基于AdaBoost集成学习的窃电检测研究

发布时间：2021-11-09 00:15

　　针对传统窃电检测中单一分类方法的不足,提出一种基于AdaBoost集成学习的窃电检测算法。首先利用训练集对决策树、误差逆传播神经网络、支持向量机和k最近邻四种方法进行训练对比,提出决策树作为AdaBoost集成学习算法的弱学习器。其次通过绘制不同学习率下的分类错误率曲线,确定AdaBoost集成学习算法的学习率和弱学习器个数。最后利用爱尔兰智能电表数据集中的居民用电数据对所提算法进行测试评估,将AdaBoost集成学习算法与决策树、k最近邻、误差逆传播神经网络、支持向量机等各类单一强学习算法对比。结果表明基于AdaBoost集成学习的窃电检测算法在准确率、命中率、误检率等检测指标中最优,灵敏性分析验证了基于AdaBoost集成学习的窃电检测方法的有效性。 

【文章来源】：电力系统保护与控制. 2020,48(19)北大核心CSCD

【文章页数】：9 页

【部分图文】：

集成学习的一般结构

AdaBoost集成学习的一般结构

正常用电及其对应的6种窃电记录Fig.5Normalpowerconsumptionanditscorrespondingsixelectricitytheftrecords

【参考文献】：
期刊论文
[1]基于数据驱动的超短期风电功率预测综述[J]. 杨茂,张罗宾.  电力系统保护与控制. 2019(13)
[2]价差返还机制下售电公司博弈模型[J]. 吴浩可,雷霞,黄涛,何锦宇.  电力系统保护与控制. 2019(12)
[3]基于堆叠去相关自编码器和支持向量机的窃电检测[J]. 胡天宇,郭庆来,孙宏斌.  电力系统自动化. 2019(01)
[4]基于数据挖掘的电动汽车用户细分及价值评价方法[J]. 张禄,李国昌,陈艳霞,孙舟,王伟贤,田贺平.  电力系统保护与控制. 2018(22)
[5]AMI环境下异常用电检测研究[J]. 李春阳,王先培,田猛,冯晓栋.  计算机仿真. 2018(08)
[6]异常用电的检测方法:评述与展望[J]. 陈启鑫,郑可迪,康重庆,皇甫奋宇.  电力系统自动化. 2018(17)
[7]基于GA-BP神经网络的反窃电系统研究与应用[J]. 王庆宁,张东辉,孙香德,沈杨,许湘莲.  电测与仪表. 2018(11)
[8]一种基于状态估计的新型窃电方法及对策研究[J]. 王昕,田猛,赵艳峰,赵旭,魏龄,蒋婷婷,王先培.  电力系统保护与控制. 2016(23)
[9]电力用户用电数据的异常数据审查和分类[J]. 沈海涛,秦靖雅,陈浩,范蓉,庄才杰.  电力与能源. 2016(01)
[10]基于无监督学习的电力用户异常用电模式检测[J]. 庄池杰,张斌,胡军,李秋硕,曾嵘.  中国电机工程学报. 2016(02)



本文编号：3484278