买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东欧通信息科技有限公司;武汉工程大学

摘要：本发明属于电表数据分析技术领域，尤其涉及智能电表数据分析与异常检测方法及系统，方法包括从智能电表中实时采集电力使用数据；将采集的电力使用数据输入到预先训练好的深度学习网络，识别出与真实电力数据相似但实则为盗窃行为的合成数据；通过预先构建的基于关联规则学习算法的关联规则模型对合成数据进行分析，得到多个用户之间的异常相关性，识别出有组织的群体电力盗窃模式；根据识别结果执行响应措施；系统包括数据采集单元、深度学习分析模块、关联分析单元和实时响应模块。本发明提高了电力盗窃检测的及时性和准确性，能够更准确地区分正常用电和盗电行为，从而提高识别精度，且能够准确识别出群体电力盗窃模式。

主权项：1.一种智能电表数据分析与异常检测方法，其特征在于，包括以下步骤：S1、从智能电表中实时采集电力使用数据；S2、将采集的电力使用数据输入到预先训练好的深度学习网络，识别出与真实电力数据相似但实则为盗窃行为的合成数据；该深度学习网络为生成对抗网络，其通过生成器生成与真实电力盗窃行为数据相似的合成数据，通过判别器区分生成器生成的合成数据与真实的电力盗窃数据；并采用对抗训练方法，通过交替训练生成器和判别器，优化生成器和判别器；S3、通过预先构建的基于关联规则学习算法的关联规则模型对合成数据进行分析，得到多个用户之间的异常相关性，识别出有组织的群体电力盗窃模式；S4、根据识别结果执行响应措施；电力使用数据包括电流、电压，以及电表的即时功率消耗；所述生成对抗网络为基于逆向工程策略的条件生成对抗网络，通过分析已知的盗电策略来指导生成器生成针对性的盗电案例数据，使其适应盗电者新的盗电策略或新的行为模式；生成器的输入是一个随机噪声向量，输出是合成的电力数据，生成器的目标是最大化判别器将其合成的电力数据误判为真实数据的概率；判别器的输入是电力数据，输出是表示电力数据为真实数据的概率值；判别器的目标是最大化正确识别真实电力数据的概率，以及最大化识别合成的电力数据为假数据的对数概率；其中，生成对抗网络GANs主要包括一对生成器G和判别器D；生成器的输入是一个随机噪声向量z，输出是合成的电力数据，生成器的目标函数为： ；其中，Gz表示生成器基于噪声z生成的数据，而DGz是判别器评估生成的数据，为电力使用“真实数据”的概率，生成器的目标是最大化判别器将其生成的数据误判为真实数据的概率；生成器的操作如下：输入：随机噪声向量z；处理：噪声向量通过生成器网络，网络包括多个全连接层或卷积层；输出：生成的电力使用数据，模拟真实的盗电行为数据；判别器的输入是电力数据，输出是一个概率值，表示数据为真实数据的概率，判别器的目标函数为： ；其中，第一部分是判别器基于真实数据x输出其为真实数据的对数概率，用于最大化第一部分概率，即正确识别真实数据的概率，第二部分是判别器基于生成数据Gz输出其为假数据的对数概率；判别器的操作如下：输入：电力数据；处理：数据通过判别器网络，该网络包括多个全连接层或卷积层；输出：概率值，表示输入数据是真实数据的概率；在电力盗窃检测的场景中，通过训练GANs来生成看似真实的电力盗窃数据；生成器模仿电力盗窃的各种可能场景，而判别器则不断学习如何区分真实的盗电数据和生成器生成的数据；在对抗训练中，生成器和判别器交替更新，其中；判别器的更新：在固定生成器的情况下，提升判别器的参数以最小化LD；操作步骤：数据准备，准备真实数据样本x和通过生成器G产生的假数据样本Gz；前向传播，将这些数据样本输入到判别器D中，计算对应的判别器输出Dx和DGz；计算损失，根据判别器的输出，计算LD；反向传播与参数更新，利用梯度下降计算损失函数LD关于判别器参数的梯度，并更新判别器D的参数以降低LD；生成器的更新：在固定判别器的情况下，调整生成器的参数以最小化LG；操作步骤：生成假数据，生成器G接收随机噪声z，生成假数据样本Gz；前向传播，将假数据样本Gz输入到判别器D中，获取判别器对假数据的评估DGz；计算损失，根据判别器的评估，计算生成器的损失LG；反向传播与参数更新，利用梯度上升计算损失函数LG关于生成器参数的梯度，并更新生成器G的参数以增加LG；步骤S3具体包括以下步骤：S31、通过关联规则模型提取与电力使用模式相关的关键特征，包括峰值用电时间、最低用电量和平均用电量；S32、根据提取的关键特征分析电力消费的周期性模式生成频繁项集，该频繁项集包括在某时间内频繁一起出现的电力使用模式；S33、根据频繁项集构建关联规则，并设置支持度、置信度阈值以及提升度，以评估筛选关联规则，关联规则反映用户之间潜在异常电力使用关联；S34、利用关联规则分析多个用户之间的电力使用关系，识别出与常规用电模式不同的模式，观测某时间窗口内显示出相似异常用电行为的用户群体；支持度是项集在所有交易中出现的频率，表示为： ；置信度是规则被证实为真的条件下，项集X出现的频率，表示为：；提升度是规则对目标项Y出现的概率的提升比例，表示为：；将生成对抗网络改进为条件对抗网络，该条件对抗网络加入了代表导电特征的条件向量，通过该改进的条件对抗网络，采用逆向工程策略，从而适应盗电者不断更新的盗电策略和盗电行为模式；逆向工程具体包括：定义电力盗窃的特征和指标，基于历史电力盗窃行为数据定义能够表示盗电行为的特征和指标，包括：用电量异常：异常高或低的用电量变化；用电时间模式：在非典型时间的高用电量；物理干预指标：电表的物理损害迹象或外部设备干预的迹象；逆向工程设计：将特征和指标作为输入，设计生成器的逆向工程模块，包括特征编码以及生成模拟数据，其中，特征编码使生成器能够接受指定电力盗窃特征作为条件输入，生成模拟数据用于训练生成器根据指定电力盗窃特征生成符合电力盗窃行为特征的模拟数据，包括使用条件生成对抗网络cGANs来确保生成数据反映具体的盗电条件；训练判别器和生成器，训练判别器学习区分真实数据和生成器生成的盗电模拟数据；优化生成器，使其生成的数据更难被判别器区分，提高其复现真实世界盗电行为的能力；迭代优化和验证：通过不断迭代训练过程，细化生成器和判别器的性能，在独立的验证集上测试模型的性能，验证集包含真实的盗电行为数据和正常用电数据；逆向工程中，生成器G被训练来生成满足电力盗窃特征的数据，使用条件生成对抗网络cGANs时，生成器的输入不仅包括随机噪声z，还包括条件向量c，代表盗电的特征，生成器和判别器的目标函数将调整为考虑条件向量c；因此，生成器的目标函数更新为： ，其中，表示在给定条件向量c的情况下，由随机噪声z生成的数据；训练判别器和生成器：判别器D的任务是区分输入数据是真实的还是由生成器生成的，当使用条件生成对抗网络时，判别器的输入同样包括条件向量c，因此，判别器的目标函数更新为： ；其中，和分别表示在给定条件向量c的情况下，判别器判断真实数据x和生成数据为真实的概率；迭代优化阶段，使用梯度下降和梯度上升来更新参数；判别器的参数更新：；生成器的参数更新：；其中，α和β是学习率，和分别是判别器和生成器的参数。

全文数据：

权利要求：

百度查询： 山东欧通信息科技有限公司 武汉工程大学 智能电表数据分析与异常检测方法及系统