CN112926687A - 基于PCANet和WNN的用户异常用电检测的方法 - Google Patents

基于PCANet和WNN的用户异常用电检测的方法 Download PDF

Info

Publication number
CN112926687A
CN112926687A CN202110339366.1A CN202110339366A CN112926687A CN 112926687 A CN112926687 A CN 112926687A CN 202110339366 A CN202110339366 A CN 202110339366A CN 112926687 A CN112926687 A CN 112926687A
Authority
CN
China
Prior art keywords
pcanet
user
mapping
stage
wnn
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110339366.1A
Other languages
English (en)
Inventor
刘威
江锐
卢涛
万磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Institute of Technology
Original Assignee
Wuhan Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202110339366.1A priority Critical patent/CN112926687A/zh
Publication of CN112926687A publication Critical patent/CN112926687A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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***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。

Description

基于PCANet和WNN的用户异常用电检测的方法
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***。
背景技术
在电力***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***，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；
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。
接上述技术方案，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：
Figure BDA0002998936780000031
式中，xi代表某一时间范围内用户的用电量，NaN指的是xi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：
Figure BDA0002998936780000032
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。
接上述技术方案，第一阶段PCANet映射具体为：
对于每一个样本Si，采用大小为w1×w2的滑动窗口来获取样本片段：
Figure BDA0002998936780000041
其中xi，j表示第j个矢量化窗口中Si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：
Figure BDA0002998936780000042
然后用以下公式最小化重构误差：
Figure BDA0002998936780000043
Figure BDA0002998936780000044
为L1×L1的单位矩阵，上式的解为UUT的L1个主特征向量。
接上述技术方案，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：
Figure BDA0002998936780000045
H(·)代表赫维赛德阶跃函数，其中每一个特征向量被约束在
Figure BDA0002998936780000046
的范围内；
Figure BDA0002998936780000047
为第一阶段的滤波器；
Figure BDA0002998936780000048
为第i张图像第l个滤波器的输出。对于每一个数据样本Si，将其对应的输出
Figure BDA0002998936780000049
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：
Figure BDA00029989367800000410
这里，Bhist(·)代表对每一个块单元进行直方图统计计算，fi代表通过PCANet对样本Si所提取的最终特征向量。
接上述技术方案，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：
Figure BDA0002998936780000051
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；σk(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；ωij表示隐藏层到输出层的连接权，aj代表小波函数的尺度，bj代表小波函数的位移，
Figure BDA0002998936780000052
表示Sigmoid激活函数。
接上述技术方案，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。
本发明还提供一种基于PCANet和WNN的用户异常用电检测的***，包括：
数据预处理模块，用于将获得的某一时间范围内用户的用电量数据进行预处理；
特征提取模块，采用主成分分析网络经过三次PCA映射将电信号进行降维处理以提取出电信号特征，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；
用户用电异常行为检测模块，用于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。
接上述技术方案，该***还包括：
预警模块，用于根据检测出的用户异常用电行为结果产生预警信息，提醒异常的用户用电。
接上述技术方案，数据预处理模块具体利用插值法和归一化法对用电量数据进行预处理。
本发明还提供一种计算机存储介质，其可被处理器执行，且其内存储有计算机程序，该计算机程序执行上述技术方案的基于PCANet和WNN的用户异常用电检测的方法。
本发明产生的有益效果是：本专利结合PCANet和WNN对用户异常用电模式进行检测，通过采用主成分分析PCANet对用电特征进行多次降维处理，将降维处理得到的最终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，具有更高的鲁棒性和检测精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例基于PCANet和WNN的用户异常用电检测的方法流程图；
图2是本发明实施例基于PCANet和WNN的用户异常用电检测***结构示意图一；
图3是本发明实施例基于PCANet和WNN的用户异常用电检测***结构示意图二。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例基于PCANet(主成分分析网络)和WNN(小波神经网络)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，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训练完成的模型进行关联映射，检测出用户的异常用电行为。
进一步地，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。
本发明的上述实施例的方法能够满足于PCANet和WNN网络的特征提取的预警需要，具有精度高、可靠性好、泛化性更高等优点；另外，所提出的用户用电异常检测，对于减少非技术性损失、提高经济效益具有很好的指导意义，实用性强，有着较强的推广性与使用价值。
如图2所示，本发明一较佳实施例基于PCANet和WNN网络的特征提取方法通过建立用电相关特征库，利用插值法和归一化法对数据进行预处理。减少数据集中错误和缺失的数据对网络造成的影响，具体步骤包括：
(1)采用插值法对数据中的缺失值进行处理：
Figure BDA0002998936780000081
式中，xi代表某一时间范围内用户的用电量，ψ(xi)代表处理后的结果，NaN指的是xi的值为空值或为非数字值。
(2)利用以下公式进行归一化操作，提高网络的检测精度：
Figure BDA0002998936780000082
这里，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)电相关特征提取，其中包括采用主成分分析来实现对用电特征的降维，
一共分为三个阶段的PCA映射：
1)第一阶段PCA映射此阶段是对WNN网络的输入层和中间层的处理。对于每一个样本Si，采用大小为w1×w2的滑动窗口来获取样本片段：
Figure BDA0002998936780000083
这里xi，j表示第j个矢量化窗口中Si的第i个样本向量，R代表实数域。将所有窗口中的样本向量进行去均值处理后得到：
Figure BDA0002998936780000084
因此，对于所有数据样本，构造上述相同的矩阵，并将其合并在一起得到
Figure BDA0002998936780000085
对于第i层的Li个滤波器，PCA需要在这些正交滤波器中最小化重构误差：
Figure BDA0002998936780000091
式(3)中，
Figure BDA0002998936780000092
为L1×L1的单位矩阵。对于上式的解，即为UUT的L1个主特征向量。为此，PCA滤波器被表达为：
Figure BDA0002998936780000093
式(4)中，
Figure BDA0002998936780000094
表示投影函数，在这里将样本向量投影到矩阵Wl 1；pl(UUT)代表UUT的第l个主特征向量，L1个特征向量的每一列(每一列含有k1k2个元素)。
2)第二阶段的PCA网络结构和处理过程与第一阶段相同，不同的是第二阶段的输入为第一阶段的输出。
Figure BDA0002998936780000095
为第一阶段的滤波器；
Figure BDA0002998936780000096
为第i张图像第l个滤波器的输出。Si为第i张图像第l个滤波器的输入。这里定义第一阶段的PCA输出为：
Figure BDA0002998936780000097
类似于第一阶段，整合所有滤波器去均值化后的输出矩阵，将其定义为：
Figure BDA0002998936780000098
其中，
Figure BDA0002998936780000099
在第二阶段，重复和第一阶段相同的过程，对第一阶段的输出向量进行去均值化等操作，进而得到第二阶段的l2个滤波器
Figure BDA00029989367800000910
因此，第二阶段PCA滤波器被被表达为：
Figure BDA00029989367800000911
式(7)中，
Figure BDA00029989367800000912
表示投影函数，在这里将样本向量投影到矩阵W；pl(YYT)代表YYT的第l个主特征向量。Y类似第一阶段的X矩阵，YT是矩阵Y的转置矩阵L2表示第二阶段中PCA的滤波器数量，最终第二阶段输出L1L2个特征向量，
Figure BDA00029989367800000913
为第i张图像对应于第一阶段的第l个输出的第二阶段的输出，
Figure BDA00029989367800000914
为第一阶段的滤波器；
Figure BDA00029989367800000915
为第i张图像第l个滤波器的输出。其中包含了L2个卷积结果其表达式为：
Figure BDA0002998936780000101
3)第三阶段输出映射为了增强网络的鲁棒性，PCANet采用赫维赛德阶跃函数来处理特征向量，将其二值化：
Figure BDA0002998936780000102
式(9)中，H(·)代表赫维赛德阶跃函数，其中每一个特征向量被约束在
Figure BDA0002998936780000103
的范围内。最终，对于每一个数据样本Si，将其对应的输出
Figure BDA0002998936780000104
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：
Figure BDA0002998936780000105
这里，Bhist(·)代表对每一个块单元进行直方图统计计算，fi代表通过PCANet对样本Si所提取的最终特征向量。
(4)关联映射，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：
Figure BDA0002998936780000106
式(11)中，M和N分别代表输入输出的映射数量，即M个输入特征，N个输出特征；σk(t)代表第k个输入特征，
Figure BDA0002998936780000107
为最后的输出结果，θ(·)为输入层到隐藏层的权函数，q为隐藏层数量；另外，ωij表示隐藏层到输出层的连接权，aj代表小波函数的尺度，bj代表小波函数的位移，
Figure BDA0002998936780000108
表示Sigmoid激活函数。
如图3所示，本发明实施例基于PCANet和WNN的用户异常用电检测的***主要用于实现上述实施例的方法，该***具体包括：
数据预处理模块，用于将获得的某一时间范围内用户的用电量数据进行预处理；具体可利用插值法和归一化法对用电量数据进行预处理。
特征提取模块，采用主成分分析网络经过三次PCA映射将电信号进行降维处理以提取出电信号特征，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；
用户用电异常行为检测模块，用于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。
该***还包括：
预警模块，用于根据检测出的用户异常用电行为结果产生预警信息，提醒异常的用户用电。
本发明还提供了一种计算机存储介质，其可被处理器执行，且其内存储有计算机程序，该计算机程序执行上述实施例的基于PCANet和WNN的用户异常用电检测的方法。具体方法在此不赘述。
综上，本发明利用PCANet网络结构完成从用户用电数据中提取有效序列特征；然后，通过小波神经网络完成从有效序列特征到用户用电行为模式的空间映射，实现对异常用电的检测。本发明可以准确的检测出用户的用电异常，促使***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。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

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：
Figure FDA0002998936770000011
式中，xi代表某一时间范围内用户的用电量，NaN指的是xi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：
Figure FDA0002998936770000021
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Si，采用大小为w1×w2的滑动窗口来获取样本片段：
Figure FDA0002998936770000022
其中xi，j表示第j个矢量化窗口中Si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：
Figure FDA0002998936770000023
然后用以下公式最小化重构误差：
Figure FDA0002998936770000024
Figure FDA0002998936770000025
为L1×L1的单位矩阵，上式的解为UUT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：
Figure FDA0002998936770000026
H(·)代表赫维赛德阶跃函数，其中每一个特征向量被约束在
Figure FDA0002998936770000027
的范围内；
Figure FDA0002998936770000028
为第一阶段的滤波器；
Figure FDA0002998936770000029
为第i张图像第l个滤波器的输出；对于每一个数据样本Si，将其对应的输出
Figure FDA00029989367700000210
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：
Figure FDA0002998936770000031
这里，Bhist(·)代表对每一个块单元进行直方图统计计算，fi代表通过PCANet对样本Si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：
Figure FDA0002998936770000032
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；σk(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；ωij表示隐藏层到输出层的连接权，aj代表小波函数的尺度，bj代表小波函数的位移，
Figure FDA0002998936770000033
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。
7.一种基于PCANet和WNN的用户异常用电检测的***，其特征在于，包括：
数据预处理模块，用于将获得的某一时间范围内用户的用电量数据进行预处理；
特征提取模块，采用主成分分析网络经过三次PCA映射将电信号进行降维处理以提取出电信号特征，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；
用户用电异常行为检测模块，用于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。
8.根据权利要求7所述的基于PCANet和WNN的用户异常用电检测的***，其特征在于，该***还包括：
预警模块，用于根据检测出的用户异常用电行为结果产生预警信息，提醒异常的用户用电。
9.根据权利要求7所述的基于PCANet和WNN的用户异常用电检测的***，其特征在于，数据预处理模块具体利用插值法和归一化法对用电量数据进行预处理。
10.一种计算机存储介质，其特征在于，其可被处理器执行，且其内存储有计算机程序，该计算机程序执行权利要求1-5中任一项所述的基于PCANet和WNN的用户异常用电检测的方法。
CN202110339366.1A 2021-03-30 2021-03-30 基于PCANet和WNN的用户异常用电检测的方法 Pending CN112926687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110339366.1A CN112926687A (zh) 2021-03-30 2021-03-30 基于PCANet和WNN的用户异常用电检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110339366.1A CN112926687A (zh) 2021-03-30 2021-03-30 基于PCANet和WNN的用户异常用电检测的方法

Publications (1)

Publication Number Publication Date
CN112926687A true CN112926687A (zh) 2021-06-08

Family

ID=76176577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110339366.1A Pending CN112926687A (zh) 2021-03-30 2021-03-30 基于PCANet和WNN的用户异常用电检测的方法

Country Status (1)

Country Link
CN (1) CN112926687A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086926A (zh) * 2018-07-25 2018-12-25 南京理工大学 一种基于组合神经网络结构的短时轨道交通客流预测方法
CN109377409A (zh) * 2018-09-29 2019-02-22 重庆大学 一种基于bp神经网络的用户用电异常行为检测方法
CN109800856A (zh) * 2018-12-14 2019-05-24 广东电网有限责任公司 一种混沌粒子群优化小波神经网络的方法
CN111507422A (zh) * 2020-04-24 2020-08-07 西安工程大学 基于cqfpa-wnn的变压器故障诊断方法
US20200348438A1 (en) * 2019-05-03 2020-11-05 Guoqiang Xue Method for Suppressing Airborne Transient Electromagnetic In-Band Vibration Noise

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086926A (zh) * 2018-07-25 2018-12-25 南京理工大学 一种基于组合神经网络结构的短时轨道交通客流预测方法
CN109377409A (zh) * 2018-09-29 2019-02-22 重庆大学 一种基于bp神经网络的用户用电异常行为检测方法
CN109800856A (zh) * 2018-12-14 2019-05-24 广东电网有限责任公司 一种混沌粒子群优化小波神经网络的方法
US20200348438A1 (en) * 2019-05-03 2020-11-05 Guoqiang Xue Method for Suppressing Airborne Transient Electromagnetic In-Band Vibration Noise
CN111507422A (zh) * 2020-04-24 2020-08-07 西安工程大学 基于cqfpa-wnn的变压器故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TSUNG-HAN CHAN等: "PCANet: A Simple Deep Learning Baseline for Image Classification?", 《ARXIV:1404.3606V2》 *
王致杰等: "《大型风力发电机组状态监测与智能故障诊断》", 30 September 2013 *
石盼等: "小波神经网络在反窃电***中的应用研究", 《计算技术与自动化》 *

Similar Documents

Publication Publication Date Title
Xin et al. Complex network classification with convolutional neural network
Zheng et al. How framelets enhance graph neural networks
CN105740912B (zh) 基于核范数正则化的低秩图像特征提取的识别方法及***
CN114564991B (zh) 基于Transformer引导卷积神经网络的脑电信号分类方法
CN104732186B (zh) 基于局部子空间稀疏表示的单样本人脸识别方法
CN108446589B (zh) 复杂环境下基于低秩分解和辅助字典的人脸识别方法
CN110796022B (zh) 一种基于多流形耦合映射的低分辨人脸识别方法
CN111695455B (zh) 一种基于耦合判别流形对齐的低分辨人脸识别方法
Liu et al. Dicnet: Deep instance-level contrastive network for double incomplete multi-view multi-label classification
US20070009160A1 (en) Apparatus and method for removing non-discriminatory indices of an indexed dataset
Cord et al. Feature selection in robust clustering based on Laplace mixture
CN103164689A (zh) 人脸识别方法及***
CN111860823A (zh) 神经网络训练、图像处理方法及装置、设备及存储介质
Ji et al. Edge-computing based knowledge distillation and multi-task learning for partial discharge recognition
CN112926687A (zh) 基于PCANet和WNN的用户异常用电检测的方法
CN108108666B (zh) 一种基于小波分析和时频单源检测的混合矩阵估计方法
CN115731462A (zh) 基于多头自-交叉混合注意力的高光谱图像变化检测方法
Yang et al. Tensor completion for recovering multichannel audio signal with missing data
CN110674334B (zh) 基于一致性区域深度学习特征的近重复图像检索方法
Niveditha et al. Kernelized Deep Networks for Speech Signal Segmentation Using Clustering and Artificial Intelligence in Neural Networks
Wu et al. Learning domain-invariant representation for generalizing face forgery detection
CN112650877A (zh) 一种基于改进的深度残差卷积神经网络和深度哈希的高清遥感图像快速检索方法
Sun et al. Microarray data classification using the spectral-feature-based TLS ensemble algorithm
Wang et al. Data mining with independent component analysis
Katiyar et al. Wavelet Tree ensembles with Machine Learning and its classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination