申请/专利权人：安徽大学

申请日：2021-09-06

公开（公告）日：2024-06-18

公开（公告）号：CN113779879B

主分类号：G06F30/27

分类号：G06F30/27;G06F113/04;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2021.12.28#实质审查的生效;2021.12.10#公开

摘要：本发明公开了一种基于LSTM‑seq2seq‑attention模型的中长期用电异常检测方法，包括数据收集步骤、数据预处理步骤、神经网络模型构建步骤、神经网络模型训练步骤、经济数据估计步骤、用电异常综合指数d计算步骤、用电异常判断步骤。根据历史数据，可以通过结合包括GDP，气候，节假日在内的影响因素，分析出不同用户的用电行为特征。利用Seq2Seq‑Attention神经网络，能够快速有效的分析用户数据，对可疑用户进行检测，实施防窃电。本发明的基于LSTM‑seq2seq‑attention模型的中长期用电异常检测方法，具有快速和精确、准确性高与鲁棒性好等优点。

主权项：1.一种基于LSTM-seq2seq-attention模型的中长期用电异常检测方法，其特征在于，包括以下几个步骤：步骤1：数据收集步骤；按照预设的时间周期，收集该时间周期内的用电数据；步骤2：数据预处理步骤；对收集到的用电数据进行数据清洗、缺失值补齐和归一化处理；步骤3：神经网络模型构建步骤；以LSTM神经网络为神经元，构建多层LSTM-seq2seq-attention神经网络；构建seq2seq-attention神经网络过程中，是以LSTM神经网络为神经元构建多层seq2seq神经网络LSTM-seq2seq-attention，并加入注意力机制，选用Mish激活函数作为整个神经网络的输出层激活函数；LSTM-seq2seq-attention神经网络主要由编码器和解码器组成，并引入注意力机制；编码器由多层LSTM组成，对输入数据进行编码，并输出编码后的状态；注意力机制在编码器和解码器中间，解码器是由单层LSTM组成，注意力机制部分的输出作为上下文向量和编码器的输出拼接起来作为解码器的输入，同时以每一步的输出值作为下一步的输入值；步骤4：神经网络模型训练步骤；利用步骤2中数据预处理后的用电数据，对步骤3的LSTM-seq2seq-attention神经网络进行训练，获得用电正常情况下的电力数据；步骤5：经济数据估计步骤；将步骤4的用电正常情况下的电力数据以及同时期的气温数据、降雨量数据、湿度数据、风速数据和气压数据确定为影响GDP的6个指标，通过主成分分析法确定3个影响度最高的因子，进而计算得到同时期的GDP数值作为用电正常情况下的经济数据的估计值；步骤6：用电异常综合指数d计算步骤；根据步骤5的用电正常情况下的经济数据的估计值，计算用电异常综合指数d；采用公式（11）计算用电异常综合指数d；d=|h-s|h*100%（11）；公式（11）中，h是月平均GDP估计值，s是月平均待检测值，待检测值是企业当月的月平均经济数据GDP；步骤7：用电异常判断步骤；根据预设的阈值σ，通过阈值σ与用电异常综合指数d的比较，判断用电是否存在异常。

全文数据：

权利要求：

百度查询： 安徽大学 一种基于LSTM-seq2seq-attention模型的中长期用电异常检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD