-
公开(公告)号：CN117033916A
公开(公告)日：2023-11-10
申请号：CN202310840149.X
申请日：2023-07-10
申请人： 国网四川省电力公司营销服务中心
IPC分类号： G06F18/15 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于神经网络的窃电检测方法，包括以下步骤：S1、数据预处理：对输入的数据集中存在的缺失情况进行预处理，填补缺失值，并对数据进行归一化处理；S2、根据窃电数据特征创建检测网络模型，使用处理好的数据集来训练模型；S3、加载模型，根据输入的电力消耗数据来进行检测。该发明的窃电检测方法通过利用卷积神经网络来提取数据周内与相邻周间信息，并利用自注意力机制来提取月份间的信息，且针对难以从复杂的序列模式提取出模式的依赖关系问题，对序列进行了分解，从而提高窃电检测的准确率并降低检测的假阳率。
-
公开(公告)号：CN116881639A
公开(公告)日：2023-10-13
申请号：CN202310840154.0
申请日：2023-07-10
申请人： 国网四川省电力公司营销服务中心
IPC分类号： G06F18/15 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种基于生成对抗网络的窃电检测合成方法，包括以下步骤：数据集采集和预处理：采集原始窃电数据组成数据集，并对数据集进行预处理；创建生成对抗网络模型，使用预处理好的数据集进行训练，得到训练好的生成对抗网络模型；加载模型，根据输入的数据生成新的窃电数据。该合成方法能够根据收集的窃电数据来合成新的具有相似特性的新窃电数据，克服利用神经网络进行窃电检测时，数据集中窃电数据相对于正常数据少很多而形成的数据集不平衡的问题；同时有效地针对窃电数据本身的特性，设计构建了独特的生成器和判别器的网络结构，进一步通过所构建的对抗训练方法，实现了高质量的窃电数据的合成。
-
公开(公告)号：CN117033916B
公开(公告)日：2024-07-23
申请号：CN202310840149.X
申请日：2023-07-10
申请人： 国网四川省电力公司营销服务中心
IPC分类号： G06F18/15 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于神经网络的窃电检测方法，包括以下步骤：S1、数据预处理：对输入的数据集中存在的缺失情况进行预处理，填补缺失值，并对数据进行归一化处理；S2、根据窃电数据特征创建检测网络模型，使用处理好的数据集来训练模型；S3、加载模型，根据输入的电力消耗数据来进行检测。该发明的窃电检测方法通过利用卷积神经网络来提取数据周内与相邻周间信息，并利用自注意力机制来提取月份间的信息，且针对难以从复杂的序列模式提取出模式的依赖关系问题，对序列进行了分解，从而提高窃电检测的准确率并降低检测的假阳率。
-
公开(公告)号：CN117056874B
公开(公告)日：2024-08-13
申请号：CN202311040028.3
申请日：2023-08-17
申请人： 国网四川省电力公司营销服务中心
IPC分类号： G06F18/27 , G06F18/10 , G06F18/25 , G06F18/214 , G06N3/0455 , G06N3/08 , G06F123/02
摘要： 本发明公开了一种基于深度孪生自回归网络的无监督窃电检测方法，具体包括如下步骤：对原始数据进行预处理；通过滑动窗口获取子序列；通过深度孪生自回归网络将时间序列进行重构；计算输入序列在每个时刻的重构误差；计算样本离群度；通过阈值比较判定用电数据中的异常用户。通过两个孪生自回归子网络分别独立地对无标记的输入数据进行重构，再将重构误差预测数据中的正常样本，通过迭代训练来优化模型参数，避免了引入额外的噪声；利用多头自注意力机制捕捉用电数据中的时间依赖性、周期性和随机性等复杂特征，通过重构正常样本来学习数据的有效表示，解决现有检测方法对数据中相关特征提取不足问题，提升了对窃电行为检测的准确率。
-
公开(公告)号：CN117056874A
公开(公告)日：2023-11-14
申请号：CN202311040028.3
申请日：2023-08-17
申请人： 国网四川省电力公司营销服务中心
IPC分类号： G06F18/27 , G06F18/10 , G06F18/25 , G06F18/214 , G06N3/0455 , G06N3/08 , G06F123/02
摘要： 本发明公开了一种基于深度孪生自回归网络的无监督窃电检测方法，具体包括如下步骤：对原始数据进行预处理；通过滑动窗口获取子序列；通过深度孪生自回归网络将时间序列进行重构；计算输入序列在每个时刻的重构误差；计算样本离群度；通过阈值比较判定用电数据中的异常用户。通过两个孪生自回归子网络分别独立地对无标记的输入数据进行重构，再将重构误差预测数据中的正常样本，通过迭代训练来优化模型参数，避免了引入额外的噪声；利用多头自注意力机制捕捉用电数据中的时间依赖性、周期性和随机性等复杂特征，通过重构正常样本来学习数据的有效表示，解决现有检测方法对数据中相关特征提取不足问题，提升了对窃电行为检测的准确率。
-
公开(公告)号：CN116881639B
公开(公告)日：2024-07-23
申请号：CN202310840154.0
申请日：2023-07-10
申请人： 国网四川省电力公司营销服务中心
IPC分类号： G06F18/15 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种基于生成对抗网络的窃电检测合成方法，包括以下步骤：数据集采集和预处理：采集原始窃电数据组成数据集，并对数据集进行预处理；创建生成对抗网络模型，使用预处理好的数据集进行训练，得到训练好的生成对抗网络模型；加载模型，根据输入的数据生成新的窃电数据。该合成方法能够根据收集的窃电数据来合成新的具有相似特性的新窃电数据，克服利用神经网络进行窃电检测时，数据集中窃电数据相对于正常数据少很多而形成的数据集不平衡的问题；同时有效地针对窃电数据本身的特性，设计构建了独特的生成器和判别器的网络结构，进一步通过所构建的对抗训练方法，实现了高质量的窃电数据的合成。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.045 秒)
