海量标签数据生成方法、平台、窃电识别方法及系统

1.本发明涉及非正常用电甄别技术领域，特别是涉及一种海量标签数据生成方法、平台、 窃电识别方法及系统。


背景技术：

2.现有的窃电识别通常通过建立一个识别模型，基于用户用电数据对识别模型进行训练进 而对窃电手段进行准确识别。但由于用户的用电数据涉及到隐私以及保密性问题，电网公司 能提供的用户用电数据有限，无法满足训练模型所需的样本量标准，使得训练模型过程中出 现不平衡的数据集，并且还有各省电网所采集的数据类型和采集方式不同，使得数据质量存 在差异及数据缺失问题。
3.目前，对用电数据的采集通常由通过硬件和软件两种采集方式，对于硬件而言，智能电 表中的机电一体式电表和全电子式电表两种均可实现用电数据采集，但机电一体式电表在采 集用电数据时无法对脉冲丢失的数据进行采集分析，而全电子式电表虽然已有能防非正常用 电的分析技术，但全电子式电表设备维修复杂价格昂贵，不具有普适性，无法为数据分析提 供海量可使用数据。同时，对于软件而言，虽然通过非侵入式的负荷监测可将用户用电行为 生成的海量数据，但传统的非侵入式用户负荷监测系统对高低峰负荷的监测精准度较低，监 测水平并不理想，并且监测到非正常用电数据存在噪声数据，数据质量良莠不齐，无法直接 用于对窃电行为的分析。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种海量标签数据生成方法、平台、窃电识别方法及 系统，以解决现有技术中无法对脉冲丢失的用电数据进行采集、采集的用电数据质量不高的 问题。
5.为达到上述目的，本发明的第一方面提供一种海量标签数据生成方法，包括以下步骤：
6.s1：获取用户的第一用电数据，并利用所述第一用电数据对一预先建立的控制模型进行 训练，提取与所述第一用电数据对应的用电行为特征；
7.s2：搭建用电模拟平台，并将所述第一用电数据及其对应的用电行为特征输入用电模拟 平台，对所述用电模拟平台中的负载进行控制，放大并输出模拟用电数据；
8.s3：在所述用电模拟平台的输出端施加至少一种窃电手段对模拟用电数据的计量进行干 扰，输出经窃电手段干扰后的第二用电数据；
9.s4：提取所述第二用电数据的数据特征，将所述数据特征与对应的窃电手段进行关联， 得到若干标签数据。
10.进一步的，在步骤s1中，所述步骤s1包括以下子步骤：
11.s101：获取用户的第一用电数据，其中，所述第一用电数据包括现有的历史用电数据和 基于所述历史用电数据产生的随机用电数据；
12.s102：将所述第一用电数据划分为训练数据集和测试数据集，并将所述训练数据集输入 一预先建立好的控制模型中对所述控制模型进行迭代训练，优化模型参数，得到训练好的控 制模型；
13.s103：将所述测试数据集作为第一用电数据输入训练好的控制模型中，提取与所述第一 用电数据对应的用电行为特征。
14.进一步的，在步骤s101中，所述随机用电数据基于随机游走算法产生，其具体方法为：
15.根据所述现有的历史用电数据构建用户用电行为序列网络，并基于python建立随机游 走模型，所述随机游走模型以所述用户用电行为序列网络中各网络节点为起点，分别进行随 机游走，生成每次游走对应的随机游走序列，并输出每一随机游走序列中各随机数据，所述 随机数据即为所述随机用电数据。
16.进一步的，所述用电行为特征至少包括日用电量、日最大/最小负荷、日均负荷、峰谷 用电量、峰谷平均负荷、峰谷差、夜间负荷率、用电高峰时长以及负荷曲线。
17.进一步的，在步骤s2中，所述用电模拟平台包括一模拟电路和一与所述模拟电路电连 接的放大电路，所述模拟电路中包括多组参数可调的负载，且所述负载的电流、电压相较于 用电设备等比缩小预设倍数，所述负载用于模拟用电设备；所述放大电路用于对模拟电路输 出端的电流、电压进行等比放大所述预设倍数。
18.进一步的，所述用电模拟平台的输出端设置有与所述放大电路电连接的多个智能电表， 所述步骤s3的具体方法为：
19.根据窃电手段的类别对各智能电表分别施加一窃电手段，通过所述智能电表接收模拟用 电数据，使所述窃电手段对模拟用电数据的计量进行干扰，并通过各智能电表输出在不同窃 电手段下产生的第二用电数据。
20.进一步的，所述步骤s4包括以下子步骤：
21.s401：获取第二用电数据及其对应的用电行为特征形成一特征矩阵；
22.s402：采用主成分分析法计算出所述特征矩阵的主成分及每一主成分在所述用电行为特 征中的累计贡献率；
23.s403：根据所述主成分的累计贡献率提取累计贡献率大于预设条件的主成分形成所述第 二用电数据的数据特征；
24.s404：将所述数据特征与对应的窃电手段进行关联，得到若干携带有窃电手段信息的标 签数据。
25.本发明的第二方面提供一种海量标签数据生成平台，包括：
26.控制模块，用于根据第一用电数据提取用电行为特征，并基于第一用电数据和用电行为 特征产生一控制信号，其中，第一用电数据包括现有的历史用电数据和基于所述历史用电数 据产生的随机用电数据；
27.用电模拟平台，用于根据所述控制信号模拟用电设备的运行工况，输出并放大用电模拟 平台产生的模拟用电数据；
28.数据采集及干扰模块，用于采集模拟用电数据并施加窃电手段对所述模拟用电数据的计 量进行干扰，输出经窃电手段干扰后的第二用电数据；
29.数据处理模块，用于对第二用电数据的数据特征进行提取，生成若干携带有窃电
手段信 息的标签数据。
30.本发明的第三方面提供一种窃电识别方法，包括以下步骤：
31.p1：采用如上所述的海量标签数据生成方法生成若干携带有窃电手段信息的标签数据；
32.p2：将所述标签数据和对应的窃电手段输入一预先建立的窃电识别模型并对所述窃电识 别模型进行迭代训练，得到训练好的窃电识别模型；
33.p3：利用所述训练好的窃电识别模型对窃电手段进行识别。
34.本发明的第四方面提供一种窃电识别系统，包括：
35.海量标签数据生成平台，用于基于一海量标签数据生成平台生成若干携带有窃电手段信 息的标签数据；
36.模型训练模块，用于根据所述标签数据及对应的窃电手段信息对一窃电识别模型进行训 练；以及
37.窃电识别模型，用于根据配置于用电用户处的智能电表输出的用电数据对窃电手段进行 识别。
38.本发明基于随机游走算法在已有的历史用电数据的基础上可生成大量随机用电数据，利 用历史用电数据和随机用电数据可对一控制模型进行训练，使训练好的控制模型可以提取出 历史用电数据和随机用电数据中的用电行为特征，进而对一用电模拟平台进行控制，同时， 通过改变用电平台中的负载参数以及工作时间，可模拟出用电设备在各种用电环境下的用电 情况，最后通过施加了窃电手段的智能电表对用电模拟平台的第二用电数据进行采集，进而 提取出第二用电数据的数据特征，将该数据特征与窃电手段关联后，可得到海量标签数据， 弥补了非正常用电海量数据缺失问题，并且每一智能电表与一种窃电手段相对应，可有效解 决数据质量较差噪声数据多的问题，进而为实现窃电甄别以及负荷预测研究提供数据支撑。
附图说明
39.图1为本发明实施例1的海量标签数据生成平台的结构框图。
40.图2为图1中部分负载的等效电路图。
41.图3为图1中放大电路的电路结构图。
42.图4为本发明实施例2的海量标签数据生成方法的流程图。
43.图5为图4中步骤s1的流程图。
44.图6为图4中步骤s4的流程图。
45.图7为本发明实施例3的窃电识别方法的流程图。
46.图8为本发明实施例4的窃电识别系统的结构框图。
具体实施方式
47.下面通过具体实施方式进一步详细说明：
48.实施例1
49.如图1所示，为本实施例的海量标签数据生成平台的结构框图。本实施例的海量标签数 据生成平台包括依次连接的控制模块1、用电模拟平台2、数据采集及干扰模块3和数
据处 理模块4，所述控制模块1根据第一用电数据提取用户的用电行为特征，并基于第一用电数 据和用电行为特征产生一控制信号，其中，第一用电数据包括现有的历史用电数据和基于所 述历史用电数据产生的随机用电数据；所述用电模拟平台2在所述控制信号的控制下模拟用 电设备在各种用电行为下的运行工况，输出并放大产生的模拟用电数据；所述数据采集及干 扰模块3采集经用电模拟平台2产生的模拟用电数据并施加至少一种窃电手段对所述模拟用 电数据的计量进行干扰，分别输出经各窃电手段干扰后的多个第二用电数据；所述数据处理 模块4对第二用电数据的数据特征进行提取，生成若干携带有窃电手段信息的标签数据。
50.所述控制模块1内置有一数据获取模块11、一随机游走模型12和一控制模型13。其中：
51.所述数据获取模块11用于获取用户现有的历史用电数据。在本实施例中，所述历史用 电数据包括国家电网提供的居民、学校及企业的历史用电数据。
52.所述随机游走模型12用于在所述历史用电数据的基础上产生大量的随机用电数据使其 与历史用电数据共同整合形成第一用电数据。在本实施例中，所述随机游走模型12基于 python建立，其在生成随机数据时，首先将现有的历史用电数据构建成用户用电行为序列网 络，每一历史用电数据为该用电行为序列网络中的一个网络节点；然后分别以各网络节点为 起点进行随机游走，生成每次游走对应的随机游走序列；最后输出每一随机游走序列中的各 随机数据，所述随机数据即为随机用电数据，以对第一用电数据进行扩增，扩大对控制模型 13进行训练时的训练样本，进而提高控制模型13的训练精度。
53.所述控制模型13用于根据第一用电数据提取并输出与第一用电数据对应的用电行为特 征以作为控制信号输入后级的用电模拟平台2，实现对用电模拟平台2的模拟控制。在本实 施例中，所述控制模型13采用卷积神经网络，并建立适量的神经元计算节点和多层运算层 次结构，所述控制模型13以第一用电数据为输入进行模型训练，优化模型参数，其输出为 与第一用电数据对应的用电行为特征。具体的，将所述第一用电数据按一定比例划分为训练 数据集和测试数据集，并将所述训练数据集输入卷积神经网络中，通过卷积神经网络各层的 神经元计算节点对第一用电数据进行计算，输出与第一用电数据对应的用电行为特征，选择 最优的输入层和输出层，并将对应的用电行为特征反向传播至卷积神经网络对控制模型13 进行迭代调优，直至定义的损失函数趋于稳定或者达到最大迭代次数，得到训练好的控制模 型13，进而得到输入(即第一用电数据)与输出(即用电行为特征)之间的映射关系，实现 对用户用电行为特征的提取。
54.所述用电模拟平台2包括一模拟电路21和一与模拟电路21电连接的放大电路22。其中：
55.所述模拟电路21可在控制模块1输出的控制信号的作用下模拟用电设备在各种用电行 为下的运行工况。在本实施例中，所述用电设备至少包括冰箱、电视、空调、地暖、热水器、 风扇、洗衣机、电脑、吹风机等等，由于不同的用电设备具有不同的等效阻抗，在对各用电 设备进行模拟时，可采用电阻、电感和/或电容的组合形成具有不同阻抗且参数可调的负载 (部分负载的等效电路如图2所示)，不同的负载可用于模拟不同的用电设备，所述负载的 阻抗相对于与之对应的用电设备的等效阻抗等比缩小预设倍数(如10倍)，使得模拟电路 21输出的电流电压相较于用电设备的实际运行工况等比缩小预设倍数，以实现用电
设备运行 工况的模拟。本实施例通过相较于用电设备的等效阻抗等比缩小的负载对用电设备的实际运 行工况进行模拟，可降低整个用电模拟平台2的功耗，达到节能的目的。
56.在本实施例中，将所述负载的参数设置为可调的目的在于可以通过调节负载的参数增加 对用电模拟平台2中负载运行的人工干预，以使所述模拟电路21在模拟运行工况的过程中 增加气候参数、谐波特征和用户开关行为对负载的影响，使模拟电路21的模拟运行工况与 用电设备的实际运行工况更加接近。具体的，对于气候参数，由于不同季节、不同天气条件 会影响不同用电设备的使用频率、时长与使用时间段等，如夏天是空调的高频使用季节，台 风、雨天时电视、电脑以及吹风机的耗电量会大幅提升，而冬天是地暖等用电设备的高频使 用季节，通过有针对性的对代表各用电设备的负载的参数进行调节或开关，可实现对模拟电 路21的气候参数干预；对于谐波特性，由于谐波会使模拟电路21的电能损耗增加，使输出 的模拟用电数据不准确，因此可通过采用调节负载参数或者增加其他负载对模拟电路21进 行干预；对于用户开关行为，由于用户的用电习惯对于用电设备的使用时间段、使用时长以 及使用频率具有重大影响，因此也可通过有针对性的对代表各用电设备的负载的参数进行调 节或开关，实现用户开关行为对模拟电路21的干预。
57.所述放大电路22用于对所述模拟电路21输出的电流电压按照等比缩小的预设倍数进行 等比放大，使所述用电模拟平台2最终输出的电流电压(模拟用电数据)与用电设备的实际 运行工况相同，从而可以有效的进行后续的数据采集。
58.如图3所示，所述放大电路22包括三极管q1、电容c3、电容c4、电容c5、电阻r4、 电阻r5、电阻r6和电阻r7，所述电容c3和电阻r4串联在放大电路22的输入端的正极和 负极之间，所述电容c3邻近输入端的正极而所述电阻r4邻近输入端的负极，且所述电阻r4 临近输入端的负极的一端接地；所述三极管q1的栅极电连接在电容c3和电阻r4之间，所 述三级管q1的源极通过所述电阻r5接地，所述三极管q1的漏极通过电阻r6形成所述放大 电路22的输出端；所述电容c4的一端电连接在所述三极管q1的漏极和电阻r6之间，所述 电容c4的另一端通过电阻r7接地；所述电容c5的一端连接在三极管q1的源极与电阻r5 之间，所述电容c5的另一端接地，以实现模拟电路21输出的电流电压的等比放大。
59.所述数据采集及干扰模块3包括至少一个与放大电路22电连接的智能电表31，用于采 集放大电路22输出的模拟用电数据；所述智能电表31经过改装，在每一智能电表31上分 别施加有一种窃电手段以对智能电表31的计数进行干扰，使其输出的干扰后第二用电数据 与模拟用电数据不相等。在本实施例中，所述窃电手段至少包括篡改智能电表31的计量程 序窃电、在智能电表31的电路板焊接电阻窃电、更改智能电表31的电流采样回路窃电、对 智能电表31的计量芯片涂抹碳粉窃电、更改智能电表31的电压采样回路窃电以及破坏智能 电表31的载波模块后隔板窃电等等。每一智能电表31对应一种窃电手段，由此，可输出与 各窃电手段相对应的第二用电数据。
60.所述数据处理模块4接收各智能电表31输出的第二用电数据并对第二用电数据的数据 特征进行提取。具体的，在本实施例中，所述数据处理模块4采用主成分分析法确定并提取 第二用电数据的各数据特征中累计贡献率在预设条件范围内的数据特征，将其与对应的窃电 手段进行关联，得到海量携带有窃电手段信息的标签数据，以为进一步实现窃电甄别以及负 荷预测研究提供数据支撑。
61.本实施例的海量标签数据生成平台，通过设置随机游走模型12在有限的历史用电
数据 的基础上可产生大量与历史用电数据呈相同分布的随机用电数据，以实现控制模型13训练 样本的扩增，提高控制模型13的训练精度，使其能准确提取用电行为特征，以作为用电模 拟平台2的控制信号控制负载模拟用电设备的运行工况，同时，在末端设置加以窃电手段干 预的智能电表31对用电模拟平台2的模拟用电数据进行采集，输出在窃电手段干扰下的第 二用电数据，提取数据特征后可得到海量携带有窃电手段信息的标签数据，以弥补非正常用 电海量数据缺失问题及数据样本少、质量不高的问题。
62.实施例2
63.如图4所示，为本实施例的海量标签数据生成方法的流程图。本实施例的海量标签数据 生成方法基于实施例1的海量数据标签生成平台实现，包括与实施例1中结构和功能相同或 相似的控制模块1、用电模拟平台2、数据采集及干扰模块3和数据处理模块4，以实现对海 量标签数据的采集。具体的，本实施例包括以下步骤：
64.s1：获取第一用电数据并提取用电行为特征。
65.首先，获取国家电网公布的用户的历史用电数据，并基于历史用电数据生成大量的随机 用电数据，将历史用电数据和随机用电数据整合形成第一用电数据；然后，利用所述第一用 电数据对一预先建立的控制模型13进行训练，通过训练好的控制模型13可提取与所述第一 用电数据对应的用电行为特征；最后，将所述第一用电数据和对应的用电行为特征整合形成 数字控制信号。在本实施例中，所述用电行为特征用于表征用于的用电习惯，其通过第一用 电数据的数据大小、数据产生时刻等等加以表现，具体的，所述用电行为特征至少包括日用 电量、日最大/最小负荷、日均负荷、峰谷用电量、峰谷平均负荷、峰谷差、夜间负荷率、 用电高峰时长以及负荷曲线等等。
66.如图5所示，所述步骤s1包括以下子步骤：
67.s101：获取第一用电数据。
68.通过所述数据获取模块11获取国家公开的居民、学校及企业的历史用电数据，并利用 随机游走模型12在历史用电数据的基础上随机产生大量的与历史用电数据呈相同分布的随 机用电数据，形成包含有历史用电数据和随机用电数据的第一用电数据。
69.在本实施例中，所述随机游走模型12基于python建立；具体的，所述随机游走模型12 根据所述现有的历史用电数据构建用户用电行为序列网络，每一历史用电数据为该用电行为 序列网络中的一个网络节点，使所述随机游走模型12以用户用电行为序列网络中各网络节 点为起点，分别进行随机游走，生成每次游走对应的随机游走序列，最终输出每一随机游走 序列中各随机数据，所述随机数据即为所述随机用电数据，实现第一用电数据的扩增。
70.s102：基于第一用电数据对控制模型13进行迭代训练。
71.将所述第一用电数据划分为训练数据集和测试数据集，所述训练数据集用于对控制模型 13进行训练，所述测试数据集用户对预先建立好的控制模型13进行测试以及作为控制模型 13的输入实现对用电行为特征的提取。在本实施例中，所述控制模型13采用卷积神经网络 实现；具体的，将所述训练数据集输入控制模型13中，输出用电行为特征，并将用电行为 特征反向传递至卷积神经网络中，对该卷积神经网络进行迭代训练，优化控制模型13的模 型参数，直至定义的损失函数趋于稳定或者达到最大迭代次数，得到训练好的控制模型13；
72.s103：利用训练好的控制模型13提取用电行为特征。
73.将所述测试数据集作为第一用电数据或者直接将第一用电数据输入训练好的控制模型 13中，通过控制模型13中卷积神经网络的正向传递，输出与所述第一用电数据对应的用电 行为特征，实现用电行为特征的提取。
74.s2：搭建用电模拟平台2，模拟用电设备的运行工况。
75.基于实际的用电设备供电网络搭建一用电模拟平台2，所述用电模拟平台2中包括与各 用电设备一一对应的负载，所述用电模拟平台2以第一用电数据和对应的用电行为整合形成 的数字控制信号作为输入，在所述数字控制信号的控制下可模拟用电设备的运行工况，进而 模拟得到用电设备的模拟用电数据。
76.具体的，所述用电模拟平台2包括一模拟电路21和一与所述模拟电路21电连接的放大 电路22，所述模拟电路21中包括多组参数可调的负载，所述负载的电流、电压相较于用电 设备等比缩小预设倍数，以通过负载的运行工况模拟用电设备的实际运行工况；所述放大电 路22用于对所述模拟电路21输出的电流电压按照等比缩小的预设倍数进行等比放大，使所 述用电模拟平台2最终输出的模拟用电数据与用电设备的实际运行工况相同，从而可以有效 的进行后续的数据采集。
77.本实施例在具体实施时，还可通过对模拟电路21中负载的参数进行调节或更换其他规 格的负载，以在模拟电路21中增加气候参数、用户开关行为以及谐波特性对模拟电路21的 影响，使模拟电路21的模拟运行工况与用电设备的实际运行工况更加接近使模拟电路21的 模拟运行工况与用电设备的实际运行工况更加接近。
78.s3：对模拟用电数据施加窃电手段干预，采集第二用电数据。
79.在所述用电模拟平台2的输出端施加至少一种窃电手段对模拟用电数据的计量进行干 扰，然后输出经窃电手段干扰后的第二用电数据。具体的，在本实施例中，通过设置多个与 放大电路22电连接的智能电表31对放大电路22放大后的模拟用电数据进行采集，每一智 能电表31根据窃电手段的类别分别施加有一窃电手段(如：篡改智能电表31的计量程序窃 电、在智能电表31的电路板焊接电阻窃电、更改智能电表31的电流采样回路窃电、对智能 电表31的计量芯片涂抹碳粉窃电、更改智能电表31的电压采样回路窃电以及破坏智能电表 31的载波模块后隔板窃电等等)，使智能电表31对模拟用电数据的计量进行干扰，使得输 出的第二用电数据与模拟用电数据不相等，进而得到在不同窃电手段干预下的第二用电数 据。
80.s4：提取第二用电数据的数据特征，得到海量标签数据。
81.具体的，从所述第二用电数据中提取出第二用电数据的数据特征，并将所述数据特征赋 予对应的窃电手段的标签，使所述数据特征与窃电手段之间形成关联，得到海量携带有窃电 手段信息的标签数据。
82.如图6所示，所述步骤s4包括以下子步骤：
83.s401：将第二用电数据整合成一特征矩阵。
84.获取所述智能电表31输出的各第二用电数据，并分别对各第二用电数据的用电行为特 征进行提取，将所述第二用电数据及其对应的用电行为特征整合形成一特征矩阵。
85.s402：采用主成分分析法计算主成分的累计贡献率。
86.具体的，首先，将所述特征矩阵进行标准化处理，并根据所述标准化处理后的特征
矩阵 计算相关系数矩阵；然后，计算所述相关系数矩阵中的特征值并将所述特征值从大到小进行 排序后依次计算所述特征值对应的特征向量，基于所述特征值和特征向量确定所述用电行为 特征中的主成分；最后，计算每一主成分在对应用电行为特征中的累计贡献率。
87.s403：基于累计贡献率对主成分进行评价，提取第二用电数据的数据特征。
88.具体的，判断所述主成分的累计贡献率是否大于预设条件，若大于预设条件(如80％)， 则提取所述主成分形成所述第二用电数据的数据特征，否则予以舍弃，以减小一些不相关的 干扰信息对提取出来的数据特征的影响。
89.s404：对数据特征赋予窃电手段标签，输出海量标签数据。
90.将所述窃电手段信息写入对应的数据特征中，或将所述数据特征与窃电手段进行关联， 得到海量携带有窃电手段信息的标签数据，为实现窃电甄别以及负荷预测研究提供数据支 撑。
91.本实施例的海量标签数据生成方法，通过将获取的包括大量历史用电数据和随机用电数 据的一用电数据输入控制模型13中提取用电行为特征，作为用电模拟平台2的控制信号控 制负载模拟用电设备的运行工况，可实现对用电设备的实际运行工况进行模拟；并且通过施 加窃电手段对模拟用电数据进行采集得到窃电手段干扰后的第二用电数据，可实现对窃电手 段的模拟；最后，通过对第二用电数据的数据特征进行提取，可得到海量携带有窃电手段信 息的标签数据，以弥补非正常用电海量数据缺失问题及数据样本少、质量不高的问题。
92.实施例3
93.如图7所示，为本实施例的窃电识别方法的流程图。本实施例的窃电识别方法基于实施 例2的海量标签数据生成方法实现，通过产生海量标签数据来对窃电手段模型进行训练，从 而实现对窃电手段的准确识别。具体的，本实施例包括以下步骤：
94.p1：产生携带有窃电手段信息的标签数据。
95.具体的，首先，根据第一用电数据提取用户的用电行为特征，并基于第一用电数据和用 电行为特征形成一控制信号对用电模拟平台2进行控制，模拟用电设备在各种用电行为下的 运行工况，并输出并放大产生的模拟用电数据；然后，对模拟用电数据的采集施加窃电手段 的干预，对所述模拟用电数据的计量进行干扰，分别输出经各窃电手段干扰后的多个第二用 电数据；最后，对第二用电数据的数据特征进行提取，生成若干携带有窃电手段信息的标签 数据；其具体方法参见实施例2的相关描述，本实施例不做赘述。
96.p2：基于标签数据对窃电识别模型300进行训练。
97.将所述标签数据和对应的窃电手段输入一预先建立的窃电识别模型300并对所述窃电识 别模型300进行迭代训练，得到训练好的窃电识别模型300。在本实施例中，所述窃电识别 模型300采用神经网络模型实现；具体的，将所述标签数据和窃电手段信息输入所述窃电识 别模型300中，输出对应的窃电手段，然后将窃电手段反向传递至窃电识别模型300中，对 该窃电识别模型300进行迭代训练，优化窃电识别模型300的模型参数，直至定义的损失函 数趋于稳定或者达到最大迭代次数，得到训练好的窃电识别模型300。
98.p3：利用所述训练好的窃电识别模型300对窃电手段进行识别。
99.将配置于用户入户处的智能电表31输出的用户的用电数据输入所述窃电识别模
型300 中，通过所述窃电识别模型300的正向传递，得到该智能电表31是否被施加了窃电手段以 及在施加了窃电手段时识别该窃电手段的类别，以便及时对非正常用电的行为甄别、排查。
100.本实施例的窃电识别方法，基于生成的海量标签数据对窃电识别模型300进行训练，使 得训练好的窃电识别模型300能够准确识别出窃电手段的类别，以便国网工作人员及时对窃 电行为进行排查、制止，进而保证国网的正常、安全运行。
101.实施例4
102.如图8所示，为本实施例的窃电识别系统的控制框图。本实施例的窃电识别系统在运行 时可实现实施例3所述的窃电识别方法。具体的，本实施例的窃电识别系统包括海量标签数 据生成平台100、模型训练模块200以及窃电识别模型300；其中：
103.所述海量标签数据生成平台100基于实施例1的海量标签数据生成平台生成若干携带有 窃电手段信息的标签数据。具体的，所述海量标签数据生成平台100根据第一用电数据及其 对应的用电行为特征对一用电模拟平台2进行控制，使施加有窃电手段的智能电表31对用 电模拟平台2的第二用电数据进行采集，并对所述第二用电数据的数据特征进行提取，得到 携带有窃电手段信息的标签数据。所述海量标签数据生成平台100具体结构请参见实施例1 的相关描述，本实施例不做赘述。
104.所述模型训练模块200用于根据所述标签数据及对应的窃电手段信息对一窃电识别模型 300进行训练。具体的，所述模型训练模块200将所述标签数据和对应的窃电手段输入所述 窃电识别模型300中并对所述窃电识别模型300进行迭代训练，得到训练好的窃电识别模型 300。
105.所述窃电识别模型300用于根据配置于用电用户处的智能电表31输出的用电数据对窃 电手段进行识别。
106.本实施例的窃电识别系统，通过设置海量标签数据生成平台可产生大量对窃电识别模型 300进行训练的标签数据，可提高窃电识别模型300的训练精度，使得训练好的窃电识别模 型300能够准确识别出窃电手段的类别，以便及时对非正常用电的行为甄别、排查。