(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111657488.1 (22)申请日 2021.12.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 114266925 A (43)申请公布日 2022.04.01 (73)专利权人 华北电力大 学 地址 100000 北京市昌平区回龙观街道北 农路2号 (72)发明人 龚钢军　孟芷若　杨佳轩　袁琳琳　 陆俊　武昕　苏畅　 (74)专利代理 机构 北京东方盛凡知识产权代理 事务所(普通 合伙) 11562 专利代理师 许佳 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01)(56)对比文件 CN 112098714 A,2020.12.18 CN 113051837 A,2021.0 6.29 CN 112698072 A,2021.04.23 CN 109657874 A,2019.04.19 CN 111260249 A,2020.0 6.09 CN 109212519 A,2019.01.15 CN 108520 357 A,2018.09.1 1 WO 2021100193 A1,2021.0 5.27 CN 113377827 A,2021.09.10 沈鑫 等.基 于IEEE14节点模型的电气参 量 分析与窃电指标判别. 《软件》 .2018,第39卷(第 12期), 李国成 等.基 于Bagging二次加权集成的孤 立森林窃电检测算法. 《电力系统自动化》 .2021, 程金.基于用电信息采集系统的防窃电方法 及应用. 《中国优秀硕士论文 全文数据库 工程科 技Ⅱ辑》 .2020, (续) 审查员 袁玉 (54)发明名称 一种基于DLSTM-RF的用户窃电检测方法及 系统 (57)摘要 本发明公开了一种基于DLSTM ‑RF的用户窃 电检测方法及系统， 包括： 构建相关数据集， 相关 数据集用于作为DLSTM ‑RF模型的输入数据， 对 DLSTM‑RF模型进行训练， 生成用户窃电预测模 型； 构建DLSTM ‑RF模型， DLSTM ‑RF模型用于通过 相关数据集， 生成用户窃电预测模型； 通过相关 数据集， 对DLSTM ‑RF模型进行训练， 生成用户窃 电预测模型， 用户窃电预测模型用于对电网系统 中的信息进行分析和学习， 找出窃电用户， 并通 过对窃电用户进行治理， 降低不必要的电力生 产； 本发明通过检测用户的窃电信息并与碳排放 信息的进行转换， 实现从用电信息到减碳信息的 跨越， 为实现电网用户侧控碳提供了一定的参 考。 [转续页] 权利要求书4页 说明书10页 附图2页 CN 114266925 B 2022.09.30 CN 114266925 B (56)对比文件 BEHCET KOCAMAN 等.Detecti on of electricity theft usi ng data proces sing and LSTM method i n distribution systems. 《Sadhana》 .2020, A. A. Masrur Ahmed 等.LSTM i ntegrated with Boruta-random forest optimiser for soil moisture estimati on under RCP4.5 and RCP8.5 global warmi ng scenari os. 《Stochastic Enviro nmental Researc h and Risk Assessment》 .2021, 杨建华 等.基 于改进的灰色 关联分析与 LSTM的10 00kV特高压线损预测. 《电工技 术 高压 与绝缘技术》 .2020,2/2 页 2[接上页] CN 114266925 B1.一种基于DLSTM ‑RF的用户窃电检测方法， 其特 征在于， 包括以下步骤： 构建相关数据集， 所述相关数据集用于作为DLSTM ‑RF模型的输入数据， 对所述DLSTM ‑ RF模型进行训练， 生成用户窃电预测模型， 其中， 所述相关数据集包括： 线损率， 用于表示线路损耗的电能和供电量的比值； 平均线损率， 用于表示多条线路的所述线损率的平均值； 线损率标准差， 用于表示所述线损率的离散程度由线损率展现， 线损率标准差越小表 示大部分实际数据和平均线损率之间差异越小； 线损变化趋势， 用于表示线损的变化趋势， 通过所述变化趋势表示用户窃电漏电的可 能性； 线损偏度系数， 用于表示线路线损分布偏移中心位置的程度； 线损峰度系数， 用于表示所述线损偏度系数的度量数据在中心聚集 程度； 构建所述DLSTM ‑RF模型， 所述DLSTM ‑RF模型用于通过所述相关数据集， 生成所述用户 窃电预测模型； 通过所述相关数据集， 对所述DLSTM ‑RF模型进行训练， 生成所述用户窃电预测模型， 所 述用户窃电预测模型用于对电网系统中的信息进行分析和学习， 找出窃电用户， 并通过对 所述窃电用户进行治理， 降低不必要的电力生产； 在构建所述DLSTM ‑RF模型的过程中， 所述DLSTM ‑RF模型由DLSTM神 经网络以及用于优 化所述DLSTM神经网络的RF算法组成； 所述DLSTM神经网络的状态更新方式为： 其中， γ为DLSTM神经网络的层数， b为偏移项， Wi， γ， Wf， γ， Wo， γ， Wc， γ表示与当前输入的负 荷数据的连接权重； Vi， γ， Vf， γ， Vo， γ， Vc， γ表示与前一时刻输出的负荷数据的连接权重； 下标 i， f， o分别表示DLSTM神经网络的输入门、 遗忘门、 输出门， 下标c表 示DLSTM神经网络的外部 状态，⊗表示内积运 算， σ 表示sigmod函数； DLSTM窃电分析模型采用DLSTM神经网络； 所述DLSTM神 经网络是由多层LSTM神 经网络 进行顺序堆叠构成； 所述LSTM神经网络用于控制神经网络中传递的信息是否保存， 并且可 以控制将这些所述信息保存多少到记忆存储 单元中； 所述LSTM神经网络的LSTM神经元结构 包括输入门i(t)、 遗忘门f(t)以及输出门o(t)， 其中t为时间节点； 所述输入门i(t)用于决 定内部状态中新输入的数据存储量； 所述遗忘门f(t)用于控制需要丢弃的历史信息量； 所 述输出门o(t)用于控制当前时刻内部状态中需要输出到外部状态的信息量； 基于所述权　利　要　求　书 1/4 页 2 CN 114266925 B 3