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。