【技术实现步骤摘要】
本专利技术涉及电力电子控制的，尤其涉及一种基于多层次用电特征的特定用户识别及用电异常检测方法。
技术介绍
1、随着社会的不断发展与人均寿命的普遍增长，老年人口数量越来越多，确认空巢老人的方式主要依靠人工上门访查，再根据访查结果定期给予空巢老人相应的关怀，而这种方法往往会耗费较大的人力物力。目前，大数据技术已在多个领域得到广泛应用，包括电力行业。在海量用电数据的支撑下，结合当前发展迅速的机器学习、深度学习等数据分析技术使得从用电角度对空巢用户进行精准识别成为了可能，并可以在此基础上对空巢用户进行用电异常检测，从用电角度保护电力用户生命财产安全。
2、目前，通过对用户的用电数据进行挖掘从而实现分类的研究方法主要分为有无监督算法与有监督算法。其中无监督分类算法主要包括k-means算法、模糊聚类算法等。有监督算法通过数据中的标签与特征的关系训练分类模型，最后对用户进行分类，主要分为特征提取与搭建分类模型两部分。其中特征提取方式主要分为人工提取、卷积神经网络cnn、时间卷积网络tcn自动提取特征等；用于电力用户分类的模型主要包括决策树、支持向量机等机器学习模型及长短期记忆网络lstm、门控循环单元gru等深度学习模型。
3、虽然聚类等无监督算法不需要预先标注的数据，可以直接从用户的用电数据中发现用户用电模式，但是没有使用明确的标签用来指导分类，导致分类结果难以解释。且用电数据中可能存在噪声，严重影响识别准确性。其中人工提取用电特征通常依赖于研究者的经验设计合适的特征组合，而人工特征提取较难捕捉数据中可能存在的非线
技术实现思路
1、针对现有技术的不足，本专利技术提出一种基于多层次用电特征的特定用户识别及用电异常检测方法。首先收集空巢及非空巢用户的历史用电数据，并对原数据进行预处理，通过空巢用户与非空巢用户用电习惯的不同构建浅层用电特征指标。同时，利用多头注意力机制(multi-head attention，mha)优化卷积神经网络(convolutional neural network，cnn)获取空巢及非空巢老人深层用电特征，得到表征两类用户的多层次用电特征集。为了改进数据不平衡对模型的影响与降低部分分类精度较差的决策树对随机森林(randomforest，rf)分类结果的影响，根据样本中两类用户的占比计算权重构建加权决策树，并通过计算加权决策树与随机森林特征重要性相似度对随机森林内最终投票进行二次加权改进传统随机森林算法，结合粒子群优化算法对加权随机森林的内部参数进行优化，从而提升模型分类性能。随后将空巢与非空巢用户标签及对应多层次用电特征按7:3的比例划分训练集与测试集训练空巢用户识别模型。最后为识别出的空巢用户建立异常用电指标对其日常用电进行用电异常检测，当检测到某小区某空巢用户用电异常时利用计算机端向sim900a通信模块发送at指令，从而实现自动向空巢用户所在小区的管理人员拨打预警电话。
2、一种基于多层次用电特征的特定用户识别及用电异常检测方法，包括如下步骤：
3、步骤1：数据预处理：通过电网用电信息采集系统获取用户每日用电量数据，填充空缺值，并标记空巢及非空巢用户标签；
4、步骤2：构建浅层用电特征：通过空巢用户与非空巢用户用电习惯的不同构建区分空巢及非空巢用户的浅层用电特征指标；
5、步骤3：构建深层用电特征：用多头注意力机制(multi-head attention，mha)优化卷积神经网络(convolutional neural network，cnn)搭建mha-cnn特征提取模型获取空巢及非空巢用户的深层用电特征；
6、步骤4：构建多层次用电特征：将人工提取的浅层用电特征与卷积神经网络提取的深层次用电特征进行合并形成多层次用电特征；
7、步骤5：构建加权随机森林模型：构建加权决策树，并通过计算加权决策树与随机森林特征重要性相似度对随机森林内最终投票进行二次加权改进传统随机森林算法构成加权随机森林模型；
8、步骤6：训练并测试空巢用户识别模型：结合粒子群优化算法对随机森林的内部参数进行优化，从而提升加权随机森林模型对空巢用户的识别性能，最后将空巢与非空巢用户标签及对应多层次用电特征按7:3的比例划分训练集与测试集训练并测试加权随机森林模型，最后得到空巢用户识别模型；
9、步骤7：空巢用户用电异常检测：为识别出的空巢用户建立异常用电指标对空巢用户的日常用电进行用电异常检测；
10、步骤8：空巢用户用电异常预警：当检测到某小区某空巢用户用电异常需要向该小区管理人员拨打预警电话时，利用计算机端向sim900a通信模块发送at指令，从而实现自动向空巢用户所在小区的管理人员拨打预警电话。
11、作为优选，步骤1数据预处理过程：
12、考虑到数据采集时可能会出现部分数据缺失与数据异常的情况，本文将数据缺失量大于全年数据量30％的用户剔除，对于其他用户的缺失数据采用均值进行填充，如下式所示：
13、
14、式中g(xd)为填充值，xd为用户在第d天的用电量值，xnan为填充值。
15、将空巢用户的用电数据标签标记为1，非空巢用户的用电数据标记为0。
16、作为优选，步骤2构建浅层用电特征过程：
17、将出现异常用电数据的日期标记为1，正常用电的日期标记为0。
18、根据用户用电数据计算用于区分空巢及非空巢用户的浅层用电特征f＝{f0，f1，f2，f3，f4}。
19、f0表示日用电量差分后的标准差，计算公式如下：
20、f＝|xd+1-xd| (2)
21、
22、
23、其中xd(1＜d＜365)表示用户年用电数据，fj(j＝1，...，364)为相邻两天用电量的差值，表示年用电数据差分后的均值。
24、f1为用户夏季用电波动情况，表示为：
25、
26、
27、式中表示用户年均值用电量，d表示该年中夏季的天数。
28、f2表示春节前后各10天的用电波动情况，表示为：
29、
30、f3为工作日与休息日用电量比，表示为：
31、
32、式中n为总周数，xac表示第a周中第c天的用电量。
33、f4为峰值平均电量比，表示为：
34、
35、其中xmax为用电量最大值。
36、作为优选，步骤3构建深层用电特征过程：
37、多头注意力机制通过多个并行的注意力函数位于同一区域输入数据的不同特征信息，然后将这些不同注意力函数的结果进行拼接或加权求和本文档来自技高网...
【技术保护点】
1.一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，为了保证数据质量需要对原始用电数据进行数据预处理，并标记用电数据为空巢或非空巢标签：
3.根据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，根据用户用电数据计算用于区分空巢及非空巢用户的浅层用电特征F＝{F0,F1,F2,F3,F4}；
4.据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，利用多头注意力机制(Multi-Head Attention，MHA)优化卷积神经网络(Convolutional Neural Network，CNN)搭建MHA-CNN特征提取模型获取空巢及非空巢用户的深层用电特征；
5.据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，将浅层用电特征指标F与深层用电特征向量P进行拼接得到多层次用电特征集。
6.
7.据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，结合粒子群优化算法对随机森林的内部参数进行优化，从而提升加权随机森林模型对空巢用户的识别性能，最后将空巢与非空巢用户标签及对应多层次用电特征按7:3的比例划分训练集与测试集训练并测试加权随机森林模型，最后得到空巢用户识别模型，其主要步骤为：
8.据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，为识别出的空巢用户建立异常用电指标对空巢用户的日常用电进行用电异常检测，用电异常情况通常为：
9.据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，当检测到某小区空巢用户用电异常需要向该小区管理人员拨打预警电话时，利用计算机端向SIM900A通信模块发送AT指令，从而实现自动向空巢用户所在小区的管理人员拨打预警电话，其主要步骤为：
...【技术特征摘要】
1.一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，为了保证数据质量需要对原始用电数据进行数据预处理，并标记用电数据为空巢或非空巢标签：
3.根据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，根据用户用电数据计算用于区分空巢及非空巢用户的浅层用电特征f＝{f0,f1,f2,f3,f4}；
4.据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，利用多头注意力机制(multi-head attention，mha)优化卷积神经网络(convolutional neural network，cnn)搭建mha-cnn特征提取模型获取空巢及非空巢用户的深层用电特征；
5.据权利要求1所述的一种基于多层次用电特征的特定用户识别及用电异常检测方法，其特征在于，将浅层用电特征指标f与深层用电特征向量p进行拼接得到多层次用电特征集。
6.据权利要求1所述的一种基于多层次用电...
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。