[发明专利]基于PCANet和WNN的用户异常用电检测的方法

权利要求书

1.一种基于PCANet和WNN的用户异常用电检测的方法，其特征在于，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。

2.根据权利要求1所述的基于PCANet和WNN的用户异常用电检测的方法，其特征在于，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_i代表某一时间范围内用户的用电量，NaN指的是x_i的值，为空值或为非数字值；

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。

3.根据权利要求1所述的基于PCANet和WNN的用户异常用电检测的方法，其特征在于，第一阶段PCANet映射具体为：

对于每一个样本S_i，采用大小为w₁×w₂的滑动窗口来获取样本片段：其中x_i，j表示第j个矢量化窗口中S_i的第i个样本向量，将所有窗口中的样本向量进行去均值处理后得到：

然后用以下公式最小化重构误差：

为L₁×L₁的单位矩阵，上式的解为UU^T的L₁个主特征向量。

4.根据权利要求3所述的基于PCANet和WNN的用户异常用电检测的方法，其特征在于，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的范围内；为第一阶段的滤波器；为第i张图像第l个滤波器的输出；对于每一个数据样本S_i，将其对应的输出分为B个块单元，并对每一个块单元进行直方图统计计算，并将所有的直方图整合为一个向量，得到最终的特征输出结果：

这里，Bhist(·)代表对每一个块单元进行直方图统计计算，f_i代表通过PCANet对样本S_i所提取的最终特征向量。

5.根据权利要求3所述的基于PCANet和WNN的用户异常用电检测的方法，其特征在于，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_k(t)代表第k个输入特征，θ(·)为输入层到隐藏层的权函数，q为隐藏层数量；ω_ij表示隐藏层到输出层的连接权，a_j代表小波函数的尺度，b_j代表小波函数的位移，表示Sigmoid激活函数。

6.根据权利要求1所述的基于PCANet和WNN的用户异常用电检测的方法，其特征在于，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。