[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111507752A - 基于双向长短期记忆网络的异常用户行为识别方法 - Google Patents

基于双向长短期记忆网络的异常用户行为识别方法 Download PDF

Info

Publication number
CN111507752A
CN111507752A CN202010225598.XA CN202010225598A CN111507752A CN 111507752 A CN111507752 A CN 111507752A CN 202010225598 A CN202010225598 A CN 202010225598A CN 111507752 A CN111507752 A CN 111507752A
Authority
CN
China
Prior art keywords
data
term memory
short term
users
bidirectional long
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010225598.XA
Other languages
English (en)
Inventor
周后盘
卜祥国
吴弘杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010225598.XA priority Critical patent/CN111507752A/zh
Publication of CN111507752A publication Critical patent/CN111507752A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于双向长短期记忆网络的异常用户行为识别方法，该模型能够根据用户以往的用电记录，对用户是否存在异常用电行为进行识别。本发明提出结合电力数据，基于双向长短期记忆网络和BP神经网络建立异常用户行为识别模型。从数据库获取用户行为数据，进行数据的清洗与填充，通过双向长短期记忆模块进行数据的特征提取，然后连接BP神经网络进行分类，从而判别数据是否存在异常。结果显示：相较于支持向量机、BP网络、长短期记忆网络、采用双向长短期记忆网络能够对异常用户行为进行更为准确的判别。同时也表明，通过Smote算法扩充数据防止过拟合现象是行之有效的。

Description

基于双向长短期记忆网络的异常用户行为识别方法
技术领域
本发明提出结合电力数据，基于双向长短期记忆网络和BP神经网络建立用户异常行为识别模型。从数据库获取用户行为数据，进行数据的清洗与填充，通过双向长短期记忆模块进行数据的特征提取，然后连接BP神经网络进行分类。经过多次训练并不断调整超参数，最终该模型能够根据用户以往的用电记录，识别出用户是否存在异常用电行为。
背景技术
用户的异常行为会给电网公司带来巨大的经济损失，甚至危害到电网系统的稳定运行，因此对异常用户行为的研究也比较多。目前的研究大都从硬件设备(如计量装置等)入手检测用户异常行为，这将耗费巨大的人力、物力，且不能及时发现用户的异常用电行为。因此，本发明提出了一种结合电力数据，基于双向长短期记忆网络和BP神经网络建立用户异常行为识别模型。
将获取的数据进行数据剔除和数据填充，然后进行线性归一化处理，由于高压用户存在数据不平衡问题，采用Smote过采样算法进行数据的填充。然后将输入的高维数据划分为12个大小相同的子数据，每个子数据大小为[6×1]，最后把子数据分别作为输入送入12个长短期记忆模块。
普通长短期记忆网络相对于循环神经网络增加了门控制模块，有效改善了梯度爆炸和梯度消失问题，而双向长短期记忆网络是在普通长短期记忆网络基础上增加了反向推算的模块，所以能够较清晰的捕捉时间序列后段对前段产生的影响。电网营销数据以月为单位，记录了用户一年来的用电数据，数据前后关联性较大，符合双向长短期记忆网络的特性，因此在对比实验中，取得了较好的结果。双向长短期记忆网络模块后面添加全连接层，对提取到的月份之间的局部特征进行整合，最终由Sigmoid函数进行分类，从而达到对异常用户行为的识别。
发明内容
本发明针对目前电力系统无法快速准确判别用户是否存在异常用电行为的问题，提出结合电力数据，基于双向长短期记忆网络的异常用户行为识别方法。本发明充分发掘了各个分电量之间的关系，还考虑了年月、总电量、总电费对识别结果的影响，最大限度的提高了识别的准确率。
基于双向长短期记忆网络的异常用户行为识别方法，实现包括以下步骤：
步骤一：从数据库中获取某地区用户的营销历史数据；
步骤二：将获得的数据进行数据剔除和数据填充；
步骤2.1、根据实际情况将用户分为三类，分别是低压居民用户、低压非居民用户、高压用户；
步骤2.2、取出的数据包含很多无用属性、空属性，对这些属性进行删除，保留YM、JDL、FDL、PDL、GDL、ZDL、ZDF，其中YM表示年月、JDL表示尖电量、FDL表示峰电量、PDL表示平电量、GDL表示谷电量、ZDL表示总电量、ZDF表示总电费；
步骤2.3、从上一步的处理结果中，保留用户数据多于N个月的用户，少于N个月则剔除，然后针对多于N个月但有缺失的用户，取前后月份的平均值填补缺失的，如果缺失的为最后几个月则取前边两个月的平均值进行填充。此外还删除了用户重复的数据以及错误信息，并把剔除后的数据整理在一张表中，保存以备用；
步骤三：高压用户存在数据不平衡问题，因此采用Smote过采样算法进行数据扩充；
对每个异常样本x，从它的最近邻中随机选一个样本
Figure BDA0002427531130000021
然后在x、
Figure BDA0002427531130000022
之间的连线上随机选一点作为新合成样本xnew，其公式为：
Figure BDA0002427531130000023
步骤四：将经过步骤二和步骤三清洗过的数据进行归一化处理；
本次使用的数据既有电量还有电费，需对数据进行线性归一化处理，将有量纲的数据变为无量纲的数，变成标量，归一化公式为：
Figure BDA0002427531130000024
xi'表示归一化后的值，X为原始数据，Xmin为每个用户数据的最小值，Xmax为每个用户数据的最大值。
步骤五：构建双向长短期记忆网络模块；
为了有效提取数据中的特征，采用双向长短期记忆模块进行特征提取。特征提取模块是由多个双向长短期记忆模块按照时间序列连接组成，将上一个模块的激活值和下一时刻的输入值连接为一个矩阵作为下一个模块的输入。采用上下各12个长短期记忆cell构成双向长短期记忆网络特征提取模块，每个cell的输入大小为[6×1]。
为了从高维数据中提取出有效特征，将输入的高维数据划分为12个大小相同的子数据：x1，x2，x3，…，x12，每个子数据大小为[6×1]。把12个子数据分别作为输入送入有12个长短期记忆模块，实现将高维数据的特征进行提取。
步骤六：构建BP神经网络模型；
①、为了对提取到的月份之间的局部特征进行整合，使局部特征通过权值矩阵组装成为一个完整的模型，因此在长短期记忆网络模块后添加全连接层，此阶段使用的是BP神经网络；
②、BP神经网络由3层全连接的神经网络组成，分别为两层隐藏层和一层输出层。其中隐藏层神经元数分别为128，32个。隐藏层采用RELU函数进行激活，增强模型的非线性，它将小于0的部分变为0，大于0的部分以斜率为1的函数表示；
③、输出层采用sigmoid函数作为激活函数，sigmoid函数用作二分类问题的分类器，该函数的输出区间为(0,1)。而且在x为0时，函数的值为0.5，函数关于(0，0.5)对称，设置0.5为分界点，将大于0.5和小于0.5的数据分为两类。
步骤七：确定模型的损失函数、优化器、各项超参数。
模型的损失函数采用二分类损失函数；优化器选择Adam优化算法；学习速率设置为0.0005，训练轮数设为300，每一训练批次大小设置为200。
步骤八：将特征值和标签值一起分为训练集和测试集，拆分比例为6:4。
步骤九：训练模型，得到此模型在测试集上的准确率。
作为优选，步骤三中异常行为数据扩充至300。
本发明相对于现有技术具有的有益效果：
本发明通过将输入的高维数据划分为12个大小相同的子数据：x1，x2，x3，…，x12，每个子数据大小为[6×1]。把12个子数据分别作为输入送入12个长短期记忆模块，有效的建立起每个用户每月用电量之间的前后联系，相对于现有技术，准确率得到了进一步的提升。
附图说明
图1为低压居民用户示例；
图2为低压非居民用户示例；
图3为高压用户示例；
图4为异常低压居民用户示例；
图5为异常低压非居民用户示例；
图6为异常高压用户示例；
图7为缺失月份用户示例；
图8为填补数据后的用户示例；
图9为双向长短期记忆网络结构图；
图10为模型整体流程图；
图11为模型结构图；
图12为三个模型的准确率对比；
图13为三个模型的loss值对比。
具体实施方式
本次获取某地区用户的营销历史数据，然后对历史特征数据进行处理、训练，为了更具体地描述本发明，如图10、图11所示；
步骤1、编写SQL脚本语句从数据库中获取营销数据，并对数据进行预处理；
步骤1.1、根据实际情况将用户分为三类，分别是低压居民用户、低压非居民用户、高压用户。如图1-6所示；
步骤1.2、取出的数据包含很多无用属性、空属性等，对这些属性进行删除，保留YM、JDL、FDL、PDL、GDL、ZDL、ZDF等有用属性。(注:YM表示年月、JDL表示尖电量、FDL表示峰电量、PDL表示平电量、GDL表示谷电量、ZDL表示总电量、ZDF表示总电费)；
步骤1.3、从上一步的处理结果中，保留用户数据多于N个月的用户，少于N个月则剔除(其中7<N<12，本发明选用N＝9对用户进行筛选)。此外还删除了用户重复的数据以及错误信息，并把剔除后的数据整理在一张表中，保存以备用；如图7、图8所示；
步骤1.4、本次使用的数据既有电量还有电费，需对数据进行线性归一化处理，将有量纲的数据变化为无量纲的数，变成标量。高压用户存在数据不平衡的问题，容易产生过拟合，因此采用Smote过采样算法进行数据扩充，经过多次实验，最终选定将异常行为数据扩充至300条时效果最好。
步骤2、将特征值和标签值一起分为训练集和测试集；
步骤2.1、选用M户用电单位作为实验数据，综合考虑训练成本及准确率等因素，M应取5000至10000之间。本次使用了7000户用电单位，其中包括低压非居民用户2000户(其中具有异常用电行为的205户)、低压居民3000户(其中具有异常用电行为的有670户)、高压用户2000户(其中具有异常行为的有300户)。
步骤2.2、将实验数据分为训练集和测试集，训练集和测试集的比率为6：4。具体数据数量如下：
表1：各数据数量
Figure BDA0002427531130000051
步骤3、如图9所示，将处理好的数据输入构建好的双向长短期记忆网络；
步骤3.1、将输入的高维数据划分为12个大小相同的子数据，并分别作为输入送入12个长短期记忆模块；
步骤3.2、对提取到的月份之间的局部特征进行整合，在双向长短期记忆网络模块后添加Full Connect层(全连接层)，之后使用Sigmoid激活函数将输出值映射在0到1之间，实现二分类任务。；
步骤3.3、损失函数采用的是二分类损失函数，其计算公式是：
Figure BDA0002427531130000052
其中C表示交叉熵，n表示每次训练的样本数量，y表示样本数据的标签，a表示根据模型预测得到的值。优化器选择Adam优化算法，Adam算法结合了动量算法和RMSprop算法的优点，使用动量来累积梯度，并且对梯度计算了微分平方加权平均数，消除了梯度在收敛过程中大的摆动，使得各个维度的摆动都较小，同时还加快了收敛速度；
步骤4、训练模型并寻找合适的超参数；
步骤4.1、运行模型，得到训练集的损失值和测试集的准确率图像；
步骤4.2、针对低压居民用户，将每批次个数分别设置为100、200、300、400，学习率依次设置为0.0001、0.00025、0.0005、0.00075、0.001，并采用early_stop的方法来对控制训练轮数，如果loss值不再下降就会提前结束。具体的准确率和轮数如下：
表2准确率
Figure BDA0002427531130000061
表3终止训练时的轮数
Figure BDA0002427531130000062
步骤4.3、由上表可以看出，当每批次样本个数(Batch-size)为200个，学习率设置为0.0005时得到的训练准确率最高。同理，可以得到另外两组数据的最优超参数和最高准确率。具体参数如下：
表4最优超参数和最高准确率
Figure BDA0002427531130000071
步骤5、进行与支持向量机、BP神经网络、长短期记忆网络的对比实验，如图12、图13所示，；
步骤5.1、考虑各个模型的收敛特性，将对比实验的训练轮数设为300轮。
步骤5.2、得到四种模型的在三种数据上的准确率。实验的准确率对比如下：
表5四种模型准确率对比
Figure BDA0002427531130000072

Claims (3)

1.基于双向长短期记忆网络的异常用户行为识别方法，其特征在于，包括以下步骤：
步骤一：从数据库中获取某地区用户的营销历史数据；
步骤二：将获得的数据进行数据剔除和数据填充；
步骤三：高压用户存在数据不平衡问题，因此采用Smote过采样算法进行数据扩充；
对每个异常样本x，从它的最近邻中随机选一个样本
Figure FDA0002427531120000011
然后在x、
Figure FDA0002427531120000012
之间的连线上随机选一点作为新合成样本xnew，其公式为：
Figure FDA0002427531120000015
步骤四：将经过步骤二和步骤三清洗过的数据进行归一化处理；
本次使用的数据既有电量还有电费，需对数据进行线性归一化处理，将有量纲的数据变为无量纲的数，变成标量，归一化公式为：
Figure FDA0002427531120000014
x'i表示归一化后的值，X为原始数据，Xmin为每个用户数据的最小值，Xmax为每个用户数据的最大值；
步骤五：构建双向长短期记忆网络模块；
为了有效提取数据中的特征，采用双向长短期记忆模块进行特征提取；特征提取模块是由多个双向长短期记忆模块按照时间序列连接组成，将上一个模块的激活值和下一时刻的输入值连接为一个矩阵作为下一个模块的输入；采用上下各12个长短期记忆cell构成双向长短期记忆网络特征提取模块，每个cell的输入大小为[6×1]；
为了从高维数据中提取出有效特征，将输入的高维数据划分为12个大小相同的子数据：x1，x2，x3，…，x12，每个子数据大小为[6×1]；把12个子数据分别作为输入送入有12个长短期记忆模块，实现将高维数据的特征进行提取；
步骤六：构建BP神经网络模型；
①、为了对提取到的月份之间的局部特征进行整合，使局部特征通过权值矩阵组装成为一个完整的模型，因此在长短期记忆网络模块后添加全连接层，此阶段使用的是BP神经网络；
②、BP神经网络由3层全连接的神经网络组成，分别为两层隐藏层和一层输出层；其中隐藏层神经元数分别为128，32个；隐藏层采用RELU函数进行激活，增强模型的非线性，它将小于0的部分变为0，大于0的部分以斜率为1的函数表示；
③、输出层采用sigmoid函数作为激活函数，sigmoid函数用作二分类问题的分类器，该函数的输出区间为(0,1)；而且在x为0时，函数的值为0.5，函数关于(0，0.5)对称，设置0.5为分界点，将大于0.5和小于0.5的数据分为两类；
步骤七：确定模型的损失函数、优化器、各项超参数；
模型的损失函数采用二分类损失函数；优化器选择Adam优化算法；学习速率设置为0.0005，训练轮数设为300，每一训练批次大小设置为200；
步骤八：将特征值和标签值一起分为训练集和测试集，拆分比例为6:4；
步骤九：训练模型，得到此模型在测试集上的准确率。
2.根据权利要求1所述基于双向长短期记忆网络的异常用户行为识别方法，其特征在于，其中将获得的数据进行数据剔除和数据填充，具体包括以下步骤：
步骤1.1、根据实际情况将用户分为三类，分别是低压居民用户、低压非居民用户、高压用户；
步骤1.2、取出的数据包含很多无用属性、空属性，对这些属性进行删除，保留YM、JDL、FDL、PDL、GDL、ZDL、ZDF，其中YM表示年月、JDL表示尖电量、FDL表示峰电量、PDL表示平电量、GDL表示谷电量、ZDL表示总电量、ZDF表示总电费；
步骤1.3、从上一步的处理结果中，保留用户数据多于N个月的用户，少于N个月则剔除，然后针对多于N个月但有缺失的用户，取前后月份的平均值填补缺失的，如果缺失的为最后几个月则取前边两个月的平均值进行填充；此外还删除了用户重复的数据以及错误信息，并把剔除后的数据整理在一张表中，保存以备用。
3.根据权利要求1所述基于双向长短期记忆网络的异常用户行为识别方法，其特征在于，步骤三中异常行为数据扩充至300。
CN202010225598.XA 2020-03-26 2020-03-26 基于双向长短期记忆网络的异常用户行为识别方法 Pending CN111507752A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010225598.XA CN111507752A (zh) 2020-03-26 2020-03-26 基于双向长短期记忆网络的异常用户行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010225598.XA CN111507752A (zh) 2020-03-26 2020-03-26 基于双向长短期记忆网络的异常用户行为识别方法

Publications (1)

Publication Number Publication Date
CN111507752A true CN111507752A (zh) 2020-08-07

Family

ID=71874541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010225598.XA Pending CN111507752A (zh) 2020-03-26 2020-03-26 基于双向长短期记忆网络的异常用户行为识别方法

Country Status (1)

Country Link
CN (1) CN111507752A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469266A (zh) * 2021-07-14 2021-10-01 广西电网有限责任公司 一种基于改进深度卷积神经网络的窃电行为检测方法
CN114841268A (zh) * 2022-05-06 2022-08-02 国网江苏省电力有限公司营销服务中心 基于Transformer和LSTM融合算法的异常电力客户识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961177A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961177A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HOUPAN ZHOU: "Identification of Abnormal Electricity Consumption Behavior Based on Bi-LSTM Recurrent Neural Network" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469266A (zh) * 2021-07-14 2021-10-01 广西电网有限责任公司 一种基于改进深度卷积神经网络的窃电行为检测方法
CN113469266B (zh) * 2021-07-14 2022-08-23 广西电网有限责任公司 一种基于改进深度卷积神经网络的窃电行为检测方法
CN114841268A (zh) * 2022-05-06 2022-08-02 国网江苏省电力有限公司营销服务中心 基于Transformer和LSTM融合算法的异常电力客户识别方法

Similar Documents

Publication Publication Date Title
CN111612651B (zh) 一种基于长短期记忆网络的异常电量数据检测方法
CN111738462B (zh) 电力计量装置故障抢修主动服务预警方法
CN106909933B (zh) 一种三阶段多视角特征融合的窃电分类预测方法
CN110321919A (zh) 一种用于低压单相用户户相关系辨识的聚类方法
CN109190950B (zh) 一种电表和水表档案贯通的用能异常识别方法
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
CN112308124B (zh) 一种面向用电信息采集系统的智能防窃电方法
CN111507752A (zh) 基于双向长短期记忆网络的异常用户行为识别方法
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN113407644A (zh) 一种基于深度学习算法的企业行业二级行业多标签分类器
CN112257784A (zh) 一种基于梯度提升决策树的窃电检测方法
CN113780402A (zh) 一种基于改进式生成对抗网络的用户窃电检测方法
CN112395289A (zh) 一种分布式光伏数据分层存储方法和系统
CN111626559A (zh) 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统
CN116484299A (zh) 基于梯度提升树与多层感知机融合的充电桩故障诊断方法
CN113949079B (zh) 基于深度学习的配电台区用户三相不平衡预测优化方法
CN110363384A (zh) 基于深度加权神经网络的异常用电检测方法
Yao et al. AdaBoost-CNN: a hybrid method for electricity theft detection
CN114626433A (zh) 一种智能电能表故障预测并分类方法、装置及系统
Li et al. A demand-side load event detection algorithm based on wide-deep neural networks and randomized sparse backpropagation
Chen et al. Electricity theft detection model for smart meter based on residual neural network
CN114142521A (zh) 一种分布式新能源配电网多目标优化调度方法及系统
CN113837486A (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法
CN113627452A (zh) 一种基于机器学习随机森林算法的窃电行为检测方法
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200807