[发明专利]一种检测电表异常的方法、装置及设备

权利要求书

1.一种检测电表异常的方法，其特征在于，包括：

将各电表数据转换成适用于时间序列预测的输入数据集，采用至少两层的长短期记忆网络算法对输入数据集进行误差预测，得到预期日期的预测误差；

在根据所述预期日期的预测误差判定存在异常电表的情形下，采用卷积神经网络对每个电表进行异常检测，得到异常电表。

2.如权利要求1所述的方法，其特征在于，

所述长短期记忆网络算法的第一层包含30维；所述长短期记忆网络算法的第二层包含30维。

3.如权利要求1所述的方法，其特征在于，

所述卷积神经网络采用的激活函数为sigmoid函数。

4.如权利要求1所述的方法，其特征在于，

所述采用卷积神经网络对每个电表进行异常检测，得到异常电表，包括：

采用卷积神经网络的第一层即输入层，接收根据每个用户的用电信息转换成的递归图；通过卷积神经网络的第二层和卷积神经网络的第三层提取特征；卷积神经网络的第四层为最大池化层；通过卷积神经网络的第五层即扁平层，将多维输入转换为一维；根据卷积神经网络的第六层和卷积神经网络的第七层给出的标量计算预测结果，根据预测结果筛选出异常电表。

5.如权利要求1所述的方法，其特征在于，

所述将各电表数据转换成适用于时间序列预测的输入数据集之前，还包括：

获取电表数据，并进行数据分析及特征拟合，得到误差分布属性，在误差分布属性稳定的情形下，根据误差分布情况获取异常电表。

6.一种检测电表异常的装置，其特征在于，包括：

误差检测模块，用于将各电表数据转换成适用于时间序列预测的输入数据集，采用至少两层的长短期记忆网络算法对输入数据集进行误差预测，得到预期日期的预测误差；

异常电表检测模块，与误差检测模块连接，用于在根据所述预期日期的预测误差判定存在异常电表的情形下，采用卷积神经网络对每个电表进行异常检测，得到异常电表。

7.如权利要求6所述的装置，其特征在于，

所述卷积神经网络包括七层，其中，第一层是用于接收根据每个用户的用电信息转换成的递归图的输入层；第二层和第三层是卷积层用于提取特征；第四层是最大池化层；第五层是扁平层，用于将多维输入转换为一维；第六层和第七层是用于给出标量的稠密层；根据所述稠密层的输出结果计算预测结果，根据预测结果筛选出异常电表。

8.如权利要求6所述的装置，其特征在于，

所述装置还包括与所述误差检测模块连接的数据分析模块；

所述数据分析模块，用于获取电表数据，并进行数据分析及特征拟合，得到误差分布属性，在误差分布属性稳定的情形下，根据误差分布情况获取异常电表；在所述误差分布属性不稳定的情形下，触发所述误差检测模块。

9.一种检测电表异常的设备，其特征在于，包括：

处理器，用于将各电表数据转换成适用于时间序列预测的输入数据集，采用至少两层的长短期记忆网络算法对输入数据集进行误差预测，得到预期日期的预测误差，在根据所述预期日期的预测误差判定存在异常电表的情形下，采用卷积神经网络对每个电表进行异常检测，得到异常电表。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，所述程序用于实现如权利要求1-5任一项所述的检测电表异常的方法。