【技术实现步骤摘要】
一种热力用户异常行为监测方法及系统
[0001]本专利技术涉及热力用户异常行为监测领域,特别是涉及一种热力用户异常行为监测方法及系统。
技术介绍
[0002]随着经济的快速发展,目前热力用户的用热量不断增加,若出现热力用户行为异常,不仅会给热力用户用热造成安全隐患,还会极大损失热力公司的利益,同时造成热力系统的损失。传统的热力用户异常检测方法对人的依懒性较大,通常依靠人员定期检查,热力用户举报等手段,其效率较为低下。
[0003]目前通常基于神经网络对热力用户异常行为进行监测。其中极限学习机(Extreme Learning Machine,ELM)由于训练速度快,简单等优点更适于应用在监测领域。但由于其输入层权重和隐含层阈值是随机输入的,可能会影响输出的精确度,从而影响监测的效果。
技术实现思路
[0004]本专利技术的目的是提供一种热力用户异常行为监测方法及系统,以解决监测效果差的问题。
[0005]为实现上述目的,本专利技术提供了如下方案:
[0006]一种热力用户异常行为监测方法,包括:
[0007]获取影响热力用户耗热量的影响因素,并筛选所述影响因素,确定特征向量;所述影响因素包括气候影响因素以及时间影响因素;所述气候影响因素包括当日最高温度、当日最低温度、当前温度、当日平均风速、相对湿度以及当日日照时间;所述时间影响因素包括月份以及日期类型;
[0008]将所述特征向量进行预处理,生成预处理后的特征向量;
[0009]将所述预处理后的特征向量 ...
【技术保护点】
【技术特征摘要】
1.一种热力用户异常行为监测方法,其特征在于,包括:获取影响热力用户耗热量的影响因素,并筛选所述影响因素,确定特征向量;所述影响因素包括气候影响因素以及时间影响因素;所述气候影响因素包括当日最高温度、当日最低温度、当前温度、当日平均风速、相对湿度以及当日日照时间;所述时间影响因素包括月份以及日期类型;将所述特征向量进行预处理,生成预处理后的特征向量;将所述预处理后的特征向量划分为训练集、测试集以及预测集;利用所述训练集构建变异预测学习机预测模型;将所述测试集输入至所述变异预测学习机预测模型,输出最优输入层权重和最优隐含层阈值;将所述预测集、所述最优输入层权重以及所述最优隐含层阈值输入至所述变异预测学习机预测模型,确定热力用户耗热量的预测值;获取热力用户耗热量的实际值,并根据所述热力用户耗热量的预测值与所述热力用户耗热量的实际值之间的偏差,确定热力用户的当前运行状态;所述当前运行状态包括正常运行状态以及异常运行状态。2.根据权利要求1所述的热力用户异常行为监测方法,其特征在于,所述获取影响热力用户耗热量的影响因素,并筛选所述影响因素,确定特征向量,具体包括:利用公式筛选出相关度高于设定阈值的影响因素,确定为特征向量;其中,P为相关度;M
a
为影响用户耗热量的样本;为影响用户耗热量的样本的平均值;M
b
为影响因素的样本;为影响因素的样本的平均值;k为样本数量;i为样本序号。3.根据权利要求2所述的热力用户异常行为监测方法,其特征在于,所述将所述特征向量进行预处理,生成预处理后的特征向量,具体包括:判断所述特征向量是否存在异常,若存在异常,剔除所述特征向量;若未存在异常,填补所述特征向量,确定填补后的特征向量;对所述填补后的特征向量进行归一化处理,生成预处理后的特征向量。4.根据权利要求3所述的热力用户异常行为监测方法,其特征在于,所述变异预测学习机预测模型为:其中,f(x
v
)为变异预测学习机预测模型;C为隐含层结点数量;M为输出层结点数量;x
v
为样本特征集;w
u
为输入权重;b
u
为隐含层神经元阈值;β
u
为连接第u个隐含层神经元和输出神经元之间的连接权值;g(
·
)为激活函数;t
v
为变异预测学习机预测模型的输出结果;v为输出层结点。5.根据权利要求4所述的热力用户异常行为监测方法,其特征在于,所述将所述测试集输入至所述变异预测学习机预测模型,输出最优输入层权重和最优隐含层阈值,具体包括:
将所述测试集输入至所述变异预测学习机预测模型,并将个体输入层权重和隐含层阈值的所处区域作为最佳区域;在所述最佳区域内第一次位置更新,并锁定当前位置;围绕锁定的当前位置进行不断搜索,进行第二次位置更新,锁定第二次更新锁定后的位置;向所述第二次更新锁定后的位置不断移动进行位置更新,直到移动到目标位置;当迭代次数达到迭代次数设定值或适应度达到适应度设定,输出最优输入层权重和...
【专利技术属性】
技术研发人员:李民,步兵,于洁,黄浩嘉,安洋,高云峰,王丽平,宋兴恩,
申请(专利权)人:国电和风风电开发有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。