一种基于深度神经网络的用电异常检测方法、系统

摘要

本发明公开了一种基于深度神经网络的用电异常检测方法、系统，其方法通过考虑气温和用电高峰对用电功率的影响，对用户侧的表计获取用户侧的实时用电数据进行标注，并构建用电数据特征矩阵，同时，还计算用户侧所在的线路的线损值，通过用户侧所属的变压器的输出功率和表计用电功率总和进行差值计算，得到用电功率差值，统计功率差值变化率连续上升的天数，若功率差值变化率连续上升的天数大于预设的第二阈值时，则判定用户侧存在窃电或漏电嫌疑，并通过预先训练好的深度神经网络模型对该用户侧的实时用电数据进行异常检测，从而输出检测结果，以确定该用户侧为窃电或漏电。从而提高了用电异常检测的效率，也提高了用电异常检测的准确性。

权利要求

1.一种基于深度神经网络的用电异常检测方法，其特征在于，包括以下步骤：基于用户侧的表计获取所述用户侧的实时用电数据，所述实时用电数据包括用电功率；

对所述实时用电数据进行预处理，所述预处理的方式包括数据清洗、插值缺失补全；

对所述实时用电数据进行标注，其标注内容包括所述实时用电数据对应的当天气温、是否为用电高峰期；

基于所述实时用电数据构建用电数据特征矩阵，所述用电数据特征矩阵中的每个元素为用户侧的所述实时用电数据及其对应的标注内容；

对所述用电数据特征矩阵进行归一化处理，得到归一化用电数据矩阵；

计算所述用户侧所在的线路的线损值，通过所述线损值和所述用电功率计算表计用电功率总和；

所述计算所述用户侧所在的线路的线损值的步骤具体包括：通过下式计算所述用户侧所在的线路的线损功率，其计算公式为：式中， 表示线损功率，I表示负荷电流， 表示线路电阻值，其中，，式中，R表示基准温度下的线路电阻值，基准温度为20度，R1表示温度附加电阻值， ，a表示导线温度系数，T为基准温度，T1为当前环境温度；R2表示负载电流附加电阻；

基于所述用户侧所属的变压器的输出功率和所述表计用电功率总和进行差值计算，得到用电功率差值；

判断所述用电功率差值是否大于预设的第一阈值，若所述用电功率差值大于所述预设的第一阈值时，则计算所述用电功率差值对应的功率差值变化率，并统计所述功率差值变化率连续上升的天数；

判断所述功率差值变化率连续上升的天数是否大于预设的第二阈值，若所述功率差值变化率连续上升的天数大于所述预设的第二阈值时，则判定所述用户侧存在窃电或漏电嫌疑；

将存在窃电或漏电嫌疑的所述用户侧对应的所述归一化用电数据矩阵输入至预先训练好的深度神经网络模型中，输出检测结果，所述检测结果为窃电标记或漏电标记，所述预先训练好的深度神经网络模型是基于深度学习算法，以用户侧的历史用电数据及其对应的标注内容作为训练集进行训练得到。

2.根据权利要求1所述的基于深度神经网络的用电异常检测方法，其特征在于，采用最大最小值方法对所述用电数据特征矩阵进行归一化处理。

3.根据权利要求1所述的基于深度神经网络的用电异常检测方法，其特征在于，将存在窃电或漏电嫌疑的所述用户侧对应的所述归一化用电数据矩阵输入至预先训练好的深度神经网络模型中，输出检测结果，所述检测结果为窃电标记或漏电标记，所述预先训练好的深度神经网络模型是基于深度学习算法，以用户侧的历史用电数据及其对应的标注内容作为训练集进行训练得到的步骤之前包括：基于用户侧的表计按照当前用电时间段抽取预设的时间长度的历史用电数据，所述历史用电数据包括历史用电功率及其对应的历史气温、是否为用电高峰期；

对所述历史用电数据进行预处理，基于专家数据库对预处理后的所述历史用电数据进行标记，其标记内容包括窃电标记和漏电标记；

基于标记后的所述历史用电数据构建历史用电数据矩阵，所述历史用电数据矩阵中的每个元素为历史用电功率及其对应的标记内容；

将所述历史用电数据矩阵中的所有元素划分为训练数据集和测试数据集；

利用所述训练数据集代入至深度学习算法中进行训练，以所述标记内容作为输出，得到深度神经网络模型；

利用所述测试数据集代入至所述深度神经网络模型中进行测试，得到测试结果，判断所述测试结果是否在可接受范围，若不在所述可接受范围，则调整网络参数重新进行迭代训练，若在所述可接受范围，则得到相应的深度神经网络模型。

4.一种基于深度神经网络的用电异常检测系统，其特征在于，包括：实时用电数据获取模块，用于基于用户侧的表计获取所述用户侧的实时用电数据，所述实时用电数据包括用电功率；

数据标注模块，用于对所述实时用电数据进行标注，其标注内容包括所述实时用电数据对应的当天气温、是否为用电高峰期；

用电矩阵构建模块，用于基于所述实时用电数据构建用电数据特征矩阵，所述用电数据特征矩阵中的每个元素为用户侧的所述实时用电数据及其对应的标注内容；

归一化模块，用于对所述用电数据特征矩阵进行归一化处理，得到归一化用电数据矩阵；

线损计算模块，用于计算所述用户侧所在的线路的线损值，通过所述线损值和所述用电功率计算表计用电功率总和；

所述线损计算模块具体用于通过下式计算所述用户侧所在的线路的线损功率，其计算公式为：

式中， 表示线损功率，I表示负荷电流， 表示线路电阻值，其中，，式中，R表示基准温度下的线路电阻值，基准温度为20度，R1表示温度附加电阻值， ，a表示导线温度系数，T为基准温度，T1为当前环境温度；R2表示负载电流附加电阻；

差值计算模块，用于基于所述用户侧所属的变压器的输出功率和所述表计用电功率总和进行差值计算，得到用电功率差值；

差值变化判断模块，用于判断所述用电功率差值是否大于预设的第一阈值，若所述用电功率差值大于所述预设的第一阈值时，则计算所述用电功率差值对应的功率差值变化率，并统计所述功率差值变化率连续上升的天数；

差值变化天数判断模块，用于判断所述功率差值变化率连续上升的天数是否大于预设的第二阈值，若所述功率差值变化率连续上升的天数大于所述预设的第二阈值时，则判定所述用户侧存在窃电或漏电嫌疑；

异常检测模块，用于将存在窃电或漏电嫌疑的所述用户侧对应的所述归一化用电数据矩阵输入至预先训练好的深度神经网络模型中，输出检测结果，所述检测结果为窃电标记或漏电标记，所述预先训练好的深度神经网络模型是基于深度学习算法，以用户侧的历史用电数据及其对应的标注内容作为训练集进行训练得到；

预处理模块，所述预处理模块用于对所述实时用电数据进行预处理，所述预处理的方式包括数据清洗、插值缺失补全。

5.根据权利要求4所述的基于深度神经网络的用电异常检测系统，其特征在于，归一化模块，具体用于采用最大最小值方法对所述用电数据特征矩阵进行归一化处理。

6.根据权利要求4所述的基于深度神经网络的用电异常检测系统，其特征在于，还包括：

历史数据获取模块，用于基于用户侧的表计按照当前用电时间段抽取预设的时间长度的历史用电数据，所述历史用电数据包括历史用电功率及其对应的历史气温、是否为用电高峰期；

标记模块，用于对所述历史用电数据进行预处理，基于专家数据库对预处理后的所述历史用电数据进行标记，其标记内容包括窃电标记和漏电标记；

历史数据矩阵构建模块，用于基于标记后的所述历史用电数据构建历史用电数据矩阵，所述历史用电数据矩阵中的每个元素为历史用电功率及其对应的标记内容；

划分模块，用于将所述历史用电数据矩阵中的所有元素划分为训练数据集和测试数据集；

训练模块，用于利用所述训练数据集代入至深度学习算法中进行训练，以所述标记内容作为输出，得到深度神经网络模型；

测试模块，用于利用所述测试数据集代入至所述深度神经网络模型中进行测试，得到测试结果，判断所述测试结果是否在可接受范围，若不在所述可接受范围，则调整网络参数重新进行迭代训练，若在所述可接受范围，则得到相应的深度神经网络模型。

说明书

一种基于深度神经网络的用电异常检测方法、系统

技术领域

[0001] 本发明涉及电力数据检测技术领域，尤其涉及一种基于深度神经网络的用电异常检测方法、系统。

背景技术

[0002] 在电力输电过程中，在用户侧产生的漏电或者窃电等异常行为，往往导致供电企业的严重损失。现有的用电异常检测方法在检测用户侧发生漏电或窃电的行为时，一般需
要利用大量的电网积累数据进行大量的、复杂的数据分析，从而预测在用户侧可能存在的
漏电或者窃电等异常行为，但这种分析方法的计算量过大和预测精度不高，从而导致用电
异常检测的效率和准确性有所下降。

发明内容

[0003] 本发明提供了一种基于深度神经网络的用电异常检测方法、系统，用于解决上述用电异常检测的效率和准确性下降的技术问题。

[0004] 有鉴于此，本发明第一方面提供了一种基于深度神经网络的用电异常检测方法，包括以下步骤：

[0005] 基于用户侧的表计获取所述用户侧的实时用电数据，所述实时用电数据包括用电功率；

[0006] 对所述实时用电数据进行标注，其标注内容包括所述实时用电数据对应的当天气温、是否为用电高峰期；

[0007] 基于所述实时用电数据构建用电数据特征矩阵，所述用电数据特征矩阵中的每个元素为用户侧的所述实时用电数据及其对应的标注内容；

[0008] 对所述用电数据特征矩阵进行归一化处理，得到归一化用电数据矩阵；

[0009] 计算所述用户侧所在的线路的线损值，通过所述线损值和所述用电功率计算表计用电功率总和；

[0010] 基于所述用户侧所属的变压器的输出功率和所述表计用电功率总和进行差值计算，得到用电功率差值；

[0011] 判断所述用电功率差值是否大于预设的第一阈值，若所述用电功率差值大于所述预设的第一阈值时，则计算所述用电功率差值对应的功率差值变化率，并统计所述功率差
值变化率连续上升的天数；

[0012] 判断所述功率差值变化率连续上升的天数是否大于预设的第二阈值，若所述功率差值变化率连续上升的天数大于所述预设的第二阈值时，则判定所述用户侧存在窃电或漏
电嫌疑；

[0013] 将存在窃电或漏电嫌疑的所述用户侧对应的所述归一化用电数据矩阵输入至预先训练好的深度神经网络模型中，输出检测结果，所述检测结果为窃电标记或漏电标记，所
述预先训练好的深度神经网络模型是基于深度学习算法，以用户侧的历史用电数据及其对
应的标注内容作为训练集进行训练得到。

[0014] 优选地，本方法还包括：

[0015] 对所述实时用电数据进行预处理，所述预处理的方式包括数据清洗、插值缺失补全。

[0016] 优选地，所述计算所述用户侧所在的线路的线损值的步骤具体包括：

[0017] 通过下式计算所述用户侧所在的线路的线损功率，其计算公式为：

[0018]

[0019] 式中， 表示线损功率，I表示负荷电流， 表示线路电阻值，其中，，式中，R表示基准温度下的线路电阻值，基准温度为20度，R1表示温度
附加电阻值， ，a表示导线温度系数，T为基准温度，T1为当前环境温度；R2
表示负载电流附加电阻。

[0020] 优选地，采用最大最小值方法对所述用电数据特征矩阵进行归一化处理。

[0021] 优选地，将存在窃电或漏电嫌疑的所述用户侧对应的所述归一化用电数据矩阵输入至预先训练好的深度神经网络模型中，输出检测结果，所述检测结果为窃电标记或漏电
标记，所述预先训练好的深度神经网络模型是基于深度学习算法，以用户侧的历史用电数
据及其对应的标注内容作为训练集进行训练得到的步骤之前包括：

[0022] 基于用户侧的表计按照当前用电时间段抽取预设的时间长度的历史用电数据，所述历史用电数据包括历史用电功率及其对应的历史气温、是否为用电高峰期；

[0023] 对所述历史用电数据进行预处理，基于专家数据库对预处理后的所述历史用电数据进行标记，其标记内容包括窃电标记和漏电标记；

[0024] 基于标记后的所述历史用电数据构建历史用电数据矩阵，所述历史用电数据矩阵中的每个元素为历史用电功率及其对应的标记内容；

[0025] 将所述历史用电数据矩阵中的所有元素划分为训练数据集和测试数据集；

[0026] 利用所述训练数据集代入至深度学习算法中进行训练，以所述标记内容作为输出，得到深度神经网络模型；

[0027] 利用所述测试数据集代入至所述深度神经网络模型中进行测试，得到测试结果，判断所述测试结果是否在可接受范围，若不在所述可接受范围，则调整网络参数重新进行
迭代训练，若在所述可接受范围，则得到相应的深度神经网络模型。

[0028] 第二方面，本发明还提供了一种基于深度神经网络的用电异常检测系统，包括：

[0029] 实时用电数据获取模块，用于基于用户侧的表计获取所述用户侧的实时用电数据，所述实时用电数据包括用电功率；

[0030] 数据标注模块，用于对所述实时用电数据进行标注，其标注内容包括所述实时用电数据对应的当天气温、是否为用电高峰期；

[0031] 用电矩阵构建模块，用于基于所述实时用电数据构建用电数据特征矩阵，所述用电数据特征矩阵中的每个元素为用户侧的所述实时用电数据及其对应的标注内容；

[0032] 归一化模块，用于对所述用电数据特征矩阵进行归一化处理，得到归一化用电数据矩阵；

[0033] 线损计算模块，用于计算所述用户侧所在的线路的线损值，通过所述线损值和所述用电功率计算表计用电功率总和；

[0034] 差值计算模块，用于基于所述用户侧所属的变压器的输出功率和所述表计用电功率总和进行差值计算，得到用电功率差值；

[0035] 差值变化判断模块，用于判断所述用电功率差值是否大于预设的第一阈值，若所述用电功率差值大于所述预设的第一阈值时，则计算所述用电功率差值对应的功率差值变
化率，并统计所述功率差值变化率连续上升的天数；

[0036] 差值变化天数判断模块，用于判断所述功率差值变化率连续上升的天数是否大于预设的第二阈值，若所述功率差值变化率连续上升的天数大于所述预设的第二阈值时，则
判定所述用户侧存在窃电或漏电嫌疑；

[0037] 异常检测模块，用于将存在窃电或漏电嫌疑的所述用户侧对应的所述归一化用电数据矩阵输入至预先训练好的深度神经网络模型中，输出检测结果，所述检测结果为窃电
标记或漏电标记，所述预先训练好的深度神经网络模型是基于深度学习算法，以用户侧的
历史用电数据及其对应的标注内容作为训练集进行训练得到。

[0038] 优选地，本系统还包括预处理模块，所述预处理模块用于对所述实时用电数据进行预处理，所述预处理的方式包括数据清洗、插值缺失补全。

[0039] 优选地，所述线损计算模块具体用于通过下式计算所述用户侧所在的线路的线损功率，其计算公式为：

[0040]

[0041] 式中， 表示线损功率，I表示负荷电流， 表示线路电阻值，其中，，式中，R表示基准温度下的线路电阻值，基准温度为20度，R1表示温度
附加电阻值， ，a表示导线温度系数，T为基准温度，T1为当前环境温度；R2
表示负载电流附加电阻。

[0042] 优选地，归一化模块，具体用于采用最大最小值方法对所述用电数据特征矩阵进行归一化处理。

[0043] 优选地，本系统还包括：

[0044] 历史数据获取模块，用于基于用户侧的表计按照当前用电时间段抽取预设的时间长度的历史用电数据，所述历史用电数据包括历史用电功率及其对应的历史气温、是否为
用电高峰期；

[0045] 标记模块，用于对所述历史用电数据进行预处理，基于专家数据库对预处理后的所述历史用电数据进行标记，其标记内容包括窃电标记和漏电标记；

[0046] 历史数据矩阵构建模块，用于基于标记后的所述历史用电数据构建历史用电数据矩阵，所述历史用电数据矩阵中的每个元素为历史用电功率及其对应的标记内容；

[0047] 划分模块，用于将所述历史用电数据矩阵中的所有元素划分为训练数据集和测试数据集；

[0048] 训练模块，用于利用所述训练数据集代入至深度学习算法中进行训练，以所述标记内容作为输出，得到深度神经网络模型；

[0049] 测试模块，用于利用所述测试数据集代入至所述深度神经网络模型中进行测试，得到测试结果，判断所述测试结果是否在可接受范围，若不在所述可接受范围，则调整网络
参数重新进行迭代训练，若在所述可接受范围，则得到相应的深度神经网络模型。

[0050] 从以上技术方案可以看出，本发明具有以下优点：

[0051] 本发明通过考虑气温和用电高峰对用电功率的影响，对用户侧的表计获取用户侧的实时用电数据进行标注，并构建用电数据特征矩阵，对用电数据特征矩阵进行归一化，同
时，还计算用户侧所在的线路的线损值，通过线损值和用电功率计算表计用电功率总和，通
过用户侧所属的变压器的输出功率和表计用电功率总和进行差值计算，得到用电功率差
值，当用电功率差值大于预设的第一阈值时，统计功率差值变化率连续上升的天数，若功率
差值变化率连续上升的天数大于预设的第二阈值时，则判定用户侧存在窃电或漏电嫌疑，
并通过预先训练好的深度神经网络模型对该用户侧的实时用电数据进行异常检测，从而输
出检测结果，以确定该用户侧为窃电或漏电。从而提高了用电异常检测的效率，也提高了用
电异常检测的准确性。

附图说明

[0052] 图1为本发明实施例提供的一种基于深度神经网络的用电异常检测方法的流程图；

[0053] 图2为本发明实施例提供的一种基于深度神经网络的用电异常检测系统的结构框图。

具体实施方式

[0054] 在电力输电过程中，在用户侧产生的漏电或者窃电等异常行为，往往导致供电企业的严重损失。现有的预测用户侧的漏电火灾窃电可能发生的行为，一般需要利用大量的
电网积累数据进行大量的、复杂的数据分析，从而预测在用户侧可能存在的漏电或者窃电
等异常行为，但这种分析方法的计算量过大和预测精度不高，从而导致用电异常检测的效
率和准确性有所下降。

[0055] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本
发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在
没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0056] 为了便于理解，请参阅图1，本发明提供的一种基于深度神经网络的用电异常检测方法，包括以下步骤：

[0057] S1、基于用户侧的表计获取用户侧的实时用电数据，实时用电数据包括用电功率；

[0058] 可以理解的是，用户侧的表计为电能表所显示的用电数据。

[0059] S2、对实时用电数据进行标注，其标注内容包括实时用电数据对应的当天气温、是否为用电高峰期；

[0060] 需要说明的是，由于气温对线路的电阻会产生影响，进而会导致用电功率有所变化，同时，用户侧的用电高峰期也会影响用电功率，而不同类型的用户侧的用电高峰其也有
所不同，如个体用户，其在节假日用电会较多，如企业用户，在节假日用电会较少。

[0061] S3、基于实时用电数据构建用电数据特征矩阵，用电数据特征矩阵中的每个元素为用户侧的实时用电数据及其对应的标注内容；

[0062] 在本实施例中，用电数据特征矩阵为一行多列矩阵。

[0063] S4、对用电数据特征矩阵进行归一化处理，得到归一化用电数据矩阵；

[0064] S5、计算用户侧所在的线路的线损值，通过线损值和用电功率计算表计用电功率总和；

[0065] 需要说明的是，用户侧所在的线路的线损值在一定时间内是固定不变的，因此，可以按照一定周期进行计算线路的线损值。

[0066] S6、基于用户侧所属的变压器的输出功率和表计用电功率总和进行差值计算，得到用电功率差值；

[0067] 需要说明的是，用户侧所属的变压器的输出功率是由台区进行设置的，因此，其变压器的输出功率一般为固定不变的，而用户侧所在的线路的线损值在一定时间内是固定不
变的，而表计用电功率总和是随着用电功率而变化，当用电功率升高，其表计用电功率总和
随之升高，而用电功率差值随着用电功率升高而降低，其中，用电功率差值可以为用户侧的
表计未统计到的用电功率。

[0068] S7、判断用电功率差值是否大于预设的第一阈值，若用电功率差值大于预设的第一阈值时，则计算用电功率差值对应的功率差值变化率，并统计功率差值变化率连续上升
的天数；

[0069] 可以理解的是，若用电功率差值大于预设的第一阈值时，则说明该用户侧的表计统计的数值误差较大，而为了提高后续窃电或漏电嫌疑判断的正确性，其进行统计功率差
值变化率连续上升的天数，其中，功率差值变化率是以每日的功率差值进行计算得到，其功
率差值变化率连续上升的天数可以说明功率差值逐渐增大。

[0070] S8、判断功率差值变化率连续上升的天数是否大于预设的第二阈值，若功率差值变化率连续上升的天数大于预设的第二阈值时，则判定用户侧存在窃电或漏电嫌疑；

[0071] 需要说明的是，功率差值变化率连续上升的天数可以说明功率差值逐渐增大，若功率差值变化率连续上升的天数大于预设的第二阈值，则说明表计所显示的用电功率是逐
渐降低的，而表计未显示的用电功率是逐渐升高的，这就说明该用户侧存在窃电或漏电嫌
疑。其中，若功率差值变化率连续上升的天数不大于预设的第二阈值时，则返回步骤S7进行
重复监测并统计功率差值变化率连续上升的天数。

[0072] S9、将存在窃电或漏电嫌疑的用户侧对应的归一化用电数据矩阵输入至预先训练好的深度神经网络模型中，输出检测结果，检测结果为窃电标记或漏电标记，预先训练好的
深度神经网络模型是基于深度学习算法，以用户侧的历史用电数据及其对应的标注内容作
为训练集进行训练得到。

[0073] 需要说明的是，本实施例提供的一种基于深度神经网络的用电异常检测方法，通过考虑气温和用电高峰对用电功率的影响，对用户侧的表计获取用户侧的实时用电数据进
行标注，并构建用电数据特征矩阵，对用电数据特征矩阵进行归一化，同时，还计算用户侧
所在的线路的线损值，通过线损值和用电功率计算表计用电功率总和，通过用户侧所属的
变压器的输出功率和表计用电功率总和进行差值计算，得到用电功率差值，当用电功率差
值大于预设的第一阈值时，统计功率差值变化率连续上升的天数，若功率差值变化率连续
上升的天数大于预设的第二阈值时，则判定用户侧存在窃电或漏电嫌疑，并通过预先训练
好的深度神经网络模型对该用户侧的实时用电数据进行异常检测，从而输出检测结果，以
确定该用户侧为窃电或漏电。从而提高了用电异常检测的效率，也提高了用电异常检测的
准确性。

[0074] 以下为本发明提供的一种基于深度神经网络的用电异常检测方法的实施例的详细描述。

[0075] 发明提供的一种基于深度神经网络的用电异常检测方法，包括以下步骤：

[0076] S100、基于用户侧的表计获取用户侧的实时用电数据，实时用电数据包括用电功率；

[0077] 可以理解的是，用户侧的表计为电能表所显示的用电数据。

[0078] S200、对实时用电数据进行预处理，预处理的方式包括数据清洗、插值缺失补全。

[0079] 在插值缺失补全处理过程中采用插值算法来实现补全缺失数据，具体可以由Lagrange插值、Newton插值、Hermite插值、分段插值和样条插值等来实现。

[0080] S300、对实时用电数据进行标注，其标注内容包括实时用电数据对应的当天气温、是否为用电高峰期；

[0081] 需要说明的是，由于气温对线路的电阻会产生影响，进而会导致用电功率有所变化，同时，用户侧的用电高峰期也会影响用电功率，而不同类型的用户侧的用电高峰其也有
所不同，如个体用户，其在节假日用电会较多，如企业用户，在节假日用电会较少。

[0082] S400、基于实时用电数据构建用电数据特征矩阵，用电数据特征矩阵中的每个元素为用户侧的实时用电数据及其对应的标注内容；

[0083] 在本实施例中，用电数据特征矩阵为一行多列矩阵。

[0084] S500、对用电数据特征矩阵进行归一化处理，得到归一化用电数据矩阵；

[0085] 在本实施例中，采用最大最小值方法对用电数据特征矩阵进行归一化处理。

[0086] S600、计算用户侧所在的线路的线损值，通过线损值和用电功率计算表计用电功率总和；

[0087] 需要说明的是，用户侧所在的线路的线损值在一定时间内是固定不变的，因此，可以按照一定周期进行计算线路的线损值。

[0088] 在本实施例中，通过下式计算用户侧所在的线路的线损功率，其计算公式为：

[0089]

[0090] 式中， 表示线损功率，I表示负荷电流， 表示线路电阻值，其中，，式中，R表示基准温度下的线路电阻值，基准温度为20度，R1表示温度
附加电阻值， ，a表示导线温度系数，T为基准温度，T1为当前环境温度；R2
表示负载电流附加电阻。

[0091] 其中，线路材质一般为铜或铝，a取值0.004。

[0092] S700、基于用户侧所属的变压器的输出功率和表计用电功率总和进行差值计算，得到用电功率差值；

[0093] 需要说明的是，用户侧所属的变压器的输出功率是由台区进行设置的，因此，其变压器的输出功率一般为固定不变的，而用户侧所在的线路的线损值在一定时间内是固定不
变的，而表计用电功率总和是随着用电功率而变化，当用电功率升高，其表计用电功率总和
随之升高，而用电功率差值随着用电功率升高而降低，其中，用电功率差值可以为用户侧的
表计未统计到的用电功率。

[0094] S800、判断用电功率差值是否大于预设的第一阈值，若用电功率差值大于预设的第一阈值时，则计算用电功率差值对应的功率差值变化率，并统计功率差值变化率连续上
升的天数；

[0095] 可以理解的是，若用电功率差值大于预设的第一阈值时，则说明该用户侧的表计统计的数值误差较大，而为了提高后续窃电或漏电嫌疑判断的正确性，其进行统计功率差
值变化率连续上升的天数，其中，功率差值变化率是以每日的功率差值进行计算得到，其功
率差值变化率连续上升的天数可以说明功率差值逐渐增大。

[0096] S900、判断功率差值变化率连续上升的天数是否大于预设的第二阈值，若功率差值变化率连续上升的天数大于预设的第二阈值时，则判定用户侧存在窃电或漏电嫌疑；

[0097] 需要说明的是，功率差值变化率连续上升的天数可以说明功率差值逐渐增大，若功率差值变化率连续上升的天数大于预设的第二阈值，则说明表计所显示的用电功率是逐
渐降低的，而表计未显示的用电功率是逐渐升高的，这就说明该用户侧存在窃电或漏电嫌
疑。其中，若功率差值变化率连续上升的天数不大于预设的第二阈值时，则返回步骤S800进
行重复监测并统计功率差值变化率连续上升的天数。

[0098] S1000、将存在窃电或漏电嫌疑的用户侧对应的归一化用电数据矩阵输入至预先训练好的深度神经网络模型中，输出检测结果，检测结果为窃电标记或漏电标记，预先训练
好的深度神经网络模型是基于深度学习算法，以用户侧的历史用电数据及其对应的标注内
容作为训练集进行训练得到。

[0099] 在本实施例中，步骤S1000之前包括对深度神经网络模型进行训练的过程，具体包括：

[0100] S1001、基于用户侧的表计按照当前用电时间段抽取预设的时间长度的历史用电数据，历史用电数据包括历史用电功率及其对应的历史气温、是否为用电高峰期；

[0101] 其中，时间长度为一般为一年、半年或者一个月。

[0102] S1002、对历史用电数据进行预处理，基于专家数据库对预处理后的历史用电数据进行标记，其标记内容包括窃电标记和漏电标记；

[0103] 其中，预处理的方式与对实时用电数据的预处理的方式一致。同时，其专家数据库包括对历史用电数据进行窃电或漏电判定的标准，从而通过专家数据库可以对历史用电数
据进行标记。

[0104] S1003、基于标记后的历史用电数据构建历史用电数据矩阵，历史用电数据矩阵中的每个元素为历史用电功率及其对应的标记内容；

[0105] S1004、将历史用电数据矩阵中的所有元素划分为训练数据集和测试数据集；

[0106] 在一般示例中，划分训练数据集和测试数据集的比例为9:1。

[0107] S1005、利用训练数据集代入至深度学习算法中进行训练，以标记内容作为输出，得到深度神经网络模型；

[0108] S1006、利用测试数据集代入至深度神经网络模型中进行测试，得到测试结果，判断测试结果是否在可接受范围，若不在可接受范围，则调整网络参数重新进行迭代训练，若
在可接受范围，则得到相应的深度神经网络模型。

[0109] 在本实施例中，利用反向传播算法调整网络参数，然后进行重新训练，直至收敛或者达到训练次数。

[0110] 同时，该深度神经网络模型是训练收敛的深度神经网络模型；在训练过程中，首先需要对训练前的深度神经网络模型进行网络节点压缩处理，在本实施例中，将所有层的网
络节点除以2的方式进行压缩，节点压缩可以实现使用更少的样本数据即可实现模型训练
收敛，并且可以降低训练过程中发生过拟合的概率；在节点压缩之后，则选定相关的损失函
数，在本实施例中，采用深度神经网络经典损失函数；同时需要对该损失函数进行更新处
理，在本本实施例中，利用在更新的时候，利用正则化规则进行，对训练前的神经网络模型
的所有层的网络节点进行正则化处理，形成正则化项，利用该正则化项与原损失函数相加，
形成更新后的损失函数。

[0111] 以上为本发明提供的一种基于深度神经网络的用电异常检测方法的实施例的详细描述，以下为本发明提供的一种基于深度神经网络的用电异常检测系统的实施例的详细
描述。

[0112] 为了方便理解，请参阅图2，本发明提供的一种基于深度神经网络的用电异常检测系统，包括：

[0113] 实时用电数据获取模块100，用于基于用户侧的表计获取用户侧的实时用电数据，实时用电数据包括用电功率；

[0114] 数据标注模块200，用于对实时用电数据进行标注，其标注内容包括实时用电数据对应的当天气温、是否为用电高峰期；

[0115] 用电矩阵构建模块300，用于基于实时用电数据构建用电数据特征矩阵，用电数据特征矩阵中的每个元素为用户侧的实时用电数据及其对应的标注内容；

[0116] 归一化模块400，用于对用电数据特征矩阵进行归一化处理，得到归一化用电数据矩阵；

[0117] 线损计算模块500，用于计算用户侧所在的线路的线损值，通过线损值和用电功率计算表计用电功率总和；

[0118] 差值计算模块600，用于基于用户侧所属的变压器的输出功率和表计用电功率总和进行差值计算，得到用电功率差值；

[0119] 差值变化判断模块700，用于判断用电功率差值是否大于预设的第一阈值，若用电功率差值大于预设的第一阈值时，则计算用电功率差值对应的功率差值变化率，并统计功
率差值变化率连续上升的天数；

[0120] 差值变化天数判断模块800，用于判断功率差值变化率连续上升的天数是否大于预设的第二阈值，若功率差值变化率连续上升的天数大于预设的第二阈值时，则判定用户
侧存在窃电或漏电嫌疑；

[0121] 异常检测模块900，用于将存在窃电或漏电嫌疑的用户侧对应的归一化用电数据矩阵输入至预先训练好的深度神经网络模型中，输出检测结果，检测结果为窃电标记或漏
电标记，预先训练好的深度神经网络模型是基于深度学习算法，以用户侧的历史用电数据
及其对应的标注内容作为训练集进行训练得到。

[0122] 进一步地，本系统还包括预处理模块，预处理模块用于对实时用电数据进行预处理，预处理的方式包括数据清洗、插值缺失补全。

[0123] 进一步地，线损计算模块具体用于通过下式计算用户侧所在的线路的线损功率，其计算公式为：

[0124]

[0125] 式中， 表示线损功率，I表示负荷电流， 表示线路电阻值，其中，，式中，R表示基准温度下的线路电阻值，基准温度为20度，R1表示温度
附加电阻值， ，a表示导线温度系数，T为基准温度，T1为当前环境温度；R2
表示负载电流附加电阻。

[0126] 进一步地，归一化模块，具体用于采用最大最小值方法对用电数据特征矩阵进行归一化处理。

[0127] 进一步地，本系统还包括：

[0128] 历史数据获取模块，用于基于用户侧的表计按照当前用电时间段抽取预设的时间长度的历史用电数据，历史用电数据包括历史用电功率及其对应的历史气温、是否为用电
高峰期；

[0129] 标记模块，用于对历史用电数据进行预处理，基于专家数据库对预处理后的历史用电数据进行标记，其标记内容包括窃电标记和漏电标记；

[0130] 历史数据矩阵构建模块，用于基于标记后的历史用电数据构建历史用电数据矩阵，历史用电数据矩阵中的每个元素为历史用电功率及其对应的标记内容；

[0131] 划分模块，用于将历史用电数据矩阵中的所有元素划分为训练数据集和测试数据集；

[0132] 训练模块，用于利用训练数据集代入至深度学习算法中进行训练，以标记内容作为输出，得到深度神经网络模型；

[0133] 测试模块，用于利用测试数据集代入至深度神经网络模型中进行测试，得到测试结果，判断测试结果是否在可接受范围，若不在可接受范围，则调整网络参数重新进行迭代
训练，若在可接受范围，则得到相应的深度神经网络模型。

[0134] 需要说明的是，本实施例提供的一种基于深度神经网络的用电异常检测系统的工作过程与上述提供的一种基于深度神经网络的用电异常检测方法的流程一致，在此不再赘
述。

[0135] 本实施例提供的一种基于深度神经网络的用电异常检测系统，通过考虑气温和用电高峰对用电功率的影响，对用户侧的表计获取用户侧的实时用电数据进行标注，并构建
用电数据特征矩阵，对用电数据特征矩阵进行归一化，同时，还计算用户侧所在的线路的线
损值，通过线损值和用电功率计算表计用电功率总和，通过用户侧所属的变压器的输出功
率和表计用电功率总和进行差值计算，得到用电功率差值，当用电功率差值大于预设的第
一阈值时，统计功率差值变化率连续上升的天数，若功率差值变化率连续上升的天数大于
预设的第二阈值时，则判定用户侧存在窃电或漏电嫌疑，并通过预先训练好的深度神经网
络模型对该用户侧的实时用电数据进行异常检测，从而输出检测结果，以确定该用户侧为
窃电或漏电。从而提高了用电异常检测的效率，也提高了用电异常检测的准确性。

[0136] 在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅
仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结
合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的
相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通
信连接，可以是电性，机械或其它的形式。

[0137] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施
例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者
替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。