蜣螂算法优化CNN-LSTM-AT模型的异常用电行为检测方法

摘要

针对用电模型预测精度不高导致异常检测效率低的问题，本文提出使用蜣螂优化算法(DBO)对卷积神经网络(CNN)-长短期记忆网络(LSTM)-注意力机制(AT)模型进行超参数选择的方法。首先，用户用电数据经过处理后，使用CNN对数据进行特征提取，用作LSTM的输入以分析时间序列，注意力机制提取LSTM隐藏状态的重要特征，忽略无用特征，逐步提高预测精度。其次利用DBO算法对CNN卷积层的特征检测器大小、LSTM网络的神经元大小和Dropout的大小进行优化，以提高模型性能，进而将预测结果与用户的用电数据进行比较和异常判断。最后，将本文所提方法在办公区域用电数据集上进行实验，实验验证了所提方法的有效性。

关键词

异常用电 / 蜣螂优化算法 / 注意力机制 / 卷积神经网络 / 长短期记忆网络