为了精准定位窃电行为,减小电力窃取给电力系统带来的经济损失,提出了一种基于熵权法Stacking(stacking based entropy,E_Stacking)集成学习的多分类窃电检测模型。首先基于用电量信息共线性的特点,使用方差膨胀因子(variance inflation...为了精准定位窃电行为,减小电力窃取给电力系统带来的经济损失,提出了一种基于熵权法Stacking(stacking based entropy,E_Stacking)集成学习的多分类窃电检测模型。首先基于用电量信息共线性的特点,使用方差膨胀因子(variance inflation factor,VIF)作为标准对数据降维,以降低数据复杂度。然后在模型训练时嵌入k折交叉验证,有效防止模型过拟合。该模型包含初级学习器和元学习器两层学习器,可以充分结合两层学习器的优点,将学习的互补特征和判别特征相结合,进一步提高检测性能。最后,使用爱尔兰数据集和部分加州大学欧文分校(University of California Irvine,UCI)数据集验证模型,结果优于目前几种常见的方法,证明该模型的有效性和稳定性。展开更多
文摘为了精准定位窃电行为,减小电力窃取给电力系统带来的经济损失,提出了一种基于熵权法Stacking(stacking based entropy,E_Stacking)集成学习的多分类窃电检测模型。首先基于用电量信息共线性的特点,使用方差膨胀因子(variance inflation factor,VIF)作为标准对数据降维,以降低数据复杂度。然后在模型训练时嵌入k折交叉验证,有效防止模型过拟合。该模型包含初级学习器和元学习器两层学习器,可以充分结合两层学习器的优点,将学习的互补特征和判别特征相结合,进一步提高检测性能。最后,使用爱尔兰数据集和部分加州大学欧文分校(University of California Irvine,UCI)数据集验证模型,结果优于目前几种常见的方法,证明该模型的有效性和稳定性。