基于PCANet和WNN的用户异常用电检测的方法

摘要

本发明公开了一种基于PCANet和WNN的用户异常用电检测的方法，包括以下步骤：S1、获取某一时间范围内用户的用电量数据，并对其进行数据预处理；S2、对预处理后的数据进行电信号特征提取，并通过采用主成分分析对用电特征进行多次降维处理，得到最终的用电特征输出；S3、将最终的用电特征通过小波神经网络WNN模型进行关联映射，检测出用户的异常用电行为。本发明可以准确的检测出用户的用电异常，促使系统对用电异常的用户进行警告，充分保证减少用电过程中的非技术性损失，提高经济效益。

说明书

技术领域

本发明涉及电力窃电检测技术领域，尤其涉及一种基于PCANet和WNN的用户异常用电检测的方法及系统。

背景技术

在电力系统中，输配电损失中的非技术性损失，一直是各国电网企业期望解决的问题。它指的是用户异常用电行为所造成的经济损失，比如用户窃电行为等，严重影响地区电网的正常调度。据不完全统计，在其他一些发展中国家，非技术性损失的增长率(11％)远远高于其国家的GDP增速(4％～5％)。尤其在巴西、印度和墨西哥，全国的用电总量中，非技术性损失所占的比列分别达到了惊人的16.85％、26.2％和15.83％。虽然，非技术性损失在我国的电网输配送中占有的比例相对较低，但是由于我国对电量的需求总体庞大，并随着经济的不断发展、人们生活水平的不断提高，导致用电量不断攀升，随之带来的损失也相当可观。据报道，仅中国福建这一个省，每年因窃电所造成的经济损失高达1亿元人民币。因此，对用户异常用电行为模式的检测研究显得尤其重要，它是降低非技术性损失、提高经济效益的重要手段之一。

PCA(Principal Components Analysis)，它是一种“投影(projection)技巧”，就是把高维空间上的数据映射到低维空间。使得我们能看见一些高维信号，同时可以去掉一些“噪声”，去掉一些不必要的特征。采用主成分分析来实现对用电特征的降维，解决了网络中由于信息的重叠所造成的特征提取效率低下的问题，同时大大提高了模型对异常用电的检测准确率。PCA的主成分分析网络(PCANet)已经发展成熟，同时它也是一种非监督式的特征提取方法，其主要应用在许多图像分类任务中，并取得了很好的分类效果，针对一维信号的特征提取，该方法还鲜有涉足。而小波神经网络是将神经网络的激活函数，例如Sigmod函数，替换成小波函数，而相应的输入层到隐层的权值及激活阈值，由小波函数的尺度伸缩因子和时间平移因子所代替，这是使用最广泛的结构，即紧致性结构。其主要作用还是在于神经网络的优化，小波神经网络相比于前向的神经网络,它有明显的优点:首先小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性；其次小波神经网络有更强的学习能力,精度更高。因为小波理论是全尺度分析，不仅有全局最优解，还保持局部细节最优解，总的而言，对同样的学习任务,小波神经网络结构更简单,收敛速度更快，精度更高。小波神经网络相较于SVM具有更好的特征表达能力，更适合用于对数据序列特征的提取与分类。本发明结合两者的优势对用户异常用电模式进行检测，是现有技术都没有涉及的。

发明内容

本发明主要目的在于提供一种基于PCANet和WNN的用户异常用电模式检测的方法及系统，解决当前由于信息的重叠所造成的特征提取效率低下的问题以及难以获取的带标签数据导致数据缺乏训练样本的问题，从而有效筛选出用电异常的用户。

本发明所采用的技术方案是：

提供一种基于PCANet和WNN的用户异常用电检测的方法，包括以下步骤：

S1、获取某一时间范围内用户的用电量数据，并对其进行数据预处理；

S2、对预处理后的数据进行电信号特征提取，并通过采用主成分分析PCANet对用电特征进行多次降维处理，具体分为三个阶段的PCA映射：

第一阶段PCANet映射，采用滑动窗口来获取预处理后数据的样本片段，并将所有窗口中的样本向量进行去均值处理并进行最小化重构误差；

第二阶段的PCA网络结构处理：将第一阶段的输出作为输入，重复第一阶段PCANet映射过程；

第三阶段输出映射，采用赫维赛德阶跃函数来处理特征向量，将其二值化，并将二值化后的特征向量分为多块单元，对每一个块单元进行直方图统计计算，再将所有的直方图整合为一个向量，得到最终的用电特征输出；

S3、将最终的用电特征通过小波神经网络WNN模型进行关联映射，检测出用户的异常用电行为。

接上述技术方案，其中利用插值法和归一化法对数据进行预处理：

采用插值法对数据中的缺失值进行处理：

式中，x

利用以下公式进行归一化操作，提高网络的检测精度：

X为整体样本数据集，min(X)为数据集中的最小值，max(X)为数据集中的最大值。

接上述技术方案，第一阶段PCANet映射具体为：

对于每一个样本S

然后用以下公式最小化重构误差：

接上述技术方案，第三阶段输出映射中，PCANet采用赫维赛德阶跃函数来处理特征向量，将其二值化：

H(·)代表赫维赛德阶跃函数，其中每一个特征向量被约束在

这里，Bhist(·)代表对每一个块单元进行直方图统计计算，f

接上述技术方案，步骤S3具体为：

选取小波神经网络作为系列特征到用户用电异常行为检测的关联映射，其网络映射方程可表示为：

上式中，M和N分别代表输入输出的映射数量，表示M个输入特征，N个输出特征；σ

接上述技术方案，还包括步骤S4、根据检测出用户的异常用电行为结果产生预警信息，提醒异常的用户用电。

本发明还提供一种基于PCANet和WNN的用户异常用电检测的系统，包括：

数据预处理模块，用于将获得的某一时间范围内用户的用电量数据进行预处理；

特征提取模块，采用主成分分析网络经过三次PCA映射将电信号进行降维处理以提取出电信号特征，具体分为三个阶段的PCA映射：第一阶段PCANet映射，采用滑动窗口来获取预处理后数据的样本片段，并将所有窗口中的样本向量进行去均值处理并进行最小化重构误差；第二阶段的PCA网络结构处理：将第一阶段的输出作为输入，重复第一阶段PCANet映射过程；第三阶段输出映射，采用赫维赛德阶跃函数来处理特征向量，将其二值化，并将二值化后的特征向量分为多块单元，对每一个块单元进行直方图统计计算，再将所有的直方图整合为一个向量，得到最终的用电特征输出；

用户用电异常行为检测模块，用于将最终的用电特征通过小波神经网络WNN模型进行关联映射，检测出用户的异常用电行为。

接上述技术方案，该系统还包括：

预警模块，用于根据检测出的用户异常用电行为结果产生预警信息，提醒异常的用户用电。

接上述技术方案，数据预处理模块具体利用插值法和归一化法对用电量数据进行预处理。

本发明还提供一种计算机存储介质，其可被处理器执行，且其内存储有计算机程序，该计算机程序执行上述技术方案的基于PCANet和WNN的用户异常用电检测的方法。

本发明产生的有益效果是：本专利结合PCANet和WNN对用户异常用电模式进行检测，通过采用主成分分析PCANet对用电特征进行多次降维处理，将降维处理得到的最终用电特征通过小波神经网络WNN模型进行关联映射，检测出用户的异常用电行为，具有更高的鲁棒性和检测精度。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例基于PCANet和WNN的用户异常用电检测的方法流程图；

图2是本发明实施例基于PCANet和WNN的用户异常用电检测系统结构示意图一；

图3是本发明实施例基于PCANet和WNN的用户异常用电检测系统结构示意图二。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例基于PCANet(主成分分析网络)和WNN(小波神经网络)的用户异常用电检测的方法，包括以下步骤：

S1、获取某一时间范围内用户的用电量数据，并对其进行数据预处理；

S2、对预处理后的数据进行电信号特征提取，并通过采用主成分分析对用电特征进行多次降维处理，具体分为三个阶段的PCA映射：

第一阶段PCANet映射，采用滑动窗口来获取预处理后数据的样本片段，并将所有窗口中的样本向量进行去均值处理并进行最小化重构误差；

第二阶段的PCA网络结构处理：将第一阶段的输出作为输入，重复第一阶段PCANet映射过程；

第三阶段输出映射，采用赫维赛德阶跃函数来处理特征向量，将其二值化，并将二值化后的特征向量分为多块单元，对每一个块单元进行直方图统计计算，再将所有的直方图整合为一个向量，得到最终的用电特征输出；

S3、将最终的用电特征通过小波神经网络WNN训练完成的模型进行关联映射，检测出用户的异常用电行为。

进一步地，还包括步骤S4、根据检测出用户的异常用电行为结果产生预警信息，提醒异常的用户用电。

本发明的上述实施例的方法能够满足于PCANet和WNN网络的特征提取的预警需要，具有精度高、可靠性好、泛化性更高等优点；另外，所提出的用户用电异常检测，对于减少非技术性损失、提高经济效益具有很好的指导意义，实用性强，有着较强的推广性与使用价值。

如图2所示，本发明一较佳实施例基于PCANet和WNN网络的特征提取方法通过建立用电相关特征库，利用插值法和归一化法对数据进行预处理。减少数据集中错误和缺失的数据对网络造成的影响，具体步骤包括：

(1)采用插值法对数据中的缺失值进行处理：

式中，x

(2)利用以下公式进行归一化操作，提高网络的检测精度：

这里，X为整体样本数据集，min(X)为数据集中的最小值，max(X)为数据集中的最大值。

(3)电相关特征提取，其中包括采用主成分分析来实现对用电特征的降维，

一共分为三个阶段的PCA映射：

1)第一阶段PCA映射此阶段是对WNN网络的输入层和中间层的处理。对于每一个样本S

因此，对于所有数据样本，构造上述相同的矩阵，并将其合并在一起得到

对于第i层的L

式(3)中，

式(4)中，

2)第二阶段的PCA网络结构和处理过程与第一阶段相同，不同的是第二阶段的输入为第一阶段的输出。

类似于第一阶段，整合所有滤波器去均值化后的输出矩阵，将其定义为：

其中，

式(7)中，

3)第三阶段输出映射为了增强网络的鲁棒性，PCANet采用赫维赛德阶跃函数来处理特征向量，将其二值化：

式(9)中，H(·)代表赫维赛德阶跃函数，其中每一个特征向量被约束在

这里，Bhist(·)代表对每一个块单元进行直方图统计计算，f

(4)关联映射，选取小波神经网络作为系列特征到用户用电异常行为检测的关联映射，其网络映射方程可表示为：

式(11)中，M和N分别代表输入输出的映射数量，即M个输入特征，N个输出特征；σ

如图3所示，本发明实施例基于PCANet和WNN的用户异常用电检测的系统主要用于实现上述实施例的方法，该系统具体包括：

数据预处理模块，用于将获得的某一时间范围内用户的用电量数据进行预处理；具体可利用插值法和归一化法对用电量数据进行预处理。

特征提取模块，采用主成分分析网络经过三次PCA映射将电信号进行降维处理以提取出电信号特征，具体分为三个阶段的PCA映射：第一阶段PCANet映射，采用滑动窗口来获取预处理后数据的样本片段，并将所有窗口中的样本向量进行去均值处理并进行最小化重构误差；第二阶段的PCA网络结构处理：将第一阶段的输出作为输入，重复第一阶段PCANet映射过程；第三阶段输出映射，采用赫维赛德阶跃函数来处理特征向量，将其二值化，并将二值化后的特征向量分为多块单元，对每一个块单元进行直方图统计计算，再将所有的直方图整合为一个向量，得到最终的用电特征输出；

用户用电异常行为检测模块，用于将最终的用电特征通过小波神经网络WNN模型进行关联映射，检测出用户的异常用电行为。

该系统还包括：

预警模块，用于根据检测出的用户异常用电行为结果产生预警信息，提醒异常的用户用电。

本发明还提供了一种计算机存储介质，其可被处理器执行，且其内存储有计算机程序，该计算机程序执行上述实施例的基于PCANet和WNN的用户异常用电检测的方法。具体方法在此不赘述。

综上，本发明利用PCANet网络结构完成从用户用电数据中提取有效序列特征；然后，通过小波神经网络完成从有效序列特征到用户用电行为模式的空间映射，实现对异常用电的检测。本发明可以准确的检测出用户的用电异常，促使系统对用电异常的用户进行警告，充分保证减少用电过程中的非技术性损失，提高经济效益。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。