本技术涉及用电隐患诊断，尤其涉及一种欠数据场景下用户用电异常诊断方法、设备及介质。
背景技术：
1、随着智能配电网和高级量测体系的不断发展，配用电数据逐渐呈现出体量大、类型多、增速快等大数据特征。但是受设备故障、通信故障、电网波动和用电管理等因素的影响，这些数据中包含异常的用电数据，及时发现这些异常数据并精确判别可以在故障发生前及时发现潜在问题，提前采取措施保护用户用电安全，从而提升电能服务质量。
2、传统的异常用电（用电隐患）判别方法可以归纳为基于机理模型的方法、基于信号辨识的方法以及基于人工智能的方法，其中基于机理模型的方法需要较多的领域知识建立相关物理模型，而基于信号辨识与人工智能的方法需要大量精准数据集的支撑。目前随着电力设备数量以及可再生能源并网数量的急速增加，电网稳定性面临挑战。电力监控设备存在网络不稳定与传感器故障等问题，会导致训练数据的缺失，导致原始测量数据不能直接使用；另外，正常用电数据为完整数据，而异常用电数据存在较为普遍的缺失现象，使得现有方案涉及的异常用电数据集与正常用电数据集的完整性不平衡。另外，常规的用电异常诊断方法包括knn、孤立森林算法等未能充分考虑序列中的时序信息以及静态信息，进而容易导致判断准确率降低。
技术实现思路
1、针对现有技术的上述不足，本技术提供一种欠数据场景下用户用电异常诊断方法、设备及介质，以解决现有的方案涉及的异常用电数据缺失、数据缺失导致的异常用电数据集与正常用电数据集的完整性不平衡、常规的用电异常诊断方法未能有效考虑序列中的时序信息以及静态信息，进而容易导致用电异常判断准确率低的问题。
2、第一方面，本技术提供了一种欠数据场景下用户用电异常诊断方法，方法包括：获取预设历史时间段内的实际用户异常用电数据作为初始训练数据集；对初始训练数据集进行数据标准化处理，以获得用电单位一致的第一训练数据集；对第一训练数据集中存在预设典型异常用电工况的异常用电数据标注典型故障标签；采用生成对抗插补网络方法，从第一训练数据集中随机采样预设数量的异常用电数据，进而通过预设数量的异常用电数据，训练对抗插补网络中的生成器模型与辨别器模型；将第一训练数据集作为对抗插补网络方法的输入数据，进而通过训练好的生成器模型与辨别器模型，对第一训练数据集进行数据插补，以获得无缺失值的第一训练数据集；从最终训练数据中，提取异常用电静态特征和异常用电时序特征；利用bi-gru神经网络模型，将异常用电静态特征和异常用电时序特征映射为特征向量；确定典型故障标签对应的特征向量；通过典型故障标签、特征向量，训练bi-gru神经网络模型，直至bi-gru神经网络模型对应的第一训练数据集的生成对抗损失和第一训练数据集的自适应学习损失之间的加权和最小，获得训练好的bi-gru神经网络模型；获得测试用电数据后，通过训练好的bi-gru神经网络模型，确定测试用电数据对应的预测故障状态；获取预测故障状态对应的设定权重；计算获得实际均值、实际标准差；基于设定权重和测试用电数据对应的波动时间范围，计算获得均值波动阈值和标准差波动阈值；当实际均值高于均值波动阈值且实际标准差高于标准差波动阈值，进行预测故障状态预警处理。
3、进一步地，在对第一训练数据集中存在预设典型异常用电工况的异常用电数据标注典型故障标签之前，方法还包括：
4、基于预设前时间窗口和预设后时间窗口，获取第一训练数据集中各个异常用电数据对应的前向异常用电数据和后向异常用电数据；其中，异常用电数据包含用电量，且预设前时间窗口=预设后时间窗口；
5、通过公式：，计算获得用电趋势；
6、其中，用于表示第i日的用电趋势，i的取值范围为[1,a+a+1],d为时间窗口日期，a表示预设前时间窗口和预设后时间窗口，为第d日的用电量，；当＜时，累计加1，获得从预设前时间窗口到预设后时间窗口的累加总值；当累加总值大于预设累加值时，确定当前异常用电数据为真异常用电数据；
7、当当前异常用电数据为真异常用电数据时，通过公式：
8、，计算线损率；其中，表示第i日的线损率，表示第i日的线路上n个用户的总用电量，表示第i日的线路供电量，n表示线路上的用户数；获取[1,a+a+1]范围内全部的平均值，当平均值大于预设数值时，确定当前异常用电数据为预设典型异常用电工况的异常用电数据，需要标注典型故障标签。
9、进一步地，采用生成对抗插补网络方法，从第一训练数据集中随机采样预设数量的异常用电数据，进而通过预设数量的异常用电数据，训练对抗插补网络中的生成器模型与辨别器模型，具体包括：
10、通过公式：
11、、、，构造生成器模型的初始插补矩阵和估计矩阵；
12、其中，z表示随机矩阵，m表示掩码矩阵，x为带有故障缺失值的异常用电数据；g表示生成器网络，b表示预设常数；其中，掩码矩阵用于记录第一训练数据集中的数据缺失位置，进而将在数据缺失位置缺失的数据用0进行插补，在非数据缺失位置缺失的数据用1进行插补；
13、通过公式：、，构造初始辨别器模型；
14、其中，表示缺失数据提示矩阵，表示随机向量，表示辨别器网络，属于[0,1]，且值与当前位置的数据缺失概率成反比；通过预设数量的异常用电数据，训练对抗插补网络中的生成器模型与辨别器模型。
15、进一步地，在将第一训练数据集作为对抗插补网络方法的输入数据，进而通过训练好的生成器模型与辨别器模型之前，方法还包括：
16、通过预设数量的异常用电数据，迭代训练对抗插补网络中的生成器模型与辨别器模型；其中，迭代过程中的优化目标为：
17、，
18、其中，表示对抗学习插补网络的数学期望分布，表示异常用电数据对应的输出数据；当迭代次数达到设定的迭代次数阈值时，获得训练好的生成器模型与辨别器模型。
19、进一步地，从最终训练数据中，提取异常用电静态特征和异常用电时序特征，具体包括：
20、通过预设嵌入时间自注意力模块，从最终训练数据中，提取异常用电静态特征和异常用电时序特征。
21、进一步地，特征向量包括时序特征向量和静态特征向量，典型故障标签内容为故障状态；
22、通过典型故障标签、特征向量，训练bi-gru神经网络模型，直至bi-gru神经网络模型对应的第一训练数据集的生成对抗损失和第一训练数据集的自适应学习损失之间的加权和最小，获得训练好的bi-gru神经网络模型，具体包括：
23、通过生成对抗损失公式：
24、，获得生成对抗损失；
25、其中，表示生成对抗损失，j表示第一训练数据集中的异常用电数据数量，{}表示预设指示函数，y表示预设故障类别，y表示第y类故障状态，表示第j个异常用电数据，表示第j个异常用电数据时序特征向量，表示第j个异常用电数据的静态特征向量，
26、表示第j个异常用电数据属于第y类故障状态的条件概率，表示第y类故障状态的时序特征向量，从典型故障标签内容为第y类故障状态的特征向量中提取；
27、通过自适应学习损失公式：
28、，计算获得自适应学习损失；
29、其中，表示bi-gru神经网络模型将特征向量编码成对应的虚拟向量；
30、直至加权和最小：，获得训练好的bi-gru神经网络模型；其中，表示预设平衡参数。
31、进一步地，获取预测故障状态对应的设定权重，具体包括：
32、基于预测故障状态与预设权重之间的预设映射关系，确定当前预测故障状态对应的预设权重。
33、进一步地，计算获得实际均值、实际标准差；基于设定权重和测试用电数据对应的波动时间范围，计算获得均值波动阈值和标准差波动阈值，具体包括：根据公式：
34、、，
35、计算获得和；其中，表示实际均值，标准差，c表示第c日，c表示波动数据范围，且c属于c。
36、根据公式：
37、、，
38、计算获得和；其中，表示均值波动阈值，表示标准差波动阈值，和表示设定权重。
39、第二方面，本技术提供了一种欠数据场景下用户用电异常诊断设备，设备包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被执行时，使得处理器执行如上述任一项的一种欠数据场景下用户用电异常诊断方法。
40、第三方面，本技术提供了一种非易失性计算机存储介质，其上存储有计算机指令，计算机指令在被执行时实现如上述任一项的一种欠数据场景下用户用电异常诊断方法。
41、本领域技术人员能够理解的是，本技术至少具有如下有益效果：
42、本技术通过将第一训练数据集作为对抗插补网络方法的输入数据，进而通过训练好的生成器模型与辨别器模型，对第一训练数据集进行数据插补，以获得无缺失值的第一训练数据集，解决现有的方案涉及的异常用电数据缺失的问题以及解决了数据缺失导致的异常用电数据集与正常用电数据集的完整性不平衡的问题。通过将异常用电静态特征和异常用电时序特征映射为特征向量，通过典型故障标签、特征向量，训练bi-gru神经网络模型，获得训练好的bi-gru神经网络模型，解决了常规的用电异常诊断方法未能有效考虑序列中的时序信息以及静态信息，进而容易导致用电异常判断准确率低的问题。
43、另外，本技术在通过训练好的bi-gru神经网络模型获得预测故障状态后，能够通过计算获得实际均值、实际标准差、均值波动阈值和标准差波动阈值，对预测故障状态的准确性进行进一步的验证，进一步保证电异常判断的准确率。
1.一种欠数据场景下用户用电异常诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的欠数据场景下用户用电异常诊断方法，其特征在于，在对第一训练数据集中存在预设典型异常用电工况的异常用电数据标注典型故障标签之前，所述方法还包括：
3.根据权利要求1所述的欠数据场景下用户用电异常诊断方法，其特征在于，采用生成对抗插补网络方法，从第一训练数据集中随机采样预设数量的异常用电数据，进而通过预设数量的异常用电数据，训练对抗插补网络中的生成器模型与辨别器模型，具体包括：
4.根据权利要求3所述的欠数据场景下用户用电异常诊断方法，其特征在于，在将第一训练数据集作为对抗插补网络方法的输入数据，进而通过训练好的生成器模型与辨别器模型之前，所述方法还包括：
5.根据权利要求1所述的欠数据场景下用户用电异常诊断方法，其特征在于，从最终训练数据中，提取异常用电静态特征和异常用电时序特征，具体包括：
6.根据权利要求1所述的欠数据场景下用户用电异常诊断方法，其特征在于，特征向量包括时序特征向量和静态特征向量，典型故障标签内容为故障状态；
7.根据权利要求1所述的欠数据场景下用户用电异常诊断方法，其特征在于，获取预测故障状态对应的设定权重，具体包括：
8.根据权利要求1所述的欠数据场景下用户用电异常诊断方法，其特征在于，计算获得实际均值、实际标准差；基于设定权重和测试用电数据对应的波动时间范围，计算获得均值波动阈值和标准差波动阈值，具体包括：
9.一种欠数据场景下用户用电异常诊断设备，其特征在于，所述设备包括：
10.一种非易失性计算机存储介质，其特征在于，其上存储有计算机指令，所述计算机指令在被执行时实现如权利要求1-8任一项所述的一种欠数据场景下用户用电异常诊断方法。
