【基于PSO-LSTM神经网络的检测方法分析案例4000字】

24基于PSO-LSTM神经网络的检测方法分析案例目录TOC\o"1-3"\h\u22868基于PSO-LSTM神经网络的检测方法分析案例 )式中，n为样本个数，为样本真实输出值，为样本预测输出值。（5）更新权重参数与防止过拟合选用Adam算法来确定权重参数的迭代更新方式。传统的随机梯度下降保持单一的学习率更新所有的权重，学习率在训练过程中并不会改变，而Adam算法通过计算梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应性学习率。另外，采用Dropout方法来防止在模型训练过程中发生过拟合问题。1.3实验结果按照本文第二章第3节数据处理方法，对获取到的用户用电数据进行相关处理。由于深度学习方法自身具有强大的特征提取能力，在此不需要加入第二章中的不平衡率特征。以每个时刻作为时间步长，将时间段按4：1的比例划分训练集和测试集：前五分之四的时间段内的用电数据作为训练集，后五分之一的时间段内的用电数据作为训练集。在Python3.6.8实验环境下，分别对基于LSTM神经网络的检测模型和基于PSO-LSTM神经网络的检测模型进行编程实现，利用划分得到的训练集和测试集进行3次实验验证。未加入PSO算法改进，采用基于LSTM神经网络的检测模型对测试集的实验结果如表5-1、表5-2和表5-3所示：表5-1基于LSTM神经网络的检测模型第1次实验结果表第1次实验预测类别为1（异常）类别为0（正常）真实类别为1（异常）4432568类别为0（正常）4894511表5-2基于LSTM神经网络的检测模型第2次实验结果表第2次实验预测类别为1（异常）类别为0（正常）真实类别为1（异常）4409591类别为0（正常）5354465表5-3基于LSTM神经网络的检测模型第3次实验结果表第3次实验预测类别为1（异常）类别为0（正常）真实类别为1（异常）4446554类别为0（正常）5494451由表5-1、表5-2和表5-3可知，基于LSTM神经网络的检测模型对测试集的三次实验结果为：三次实验的TP值分别为4432、4409和4446，FN值分别为568、591和554，FP值分别为489、535和549，TN值分别为4511、4465和4451。相较于FN和FP，三次实验的TP和TN大很多，可以看出基于LSTM神经网络模型能够实现对配电网非技术损失的检测，且其效果比SVM和BP模型的好。对基于LSTM神经网络的检测模型的3次实验结果进行分析，得到基于LSTM神经网络的检测模型测试的各项评价指标结果，如表5-4所示：表5-4基于LSTM神经网络的检测模型测试的评价指标表次数准确率精确率召回率F1-ScoreAUC值10.89430.90060.88640.89350.892720.88740.89180.88180.88680.904330.88970.89010.88920.88970.8974从表5-4中可以看出，基于LSTM神经网络的检测模型对测试集的三次实验的评价指标为：三次实验的准确率为89.43%、88.74%和88.97%，计算平均值为89.05%；精确率为90.06%、89.18%和89.01%，计算平均值为89.41%；召回率为88.64%、88.18%和88.92%，计算平均值为88.58%；F1-Score为89.35%、88.68%和88.97%，计算平均值为89.00%；AUC值为0.8927、0.9043和0.8974，计算平均值为0.8981。可以看出，其检测效果比基于BP神经网络的检测模型更好。加入PSO算法改进后，采用基于PSO-LSTM神经网络的检测模型对测试集的实验结果如表5-5、表5-6和表5-7所示：表5-5基于PSO-LSTM神经网络的检测模型第1次实验结果表第1次实验预测类别为1（异常）类别为0（正常）真实类别为1（异常）4503497类别为0（正常）4484552表5-6基于PSO-LSTM神经网络的检测模型第2次实验结果表第2次实验预测类别为1（异常）类别为0（正常）真实类别为1（异常）4499501类别为0（正常）4564544表5-7基于PSO-LSTM神经网络的检测模型第3次实验结果表第3次实验预测类别为1（异常）类别为0（正常）真实类别为1（异常）4530470类别为0（正常）4584542由表5-5、表5-6和表5-7可知，基于PSO-LSTM神经网络的检测模型对测试集的三次实验结果为：三次实验的TP值分别为4503、4499和4530，FN值分别为497、501和470，FP值分别为448、456和458，TN值分别为4552、4544和4542。相较于FN和FP，三次实验的TP和TN均较大，可以看出PSO-LSTM模型能够实现对配电网非技术损失的检测，且三次实验的FN和FP值均较小。对基于PSO-LSTM神经网络的检测模型的3次实验结果进行分析，得到基于PSO-LSTM神经网络的检测模型测试的各项评价指标结果，如表5-8所示：表5-8基于PSO-LSTM神经网络的检测模型测试的评价指标表次数准确率精确率召回率F1-ScoreAUC值10.90550.90950.90060.90500.908320.90430.90800.89980.90390.909630.90720.90820.90600.90710.9167从表5-8中可以看出，基于PSO-LSTM神经网络的检测模型对测试集的三次实验的评价指标为：三次实验的准确率为90.55%、90.43%和90.72%，计算平均值为90.57%；精确率为90.95%、90.80%和90.82%，计算平均值为90.86%；召回率为90.06%、89.98%和90.60%，计算平均值为90.21%；F1-Score为90.50%、90.39%和90.71%，计算平均值为90.53%；AUC值为0.9083、0.9096和0.9167，计算平均值为0.9115。在测试集中随机选取50条数据样本，各模型的检测结果如表5-9所示：表5-9各模型检测结果表样本是否异常SVM检测结果BP检测结果PSO-BP检测结果LSTM检测结果PSO-LSTM检测结果样本1000.06940.05420.02060.0154样本2110.92400.92640.93680.9871样本3100.91330.90100.92610.9756样本4000.27450.23280.08390.0226样本5110.90360.93670.94520.9975样本6010.09740.07880.10550.0251样本7000.07620.12690.01470.0001样本8010.57420.59110.12760.0773样本9110.85410.89630.92720.9490⋯⋯⋯⋯⋯⋯⋯样本50000.03940.03020.01720.0001通过以上检测结果，50条样本的检测结果与真实结果基本符合，表明本文提出的各模型均能实现对配电网非技术损失的检测。图5-6各模型检测的准确率对比图图5-6是各模型检测的准确率对比图。可以看出各个模型三次实验的准确率均相近，SVM模型的准确率平均值为78.57%，BP模型的准确率平均值为81.07%，PSO-BP模型的准确率平均值为86.98%，LSTM模型的准确率平均值为89.05%，PSO-LSTM模型的准确率平均值为90.57%。可以看出PSO算法的加入，提高了BP神经网络和LSTM神经网络检测的准确率，且PSO-LSTM模型检测的准确率最高。各模型检测的召回率对比如图5-7所示：图5-7各模型检测的召回率对比图可以看出，各个模型三次实验的召回率均相近，SVM模型的召回率平均值为71.13%，BP模型的召回率平均值为84.31%，PSO-BP模型的召回率平均值为86.68%，LSTM模型的召回率平均值为88.58%，PSO-LSTM模型的召回率平均值为90.21%。可以得知，PSO算法的加入，提高了BP神经网络和LSTM神经网络检测的召回率；PSO-LSTM模型检测的召回率最高。各模型检测的AUC值对比如图5-8所示：图5-8各模型检测的AUC对比图可以看出，各模型