[发明专利]一种基于边缘计算的窃电检测方法

说明书

本发明公开了一种基于边缘计算的窃电检测方法，涉及窃电检测方法领域，解决了边缘计算平台采集用户信息进行基于分类器的检测分析的分析模型不适宜导致计算复杂度高，硬件软件成本高的问题。本发明包括对历史用电信息数据进行聚类，进行多类别CNN特征提取模型的训练，传入多台边缘式数据处理中心中，使用CNN特征提取模型对历史用电数据进行特征提取后输入SVM进行训练，得到训练好的CNN‑SVM模型，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。本发明的聚类方法提高运算速度，特征提取器具有较好的收敛性能，准确度更好且计算复杂度低，适合边缘数据中心部署。

技术领域

本发明涉及窃电检测方法，具体涉及一种基于边缘计算的窃电检测方法。

背景技术

现有边缘计算平台采集用户信息进行基于分类器的检测分析，往往因为分析模型不适宜导致计算复杂度高，硬件软件成本高，不适合进行边缘数据部署。

发明内容

本发明所要解决的技术问题是：边缘计算平台采集用户信息进行基于分类器的检测分析的分析模型不适宜导致计算复杂度高，硬件软件成本高，本发明提供了解决上述问题的一种基于边缘计算的窃电检测方法。

本发明通过下述技术方案实现：

一种基于边缘计算的窃电检测方法，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(CFSFDP)，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。

进一步地，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。

进一步地，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，提取后寻找息数据的密度峰值点并根据峰值点距离进行分类。

进一步地，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

ρ(i)为局部密度；