[发明专利]一种基于深度学习算法的防窃电系统及其防窃电方法

权利要求书

1.一种基于深度学习算法的防窃电系统，其特征在于：包括在线识别疑似窃电用户模块(1)和离线训练深度学习网络模块(2)，在线识别疑似窃电用户模块用于识别疑似窃电用户，离线训练深度学习网络模块用于确定在线识别疑似窃电用户模块中深度学习网络各个网络参数；该防窃电系统的防窃电方法，步骤包括：

a、利用用电信息采集系统，获取用户用电数据，包括有功功率W_有功、无功功率W_无功、谷值功率W_谷值、峰段功率W_峰值、平值功率W_平值以及功率因素数据；

有功功率：W_有功＝(M_本月有功-M_上月有功)·m，m表示倍率，M代表抄表值；

无功功率：W_无功＝(M_本月无功-M_上月无功)·m；

谷值功率：W_谷值＝(M_本月谷值-M_上月谷值)·m；

峰值功率：W_峰值＝(M_本月峰值-M_上月峰值)·m；

平值功率：W_平值＝(M_本月平值-M_上月平值)·m；

功率因素：

b、在采用深度学习算法之前，需要对有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率因素用电数据的归一化，将其取值范围化为[-1,1]，归一化公式为：

其中，x_max为本指标数值中的最大值，x_min为本指标数值中的最小值，x_i为第i个输入数据，x_mid表示中位数，表示x_i归一化之后的数值；

c、根据归一化的有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率因素用电数据，构建用电数据矩阵N×6，其中，N表示用电数据采样点数，6表示上述提到的有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率因素参量的数量，采用深度学习算法中的卷积神经网络算法，根据softmax分类器计算用户用电嫌疑系数，softmax分类器中，softmax值计算如下：

其中，S_i表示第i个数据的softmax值，v_i表示输入softmax分类器的第i个数据，j表示数据编号，窃电嫌疑系数y的计算模型如下：

y＝H(x₁，x₂，x₃，x₄，x₅，x₆)(0≤y≤1) (4)

其中，x₁,x₂,x₃,x₄,x₅,x₆分别表示归一化的有功功率、无功功率、平段功率、谷段功率、峰段功率以及功率因素用电数据，H(x)代表深度学习运算

d、若该月窃电嫌疑系数大于等于0.85，则该月有较大窃电嫌疑，并发出预警信息；若该月窃电嫌疑系数小于0.85，则确定该月无窃电行为；

两个模块协同工作的方法如下：首先，离线训练深度学习网络模块根据输入的用电数据，确定卷积神经网络中的网络参数；然后，在线识别疑似窃电用户模块根据确定的网络参数，采用softmax分类器确定疑似窃电用户；最后，定期地根据存储的用电数据更新卷积神经网络中的网络参数，调整相应参数，保证在线识别疑似窃电用户模块中卷积审计网络参数的实时性。

2.根据权利要求1所述的基于深度学习算法的防窃电系统，其特征在于：所述离线训练深度学习网络模块具体实现的步骤包括：

a.选取用户用电数据，输入卷积神经网络；

b.计算卷积神经网络的实际输出；

c.计算卷积神经网络的实际输出与理想值的差值；

d.按照极小化误差方法方向传播调整矩阵；

e.训练完成，计算用户用电嫌疑系数；

采用卷积神经网络时，上述过程的具体实现方式包括如下步骤：

Step1.从选定训练组，在归一化抄表数据中随机选取一定数量的样本作为训练样本集；

Step2.初始化，将各个权值v_ij，w_jk和阈值θ_k，设置成足够小的接近于0的随机值，并设置控制参数ε和学习率α参数的初始值，v_ij表示输出单元i到隐含单元j的权值，w_jk表示隐含单元j到输出单元k的权值，θ_k和分别表示输出单元k的阈值和隐含单元j的阈值；

Step3.从训练组中选取任意一个输入模式X输入到网络中，并指定其目标输出向量D；

Step4.利用(5)计算出中间层输出向量H＝(h₀,h₁,…,h_L)，再利用公式(6)计算出实际输出向量Y；

式中，L表示网络中间层的网络数，k表示输出单元，y_k表示输出单元k的输出，h_j表示中间层j的输出值；

Step5.计算输出向量中的元素y_k与理想的目标向量中的元素d_k的差值，计算出M个输出误差项：

δ_k＝(d_k-y_k)y_k(1-y_k) (7)

其中，M表示输出层的单元数；

Step6.计算中间层的隐含单元的误差项，共L个：

Step7.依次计算出各个连接权值的调整量Δw_jk(n)和Δv_jk(n)，n表示输入层单元数，Δv_ij表示输出单元i到隐含单元j的权值调整量，Δw_jk表示隐含单元j到输出单元k的权值调整量；

Δw_jk(n)＝(α/(1+L))*(Δw_jk(n-1)+1)*δ_k*h_j

Δv_jk(n)＝(α/(1+L))*(Δv_jk(n-1)+1)*δ_k*h_j (9)

和阈值的调整量，Δθ_k和分别表示输出单元k的阈值和隐含单元j的阈值调整量：

Δθ_k(n)＝(α/(1+L))*(Δθ_k(n-1)+1)*δ_k

Δφ_j(n)＝(α/(1+L))*(Δφ_j(n-1)+1)*δ_j (10)

调整权值：

w_jk(n+1)＝w_jk(n)+Δw_jk(n)

v_jk(n+1)＝v_jk(n)+Δv_jk(n) (11)

调整阈值：

θ_k(n+1)＝θ_k(n)+Δθ_k(n)

φ_j(n+1)＝φ_j(n)+Δφ_j(n) (12)

Step8.k重复进行1至M后，判断评定指标是否满足精度要求：E≤ε，其中E是总误差函数，且

若不满足，就返回第3步，继续计算迭代，若满足则进行下一步；

Step9.训练结束后，将训练得到的权值和阈值保存在网络中，认为稳定可用的网络分类器已经形成，如需再次进行训练，则直接调用现有的权值和阈值进行训练，无需再次进行初始化操作。