1.一种动态生成的残差图卷积神经网络的窃电检测方法，其特征在于，包括以下步骤：（1）收集电力系统中用户电力消费原始数据；

（2）对原始数据进行缺失补充、异常值处理并划分训练集、验证集和测试集；

（3）将预处理后的一维电力负荷曲线变换为二维电力负荷特征矩阵X，以输入图卷积神经网络；

（4）以数据的每个周期为一个节点，采用动态拓扑图生成方法计算节点间的相关性，通过训练获得最佳参数以获得最能代表数据关系的邻接矩阵A；根据动态拓扑图生成方法自适应地学习图邻接矩阵以捕获数据之间的隐含连接关系，包括以下步骤：（41）随机生成n个节点向量 ,初始化权重参数W和偏移量参数b，通过以下公式生成节点间的初始关系度量 ：；

 其中，   为激活函数， 为超参数，控制初步关系度量的振荡大小；Vn为节点向量En的隐含表示，Vi,Vj表示序列中第i，j个向量；

（42）对初始关系度量分别按行与列进行排序，选取 个最大值，并设为1，其余值均设为0，以此得到邻接矩阵A；其中， 为超参数，设置为[20，25，30，35，40，…，80]；

（5）将特征矩阵X和邻接矩阵A送入残差图卷积神经网络中提取潜在特征，通过池化层与全连接层得到最终分类。

2.根据权利要求1所述的一种动态生成的残差图卷积神经网络的窃电检测方法，其特征在于，所述步骤（1）具体如下：原始数据为42372个用户在1035天中产生的日用电量记录；

单个用户的数据格式为一个1x1035的时间序列。

3.根据权利要求1所述的一种动态生成的残差图卷积神经网络的窃电检测方法，其特征在于，所述步骤（2）包括以下步骤：（21）对有缺失部分的电力消费数据，删除消费数据缺失超过50%的用户，反之，则采用线性插值法对缺失数据进行补充，分别取出缺失值前后的各三个数值，若遇到为空或不存在的直接舍去，将取出的六个数据划分一组；利用插值公式计算得到填补值；具体操作如下：；

其中， 表示第c天用电数据的值，如果为空，将其表示为NaN；

（22）异常值为样本中的个别数值明显偏离其余的观测值；采用三西格玛定律定义异常值，具体公式如下所示：；

其中， 为单个样本平均值， 为标准差；

（23）采用归一化方法进行标准化处理,将所有数据映射至[0‑1]区间内；

（24）将处理后的数据集划分为训练集、验证集和测试集，比例为6：2：2。

4.根据权利要求1所述的一种动态生成的残差图卷积神经网络的窃电检测方法，其特征在于，所述步骤（3）具体如下：设预处理后的一维电力负荷曲线为 包含N个样本用户，以每天 为用电数据，则将 重构为 的二维矩阵，将其与邻接矩阵一起作为图卷积模块的输入即 。

5.根据权利要求1所述的一种动态生成的残差图卷积神经网络的窃电检测方法，其特征在于，所述步骤（5）残差图卷积神经网络包括：1X1卷积模块和残差MixHop图卷积模块，具体包括以下步骤：（51）通过1X1卷积模块提高特征矩阵X的通道数；

（52）通过残差MixHop图卷积模块提取用户电力曲线之间的时间、空间特征以及潜在特征；其中，残差MixHop图卷积模块由多个图卷积GC层组成，每个GC层由两个MixHop模块叠加组成，GC层之间采用残差连接，公式如下：设给定邻接矩阵A，则：

；

其中， ；

其中， 表示第k层的节点，通过图卷积操作得到；是控制保留根节点原始状态的比例的超参数； 表示第一层的输入隐藏状态，由邻接矩阵与特征矩阵相乘得到； 为上一层的隐藏状态即上一层的节点特征；

为矩阵A加上单位矩阵I经过归一化处理的结果； 为度矩阵即对角线元素为节点的度数； 为度矩阵的逆矩阵；

；

其中，K为传播深度， 为模型权重参数， 表示当前层的输出隐藏状态；

（53）采用最大池化层过滤网络中的冗余信息；选择每个矩形子区域中的最大值进入全连接层；公式如下：；

其中，表示经过最大池化操作后的结果； 表示输入特征图中某个矩形子区域的值；

（54）将提取的模型节点特征转化为预测分数，得到最终的分类检测结果；公式如下：；

其中， 为SoftMax函数；WFC,BFC为全连接层模型参数；

（55）通过梯度下降更新模型中的各个参数，其中，采用二元交叉熵作为损失函数，公式如下：；

其中，Y是实际的类标号即0或1，表示类中的一种；p为模型的预测概率，表示样本属于第一类的概率；

（56） 当模型在训练集上的损失不再显著下降时结束训练。

6.一种动态生成的残差图卷积神经网络的窃电检测系统，其特征在于，包括：收集模块：用于收集电力系统中用户电力消费原始数据；

预处理模块：用于对原始数据进行缺失补充、异常值处理并划分训练集、验证集和测试集；

转换模块：用于将预处理后的一维电力负荷曲线变换为二维电力负荷特征矩阵，以输入图卷积神经网络；

邻居矩阵模块：用于数据的每个周期为一个节点，采用动态拓扑图生成方法计算节点间的相关性，通过训练找到最佳参数以获得最能代表数据关系的邻接矩阵A；根据动态拓扑图生成方法自适应地学习图邻接矩阵以捕获数据之间的隐含连接关系，包括以下步骤：（41）随机生成n个节点向量 ,初始化权重参数W和偏移量参数b，通过以下公式生成节点间的初始关系度量 ：；

 其中，   为激活函数， 为超参数，控制初步关系度量的振荡大小；Vn为节点向量En的隐含表示，Vi,Vj表示序列中第i，j个向量；

（42）对初始关系度量分别按行与列进行排序，选取 个最大值，并设为1，其余值均设为0，以此得到邻接矩阵A；其中， 为超参数，设置为[20，25，30，35，40，…，80]；

分类模块：用于将特征矩阵X和邻接矩阵A送入残差图卷积神经网络中提取潜在特征，通过池化层与全连接层得到最终分类。

7.一种动态生成的残差图卷积神经网络的窃电检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1‑6中任一项所述的一种动态生成的残差图卷积神经网络的窃电检测方法。

8.一种动态生成的残差图卷积神经网络的窃电检测存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1‑6中任一项所述的一种动态生成的残差图卷积神经网络的窃电检测方法。