基于数据不均衡的CART决策树用电异常检测方法

针对现有的用户用电行为数据量庞大,且正负样本不均衡从而导致用电异常检测准确率低的问题,通过合成少数类过采样技术算法增加样本数据,构建正负样本相对均衡的数据集。然后,通过分类回归树决策树模型对重平衡后的样本数据集进行特征提取,从而获得分类结果并对其进行可视化,通过五折交叉验证对该算法进行仿真实现,分析模型的可靠性及稳定性。结果表明,提出的方法提高了用户用电行为异常检测准确率,有效消除了数据不均衡对异常检测准确率的影响。

基于动态分组的支持向量机窃电识别方法

针对电力用户的窃电诊断问题,以真实的、海量的用户用电数据为基础,基于机器学习技术,对样本数据进行数据清洗和特征选择。首先,将电力用户按照用电特性结合窃电相关的多个因素进行动态的分组,保证窃电分析的针对性和适应性;然后,使用基于高斯核函数的支持向量机算法构建分类模型,并对分类结果进行可视化,通过五折交叉验证对该算法进行仿真计算,分析模型的可靠性及稳定性;最后,通过开展现场核查,进一步验证该方法的有效性。

基于规划差异性的中压配电网网格划分原则问题研究

在供电分区、网格、供电单元三级供电区域划分的基础上,通过对中压配电网的差异性规划和无差异性规划进行描述和分析,对网格划分的原则问题进行研究,说明中压配电网的网格划分应该基于规划单元(变电站和线路单元)容量差异和负荷密度差异相匹配的原则。通过某地区的实际网格规化应用,说明所提出的网格划分原则的合理性。