP聚类算法的目的是将数据划分为多个聚类，将状态不断变化的设备的负荷离散化处理得到有限个状态。
[0029]AP聚类算法的步骤如下：
[0030](1)已知获取到的电力符合数据，将其格式化为Y＝{Y1,Y2,...,Y
n
}，构建相似度矩阵S
n
×
n
和对应参考度q。
[0031]其中功率特征的负荷分解模型可近似为：
[0032][0033][0034]N为负荷设备总数，P
L
(n)、Q
L
(n)分别为第n个采样点负荷的总有功功率和总无功功率；M(i)为负荷设备i的工作状态总数，不同负荷设备可能有多余开/关两个工作状态。
[0035](2)计算节点的r值和a值；初始状态情况下，r＝0,a＝0。
[0036][0037]定义r(i,k)为节点i向候选聚类中心点k传递的信息，表示i对k成为聚类中心的支持度；定义a(i,k)为候选聚类中心点k向节点i传递的信息，表示k成为i所属聚类的中心的适应度。
[0038]根据上述步骤进行计算，综合所得出的两种信息来判断各候选聚类中心或成为聚类中心的可能性，直到筛选出N个高质量的聚类中心点，并以此划分出N个聚类。
[0039]采用AP聚类对设备的功率数据进行分析，可以不预先指定聚类数目，适用范围较大，多次执行聚类所获得的聚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种居民用电负荷异常数据的识别方法，其特征在于，包括以下步骤：步骤一：对获取的原始电力负荷数据进行归一化处理，并将处理过的数据通过AP聚类算法划分为若干个聚类；步骤二：构建长短时记忆神经网络模型，调整网络内部超参数；步骤三：将划分为若干个聚类后的数据按照时序输入长短时记忆神经网络模型，预测下一个序列数据；步骤四：将长短时记忆神经网络模型预测出的序列数据作为标准值，设定一个上下浮动的阈值，若实测值低于阈值范围则判定为异常数据，存在偷电现象。2.根据权利要求1所述的一种居民用电负荷异常数据的识别方法，其特征在于：所述长短时记忆神经网络模型包括数据采集层、输入层、LSTM层、dropout层、全连接层、softmax层和输出层。3.根据权利要求2所述的一种居民用电负荷异常数据的识别方法，其特征在于：所述输入层用于将通过AP聚类算法处理后的数据转化为网络输入的格式；所述LSTM层用于LSTM网络训练；所述dropout层用于防止网络过拟合；所述输出层用...

【专利技术属性】
技术研发人员：刘碧琦，乔林，陈硕，王飞，杨壮观，夏菲，薛凯今，王丹妮，李曦，李云鹏，吴赫，徐立波，程蕾，姚晶华，张富翔，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：