智能电表大数据分析及异常检测

• 作 者: 刘华英
• 出 处: 长春工业大学
• 发表日期: 2020年01期
• 关键词: 深度学习 智能电表 异常检测 LSTM 卷积神经网络

随着传感器技术、智能计算等技术的不断进步,世界各国的智能电网也在加速普及。在智能电网这个大环境下,用电大数据呈指数级增长,智能电表的市场也将随之扩大,整体市场还将呈现不断上升的趋势。与此同时,智能电表属于强制检定设备,有固定的使用周期,一般为5-8年,到期需要对其更换。然而,大部分的智能电表在使用8年之后仍然处于良好状态。因此,对智能电表大数据进行挖掘,对智能电表进行异常检测可以在很大程度上节省财力和人力资源。本文利用深度学习技术对智能电表数据进行了分析研究,挖掘出用户用电数据规律,并利用回归和分类的方法对智能电表进行检测,从而找出有异常的智能电表。本文主要完成以下三个方面工作:1、对采集到的智能电表数据进行分析,分别介绍了智能电表大数据的产生、重要性以及特点,并分析了居民用电的习惯及规律。2、本研究假设智能电表总表在精心维护下是没有异常的,在这种情况下,采用双层长短期记忆网络根据智能电表的分表电量和总表电量的历史数据来对居民区的智能电表的误差趋势进行预测,从而确定居民区中是否有异常的智能电表。3、若2中检测出居民区有异常智能电表的存在,则将进入分类任务,本研究利用卷积神经网络算法来对居民区中的每个分表进行分类。为了更好的检测出有异常的智能电表,本研究将序列数据转换成递归图(Recurrence Plots,RP),作为卷积神经网络模型的输入,通过对比分析,发现比传统的时间序列数据输入有更高的准确度。最后,与时间序列输入的卷积神经网络模型结果相比较,本研究提出的方法具有最高的准确性。本文在方法上,创新之处为将电表数据转换成RP图作为CNN分类模型的输入。在应用上,将深度学习与智能电表异常检测结合起来,相较于以往的异常检测方法,准确率有了很大的提升,该方法的提出对于智能电表的普及具有实际意义。