【技术实现步骤摘要】
本专利技术涉及电力系统，具体为一种面向产业链的图神经网络用电异常提取方法。
技术介绍
1、在新型电力系统不断更新的背景下，能源消费模式逐渐多样化，用户多元化特征明显，用户用电行为更加复杂，负荷预测技术需求也随之发生改变。企业及用户异常用电为首的非技术性损耗占据配电网总损耗的65％～70％，是电力公司运营管理中的痼疾。不同产业链间逐步呈现多因素化影响、用电量大幅波动等特点，电力电量难以平衡，呈现冬夏高峰季节和日高峰时段的供需平衡持续紧张的特点，导致电网运行和经营面临严峻挑战。因此对用电量特征异常提取提出更高的要求。目前通常使用三类方法用于基于数据驱动的异常用电检测：
2、首先是基于聚类的方法，异常用电用户的某些用电特征指标相较正常用户存在差异，可通过聚类方法找出偏离聚类簇的异常用户。但在复杂的用电行为中找出具有代表性的特征较为困难，这使得该类方法误报率高。
3、其次是基于分类的方法。主要以带有标签的特征指标训练分类器，使其能够判断无标签用户的用电情况，检测效果在多数情况下优于聚类方法。然而人为设计特征指标，难以很好地描述异常用电的情况。另外，分类器的训练以用电量稳定为前提，对于相当一部分用电不稳定的用户将失去异常检测的作用。
4、最后是基于潮流约束的方法。配电网电气量具有强耦合性，节点的注入功率与电压受潮流方程约束。其中，最主要的一类方法是基于状态估计的异常检测方法，通过比较节点电压、功率估计值与量测值的残差推断量测值是否被篡改，判断用户是否发生异常用电。该类方法较好地解决了分类方法处理用电不稳
5、总的来说，目前常见的异常用电特征检测技术使用的数据基本为时间-用电量数据，这些数据可以反映出用电量整体的变化趋势，而随着全国用电结构的变化，各省级电网用电特征也发生了很大变化，单纯依赖用电量整体的变化趋势无法充分反映某个地区用电量结构与变化趋势，电异常情况检测精度无法满足电网运行需求。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：图神经网络(graph neural networks,gnn)是一种新兴的机器学习方法，以图结构作为基本思想，由节点与边组成，可以充分体现各节点之间的关系，可以有效地处理图结构数据。
3、本方法主要原理是利用图神经网络技术从用电量数据中提取关键异常特征，将单个企业作为图中的节点，以时间-用电量、日期、气温、天气等数据作为基础数据，通过长短时记忆网络(lstm)提取特征，作为图中的节点数据；将企业与企业之间的关联强度作为图中的边数据，通过图神经网络对用电异常进行检测。
4、为解决上述技术问题，本专利技术提供如下技术方案：一种面向产业链的图神经网络用电异常提取方法，包括：
5、收集来自不同企业的用电数据进行预处理；
6、将每个节点的特征表示为一个向量，对用电数据建立长短期记忆神经网络进行特征提取，抽取为固定长度的特征向量；
7、将节点嵌入构成的向量转为图结构，并将整个图重新表示为一个新的向量；
8、采用图卷积网络对图结构进行特征提取和融合，通过多层卷积操作，学习到传感器之间的局部模式和全局模式，并融合成一个特征表示；
9、在卷积操作之间加入池化层、归一化层模块；
10、使用已知的数据对图神经网络进行训练；
11、训练完成后，使用训练好的图神经网络进行输出预测，输入用电数据，通过网络前向传播，得到异常检测结果，判断用电异常或正常用电。
12、作为本专利技术所述的面向产业链的图神经网络用电异常提取方法的一种优选方案，其中：所述预处理包括将单个企业用电量-时间序列，气温-时间序列信息对齐，将时间信息统一到utc时间系统下，并对数据进行归一化处理，归一化步骤选用z-score归一化，将归一化后的数据存储成pickle格式。
13、作为本专利技术所述的面向产业链的图神经网络用电异常提取方法的一种优选方案，其中：所述归一化表示为，
14、x*＝(x-μx)/σx
15、y*＝(y-μy)/σy
16、其中，x*,y*分别表示归一化后的气温与企业用电量数据，x，y为原始气温与企业用电量，μx，μy表示原始气温均值与企业用电量均值，σx，σy原始气温标准差与企业用电量标准差。
17、作为本专利技术所述的面向产业链的图神经网络用电异常提取方法的一种优选方案，其中：所述抽取为固定长度的特征向量表示为，
18、
19、作为本专利技术所述的面向产业链的图神经网络用电异常提取方法的一种优选方案，其中：lstm由lstm单元组成，输入门选择性“记忆”输入信号xt，并保存到单元状态ct；遗忘门对上一个节点传进来的单元状态ct-1进行过滤，决定遗忘多少信息；输出门控制单元状态ct有多少输出到lstm的输出值ht。
20、作为本专利技术所述的面向产业链的图神经网络用电异常提取方法的一种优选方案，其中：所述门是一层全连接层，输入是一个向量，输出是一个0到1之间的实数向量，表示为，
21、
22、其中，wc，wi，wf与wo分别表示单元状态、输入门、遗忘门与输出门的权重矩阵，表示把两个向量连接成一个更长的向量，b代表每一项对应的偏置，代表sigmoid函数。
23、作为本专利技术所述的面向产业链的图神经网络用电异常提取方法的一种优选方案，其中：所述节点嵌入使用改进的slstm模型，对计算过程进行改进，在lstm基础上增加了标量更新机制；
24、通过对内部记忆单元进行细粒度的控制，优化门控机制。
25、作为本专利技术所述的面向产业链的图神经网络用电异常提取方法的一种优选方案，其中：所述改进的slstm模型表示为，
26、ct＝ftc(t-1)+itzt
27、nt＝ftnt-1+it
28、
29、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述面向产业链的图神经网络用电异常提取方法的步骤。
30、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述面向产业链的图神经网络用电异常提取方法的步骤。
31、本专利技术的有益效果：本专利技术提供的面向产业链的图神经网络用电异常提取方法从产业链的用电思想，通过对单一企业时间-天气-气温-用电量信息特征提取，作为图中节点，企业与企业间关系作为图中边信息，利用图神经网络，实现用电特征与地区企业、地点、时间、天气的关联，完成对用电量异常检测。采用本技术方案，使用电异常的检测准确率相比于经典的检测算法提高了5％。
本文档来自技高网...【技术保护点】
1.一种面向产业链的图神经网络用电异常提取方法，其特征在于，包括：
2.如权利要求1所述的面向产业链的图神经网络用电异常提取方法，其特征在于：所述预处理包括将单个企业用电量-时间序列，气温-时间序列信息对齐，将时间信息统一到UTC时间系统下，并对数据进行归一化处理，归一化步骤选用Z-score归一化，将归一化后的数据存储成pickle格式。
3.如权利要求2所述的面向产业链的图神经网络用电异常提取方法，其特征在于：所述归一化表示为，
4.如权利要求3所述的面向产业链的图神经网络用电异常提取方法，其特征在于：所述抽取为固定长度的特征向量表示为，
5.如权利要求4所述的面向产业链的图神经网络用电异常提取方法，其特征在于：LSTM由LSTM单元组成，输入门选择性“记忆”输入信号xt，并保存到单元状态ct；遗忘门对上一个节点传进来的单元状态ct-1进行过滤，决定遗忘多少信息；输出门控制单元状态ct有多少输出到LSTM的输出值ht。
6.如权利要求5所述的面向产业链的图神经网络用电异常提取方法，其特征在于：所述门是一层全连接层，输
7.如权利要求6所述的面向产业链的图神经网络用电异常提取方法，其特征在于：所述节点嵌入使用改进的sLSTM模型，对计算过程进行改进，在LSTM基础上增加了标量更新机制；
8.如权利要求7所述的面向产业链的图神经网络用电异常提取方法，其特征在于：所述改进的sLSTM模型表示为，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～8中任一项所述的面向产业链的图神经网络用电异常提取方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～8中任一项所述的面向产业链的图神经网络用电异常提取方法的步骤。
...【技术特征摘要】
1.一种面向产业链的图神经网络用电异常提取方法，其特征在于，包括：
2.如权利要求1所述的面向产业链的图神经网络用电异常提取方法，其特征在于：所述预处理包括将单个企业用电量-时间序列，气温-时间序列信息对齐，将时间信息统一到utc时间系统下，并对数据进行归一化处理，归一化步骤选用z-score归一化，将归一化后的数据存储成pickle格式。
3.如权利要求2所述的面向产业链的图神经网络用电异常提取方法，其特征在于：所述归一化表示为，
4.如权利要求3所述的面向产业链的图神经网络用电异常提取方法，其特征在于：所述抽取为固定长度的特征向量表示为，
5.如权利要求4所述的面向产业链的图神经网络用电异常提取方法，其特征在于：lstm由lstm单元组成，输入门选择性“记忆”输入信号xt，并保存到单元状态ct；遗忘门对上一个节点传进来的单元状态ct-1进行过滤，决定遗忘多少信息；输出门控制单元状态ct有多少输出到lstm...
【专利技术属性】
技术研发人员：杨晓华，娜嘉，祁艳雨，刘婉媛，李星达，梁俊琳，尹邵阳，权菊惠，
申请(专利权)人：云南电网有限责任公司，
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。