基于缺失值补全与BiLSTM的用电行为异常检测

作     者：严莉 张凯 徐浩 韩圣亚 刘珅岐 YAN Li;ZHANG Kai;XU Hao;HAN Sheng-ya;LIU Shen-qi

作者机构：国网山东省电力公司信息通信公司山东济南250013 

出 版 物：《软件导刊》 (Software Guide)

年 卷 期：2022年第21卷第10期

页      面：136-141页

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国网山东省电力公司科技项目(2020A-135)。 

主　　题：电力数据 缺失值补全 生成对抗网络 BiLSTM 异常检测 

摘      要：目前,通常采用深度神经网络根据历史用电数据检测用户用电行为异常,但该方法忽略了电力数据缺失对异常检测性能的影响。为此,提出一种基于缺失值补全和双向长短期记忆神经网络(BiLSTM)的用电行为异常检测模型。首先,采用卡尔曼滤波器和一维卷积神经网络学习电力数据文本信息表示,通过图注意力网络捕获电力数据间复杂的关联关系。然后,以Transformer为生成器,支持向量机(SVM)为判别器构建生成对抗网络(GAN)模型,通过两者相互对抗补全电力数据缺失值。最后,采用BiLSTM进行用电行为异常检测。实验结果表明,所提模型的准确率、F1值、AUROC值和AUPRC值分别为96.82%、60.28%、89.17%和56.73%,优于主流异常检测模型,证明模型能有效提高电力异常检测性能,可以为用电数据检测提供参考与借鉴。