基于多异学习器融合Stacking集成学习的窃电检测

针对窃电检测中用户用电数据类别不平衡、采用投票法作为结合策略的集成学习方法无法充分发挥多个不同学习器优势等问题,提出一种利用Stacking集成学习融合多异学习器的模型应用于窃电检测。首先,从影响电量计量的因素出发,根据常见的5种窃电方法模拟6种窃电行为模式;其次,采用合成少数类过采样技术(SMOTE)对不平衡的用电数据进行处理,并利用K折交叉验证法对平衡后的训练集进行划分以缓解因重复学习造成的过拟合;然后,使用评价指标和多样性度量优选模型的不同初级学习器和元学习器,构建融合不同学习器优势和差异的Stacking集成学习窃电检测模型;最后,算例对比分析结果表明所提窃电检测模型能有效解决用电数据类别不平衡,充分发挥不同学习器的优势,评价指标良好。

基于BiLSTM-CatBoost模型的电力用户异常用电检测

为进一步提高电力用户异常用电检测性能,实现异常用电行为的快速准确研判,该文提出一种基于BiLSTM-CatBoost模型的用户异常用电检测方法。该模型首先采用双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)对用户用电数据进行特征深度提取,利用用电时序数据两个方向的信息来获取特征维度;接着采用完全对称决策树为基学习器的CatBoost集成学习算法作为分类器进行检测,避免检测过拟合。BiLSTM和CatBoost均采用贝叶斯优化算法(Bayesian optimization,BO)对全局进行超参数寻优。实例对比表明,基于BiLSTM-CatBoost模型的用户异常用电检测方法在准确率、F1分数、AUC、MCC值等评价指标中均表现最优。