[发明专利]一种基于边缘计算的窃电检测方法

权利要求书

1.一种基于边缘计算的窃电检测方法，其特征在于，依据采集到的用户用电信息和历史用电数据对实时用户用电数据预测的步骤如下：

步骤一：采集用户的历史用电信息，上传到集中式数据处理中心；

步骤二：所述集中式数据处理中心利用快速搜索密度峰值聚类技术，对步骤一采集到的历史用电信息数据进行聚类，得到与所述用户的用电行为相似的多类用户用电数据；

步骤三：所述集中式数据处理中心对多类用户用电数据进行多类别CNN特征提取模型的训练；

步骤四：集中式数据处理中心将步骤三中训练好的CNN特征提取模型参数分类传入多台边缘式数据处理中心中；

步骤五：在边缘式数据处理中心中，使用训练好的CNN特征提取模型对历史用电数据进行特征提取，将提取后的特征输入SVM进行训练，得到SVM分类器模型参数，得到训练好的CNN-SVM模型；

步骤六：将实时用户用电数据传入对应的边缘式据处理中心中，边缘式数据中心根据训练好的CNN-SVM模型进行分类，得到预测是否为窃电用户的结果；

在步骤三中，使用历史用电数据对CNN特征提取模型进行训练包括如下详细步骤：

将一维用电数据转换成二维数据作为输入，使用三种输入数据，分别为一维日负荷数据、二维周负荷用电数据和二维月负荷用电数据；

其中一维日负荷用电数据输入形状如下：

M_1×d＝[P₁ P₂…P_d] (1)

其中d为用户历史用电数据总用电天数；

二维周负荷用电数据输入形状如下：

其中w为用户历史用电数据总用电周数；

二维月负荷用电数据输入形状如下：

其中m为用户历史用电数据总用电月数；

得到输入数据后，首先是局部感知；其次是参数共享，最后是卷积，用于特征的提取。

2.根据权利要求1所述的一种基于边缘计算的窃电检测方法，其特征在于，在所述步骤一，还包括对用户历史用电数据进行统计，将统计的数据随机分为CNN样本和SVM样本，其中，CNN样本或SVM样本分为训练样本和测试样本。

3.根据权利要求1所述的一种基于边缘计算的窃电检测方法，其特征在于，在所述步骤二，利用快速搜索密度峰值聚类技术包括两个步骤；

步骤2.1，对采集到的历史用电信息数据进行PCA特征提取；

步骤2.2，提取后寻找历史用电信息数据的密度峰值点并根据峰值点距离进行分类。

4.根据权利要求3所述的一种基于边缘计算的窃电检测方法，其特征在于，其中，PCA特征提取得到用户用电行为矩阵V，V的形式如下：

其中：k代表用户特征的个数，用户特征包括用户用电月负荷均值，最大值，最小值，月负荷序列的标准差；矩阵里的V_uifk代表用户i在特征k上的值，步骤2.2中，寻找密度峰值点并根据距离进行分类，定义密度峰值点根据如下公式：

或

为局部密度；

其中，公式(2)为截止距离法表示的局部密度，其中(i，j)是点i和点j之间的欧氏距离，为截止距离；公式(3)为核距离方法表示的局部密度；

δ(i)为峰值距离：

CFSFDP算法计算局部密度ρ和更高密度距离δ，将数据集映射成二维图并构造一个决策图以供选择，在决策图中，选ρ和δ较大值点为聚类中心，在选择聚类中心后，再将剩余点分配给距离最近的聚类中心完成聚类。

5.根据权利要求1所述的一种基于边缘计算的窃电检测方法，其特征在于，CNN模型不断迭代更新训练至收敛或满足训练次数为止，一维卷积提取日负荷特征和二维卷积提取的周、月负荷特征使用它们的输出的加权和作为隐藏特征进行组合，再经过全连接层最后输出32维特征向量作为SVM分类器模型的输入样本。