發(fā)布時(shí)間：2023-03-23 02:03

　　隨著科技的發(fā)展進(jìn)步與電力體制的改革,人們的用電需求呈不斷上升的趨勢(shì)。同時(shí),互聯(lián)網(wǎng)行業(yè)的興起以及社會(huì)經(jīng)濟(jì)的發(fā)展,也對(duì)電力消耗的持續(xù)增長(zhǎng)提供了有力的支撐.近年來(lái),大規(guī)模的竊電事件時(shí)有發(fā)生,并且其態(tài)勢(shì)已經(jīng)從最初的直接粗暴發(fā)展為設(shè)備智能化、手段專(zhuān)業(yè)化、行為隱蔽化、實(shí)施規(guī)模化的高科技竊電。竊電行為的發(fā)生,不僅給電力公司及合法用戶帶來(lái)巨額的經(jīng)濟(jì)損失,更對(duì)電網(wǎng)造成了不同程度的破壞。在智能電網(wǎng)的建設(shè)過(guò)程當(dāng)中,如何對(duì)潛在的異常數(shù)據(jù)進(jìn)行及時(shí)準(zhǔn)確的檢測(cè),有效地甄別竊電行為,是保障電網(wǎng)安全性和高可靠性的關(guān)鍵。對(duì)于上述背景,本文的研究工作主要圍繞以下幾個(gè)方面展開(kāi):1.本文首先對(duì)當(dāng)下智能電網(wǎng)的數(shù)據(jù)流程及存在的竊電現(xiàn)象進(jìn)行總結(jié),并對(duì)近年來(lái)國(guó)內(nèi)外關(guān)于竊電檢測(cè)的研究進(jìn)展進(jìn)行了梳理。基于各種方法的比較,結(jié)合真實(shí)的電網(wǎng)異常用電數(shù)據(jù)集,將全體電力用戶劃分為長(zhǎng)時(shí)間跨度用戶和短時(shí)間跨度兩類(lèi),并制定合理的數(shù)據(jù)預(yù)處理和特征提取流程,最終生成與類(lèi)別標(biāo)簽具有較強(qiáng)關(guān)聯(lián)性的特征集合.2.對(duì)于存在長(zhǎng)時(shí)間跨度用電記錄的檢測(cè)對(duì)象,本文根據(jù)此類(lèi)用戶最近兩年的用電行為特征,采用基于XGBoost、Random Forest和Logistics Reg...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 離群點(diǎn)檢測(cè)算法研究現(xiàn)狀
        1.2.2 用電數(shù)據(jù)異常檢測(cè)方法研究現(xiàn)狀
    1.3 本文的主要研究?jī)?nèi)容
    1.4 本文的組織結(jié)構(gòu)
2 系統(tǒng)相關(guān)理論與技術(shù)
    2.1 數(shù)據(jù)挖掘概述
        2.1.1 數(shù)據(jù)挖掘定義
        2.1.2 數(shù)據(jù)挖掘流程
        2.1.3 數(shù)據(jù)挖掘方法
    2.2 基于密度的異常檢測(cè)
    2.3 One-Class SVM算法
    2.4 機(jī)器學(xué)習(xí)分類(lèi)模型
        2.4.1 邏輯回歸
        2.4.2 決策樹(shù)與隨機(jī)森林
        2.4.3 XGBoost算法
    2.5 LSTM深度神經(jīng)網(wǎng)絡(luò)模型
3 異常檢測(cè)數(shù)據(jù)處理及特征工程
    3.1 實(shí)驗(yàn)環(huán)境及用電數(shù)據(jù)集
        3.1.1 實(shí)驗(yàn)環(huán)境
        3.1.2 數(shù)據(jù)集簡(jiǎn)介
        3.1.3 原始數(shù)據(jù)集質(zhì)量評(píng)估
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)清洗
        3.2.2 缺失數(shù)據(jù)填充
        3.2.3 數(shù)據(jù)不平衡問(wèn)題的解決方案
    3.3 基于不同時(shí)間跨度的特征構(gòu)建
        3.3.1 基于月度的特征構(gòu)建
        3.3.2 基于季度的特征構(gòu)建
        3.3.3 基于年度的特征構(gòu)建
        3.3.4 基于重點(diǎn)時(shí)間跨度的特征構(gòu)建
        3.3.5 相關(guān)性特征構(gòu)建
    3.4 特征篩選
4 模型設(shè)計(jì)與實(shí)驗(yàn)結(jié)果分析
    4.1 二分類(lèi)模型評(píng)價(jià)指標(biāo)
    4.2 適用于長(zhǎng)時(shí)間跨度用戶的混合檢測(cè)模型
        4.2.1 XGBoost子模型
        4.2.2 Random Forest子模型
        4.2.3 Logistics Regression子模型
        4.2.4 混合模型的構(gòu)建
        4.2.5 模型評(píng)估與實(shí)驗(yàn)結(jié)果分析
    4.3 針對(duì)短時(shí)間跨度用戶的混合檢測(cè)模型
        4.3.1 Local Outlier Factor子模型
        4.3.2 One-Class SVM子模型
        4.3.3 LSTM子模型
        4.3.4 混合檢測(cè)模型的構(gòu)建
        4.3.5 模型評(píng)估與實(shí)驗(yàn)結(jié)果分析
    4.4 貝葉斯優(yōu)化超參數(shù)
        4.4.1 超參數(shù)優(yōu)化策略
        4.4.2 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士期間發(fā)表論文
致謝



本文編號(hào)：3768052