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