近年来窃电事件频发,及时准确地检测用户窃电行为对国家电网的安全与效益至关重要,目前对于海量有缺陷用户电力数据还缺少行之有效的检测方法。针对以上问题,提出了一种新的窃电检测模型C-lightGBM。该模型通过卷积神经网络(convolution...近年来窃电事件频发,及时准确地检测用户窃电行为对国家电网的安全与效益至关重要,目前对于海量有缺陷用户电力数据还缺少行之有效的检测方法。针对以上问题,提出了一种新的窃电检测模型C-lightGBM。该模型通过卷积神经网络(convolutional neural network,CNN)从用电数据提取用户电力特征,将提取的特征输入到轻量级提升决策树(light GBM)分类器,进行用户用电行为分类检测,兼备了CNN的深度特征提取性能以及light GBM快速准确的分类能力,从而达到预期的窃电检测效果。最后通过Jupyter Lab平台进行实验,分别对比不同特征提取方法对窃电检测的效果,并验证CNN特征提取的能力。此外,比较不同分类器在窃电检测中的AUC(area under curve)值与MAP(mean average precision),C-lightGBM窃电检测模型的检测精度值提升了5%,AUC值提升了5.8%。展开更多
文摘近年来窃电事件频发,及时准确地检测用户窃电行为对国家电网的安全与效益至关重要,目前对于海量有缺陷用户电力数据还缺少行之有效的检测方法。针对以上问题,提出了一种新的窃电检测模型C-lightGBM。该模型通过卷积神经网络(convolutional neural network,CNN)从用电数据提取用户电力特征,将提取的特征输入到轻量级提升决策树(light GBM)分类器,进行用户用电行为分类检测,兼备了CNN的深度特征提取性能以及light GBM快速准确的分类能力,从而达到预期的窃电检测效果。最后通过Jupyter Lab平台进行实验,分别对比不同特征提取方法对窃电检测的效果,并验证CNN特征提取的能力。此外,比较不同分类器在窃电检测中的AUC(area under curve)值与MAP(mean average precision),C-lightGBM窃电检测模型的检测精度值提升了5%,AUC值提升了5.8%。
