一种基于图像识别的用电异常用户识别方法技术

本发明专利技术公开了一种基于图像识别的低压用户异常用电行为识别方法，包括：异常数据检测与清洗，提升数据质量；数据信息图像转换，依据模型输入要求做数据转换；图像识别训练，搭建神经网络模型，训练图像数据；预测用电异常用户，对用户用电行为进行模型预测，输出疑似窃电概率。本发明专利技术实现了对低压用户用电异常的识别，解决了当下海量数据的分析异常困难的问题，降低了以往人工核查的成本，有助于稽查业务的数字化转型。务的数字化转型。务的数字化转型。

【技术实现步骤摘要】
一种基于图像识别的用电异常用户识别方法


[0001]本专利技术涉及电力领域，重点涉及基于图像识别的用电异常用户识别方法。

技术介绍

[0002]大数据技术蓬勃发展，人工智能等均取得了大的突破，在各个领域行业都积极开展典型应用实践，公司电力系统升级，智能电力设备的普及，信息化建设稳步推进，也为公司积累了海量的用户用电量、电压电流、功率等数据，为公司大数据应用创造了数据条件。因此乘着大数据的发展浪潮，以用户用电行为等数据为基础，充分利用大数据分析及人工智能研究成果，科学有效地开展基于大数据与计算智能的反窃电分析工作，提高反窃电及计量异常分析工作的精准度，对于提升公司经济效益，推动营销服务创新有着重要的意义。

技术实现思路

[0003]本专利技术的目的是提供一种基于图像识别的用电异常用户识别方法，实现对用户日常用电行为差异的识别和分析，提高异常用电行为识别能力。
[0004]为了实现上述目的，本专利技术提供的技术方案如下：
[0005]一种基于图像识别的用电异常用户识别方法，包括：
[0006]对原始的用户数据信息进行清洗处理以获得真实、正确的用户数据信息；
[0007]对处理之后的用户数据信息向图像信息转换：首先对用户数据信息裁剪，得到满足神经网络模型输入要求的数据格式，最后将符合条件的数据转换成三通道图像信息；
[0008]利用卷积神经网络进行图像识别训练：首先对训练样本集中正负样本的图像进行标签标记，然后将三通道图像信息带入初步构建的神经网络模型中进行训练，最终输出最优参数下的神经网络模型；
[0009]基于图像识别模型进行用电异常用户识别：利用训练好的神经网络模型对未知用户进行分类，输出所述未知用户的窃电概率大小。
[0010]在本专利技术一个优选实施例中，对用户数据信息裁剪包括：
[0011]对用户数据信息
[0012][0013]进行裁剪,其中N为数据获取天数，M为96个示值点将X
N
×
M
需裁剪成X
N
×
N
，即抽取每月24天中每日24个点示值，分别为每天的0时到23时电压、电流、功率所对应的示值数。
[0014]在本专利技术一个优选实施例中，构建三通道图像信息具体包括：将裁剪之后的用户数据信息中每一个元素视为一个像素点，一个用户的电流、电压、功率数据信息就可以用一张图像q来表示。
[0015]在本专利技术一个优选实施例中，通过三通道图像信息组成完整的图像：
[0016]对正常户和窃电户用电数据图像进行标记{0，1}：0为正常户、1为窃电户，将不同用户的图像信息和标签信息进行合并，即Q＝{q1,q2,q3,...,q
n
,C
i
}，n≥100，C
i
＝(C1,C2,...,C
n
)为n个用户对应的数据标签(0/1)。
[0017]在本专利技术一个优选实施例中，图像信息从神经网络模型的输入层进入，经过卷积层，ReLU层、池化(Pooling)层和全连接层，最终在输出层中进行结果输出，计算每一个用户出现窃电的概率p＝(c＝j|q)。
[0018]在本专利技术一个优选实施例中，输出p>0.65的为疑似异常用电用户。
[0019]在本专利技术一个优选实施例中，原始的用户数据信息包括获取到的用户近一个月的电流、电压、功率数据如下
[0020][0021][0022][0023]其中，U
j
、V
j
、P
j
分别代表用户j一个月的电流、电压、功率数据矩阵。
[0024]在本专利技术一个优选实施例中，依据用电数据的采集规律，对用户数据信息进行统计规则和业务规则上的异常识别，并对异常数据进行针对性填充。
[0025]在本专利技术一个优选实施例中，构建神经网络模型包括：
[0026]神经网络公式如下：
[0027][0028]其中：α
i1
、α
i1
‑1分别为神经网络中的一个神经元，分别位于第l层和第l
‑
1层第j个；W
ij1
为权重；b
i1
为偏置项；函数f为激活函数；
[0029]设置网络参数：选取分类激活函数，将高维数据转换维二分类数据输出；通过Adam优化器对迭代参数进行一定范围内学习；采用GD优化器进行迭代求解，使得损失最小。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0031]图1为本专利技术实施例提供的一种基于图像识别的用电异常用户识别方法的流程图；
[0032]图2为专利技术实施例提供的基于多规则的异常数据识别与清洗的流程图；
[0033]图3为专利技术实施例提供的用户数据信息抽取和转换的流程图；
[0034]图4为专利技术实施例提供的基于卷积神经网络进行图像识别训练的流程图；
[0035]图5为专利技术实施例提供的基于卷积神经网络进行图像识别训练的图像q的示意图；
[0036]图6为专利技术实施例提供的基于卷积神经网络进行图像识别训练的Relu函数图像。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]一种基于图像识别的低压用户异常用电行为识别方法，包括：
[0039]基于多规则的异常数据识别与清洗：依据用电数据的采集规律，对数据进行统计规则和业务规则上的异常识别，并对异常数据进行针对性填充。
[0040]用户数据信息向图像信息转换:首先对清洗后的用户用电多维度数据进行获取；然后进行数据裁剪，得到满足模型输入要求的数据格式；最后将符合条件的数据转换成三通道图像信息。
[0041]利用卷积神经网络进行图像识别训练：首先对训练样本集中正负样本的图像进行标签标记，然后将图像带入初步构建的神经网络模型中进行训练，最终输出最优参数下的神经网络模型。
[0042]基于图像识别模型进行用电异常用户识别：将预测图像信息带入训练好的神经网络模型中进行预测，结果输出疑似异常用电概率。
[0043]实施例：
[0044]请参阅图1，其示出了本专利技术实施例提供的一种基于图像识别的用电异常用户识别方法的流程图，包括：
[0045]S101：基于多规则的异常数据识别与清洗：依据用电数据的采集规律，对数据进行统计规则和业务规则上的异常识别，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的低压用户异常用电行为识别方法，其特征在于，包括：对原始的用户数据信息进行清洗处理以获得真实、正确的用户数据信息；对处理之后的用户数据信息向图像信息转换：首先对用户数据信息裁剪，得到满足神经网络模型输入要求的数据格式，最后将符合条件的数据转换成三通道图像信息；利用卷积神经网络进行图像识别训练：首先对训练样本集中正负样本的图像进行标签标记，然后将三通道图像信息带入初步构建的神经网络模型中进行训练，最终输出最优参数下的神经网络模型；基于图像识别模型进行用电异常用户识别：利用训练好的神经网络模型对未知用户进行分类，输出所述未知用户的窃电概率大小。2.根据权利要求1所述的一种基于图像识别的低压用户异常用电行为识别方法，其特征在于，对用户数据信息裁剪包括：对用户数据信息进行裁剪,其中N为数据获取天数，M为96个示值点将X
N
×
M
需裁剪成X
N
×
N
，即抽取每月24天中每日24个点示值，分别为每天的0时到23时电压、电流、功率所对应的示值数。3.根据权利要求2所述的一种基于图像识别的低压用户异常用电行为识别方法，其特征在于，构建三通道图像信息具体包括：将裁剪之后的用户数据信息中每一个元素视为一个像素点，一个用户的电流、电压、功率数据信息就可以用一张图像q来表示。4.根据权利要求3所述的一种基于图像识别的低压用户异常用电行为识别方法，其特征在于，通过三通道图像信息组成完整的图像：对正常户和窃电户用电数据图像进行标记{0，1}：0为正常户、1为窃电户，将不同用户的图像信息和标签信息进行合并，即Q＝{q1,q2,q3,...,q
n
,C
i
}，n≥100，C
i
＝(C1,C2,...

【专利技术属性】
技术研发人员：许高俊，钱旭盛，吴伟将，缪猛，张轩城，陈可，俞阳，翟千惠，何玮，康雨萌，
申请(专利权)人：国网江苏省电力有限公司营销服务中心，
类型：发明
国别省市：