針對傳統(tǒng)竊電檢測中單一分類方法的不足,提出一種基于AdaBoost集成學習的竊電檢測算法。首先利用訓練集對決策樹、誤差逆?zhèn)鞑ド窠浘W絡、支持向量機和k最近鄰四種方法進行訓練對比,提出決策樹作為AdaBoost集成學習算法的弱學習器。其次通過繪制不同學習率下的分類錯誤率曲線,確定AdaBoost集成學習算法的學習率和弱學習器個數。最后利用愛爾蘭智能電表數據集中的居民用電數據對所提算法進行測試評估,將AdaBoost集成學習算法與決策樹、k最近鄰、誤差逆?zhèn)鞑ド窠浘W絡、支持向量機等各類單一強學習算法對比。結果表明基于AdaBoost集成學習的竊電檢測算法在準確率、命中率、誤檢率等檢測指標中最優(yōu),靈敏性分析驗證了基于AdaBoost集成學習的竊電檢測方法的有效性。 

【文章來源】：電力系統(tǒng)保護與控制. 2020,48(19)北大核心CSCD

【文章頁數】：9 頁

【部分圖文】：

集成學習的一般結構

AdaBoost集成學習的一般結構

正常用電及其對應的6種竊電記錄Fig.5Normalpowerconsumptionanditscorrespondingsixelectricitytheftrecords

【參考文獻】：
期刊論文
[1]基于數據驅動的超短期風電功率預測綜述[J]. 楊茂,張羅賓.  電力系統(tǒng)保護與控制. 2019(13)
[2]價差返還機制下售電公司博弈模型[J]. 吳浩可,雷霞,黃濤,何錦宇.  電力系統(tǒng)保護與控制. 2019(12)
[3]基于堆疊去相關自編碼器和支持向量機的竊電檢測[J]. 胡天宇,郭慶來,孫宏斌.  電力系統(tǒng)自動化. 2019(01)
[4]基于數據挖掘的電動汽車用戶細分及價值評價方法[J]. 張祿,李國昌,陳艷霞,孫舟,王偉賢,田賀平.  電力系統(tǒng)保護與控制. 2018(22)
[5]AMI環(huán)境下異常用電檢測研究[J]. 李春陽,王先培,田猛,馮曉棟.  計算機仿真. 2018(08)
[6]異常用電的檢測方法:評述與展望[J]. 陳啟鑫,鄭可迪,康重慶,皇甫奮宇.  電力系統(tǒng)自動化. 2018(17)
[7]基于GA-BP神經網絡的反竊電系統(tǒng)研究與應用[J]. 王慶寧,張東輝,孫香德,沈楊,許湘蓮.  電測與儀表. 2018(11)
[8]一種基于狀態(tài)估計的新型竊電方法及對策研究[J]. 王昕,田猛,趙艷峰,趙旭,魏齡,蔣婷婷,王先培.  電力系統(tǒng)保護與控制. 2016(23)
[9]電力用戶用電數據的異常數據審查和分類[J]. 沈海濤,秦靖雅,陳浩,范蓉,莊才杰.  電力與能源. 2016(01)
[10]基于無監(jiān)督學習的電力用戶異常用電模式檢測[J]. 莊池杰,張斌,胡軍,李秋碩,曾嶸.  中國電機工程學報. 2016(02)



本文編號：3484278