摘要: 伴随着全社会对电力能源需求量的持续增加，迫切需要对电力资源进行高效的能源生产和分配。但先进的计量基础设施(AdvancedMeteringInfrastructure，AMI)的高度开放性为用户窃电提供了可乘之机，会给电网造成难以估量的非技术性损失，严重的窃电行为会... 展开 伴随着全社会对电力能源需求量的持续增加，迫切需要对电力资源进行高效的能源生产和分配。但先进的计量基础设施(AdvancedMeteringInfrastructure，AMI)的高度开放性为用户窃电提供了可乘之机，会给电网造成难以估量的非技术性损失，严重的窃电行为会导致供电秩序的紊乱，甚至威胁社会安全。传统的机器学习方法效率低下，在面对不平衡数据时，很难准确挖掘到窃电数据的特征，不能满足识别窃电用户的要求。因此，如何改进机器学习模型并检测出窃电用户就成为了一个亟需解决的问题。针对窃电用户识别中存在的问题，本文作了以下研究。 对于原始用电数据中的异常值和缺失值，本文运用36原则和牛顿插值法分别实现异常用电数据的识别和缺失数据的填补。并对数据进行最大最小归一化处理，使得数据满足卷积神经网络的要求。 单一的过采样和欠采样算法不能满足窃电用户识别的要求，本文采用混合采样算法处理不平衡的数据。首先根据随机森林(RandomForest，RF)的误分率动态更新SMOTE算法中过采样率，得到E-SMOTE算法。并用RF的检测性能动态调整E-SMOTE算法与TomeLinb的混合采样过程，选用AUC(AreaUndertheCurve)指标作为迭代停止准则，提出了基于E-SMOTE和TomeLinks的混合采样算法，重复执行E-SMOTE过采样和TomeLinks欠采样从而实现数据集的平衡。通过与6种采样算法的可视化验证和性能对比，验证了混合采样算法的有效性。 为了提高窃电检测模型的性能，本文构建了基于混合采样的改进C-RF窃电检测模型。在采用混合采样算法对用电数据集进行平衡的基础上，将一维卷积神经网络的sofbmax分类器替换为RF模型，实现一维卷积神经网络与RF的有机结合，从而提取用电数据的深层特征。基于传统的RF模型，运用基于Gini指标和卡方检验的特征选择方法采集重要的用电特征，并通过计算RF模型中每棵决策树的Q统计值的均值，选择多样性强的决策树进行集成。通过与3种模型的对比，证明了C-RF窃电检测模型的识别窃电用户的高效性。 收起