基于轻量级提升决策树的窃电识别方法研究

针对低压电力用户传统窃电识别方法识别效率和准确率低的不足,提出一种基于轻量级提升决策树和BP神经网络的窃电识别方法,先根据异常用电专家特征库进行特征分割,再结合特征指标匹配度和应用需求从分割结果中提取异常用电识别结果,建立双层识别模型。针对用电特征分割时用于特征分割模型的传统决策树算法在特征值离散化时叶子节点生长所占用的计算资源较多的问题,引入按叶生长策略,并控制其生长深度,在避免过拟合的同时提高计算效率。此外,为提高数据预处理效率,分别通过Newton插值法和3σ定律对所采集的用户原始用电数据中的缺失和异常数据进行预处理。使用广西电网某网区的实际用户数据集进行案例分析,结果表明所提算法的识别准确性和识别效率较优,验证了其有效性。

基于C-lightGBM的用户窃电检测

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%。