尊敬的各位读者:
根据当前疫情防控要求,我馆部分原文传递服务可能会有延期,无法在24小时内提供,给您带来的不便敬请谅解!
国家工程技术图书馆
2022年11月29日
摘要: 在国内经济高速发展的大背景下,满足社会生产和居民生活的用电需求有着重要的意义。电力系统的损耗包括了技术损耗和非技术损耗两个方面,技术损耗主要由线路内阻引起,而非技术损耗主要是由窃电行为导致,近年来,窃电事件频发,不仅严重损害了电网... 展开 在国内经济高速发展的大背景下,满足社会生产和居民生活的用电需求有着重要的意义。电力系统的损耗包括了技术损耗和非技术损耗两个方面,技术损耗主要由线路内阻引起,而非技术损耗主要是由窃电行为导致,近年来,窃电事件频发,不仅严重损害了电网公司的经济利益,影响了正常的用电秩序,而且用户私拉电线等窃电手段也给正常用电埋下了安全隐患,打击非法窃电行为是规范正常用电秩序的必然要求。传统的窃电检测方法以现场人工稽查为主,排查手段单一,缺乏针对性,而且受稽查人员不足的限制,稽查效率低下。为了克服传统窃电检测方法的不足,保障电力的正常供应,本文针对低压窃电用户数据,主要从特征工程构造、检测模型和数据不平衡三个方面进行改进,提出了基于WGAN-Stacking数据驱动的窃电检测网络,具体工作如下: (1)针对低压窃电用户采集数据特征少的问题,本文充分利用现场专家经验,通过构造用户用电数据和台区线损率的相关指标,初步筛选疑似窃电用户。对于剩余用户,采用特征工程构造的方法,挖掘用户用电特征规律,包括将日电量按年、季度、工作日拆分构造极差、方差等统计量,按日、周、月用电量环比变化进行分桶等处理,采用Embedding思想让模型自行选择有效特征,在为窃电检测模型提供更丰富的数据维度的同时,降低了特征冗余的风险,使得模型能够更好的学习低压用户的用电行为规律,提高窃电检测的效果。 (2)针对单一分类模型准确率不高的问题,本文引入Stacking集成学习框架,进一步提高模型检测的准确率。首先,采用XGBoost、LightGBM、CatBoost等集成模型进行训练,在贝叶斯优化下调整模型参数,提高了调参的效率,然后将模型加入到Stacking框架下进行集成,并确定了Logistic回归作为最终的分类器;其次,为了验证Stacking集成框架的效果,将Stacking集成学习框架与Boosting、Bagging集成学习框架进行对比实验;最后,结合实际的现场窃电稽查流程,构造了平均准确率(mean average precision,MAP)作为评价指标,并采用F1score和AUC辅助评价模型的效果,在2016CCF竞赛数据上验证了基于Stacking集成学习的窃电检测模型的准确性和有效性。 (3)针对窃电用户数据样本不平衡的问题,本文提出了基于Wasserstein GAN的数据增强方法,一方面,该方法扩充窃电样本数据,使数据集平衡化,解决了样本不平衡的问题,另一方面,使用生成的高质量模拟样本与真实样本混合输入至Stacking窃电检测模型进行训练,能够进一步的提高模型的精度。本文提出的基于WGAN的数据增强方法与传统的过采样、欠采样等数据扩充方法进行对比实验,在2016CCF竞赛数据上验证了所提方法的有效性。 收起
系统维护,暂停服务。
根据《著作权法》“合理使用”原则,您当前的文献传递请求已超限。
如您有科学或教学任务亟需,需我馆提供文献传递服务,可由单位单位签署《图书馆馆际互借协议》说明情况,我馆将根据馆际互借的原则,为您提供更优质的服务。
《图书馆馆际互借协议》扫描件请发送至service@istic.ac.cn邮箱,《图书馆馆际互借协议》模板详见附件。
根据《著作权法》规定, NETL仅提供少量文献资源原文复制件,用户在使用过程中须遵循“合理使用”原则。
您当日的文献传递请求已超限。