一种遗传优化Bagging异质集成模型的异常用电检测方法技术

本发明专利技术公开了一种遗传优化Bagging异质集成模型的异常用电检测方法，涉及基于数据驱动的窃电检测技术领域，本发明专利技术通过SMOTE过采样技术对窃电用户数据进行样本增强，其次利用主成分分析降维提取异常用电特征，构建多种类型个体学习器嵌入的Bagging异质集成学习的窃电检测模型，通过引入投票策略将其输出进行结合,并用遗传算法对个体学习器的超参数进行优化。基于遗传优化的Bagging集成检测模型相比于决策树、支持向量机、随机森林以及传统人工神经网络等检测方法在准确率、误检率以及AUC评价指标上有明显提升，为加强我国电力企业对电能输送的高效监管力度、加大窃电的查处惩治力度、维护正常的供用电秩序、保障企业经营效益起到了积极的作用。益起到了积极的作用。益起到了积极的作用。

【技术实现步骤摘要】
一种遗传优化Bagging异质集成模型的异常用电检测方法


[0001]本专利技术涉及基于数据驱动的窃电检测
，具体为一种遗传优化Bagging异质集成模型的异常用电检测方法。

技术介绍

[0002]用户侧的窃电与异常用电行为是造成电网非技术性损失的主要原因，该行为不但会损害电力行业的经济利益，而且由于在输配电过程中难以考虑到非技术性损失，导致配电网在实际运行中的负荷大于预计负荷，为电网带来很大的潜在负荷增量和风险。近年来，坚强智能电网和泛在电力物联网不断建设与发展，高级量测体系（AMI）也逐步完善，智能电表采集到大量的用户用电负荷数据，这给基于数据驱动的异常用电检测问题提供了新的思路。
[0003]目前，应用于异常用电检测方面的有效方法可归纳为基于传统方法、基于数据挖掘两大类。传统方法涵盖了物理方法、状态估计、基于专家知识的模型等三种方法。物理方法一般指安装防窃电计量装置包括采用双向计量或止逆式电能表、射频识别标签和传感器等等，该方法需耗费大量资源、计量装置维护比较困难；基于状态估计的方法往往需要知道电网拓扑结构和各个节点的量测信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遗传优化Bagging异质集成模型的异常用电检测方法，其特征在于，所述检测方法包括以下步骤：S1:采集国家电网公司提供的用户用电数据；S2:对国家电网公司提供的用户用电数据进行数据预处理，获得训练集和测试集；S3:构建基于Bagging集成学习模型，并利用训练集对其进行训练，获得训练后的用电异常检测模型；S4:利用遗传算法对模型超参数进行优化，提高模型的分类精度；S5:将经过遗传算法优化的Bagging集成学习异常用电检测模型在测试集上做最后的测试，并输出分类结果，所述分类结果中包括窃电用户；S6:对于通过测试集测试输出的分类结果，利用分类性能指标进行分析对比。2.根据权利要求1所述的一种遗传优化Bagging异质集成模型的异常用电检测方法，其特征在于，所述步骤S2还包括以下步骤:S21:原始用电负荷数据存在一定的缺失值和异常值，需要进行相应的填补和清洗操作，获得完整数据；S22:对清洗好的用电负荷数据做归一化处理，将数据统一归算到0～1之间，便于后续的检测分析；S23:采用SMOTE过采样技术对窃电负荷样本集进行数据增强；S24:采用主成分分析对用电特征进行降维处理。3.根据权利要求2所述的一种遗传优化Bagging异质集成模型的异常用电检测方法，其特征在于，所述步骤S21中处理缺失值所采用拉格朗日插值法，公式如下：特征在于，所述步骤S21中处理缺失值所采用拉格朗日插值法，公式如下：在上述式中，, , ,,分别表示要插值的总次数、第个耗电数据、第个样本值、拉格朗日多项式和新生成的耗电数据。4.根据权利要求2所述的一种遗传优化Bagging异质集成模型的异常用电检测方法，其特征在于，所述步骤S22中清洗好的用电负荷数据做归一化处理的公式如下：式中，和分别表示数据归一化前的耗电量原始值和归一化特征值；和分别表示归一化前数据对应维度的最大和最小用电量。
5.根据权利要求1所述的一种遗传优化Bagging异质集成模型的异常用电检测方法，其特征在于，所述步骤S3还包括以下步骤：S31: 用预处理后的训练集对常用的异常用电检测学习器进行训练；S32: 对比训练后的各个体学习器的分类表现以及各个体学习器间的多样性；S33: 通过训练对比，...

【专利技术属性】
技术研发人员：屈志坚，马帅军，刘汉欣，祝振敏，胡文博，李坚，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：