基于多異學習器融合Stacking 集成學習的竊電檢測

游文霞，李清清，楊 楠，申 坤，李文武，吳澤黎

（三峽大學電氣與新能源學院,湖北省宜昌市 443002）

0 引言

電力的傳輸和分配涉及技術損耗（technical loss,TL）和非技術損耗（non-technical loss,NTL）,而NTL 中絕大多數(shù)損失與欺詐和能源盜竊有關［1-2］。竊電通過對用電數(shù)據(jù)進行惡意的攻擊,給供電企業(yè)帶來了巨大的經(jīng)濟損失［3］。隨著供電公司對竊電檢測重視程度的增加,傳統(tǒng)通過諸如線路竊聽或電表篡改之類的物理攻擊的檢測方法難以有效檢測出竊電的行為［4］。同時,智能電表和用電信息采集系統(tǒng)的普及使得越來越多的研究者可以更有效地采集用戶用電數(shù)據(jù),這是利用機器學習進行竊電檢測的基礎［5］。

目前,應用于竊電檢測的技術主要分為3 種,即基于系統(tǒng)狀態(tài)、基于博弈論和基于分類［6］。其中,基于系統(tǒng)狀態(tài)的檢測技術利用配電網(wǎng)狀態(tài)估計與用戶計量數(shù)據(jù)之間的矛盾進行竊電檢測,但帶來了附加的投資［7］；基于博弈論的檢測技術根據(jù)竊電者和檢測者的行為分析相應的博弈均衡,但難以確定參與人的效用水平［8］；基于分類的檢測技術根據(jù)用戶的電量以及用電曲線分布等特征采用數(shù)據(jù)驅動的方法進行竊電檢測,目前已開展了廣泛研究［9-17］。

對于竊電檢測二分類問題,大部分都采用了單一學習方法［9-13］。而單一學習方法只能從單個角度觀測用電數(shù)據(jù),檢測性能的提升空間有限。為了改善單一學習方法的局限性,近些年來在竊電檢測中開展了集成學習方法研究。文獻［14］采用日用電量為特征指標,提出一種基于稀疏隨機森林（random forest,RF）的用電側異常檢測方法。……