吴刚



摘 要:为解决现有用电数据异常检测算法准确率低的问题,首先,文章分析了用户用电数据具有时间关联特性、高维度特性,且容易受外部因素影响等特性。其次,基于数据内在特性和LSTM理论,提出了基于数据内在特性和LSTM的用户用电数据异常检测算法。该算法采用有放回的构造数据集策略,构造K个数据集合,采用4层LSTM网络,实现高维数据特征提取,利用两层全连接的隐含层组成的神经网络,实现用户特征数据匹配,采用大概率事件将K个数据集的结果中出现最多的分类作为该节点的分类。通过实验,验证了文章算法比传统算法好,提高了准确率,降低了误报率。
关键词:大数据;异常检测;深度学习;LSTM
1 大数据和人工智能背景下的电力数据采集
随着社会经济快速发展,电力资源在人民群众的日常生活中发挥的作用越来越重要。但是,个别用户为了减少电力资源费用的支出,通过窃电、欺诈等欺骗手段进行偷电,给电力公司造成了严重的经济损失。为解决此问题,电力公司已经采取了较多的措施进行检查和整改,并且取得了一定的效果[1-2]。智能电网技术的快速发展,为用电数据异常分析提供了新的研究手段。在大数据电力设备采集下的用户用电数据更加丰富、数据量更加庞大[3]、存储设备和网络通道的资源更加丰富[4]。例如,史玉良等[5]提出了传统数据库和MongoDB数据库相融合的电力用户数据存储体系架构,实现了电力用户数据的可扩展性存储。……