一种基于数据增强和多维度特征提取的异常用电检测系统的制作方法

本发明属于力数据检测，具体涉及一种基于数据增强和多维度特征提取的异常用电检测系统。

背景技术：

1、随着大数据、人工智能、5g通信技术与传统电力技术的深度融合，智能电网在智能化、信息化、安全化方向上取得了深入发展，随着电力需求持续上升，消费者在用电过程中遇到的问题也日益显现。异常用电行为不仅对电力系统的稳定运行构成威胁，也对电力公司的经济效益产生了负面影响，还可能触发火灾和电网安全事故，严重威胁人民生命财产安全；

2、传统检测异常用电的方法以用户举报和异常的线损率作为判断依据，工作人员需要展开全面排查，这一流程不仅繁琐而且效率低下，随着科技的进步，异常用电的手段也在不断演变和升级，出现了例如软件异常用电、遥控异常用电等新型手段，这些手法具有很高的隐蔽性，难以被侦查，因此，将机器学习和深度学习等新兴技术运用于检测异常用电行为，开发出精确而有效的异常用电检测方法显得格外重要；

3、在电力系统领域，异常用电用户数量相对较少，通过电力计量自动化系统收集的用户数据存在明显的不均衡现象，这严重影响异常检测模型的准确性，电力负荷数据中含有丰富的信息，需要进行深入的分析；

4、因此，提出一种全新的基于数据增强和多维度特征提取的异常用电检测系统是有必要的。

技术实现思路

1、本发明的目的是提供一种基于数据增强和多维度特征提取的异常用电检测系统，能够针对电力负荷数据集不均衡问题，此系统可以通过生成对抗网络合成既多样又真实的样本集，提升分类模型的鉴别能力；系统中的多维度特征提取模块有效地捕捉了电力数据的关联性和周期性差异，从而实现对异常用电行为的高效精确识别。

2、本发明采取的技术方案具体如下：

3、一种基于数据增强和多维度特征提取的异常用电检测系统，包括基于生成对抗网络的数据增强模块、多维度特征提取模块和分类器模块；

4、其中，所述多维度特征提取模块包括有周期性差异特征提取模块和关联差异特征提取模块；

5、该所述数据增强模块由生成器g和鉴别器d组成，其中g专注于学习输入样本的分布，产生与真实数据分布相似的合成样本，鉴别器d则负责区分真实数据与合成数据，通过执行非线性变换和逐步降维来提升鉴别精度；

6、整体过程包括有：

7、a1：利用生成对抗网络的特性，首先生成异常用电样本，来平衡数据集；

8、再通过多维度特征提取模块分析出正常和异常用电样本中的特征信息，将特征信息输出到分类器模块中，完成用电样本的异常检测和分类；

9、a2：首先利用knn算法和指定的邻域半径将少数类划分为边界区域和安全区域，其次通过权重计算策略为不同区域的少数类分配不同的权重，并根据上述的权重确定每个少数类周围新生成的合成数据的数量，最终使用设计的生成对抗神经网络自适应生成少数类中的合成样本，得到一平衡的数据集；

10、a3：将平衡后的数据集输入到多维度特征提取模块；

11、a4：将平衡后的数据集输入到关联差异特征提取模块；

12、a5：将平衡后的数据集输入到周期性差异特征提取模块；

13、a6：将特征融合后输入到分类器模块中进行精准异常检测。

14、本发明取得的技术效果为：

15、本发明构建了一种基于数据增强和多维度特征提取的异常用电检测系统，用于实现电力负荷数据的异常检测，该发明是基于生成模型和多维度分支改进而来，针对在实际的用电场景中，异常用电数据样本稀少的问题，利用生成对抗网络模型，生成新的异常用电数据来电力负荷数据集，多维度特征提取模块有效地捕捉了电力数据的关联性和周期性差异，提高异常用电的检测效率与检测准确度。本发明成果可以广泛应用于电力领域的设备监测、安全监控和数据分析等多个场景中，以此构建一个更安全、高效、环保的电力供应系统，可以保护人民的生命财产安全、促进社会稳定及环境的可持续发展。

技术特征：

1.一种基于数据增强和多维度特征提取的异常用电检测系统，其特征在于：包括基于生成对抗网络的数据增强模块、多维度特征提取模块和分类器模块；

2.根据权利要求1所述的一种基于数据增强和多维度特征提取的异常用电检测系统，其特征在于：所述a2包括下述步骤：

3.根据权利要求1所述的一种基于数据增强和多维度特征提取的异常用电检测系统，其特征在于：所述a3中的多维度特征提取模块为融合多维度的特征，使用交叉注意力层，从两个分支模块中分别获取特征向量，记为a和b，这两组特征分别作为交叉注意力层的查询和键值对；

4.根据权利要求1所述的一种基于数据增强和多维度特征提取的异常用电检测系统，其特征在于：所述关联差异特征提取模块为基于异常注意力机制和前馈网络的模型，包括临近关联计算单元和全局关联计算单元；

5.根据权利要求1所述的一种基于数据增强和多维度特征提取的异常用电检测系统，其特征在于：所述a5中的周期性差异特征提取模块的流程为首先根据频域分析时间序列，利用快速傅里叶变换来识别和提取时间序列中的主要频率，这些频率对应于时间序列的主要周期性，通过选择振幅最大的前k个频率，能够识别出时间序列中的主要周期；

6.根据权利要求1所述的一种基于数据增强和多维度特征提取的异常用电检测系统，其特征在于：所述a6中的分类器模块由三个全连接层和一个softmax函数组成，损失函数定义为交叉熵损失，公式为：

7.根据权利要求2所述的一种基于数据增强和多维度特征提取的异常用电检测系统，其特征在于：通过所述a21密度权重的计算方法，当pi为边界实例时，其距离权重按照下列公式计算：

8.根据权利要求4所述的一种基于数据增强和多维度特征提取的异常用电检测系统，其特征在于：所述a41中，采用一可学习的高斯核来计算相对时间距离的临近相关性pl，并利用高斯核g的单峰特性计算第i个时间点到第j个点的关联权重，使用一可学习的尺度参数σ使得临近关联适应不同的用电模式，自适应与点异常和段异常，具体公式为：

技术总结本发明属于电力数据检测技术领域，具体涉及一种基于数据增强和多维度特征提取的异常用电检测系统，包括基于生成对抗网络的数据增强模块、多维度特征提取模块和分类器模块，其中，所述多维度特征提取模块包括有周期性差异特征提取模块和关联差异特征提取模块，该所述数据增强模块由生成器G和鉴别器D组成，其中G专注于学习输入样本的分布，产生与真实数据分布相似的合成样本。本发明能够针对电力负荷数据集不均衡问题，此系统可以通过生成对抗网络合成既多样又真实的样本集，提升分类模型的鉴别能力；系统中的多维度特征提取模块有效地捕捉了电力数据的关联性和周期性差异，从而实现对异常用电行为的高效精确识别。技术研发人员：朱晓军,高妮玲受保护的技术使用者：太原太工天宇教育科技有限公司技术研发日：技术公布日：2024/8/20