一种基于改进式生成对抗网络的用户窃电检测方法与流程

技术特征：
1.一种基于改进式生成对抗网络的用户窃电检测方法，其特征在于，针对正常用户和窃电用户用电行为的周期性差异，提取不同用户的周期用电特征，通过生成对抗网络模型学习窃电用户用电数据的复杂时空分布，生成窃电样本，并与原始训练集进行拼接，增强训练集中的窃电样本，而后训练窃电检测模型，实现用户窃电检测。2.根据权利要求1所述的一种基于改进式生成对抗网络的用户窃电检测方法，其特征在于，所述生成对抗网络模型，通过引入wasserstein距离，建立改进式生成对抗网络模型。3.根据权利要求1所述的一种基于改进式生成对抗网络的用户窃电检测方法，其特征在于，该方法具体实现方式如下：步骤1、建立gan模型：以窃电用户的历史日用电量为真实数据，定义一组随机噪声数据z作为gan中生成器的输入，以p
z
(z)表示z的概率分布，以p
data
(x)表示历史窃电数据x的概率分布，以g(z)表示生成器输出的数据样本，以p
g
(z)表示g(z)的概率分布；定义判别器的输入为历史窃电数据x或生成器生成的数据g(z)，其输出为d(g(z))，表示输入数据服从历史窃电数据分布p
data
(x)的概率；根据生成器与判别器的训练目标，分别构造生成器和判别器的损失函数l
g
和l
d
如下：如下：式中，e表示分布函数的期望值，z～p
z
(z)表示z采样于随机噪声数据z的概率分布，x～p
data
(x)表示x采样于历史窃电数据x的概率分布；生成器的优化目标是将式(1)最小化，判别器的优化目标是将式(2)最大化；将式(1)和式(2)相结合，可得到gan训练过程中的目标函数：步骤2、引入wasserstein距离，搭建wgan：wasserstein距离的定义如下：式中，ω(p
data
,p
g
)是以p
data
和p
g
为边缘分布的联合概率分布γ的集合；(u,v)～γ表示从联合概率分布γ中随机抽取的历史样本和生成样本，||u
‑
v||表示两个样本间的距离，e
(u,v)～γ
[||u
‑
v||]表示样本对距离的期望，inf表示下界值，所有期望值的下界值即wasserstein距离；步骤3、周期性特征提取和归一化：分析正常用户和窃电用户的周期性用电表现的差异，以周、月、年为统计周期，提取所有用户包括用电量均值、标准差的特征指标作为周期用电特征，表征用户的平均用电水平、
用电波动情况的用电表现；为消除因特征数据间量纲、数值水平不同造成的影响，统一各类周期特征数据对模型训练的贡献水平，对所有周期特征进行数据归一化处理，公式如下：式中，x
i
表示周期用电特征，min(x
i
)表示相同维度下的周期用电特征最小值，max(x
i
)表示相同维度下的周期用电特征最小值，z表示经归一化处理后的周期用电特征；步骤4、以真实窃电样本中的训练样本作为条件y，与符合标准正态分布的高维噪声拼接后一并输入生成器，输出生成样本；步骤5、将真实窃电样本与生成样本拼接后作为生成数据样本，输入判别器，输出对真实数据样本和生成数据样本的判别值；步骤6、分别计算生成器和判别器的损失函数，采用rmsprop优化算法对生成器和判别器的网络权重参数进行优化更新；此时一轮训练结束，返回步骤4进行下一轮训练；rmsprop优化算法的公式如下：式中，s
dw
和s
db
表示损失函数在前几次迭代过程中累积的梯度动量，α为学习率，β是一个代表梯度累积的参数；rmsprop算法计算了梯度的微分平方加权平均数，为防止权重或偏置变化量过大，当dw或者db中出现较大值时，将此变化量除以累积的梯度动量，以满足梯度摆动幅度值的要求；同时，为避免分母为零而造成奇异，在分母中加入一个较小的参数ε；步骤7、当训练结束后，保留wgan中的生成器模型，输入历史窃电样本，输出若干个生成窃电数据；将生成的窃电样本与原始训练集进行拼接，增强训练集中的窃电样本；训练窃电检测模型，将训练好的分类模型用以检测测试集中的窃电用户。4.根据权利要求3所述的一种基于改进式生成对抗网络的用户窃电检测方法，其特征在于，所述wgan模型的生成器结构：生成器使用4层全连接网络，隐藏层神经元个数均为256个，激活函数选取relu，输出层神经元个数与真实窃电负荷序列维度一致，激活函数选取sigmoid。5.根据权利要求3所述的一种基于改进式生成对抗网络的用户窃电检测方法，其特征在于，所述wgan模型的判别器结构：判别器网络采用4层全连接结构，隐藏层分别堆放256和128个神经元，激活函数为leakyrelu函数，输出层不用激活函数。6.根据权利要求3所述的一种基于改进式生成对抗网络的用户窃电检测方法，其特征在于，步骤6中，rmsprop优化算法的学习率α＝2
×
10
‑4，参数β＝0.9。

技术总结
本发明涉及一种基于改进式生成对抗网络的用户窃电检测方法。该方法以真实用户用电数据为原始样本，针对正常用户和窃电用户用电行为的周期性差异，提取不同用户的周期用电特征，通过生成对抗网络模型学习窃电用户用电数据的复杂时空分布，生成窃电样本，并与原始训练集进行拼接，增强训练集中的窃电样本，而后训练窃电检测模型，实现用户窃电检测。实现用户窃电检测。实现用户窃电检测。


技术研发人员：陈飞雄 李志煌 邵振国 许良财 张承圣
受保护的技术使用者：福州大学
技术研发日：2021.09.07
技术公布日：2021/12/11