基于果蝇算法优化LSTM的用户异常用电行为预测_张敏.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第4期No.42023年2月Feb.2023收稿日期：2021-08-31稿件编号：202108206作者简介：张 敏（1984），女，甘肃兰州人，硕士，工程师。研究方向：营销信息化。果蝇优化算法是从仿生学角度提出的新型群体智能优化算法，该算法根据果蝇觅食行为，推演出了一套完善的数值求解方法，既能缩短数据排查所需的时间，也可大幅提升数值解的应用可行性1。LSTM是一种简单的长短期记忆网络结构，附属于传统的基于果蝇算法优化LSTM的用户异常用电行为预测张 敏，李晓明，辛玲玲，董昊男（国网甘肃省电力公司，甘肃 兰州 730030）摘要：在用户用电负荷量较为集中的情况下，为解决因电信号堆积而造成的异常用电行为问题，设计基于果蝇算法优化 LSTM的用户异常用电行为预测模型。通过初始化果蝇算法的方式，获取用户的用电数据预处理结果，将其与 LSTM超参数指标相结合，完成基于果蝇算法优化 LSTM的用电量数值记忆。在此基础上，选取既定评价指标，根据缺失值计算表达式，确定决策参数的具体数值，实现基于果蝇算法优化 LSTM的用户异常用电行为预测模型的搭建与应用。实例分析结果表明，随着果蝇算法优化 LSTM 理论的应用，电信号在用户用电集中负荷时所需消耗的训练时间更短，可有效解决电信号的堆积问题，实现对用户异常用电行为的有效预测。关键词：果蝇算法；异常用电行为；LSTM超参数；评价指标；缺失值；决策参数中图分类号：TP391文献标识码：A文章编号：1674-6236（2023）04-0132-05DOI：10.14022/j.issn1674-6236.2023.04.028Prediction of abnormal power consumption behavior of users based on Drosophilaalgorithm optimized LSTMZHANG Min，LI Xiaoming，XIN Lingling，DONG Haonan（State Grid Gansu Power Company，Lanzhou 730030，China）Abstract:In order to solve the problem of abnormal power consumption behavior caused by electricsignal accumulation，a prediction model of abnormal power consumption behavior of users based onLSTM optimized by Drosophila algorithm is designed.By initializing Drosophila algorithm，thepreprocessed results of userselectricity consumption data are obtained，and then combined with LSTMsuperparameter index，the numerical memory of electricity consumption based on LSTM optimization byDrosophila algorithm is completed.On this basis，the established evaluation index is selected，theexpression is calculated according to the missing value，and the specific value of the decision parametersis determined，so as to realize the construction and application of the prediction model of usersabnormalelectricity consumption behavior based on LSTM optimized by Drosophila algorithm.The results of caseanalysis show that，with the application of LSTM theory optimized by Drosophila algorithm，the trainingtime consumed by electric signals when users concentrate on power consumption is shorter，which caneffectively solve the problem of accumulation of electric signals and realize effective prediction ofabnormal power consumption behavior of users.Keywords:Drosophila algorithm；abnormal power consumption behavior；LSTM superparameter；evaluation index；missing value；decision parameters-132时间循环型神经网络之上，其目的在于解决数据信息参量之间的长期依赖问题，并且在应用过程中，要求所有网络模块都必须保持链式连接的存在形式2。在一个标准的网络结构体中，重复出现的LSTM模块之间仅依靠小型神经结构体相连。异常用电是一种极为严重的错误电量消耗行为，包括擅自改变用电类别、擅自超过合同约定容量用电、擅自迁移电能计量装置等多种表现形式，在不同的电网环境中，异常用电行为带来的负面影响也不同3。近年来，随着电信号输出量的不断增大，用户用电负荷量始终呈现相对集中的表现状态，在此情况下，因电信号堆积而造成的异常用电行为问题也更加明显4。为解决上述问题，将果蝇优化算法与LSTM 网络结构融合起来，并以此为基础，设计一种新型的用户异常用电行为预测模型。1基于果蝇算法优化LSTM的用电量记忆1.1算法初始化果蝇算法对于 LSTM 网络的优化思路在于可根据用户异常用电行为数据，控制群体果蝇节点的步进寻优程度，一般可以分为如下几个步骤：1）初始化预设初始化预设就是设定群体果蝇的初始化行为参数，包含数据迭代次数、群体大小、起始位置等指标参量5。设i代表果蝇群体节点的定义系数，X(i)代表果蝇群体的实时行进距离，在果蝇队列项为的情况下，联立上述物理量，可将X(i)表达式定义为：X(i)=|xi-x0()i-12（1）其中，x0代表群体果蝇的行进起点坐标，xi代表群体果蝇的行进终点坐标。2）移动移动就是在群体果蝇节点中选择数据浓度最高的个体，在记录该节点所处位置后，按照步长值结果，设定数据信息的实际传输速率6。3）迭代重复上述操作，直到数据浓度满足所设定的最大迭代次数值。设n表示数据信息的实际迭代次数，yi代表果蝇群体节点定义系数为i时的数据浓度量，y?i代表数据浓度特征值，具体计算公式如下：(i)=i=1(yi-y?i)2n（2）根据迭代与初始化预设结果的真实性，可判断用户异常用电数据在果蝇算法作用下的传输行为能力。1.2用电数据预处理完成果蝇算法的初始化配置后，需要根据用户异常用电行为的表现形式，对相关用电数据进行初步加工，也就是用电数据的预处理7-8。LSTM网络可在分离提取用电数据后，根据算法坐标系内决策节点的排列方式，获取数据信息参量的时序序列模型，并以此为基础，实现对预处理数据结果的有效判别。为了保障果蝇算法对于 LSTM 网络的优化作用能力，在执行用电数据预处理步骤时，必须控制X(i)表达式、(i)表达式的数值结果始终大于零。设代表果蝇算法的理想优化标度值，f代表 LSTM 网络的稳定性系数，P代表用户异常用电行为数据的单位传输量，联立式（1）、式（2），可将用电数据的预处理结果表示为：=fPX(i)(i)(X(i)0,(i)0)（3）根据用户异常用电行为数据传输量水平的不同，数据信息的预处理结果也会发生相应的改变。1.3LSTM超参数根据用户异常用电行为，选取 LSTM 超参数，需要在果蝇算法的基础上，确定信息参量在节点集合体中的浓度衰减情况。首先，根据LSTM网络中用户异常用电行为数据的覆盖现状，确定果蝇算法的优化更新速率，从而将不同的超参数直接赋值到个体果蝇节点上9。其次，判断个体果蝇节点在LSTM网络中所代表的超参数适应度水平，并分别计算个体节点处的数据量浓度。最后，按照个体果蝇节点所属的步长值序列，得到准确的 LSTM 超参数计算结果10。设u?代表用户异常用电行为数据的备选特征值，代表单位时间内的果蝇算法优化执行次数，联立式（3），可将LSTM超参数计算结果表示为：e=2-u?(1-sn)2（4）其中，s代表LSTM网络对于果蝇算法的基本适应度数值，n代表 LSTM 网络的迭代权限值。在LSTM 网络中，由于果蝇算法的存在，用户异常用电张 敏，等基于果蝇算法优化LSTM的用户异常用电行为预测-133电子设计工程 2023年第4期行为数据总是能够保持相对集中的传输表现形式。2用户异常用电行为预测模型2.1评价指标选取在 LSTM 网络中，为获得较为理想的用户异常用电行为预测结果，需要根据异常数据信息量的存在形式，确定预测模型的实际应用价值，且在此过程中，应利用相关已知条件，选取未知的评价指标参量11。在实时选取指令时，必须判断用户异常用电行为所属类型，一般来说，由改变用电类别、超出额定用电量等行为带来的异常用电数据累积量较大，而由迁移电能计量装置所带来的异常用电数据累积量相对较小12。对于选取预测评价指标而言，若不能掌握异常用电行为所属形式，不但会造成预测结果出现偏差，也会使果蝇算法的优化应用能力大打折扣。设A0代表异常用电数据的初始判别量，Am代表异常用电数据的实时判别量，m为既定的数据信息判别条件，联立式（4），可将用户异常用电行为预测模型的评价指标选取结果表示为：L=1em=1|Am-A02kDmax（5）式中，Dmax代表最大的异常用电数据筛查系数，k代表 LSTM 网络中的数据信息量筛查条件。为突出果蝇算法的优化应用能力，在实际应用过程中，用户异常用电行为数据评价指标的选取应以真实性作为主要参考标准。2.2缺失值计算缺失值是指因人为原因或机械原因造成的某项样本数据严重缺失的情况，在预测处理过程中，若不能准确掌握样本数据的实时缺失情况，势必会影响用户异常用电行为数据的传输能力，从而造成数据信息缺口量继续增大13-14。为解决此问题，果蝇算法通过优化LSTM网络的方式，为所选取评价指标提供一个相对稳定的预测背景环境，并可在不断融合用户异常用电行为数据的同时，从中提取出具有明显缺失特征的信息参量，并将其独立存储于既定的网络结构体模块之中。设代表用户异常用电行为数据的实时融合系数，g 代表异常用电数据信息在LSTM 网络中的存储量均值，l?代表缺失量筛查条件，联立上述物理量，可将 LSTM 网络中异常用电数据的缺失值计算结果表示为：Z=0L2|g l?dg（6）如果待预测的数据样本中存在大量的缺失值参量，则需针对相关数据信息参量进行初步剔除处理，再按照缺失值计算公式，对后续的用户异常用电行为预测指令进行妥善安排。2.3决策参数决策参数能够决定电信号训练指令的执行与应用能力，若依照数据样本条件，对用户异常用电行为信息量进行预测，则应将决策参数作为关键的数值考核指标15-16。假定在已知缺失值计算量的情况下，决策参数的数值结果只能在极大值bmax、极小值bmin之间不断波动，且在已知LSTM网络中果蝇算法优化作业能力的情况下，可认为待预测的异常电量数据越多，决策参数的数值结果越靠近极大值方向。