基于改进旋转森林算法的窃电检测研究

如何准确检测出用户侧窃电行为是长期存在于各供电公司一个难点,传统的窃电检测方案均存在一定的局限性。针对窃电检测领域正负类样本高度不平衡,且单一分类模型表现不佳的问题,提出一种基于改进旋转森林算法的窃电检测方法。旋转森林算法采用主成分分析（principal component analysis,PCA）进行特征提取,利用原始训练集的所有主成分训练每个基分类器。在经典的旋转森林算法基础上,使用改进合成少数类过采样（synthetic minority oversampling technique,SMOTE）算法平衡样本子集中的正负类样本;使用Bagging算法中的Bootstrap抽样对训练子集进一步抽样;按准确率对基分类器进行选择性集成等3个方面的改进。算例使用华东某地区实际用户数据,结果表明所提窃电检测方法对比单一分类模型和现有集成学习策略,在多项评价指标下均取得更好的效果。     

基于改进VMD去噪和优化ELM方法的变压器早期故障诊断

变压器内部漏磁场是判断变压器绕组早期故障的重要依据。实际运行中噪声会对漏磁场检测产生干扰从而影响对故障状态的判断。为此,首先使用遗传算法以样本熵作为适应度函数来优化变分模态分解（VMD）参数,然后将VMD分解后的相关模态使用小波阈值法去除残余噪声;其次,选择并提取降噪漏磁场信号的特征向量,将特征向量输入到改进极限学习机（ELM）中进行训练和分类,实现变压器绕组的早期故障诊断。仿真及动模实验表明：该方法去噪效果良好,能有效地还原原漏磁场信号,最终能实现变压器绕组早期故障的准确识别。