摘要
窃电手段日趋多样化,由传统的窃电方式向高科技窃电方式发展,极具隐蔽性、难以识别。窃电现象在实际情况中是可能发生的,正常的用电行为会呈现出一定的规律性,而发生窃电行为时,其用电趋势会偏离以往的用电规律,相关电气参量指标数值会产生异常变化。本文分析了用户的历史用电数据,通过对负荷曲线数据进行聚类,得出特征曲线并根据此划分用电行为,计算及分析待测用户负荷曲线与特征曲线之间的相似度,初步筛选具有窃电嫌疑的用户,将相关指标数据代入AdaBoost集成学习模型中,做进一步的窃电识别。实验结果证明,所用方法能够缩小窃电识别的范围,提高窃电识别效率,AdaBoost集成学习对测试集的预测正确率达到95.3846%,相对于单一分类模型有更好的效果。
作者
宋少杰
张长胜
李英娜
李川
Song Shaojie;Zhang Changsheng;Li Yingna;Li Chuan
