基于改进极限学习机的用户异常用电辨识方法

摘要

针对海量高维用户用电数据的复杂隐含联系挖掘异常用电特征问题,文章提出一种基于Keras架构下三层全连接门控循环单元组成的特征提取神经网络和极限学习机构建的特征数据匹配网络混合模型(GRU-ELM)用于对用户异常用电模式的辨识。首先,实现基于门控循环单元(Gated Recurrent Unit,GRU)所组成的三层全连接神经网络的构建,从海量时序数据中挖掘出深层隐含特征。其次,构建基于极限学习机(Extreme Learning Machine,ELM)的特征匹配神经网络。最后,利用构建的混合模型,完成对异常用电数据的辨识。实验分析表明,所提模型与多类机器学习模型相比,可更有效地完成异常用电行为检测。此外,对文章所提模型进行历遍不同样本不同周期的准确率测试,验证了模型的鲁棒性。结果表明,文章所提方法能够更好地挖掘出异常用电特征。