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.     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

电力系统暂态稳定评估组合模型的比较

组合模型能提高电力系统暂态稳定评估的分类性能。文中构建了12组输入特征,在IEEE 16节点和IEEE 50节点测试系统上生成了24个样本集。提出了一种测试分类综合指标。在24个样本集上比较了单个(神经网络、决策树、K最近邻法和支持向量机)和组合(装袋、提升、堆栈和随机森林)的暂态稳定评估模型测试指标发现,单个评估模型中,K最近邻法分类性能最好;组合方法均能提高分类性能,其中随机森林分类性能最好,其次是堆栈(支持向量机、K最近邻法、决策树)、提升-决策树和装袋-决策树。     

基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法

油中溶解气体分析(DGA)是电力变压器故障诊断的一种常用方法。然而,基于DGA的传统方法不能建立精确的数学模型,单一智能诊断方法在实际应用中存在分类能力不足等问题,导致诊断结果准确率较低。文中提出一种基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法。首先利用PSO算法对ELM模型进行优化,得到PSO⁃ELM模型,然后利用多分类AdaBoost算法对PSO⁃ELM模型进行重复迭代,得到带有不同权重的弱分类器,通过计算各分类器对测试样本的分错率,不断调整每个弱分类器的权重系数,最终利用所有弱分类器加权投票对监测数据进行故障诊断。实验结果表明,相比于BP神经网络、ELM、支持向量机(SVM),文中算法的诊断准确率分别提高16.02%、9.78%、5.62%。     

基于DGA与鲸鱼算法优化Logit Boost-决策树的变压器故障诊断方法

为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis, DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树作为弱学习器,通过将Logit Boost集成算法作为集成框架使多个决策树集成为一个强学习器,并构建了一种基于鲸鱼优化算法的优化策略去优化LogitBoost-决策树模型中的决策树棵数及决策树的最大分裂次数。实验表明,所构建的WOA-Logit Boost-DT变压器诊断模型与常用的决策树、支持向量机、三比值等诊断模型相比,综合诊断精度分别提高了约4%、10%、21%。所构建的相关模型能为变压器的故障诊断提供技术支持。     

基于AdaBoost提升学习的次优中继选择安全传输方案

针对无线通信协作技术中多跳中继和子信道分配等复杂应用场景下系统时效性差和复杂度大的问题，在级联中继系统中提出了一种利用AdaBoost算法集成学习选择次优中继的安全传输方案。将合法信道和窃听信道的信道CSI作为训练模型的输入，使系统安全容量达到一定值的中继节点索引作为输出，把级联中继系统的次优中继选择问题转化为一个多类分类问题，并用基于AdaBoost加权表决的支持向量机求解。级联中继系统的次优中继选择方案可分为生成数据集、集成模型训练和结果预测3个阶段。在模型训练阶段，绘制分类准确率和查准率-查全率曲线，对比集成学习较个体学习在准确率方面具有更佳的性能。最后，通过仿真AdaBoost算法分类的中继索引，验证了集成学习方法进行次优中继选择具有更高的准确率，能有效降低系统时延和复杂度，提高中继协作系统的安全性能。     

模拟电路故障诊断的邻近支持向量机集成方法

提出了基于非对称AdaBoost算法与邻近支持向量机的模拟电路集成故障诊断方法。该方法采用非对称AdaBoost解决邻近支持向量机处理多分类问题出现的数据不平衡问题,提高邻近支持向量机的分类准确率;利用高斯变异策略自适应选择核函数及正则化因子,提高集成邻近支持向量机的个体间差异性;最后获得分类精度高和泛化性能好的分类器。通过对模拟电路的故障诊断实验,验证了该方法的鲁棒性和可行性。诊断结果表明本文方法具有故障定位准确和泛化性好的特点。     

基于蜂群算法的选择性神经网络集成的风机齿轮箱轴承故障诊断

齿轮箱故障数据建模相当复杂,其计算量极大甚至是不可行的。提出一种基于蜂群算法的选择性神经网络集成算法来解决此问题。首先选取齿轮箱轴承故障数据训练各学习器,然后给每个学习器赋予权重系数,组成权值向量作为蜜源个体用于蜂群算法寻优,最后根据得到的最优权向量和阈值比较确定需要剔除的学习器。通过多种UCI数据集分析以及实际轴承故障数据集试验,结果表明新算法诊断效率明显高于基于遗传算法的选择性神经网络集成算法,同时这两种算法诊断精度相当,甚至新算法占优。     

一种基于多方法组合的新型等值附盐密度预测模型

为了克服目前预测等值附盐密度的三种单一预测模型,即多元线性回归法,BP神经网络法和最小二乘支持向量机法存在的问题,以光传感器输变电设备盐密在线监测系统提供的数据为依据,建立了基于小波神经网络的一种等值附盐密度的非线性组合预测模型.该模型为单输出的3层小波神经网络,即将多元线性回归,BP神经网络及最小二乘支持向量机的预测结果作为模型的输入,实际测量值作为输出,使训练的网络具有预测能力.为了更好地反映单一模型预测值对等值附盐密度的影响及提高等值附盐密度的预测精度,选用Morlet小波构建小波神经网络,采用误差反向传播学习算法来训练网络,利用遗传算法确定网络参数的初始值.仿真结果表明本模型预测精度不仅高于任一个单一预测模型,而且高于线性组合预测模型.     

一种基才多方法组合的新型等值附盐密度预测模型

为了克服目前预测等值附盐密度的三种单一预测模型,即多元线性回归法,BP神经网络法和最小二乘支持向量机法存在的问题,以光传感器输变电设备盐密在线监测系统提供的数据为依据,建立了基于小波神经网络的一种等值附盐密度的非线性组合预测模型。该模型为单输出的3层小波神经网络,即将多元线性回归,BP神经网络及最小二乘支持向量机的预测结果作为模型的输入,实际测量值作为输出,使训练的网络具有预测能力。为了更好地反映单一模型预测值对等值附盐密度的影响及提高等值附盐密度的预测精度,选用Morlet小波构建小波神经网络．采用误差反向传播学习算法来训练网络,利用遗传算法确定网络参数的初始值。仿真结果表明本模型预测精度不仅高于任一个单一预测模型,而且高于线性组合预测模型。     

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SE-CNN模型的窃电检测方法研究

针对传统电网现有窃电检测仅用单一电量且实际数据集下检测准确度低的问题,提出一种基于通道注意力网络改进卷积神经网络模型的窃电行为检测方法。首先建立一种包含用电量趋势、线损增长率、终端告警多源数据融合的窃电评价指标体系,以此构建用户用电特征集。然后,基于通道注意力挤压激励网络(squeeze and excitation networks, SENet)优化卷积神经网络(convolutional neural network, CNN)模型,据此构建自适应通道注意力网络改进卷积神经网络模型的窃电检测方法。最后,利用南方电网数据集对提出方法的有效性与准确性进行验证。实测结果表明,所提方法能有效实现实际电网情况下各类窃电行为准确检测,建立的评价指标体系可更明显表征窃电行为规律。构建的窃电检测模型可自适应对特征通道重要程度调整,提升通道利用率。相比现有检测方法,其具有更高准确度和更优泛化性能。     

基于改进AdaBoost的油井动液面自适应集成建模

针对单一模型软测量算法在动液面预测应用过程中存在泛化能力弱、自适应性差等问题,提出利用Ada Boost集成学习的思想,突出预测误差在建模样本权重及弱学习机权重中的作用,使之更加适合回归模型预测。针对油井工况动态多变导致软测量模型随生产进行逐渐失效的问题,提出利用油田生产过程中定期巡检的少量动液面数据评估原有集成模型,利用相似度原理在保留原有模型信息的基础上增加新信息,并在此基础上根据新样本权重更新弱学习机模型,集成为强学习机模型以动态适应新的油田生产工况。通过对油田生产现场实际数据验证结果表明,该方法对油田生产波动的自适应能力强,能够提高动液面软测量模型的泛化能力及预测精度。     

基于特征提取的面向边缘数据中心的窃电监测

随着电网信息物理系统的发展,一部分数据处理功能逐渐下沉到靠近终端用户的边缘层。为了给后续分析提供可靠的数据源,及时发现异常用电行为,窃电监测是边缘数据中心重要功能之一。文中提出一种针对边缘数据中心的窃电监测方法,该方法利用深度卷积生成对抗网络(DCGAN)鉴别器提取得到的特征,在边缘数据中心对二范数线性支持向量机(L2SVM)进行训练。实验结果证实,DCGAN具有较好的收敛性能,鉴别器提取得到的正常与窃电行为用电特征具有明显划分,且比基于主成分分析(PCA)特征提取方法更加有效,此外,与基于径向基核函数的支持向量机(SVM)反窃电方法相比,所提方法准确度更好且计算复杂度低,适合边缘数据中心部署。     

基于ELM-SVM模型与电能计量大数据的窃电识别技术研究

窃电现象破坏社会供用电秩序,严重时更会阻碍新型配电系统建设的发展。为了更精确地识别窃电行为,提出了一种基于极限学习机（ELM）与支持向量机（SVM）相结合的窃电智能识别模型。利用电能计量大数据,分析窃电用户数据状态指标,构建窃电指标评价体系;利用指标评价体系训练窃电智能识别模型,进而以ELM-SVM预测模型来识别窃电用户。该方法有效集合了ELM算法与SVM算法的优点,算例表明,识别模型的识别准确率可达97.8%,说明ELM-SVM结合方法是可行的,实现了对用户窃电行为的高精度、高效性预测识别。     

数据驱动窃电检测方法综述与低误报率研究展望

配电系统窃电是造成电网非技术损失的主要原因,是供电企业运营管理中长期面对的痼疾。用电信息采集系统采集的海量用户数据使得开展数据驱动的用电异常检测、准确识别窃电用户成为可能。受用户用电行为多样性影响,数据驱动的窃电检测方法的误报率在某些场景下尚难以满足实践需求,严重制约了该类方法的工程应用。首先,介绍了窃电实现手法;然后,梳理了在实践中得到工程应用的窃电检测方法以及数据驱动窃电检测方法的基本思路和局限性;在此基础上,结合工程应用对窃电检测评价指标的差异性需求,分析指出提取的可用信息不足、特征指标项灵敏性和可靠性不高是阻碍数据驱动窃电检测方法走向工程实用的主要原因。最后,从算法设计、状态空间细分以及特征指标项设计选择等不同层面对低误报率窃电检测进行了展望。     

基于Stacking集成模型的台区线损率预测方法研究

针对现有线损率预测方法预测精度较低的问题,提出了一种将Stacking集成学习模型与改进的k-均值聚类方法相结合用于预测台区的线损率。通过聚类方法进行数据聚类,在通过Stacking集成学习模型对台区线损率进行预测。Stacking集成学习模型由XGBoost模型、梯度决策树模型和支持向量机模型构成。与传统预测方法进行对比分析试验验证可行性。结果表明,与传统的线损率预测方法相比,所提出的线损率预测方法具有更好的预测效果,更高的预测精度和拟合效果。该研究为实现电网双碳目标提供了一定的参考。     

基于改进XGBoost模型的低误报率窃电检测方法

以降低窃电检测误报率为目标,提出一种基于贝叶斯优化和改进XGBoost模型的窃电检测方法。首先根据用电信息采集系统和营销系统数据构建了窃电检测指标,然后采用XGBoost模型作为分类器,添加Focal Loss和增加分类阈值的方式用于优化模型。在此基础上,以验证集的马修相关系数为目标函数,利用贝叶斯优化调参求出最优Focal Loss参数和分类阈值,进一步降低检测方法误判率。基于实际电力用户数据进行数值仿真,结果表明所提方法比Adaboost、BP神经网络、SVM具有更高的准确率。