买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利一种融合自身与最近邻用电信息的ConvLSTM窃电检测方法、系统、设备及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117313031B 。

龙图腾网通过国家知识产权局官网在2026-03-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311285260.3，技术领域涉及：G06F18/25；该发明授权一种融合自身与最近邻用电信息的ConvLSTM窃电检测方法、系统、设备及介质是由夏小芳;刘照清;乔晓田;高熙越;范磊;崔江涛设计研发完成，并于2023-10-07向国家知识产权局提交的专利申请。

本一种融合自身与最近邻用电信息的ConvLSTM窃电检测方法、系统、设备及介质在说明书摘要公布了：一种融合自身与最近邻用电信息的ConvLSTM窃电检测方法、系统、设备及介质，方法为：获取智能电网中某一区域内所有用户在某个时间段内的用电量数据并进行预处理，构建含预处理后所有用户一维用电量数据的时序数据集合；构建各用户的最近邻用户集合；将预处理后某一用户的一维用电量时序数据重构为二维邻近日矩阵序列；基于构建的最近邻用户集合，将预处理后用户自身及其最近邻的一维用电量时序数据重构为二维最近邻矩阵序列；构建窃电检测方法的检测样本数据集，划分训练集和测试集；构建ETD‑SENICON检测模型，通过训练集训练、优化该检测模型，测试集测试该检测模型；系统、设备及介质：用于实现该方法；本发明实现了低误检率、低漏检率、高检测精度的窃电检测。

本发明授权一种融合自身与最近邻用电信息的ConvLSTM窃电检测方法、系统、设备及介质在权利要求书中公布了：1.一种融合自身与最近邻用电信息的ConvLSTM窃电检测方法，其特征在于：包括以下步骤： 步骤S1：获取智能电网中某一区域内所有用户在某一时间段内的用电量数据，并对其进行预处理，构建包含预处理后所有用户一维用电量数据的时序数据集合； 步骤S2：通过步骤S1构建的一维用电量时序数据集合构建各用户的最近邻用户集合； 步骤S3：将预处理后某一用户的一维用电量时序数据重构为二维邻近日矩阵序列；基于步骤S2构建的最近邻用户集合，将预处理后用户自身及其最近邻的一维用电量时序数据重构为二维最近邻矩阵序列； 步骤S4：通过步骤S3构建的用户的二维邻近日矩阵序列和二维最近邻矩阵序列构建窃电检测方法的检测样本数据集，将检测样本数据集划分为训练集和测试集； 步骤S5：构建融合自身与最近邻用电信息的ConvLSTM检测模型，即ETD-SENICON检测模型，通过步骤S4构建的训练集训练、优化ETD-SENICON检测模型，通过步骤S4构建的测试集测试ETD-SENICON检测模型； 所述步骤S2包括： 步骤S21：获取预处理后个用户一周的用电量时序数据，标记表示用户的周用电量时序数据，标记为由个用户的周用电量时序数据构建的集合，即； 步骤S22：通过局部敏感哈希技术，将步骤S21构建的集合中个用户的周用电量时序数据映射分桶；映射时序数据，查找哈希值集合相同的分桶，将分桶中时序数据对应的用户构建为用户的最近邻用户候选集合，计算候选集合中任一用户的周用电量时序数据与时序数据的相似度，选择与时序数据相似度最大的个时序数据对应的用户重构候选集合，标记表示用户的最近邻用户候选集合； 步骤S23：计算步骤S22构建的候选集合中任一用户的周用电量时序数据与时序数据对应负荷曲线的相似度，选择与时序数据对应负荷曲线相似度最大的个负荷曲线对应的用户，构建为用户的最近邻用户集合，集合包含用户自身，将其剔除，标记表示用户的最近邻用户集合，即； 所述步骤S3包括： 步骤S31：基于用户的最近邻用户集合，将预处理后用户自身及其最近邻的一维用电量时序数据构建为集合，标记表示所构建的一维用电量时序数据集合，即； 步骤S32：将预处理后用户的一维用电量时序数据重构为二维邻近日矩阵，标记表示用户的二维邻近日矩阵；将步骤S31构建的一维用电量时序数据集合重构为二维最近邻矩阵，标记表示用户的二维最近邻矩阵；重构矩阵和矩阵，去除冗余信息，突出矩阵中补充信息的用电量差异，标记表示重构后的二维邻近日矩阵，标记表示重构后的二维最近邻矩阵； 步骤S33：对步骤S32中二维邻近日矩阵和二维最近邻矩阵进行划分，得到用户的二维邻近日矩阵序列和二维最近邻矩阵序列； 所述步骤S5包括： 步骤S51：构建融合自身与最近邻用电信息的ConvLSTM检测模型，即ETD-SENICON检测模型，模型由“横向”ConvLSTM网络、“纵向”ConvLSTM网络和卷积层组成； 步骤S52：将步骤S4构建的训练集作为模型输入，以二分类交叉熵作为模型训练的损失函数，使用小批量梯度下降算法在反向传播机制下训练ETD-SENICON检测模型； 步骤S53：将步骤S4构建的训练集作为模型输入，以模型输出对应的值作为目标函数值，使用一种智能优化算法优化步骤S52训练后的ETD-SENICON检测模型； 步骤S54：通过步骤S4构建的测试集测试ETD-SENICON检测模型，将测试集输入至步骤S53优化后的ETD-SENICON检测模型中，输出检测结果，判别用户是否存在窃电行为。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。