【技术实现步骤摘要】
本专利技术属于电网用电分析，具体涉及一种基于深度学习的电网用电异常分析系统及方法。
技术介绍
1、电力作为国民经济的生命线，深刻影响着国家经济的可持续发展，其安全必须得到保障。然而近年来随着社会经济的蓬勃发展以及用电负荷的与日俱增，窃电、欺诈、民电商用等用电异常行为愈加引人注目，并且逐渐呈现出多元化和产业化趋势。这不但损害了电网企业的利益，同时也影响了供电秩序，甚至威胁电网安全。目前解决这一问题的方法多为定期巡检和人工筛查等，但是基层工作人员基本依靠个人经验进行诊断，存在运营成本高、调查效率低和调查结果准确度低等问题，并且造成了大量资源的浪费。
技术实现思路
1、为解决现有技术中存在的上述问题，本专利技术提供了一种基于深度学习的电网用电异常分析系统及方法，通过处理用户用电数据得到用电数据矩阵，通过融合算法处理所述用电数据矩阵得到用电平衡数据集，处理用电平衡数据集得到用电负荷曲线，根据历史正常用电数据和历史异常用电数据通过深度学习得到异常检测模型，通过异常检测模型处理用电负荷曲线得到异常系数指标，根据异常系数指标生成警告信息发送至电力用户，并生成日志文件上传至数据库，实现了对电网用电情况的实时监测分析和规范电力用户合理用电，提高了数据处理效率和电网管理效率，减少了资源浪费。
2、本专利技术的目的可以通过以下技术方案实现：
3、一种基于深度学习的电网用电异常分析方法，包括如下步骤：
4、s1：采集目标电网的用户用电数据；
5、s2：根据所
6、s3：通过对所述用电平衡数据集进行特征提取得到用电特征序列，根据所述用电特征序列得到用电负荷曲线；
7、s4：获取历史正常用电数据和历史异常用电数据，根据所述历史正常用电数据和所述历史异常用电数据通过深度学习得到异常检测模型，通过所述异常检测模型处理所述用电负荷曲线得到异常系数指标；
8、s5：根据所述异常系数指标生成警告信息发送至电力用户，并生成日志文件上传至数据库。
9、优选地，所述步骤s2具体包括以下步骤：
10、s201：根据所述用户用电数据通过数据清洗得到完整用户用电数据，通过归一化线性函数处理所述完整用户用电数据得到规范化用户用电数据，根据所述规范化用户用电数据得到所述用电数据矩阵；
11、s202：根据所述用电数据矩阵通过主成分分析法计算得到降维用电数据矩阵，根据所述降维用电数据矩阵通过聚类处理得到所述用电平衡数据集。
12、优选地，所述步骤s201具体包括以下步骤：
13、根据所述用户用电数据通过公式计算得到异常数据，根据所述用户用电数据通过删除所述异常数据得到所述完整用户用电数据，其中d为所述异常数据，w1为所述用户用电数据的四分之一分位点数据，w3为所述用户用电数据的四分之三分位点数据；
14、所述归一化线性函数为其中，为所述规范用户用电数据，xi为所述用户用电数据，min(xi)为所述用户用电数据的最小值，max(xi)为所述用户用电数据的最大值；
15、根据所述规范用户用电数据得到所述用电数据矩阵，所述用电数据矩阵表示为：其中，z为所述用电数据矩阵，到为第1时刻到第n时刻的任一所述规范用户用电数据。
16、优选地，所述步骤s202具体包括计算所述降维用电数据矩阵，计算公式为：其中，u为k行j列的所述降维用电数据矩阵，pi为主成分贡献率，z为所述用电数据矩阵。
17、优选地，所述步骤s4具体包括以下步骤：
18、s401：通过对所述历史正常用电数据和所述历史异常用电数据分别进行特征提取得到用电正常特征序列和用电异常特征序列；
19、s402：根据所述用电正常特征序列和所述用电异常特征序列分别得到正常负荷曲线和异常负荷曲线，根据所述用电负荷曲线和所述正常负荷曲线通过计算欧氏距离得到第一欧式距离，根据所述用电负荷曲线和所述异常负荷曲线通过计算欧式距离得到第二欧氏距离；
20、s403：通过模糊决策模型处理所述第一欧式距离和所述第二欧氏距离得到所述异常系数指标。
21、优选地，所述步骤s402具体包括以下步骤：
22、计算所述第一欧式距离，计算公式为：其中，d1为所述第一欧氏距离，y1i为所述用电负荷曲线，y2i为所述正常负荷曲线，n为数据个数；
23、计算所述第二欧式距离，计算公式为：其中，d2为所述第二欧式距离，y1i为所述用电负荷曲线，y3i为所述异常负荷曲线，n为数据个数。
24、优选地，所述步骤s403具体包括以下步骤：
25、根据所述第一欧氏距离和所述第二欧式距离通过计算得到所述异常系数指标，计算公式为：其中，t为所述异常系数指标，α和β为模糊算子，d1为所述第一欧氏距离，d2为所述第二欧氏距离；
26、当所述异常系数指标大于预设阈值时，根据所述异常系数指标生成异常用电信息。
27、一种基于深度学习的电网用电异常分析系统，包括：
28、用电数据采集模块，采集目标电网的用户用电数据；
29、数据预处理模块，根据所述用户用电数据通过处理得到用电数据矩阵，通过融合算法处理所述用电数据矩阵得到用电平衡数据集；
30、数据分析模块，通过对所述用电平衡数据集进行特征提取得到用电特征序列，根据所述用电特征序列得到用电负荷曲线；
31、用电异常检测模块，获取历史正常用电数据和历史异常用电数据，根据所述历史正常用电数据和所述历史异常用电数据通过深度学习得到异常检测模型，通过所述异常检测模型处理所述用电负荷曲线得到异常系数指标；
32、用电异常警告模块，根据所述异常系数指标生成警告信息发送至电力用户，并生成日志文件上传至数据库。
33、本专利技术的有益效果为：
34、1.通过根据所述用户用电数据通过数据清洗得到完整用户用电数据，通过归一化线性函数处理所述完整用户用电数据得到规范化用户用电数据，根据所述规范化用户用电数据得到所述用电数据矩阵，通过融合算法处理所述用电数据矩阵得到用电平衡数据集，保证了数据集的完整性，提高了数据分析的准确性；
35、2.通过获取历史正常用电数据和历史异常用电数据，根据所述历史正常用电数据和所述历史异常用电数据通过深度学习得到异常检测模型，通过所述异常检测模型处理所述用电负荷曲线得到异常系数指标，根据所述异常系数指标生成警告信息发送至电力用户，并生成日志文件上传至数据库，实现了对电网用电情况的实时监测分析和规范电力用户合理用电，减少了资源浪费。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的电网用电异常分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的电网用电异常分析方法，其特征在于，所述步骤S2具体包括以下步骤：
3.根据权利要求2所述的基于深度学习的电网用电异常分析方法，其特征在于，所述步骤S201具体包括以下步骤：
4.根据权利要求2所述的基于深度学习的电网用电异常分析方法，其特征在于，所述步骤S202具体包括计算所述降维用电数据矩阵，计算公式为：其中，U为k行j列的所述降维用电数据矩阵，Pi为主成分贡献率，Z为所述用电数据矩阵。
5.根据权利要求1所述的基于深度学习的电网用电异常分析方法，其特征在于，所述步骤S4具体包括以下步骤：
6.根据权利要求5所述的基于深度学习的电网用电异常分析方法，其特征在于，所述步骤S402具体包括以下步骤：
7.根据权利要求5所述的基于深度学习的电网用电异常分析方法，其特征在于，所述步骤S403具体包括以下步骤：
8.一种基于深度学习的电网用电异常分析系统，其特征在于，包括：
【技术特征摘要】
1.一种基于深度学习的电网用电异常分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的电网用电异常分析方法，其特征在于，所述步骤s2具体包括以下步骤：
3.根据权利要求2所述的基于深度学习的电网用电异常分析方法，其特征在于，所述步骤s201具体包括以下步骤：
4.根据权利要求2所述的基于深度学习的电网用电异常分析方法，其特征在于，所述步骤s202具体包括计算所述降维用电数据矩阵，计算公式为：其中，u为k行j列的所述降维用电...
【专利技术属性】
技术研发人员：杨奚诚，方辉祥，吴真中，蒋浩林，童兴辉，
申请(专利权)人：合肥大多数信息科技有限公司，
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。