[发明专利]基于PCANet和WNN的用户异常用电检测的方法

说明书

本发明公开了一种基于PCANet和WNN的用户异常用电检测的方法，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对用电特征进行多次降维处理，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。本发明可以准确的检测出用户的用电异常，促使系统对用电异常的用户进行警告，充分保证减少用电过程中的非技术性损失，提高经济效益。

技术领域

本发明涉及电力窃电检测技术领域，尤其涉及一种基于PCANet和WNN的用户异常用电检测的方法及系统。

背景技术

在电力系统中，输配电损失中的非技术性损失，一直是各国电网企业期望解决的问题。它指的是用户异常用电行为所造成的经济损失，比如用户窃电行为等，严重影响地区电网的正常调度。据不完全统计，在其他一些发展中国家，非技术性损失的增长率(11％)远远高于其国家的GDP增速(4％～5％)。尤其在巴西、印度和墨西哥，全国的用电总量中，非技术性损失所占的比列分别达到了惊人的16.85％、26.2％和15.83％。虽然，非技术性损失在我国的电网输配送中占有的比例相对较低，但是由于我国对电量的需求总体庞大，并随着经济的不断发展、人们生活水平的不断提高，导致用电量不断攀升，随之带来的损失也相当可观。据报道，仅中国福建这一个省，每年因窃电所造成的经济损失高达1亿元人民币。因此，对用户异常用电行为模式的检测研究显得尤其重要，它是降低非技术性损失、提高经济效益的重要手段之一。

PCA(Principal Components Analysis)，它是一种“投影(projection)技巧”，就是把高维空间上的数据映射到低维空间。使得我们能看见一些高维信号，同时可以去掉一些“噪声”，去掉一些不必要的特征。采用主成分分析来实现对用电特征的降维，解决了网络中由于信息的重叠所造成的特征提取效率低下的问题，同时大大提高了模型对异常用电的检测准确率。PCA的主成分分析网络(PCANet)已经发展成熟，同时它也是一种非监督式的特征提取方法，其主要应用在许多图像分类任务中，并取得了很好的分类效果，针对一维信号的特征提取，该方法还鲜有涉足。而小波神经网络是将神经网络的激活函数，例如Sigmod函数，替换成小波函数，而相应的输入层到隐层的权值及激活阈值，由小波函数的尺度伸缩因子和时间平移因子所代替，这是使用最广泛的结构，即紧致性结构。其主要作用还是在于神经网络的优化，小波神经网络相比于前向的神经网络,它有明显的优点:首先小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性；其次小波神经网络有更强的学习能力,精度更高。因为小波理论是全尺度分析，不仅有全局最优解，还保持局部细节最优解，总的而言，对同样的学习任务,小波神经网络结构更简单,收敛速度更快，精度更高。小波神经网络相较于SVM具有更好的特征表达能力，更适合用于对数据序列特征的提取与分类。本发明结合两者的优势对用户异常用电模式进行检测，是现有技术都没有涉及的。

发明内容

本发明主要目的在于提供一种基于PCANet和WNN的用户异常用电模式检测的方法及系统，解决当前由于信息的重叠所造成的特征提取效率低下的问题以及难以获取的带标签数据导致数据缺乏训练样本的问题，从而有效筛选出用电异常的用户。

本发明所采用的技术方案是：

提供一种基于PCANet和WNN的用户异常用电检测的方法，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；