基于Bagging异质集成学习的窃电检测

针对传统窃电检测中单一分类方法的不足,提出一种基于Bagging异质集成学习的窃电检测方法.考虑不同个体学习器在数据集上的表现以及各学习器之间的多样性,构建多种个体学习器嵌入的Bagging异质集成学习的窃电检测模型,模型的个体学习器包含k最近邻、误差反向传播神经网络、梯度提升树和随机森林,通过引入改进加权投票策略将其输出进行结合.使用爱尔兰智能电表数据集对算法有效性进行验证.结果表明,与传统单一学习器和同质集成学习检测相比,基于Bagging异质集成学习的窃电检测方法的准确率、命中率、误检率等检测指标更好,灵敏性分析验证了基于Bagging异质集成学习的窃电检测方法的有效性.     

一种基于SMOTE和XGBoost的窃电检测方案

用户侧窃电行为造成的非技术损失不仅增加了电网的运营成本,还会干扰电力系统稳态。现有的检测方案忽略了用电数据的时序性及正负样本 分布不均、维度高的问题,这将极大地影响检测的准确率。因此,提出了一种基于SMOTE和XGBoost的窃电检测方案。针对电力数据的时序性和类不平 衡的特点,利用SMOTE算法进行过采样解决了数据不平衡的问题,并构造时序特征挖掘用户用电模式;再使用XGBoost执行用电数据的特征提取和分类 过程。实验表明,通过SMOTE算法可以提高不平衡数据分类的有效性,对比于传统的检测模型,XGBoost算法在窃电检测场景的多项评价指标下均取得 了更好的效果,其中准确率提升至92.45%。     

基于重加权策略平衡损失与LSTM的窃电行为检测研究

窃电行为是导致电能损失与电力企业经济效益降低的重要原因。针对窃电问题,提出了一种基于有效数量加权策略的损失函数,改善数据集分布不均衡导致训练模型泛化性能下降的问题;基于该策略,设计了基于长短期神经网络的时间序列分类模型,用于用户日用电量的窃电行为检测任务;采用用户日用电量真实数据进行实验测试,结果表明基于有效数量的加权策略可一定程度解决数据集不平衡导致的模型泛化性下降问题。与现有方法相比,所提方法在精确度上有所提高,对窃电行为检测具有有效性与可行性。     

基于AdaBoost集成学习的窃电检测研究

针对传统窃电检测中单一分类方法的不足,提出一种基于AdaBoost集成学习的窃电检测算法。首先利用训练集对决策树、误差逆传播神经网络、支持向量机和k最近邻四种方法进行训练对比,提出决策树作为AdaBoost集成学习算法的弱学习器。其次通过绘制不同学习率下的分类错误率曲线,确定AdaBoost集成学习算法的学习率和弱学习器个数。最后利用爱尔兰智能电表数据集中的居民用电数据对所提算法进行测试评估,将AdaBoost集成学习算法与决策树、k最近邻、误差逆传播神经网络、支持向量机等各类单一强学习算法对比。结果表明基于AdaBoost集成学习的窃电检测算法在准确率、命中率、误检率等检测指标中最优,灵敏性分析验证了基于AdaBoost集成学习的窃电检测方法的有效性。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

检测低压用户窃电的计及专家经验的模糊聚类法

针对电网营销系统中低压窃电工单少的现状,提出不依赖窃电标签的基于专家经验和模糊C均值(fuzzy C-means,FCM)聚类算法的低压用户窃电检测技术方案。首先,提炼现场专家经验,提出预打标签法,对原始用户初步标记;其次,重构特征和归一化操作后,采用FCM算法对用户聚类,训练出聚类中心矩阵和隶属度矩阵;最后,按行计算训练集隶属度矩阵和测试集隶属度矩阵之间的2范数,通过嫌疑系数来判断待测用户近段时间是否存在窃电。以广东某台区低压用户作为算例,验证所提窃电检测方案的有效性和可行性。     

基于用电异常数据的反窃电在线监测方法研究

研究基于用电异常数据的反窃电在线监测方法，精准确定用电异常数据，实现反窃电在线监测。该在线监测方法利用K-means聚类算法确定用电异常数据，通过有效指数度量方法确定用电数据聚类数量，提升用电异常数据确定精度；以电流三相不平衡、电压三相不平衡、线损与负荷为特征指标，在用电异常数据中选择用电异常特征数据；利用主成分分析法降维用电异常特征数据；通过模糊神经网络建立反窃电在线监测模型，在该模型内输入降维后的用电异常特征数据，输出窃电嫌疑系数，完成反窃电在线监测。实验证明该方法可精准确定偏小与偏大用电异常数据，有效选择并降维用电异常特征数据，获取窃电嫌疑系数，具备较高的反窃电在线监测精度。     

基于聚类加权随机森林的非侵入式负荷识别

非侵入式负荷识别是实现用能管理的重要监测手段,而随机森林因其良好的泛化能力和鲁棒性应用于负荷识别领域。针对传统随机森林算法忽略决策树分类能力的差异、投票不公平的问题,提出了一种基于层次聚类的加权随机森林算法。首先,提取各类负荷开关状态下负荷特征量,建立特征数据库用于训练原始随机森林模型。然后,利用有功功率差检测总线信号中的开关事件,并提取负荷特征量作为验证集和测试集;验证集采用层次聚类选择法获得每个聚类中分类精度最高的决策树,测试集采用加权投票策略实现负荷识别。通过实验验证,说明相比于传统的机器学习算法,该算法可以实现更高的识别精度,准确率可达96.2%。     

基于SDAE和双模型联合训练的低压用户窃电检测方法

用户窃电行为是电网企业运营管理的痛点,基于数据驱动的低压用户窃电检测是当前的重要发展方向.由于窃电数据集具有自身高维度且样本不平衡的特点,对窃电检测模型的拟合能力和泛化能力要求极高.为此,文章利用堆栈降噪自编码器对低压用户日用电量数据进行特征提取,通过挖掘数据的深层特征减少窃电产生的极端数据对检测模型的影响;进而提出逻辑回归与深度神经网络联合训练模型进行低压用户窃电检测,将逻辑回归模型的记忆能力与深度神经网络模型的泛化能力相结合,进一步提升窃电检测的精度.通过实际电网数据的实验仿真,从AUC值、准确率和召回值三个评价指标验证了所提出方法相对于传统机器学习算法具有明显的性能优势.     

基于大容量样本挖掘及贝叶斯堆栈泛化集成算法的电站锅炉NOx稳态建模

氮氧化物（NOx）是电站锅炉燃烧的副产物,准确预测其排放对于环境保护和锅炉的燃烧优化具有重要意义。为解决NOx稳态特性建模中面临的参数高维、运行数据时变性强、试验样本有限等问题,提出了一种基于大容量样本挖掘及贝叶斯集成算法的建模框架。首先,采用孤立森林、R-Value算法识别非稳态点、离群点、停滞点,获得高质量稳态样本库;然后,基于随机森林递归特征消除法进行变量选择;最后,建立贝叶斯优化堆栈泛化集成（BO-SGEM）模型对NOx进行预测。以某660 MW机组锅炉72 000条历史运行数据为例进行NOx排放预测,结果表明:在9种离群点诊断算法中,孤立森林算法性能最优,稳态诊断和特征选择的结果与锅炉燃烧机理相符;BO-SGEM模型的精度与泛化能力均优于堆栈泛化集成学习模型及支持向量回归机、极端随机树、梯度上升树等算法模型。