基于堆叠去相关自编码器和支持向量机的窃电检测.PDF

第 卷 第 期 年 月 日 , 43 1 2019 1 10 Vol.43No.1Jan.102019 : / DOI10.7500AEPS20180630013 基于堆叠去相关自编码器和支持向量机的窃电检测 , , 1 12 12 , , 胡天宇 郭庆来 孙宏斌 ( , ; , ) 清华 伯克利深圳学院 广东省深圳市 清华大学电机工程与应用电子技术系 北京市 1. - 518071 2. 100084 : , 摘要 已有窃电检测模型的准确率尚无法满足应用需求 是因其均将建模重点放在了分类算法的 , 。 , , 选择或改进上 而相对地忽视了特征提取过程 因此 提出一种基于深度学习的特征提取方法 即 。 , 堆叠去相关自编码器 得益于深层结构和高度非线性 其能够从用户用电数据中提取到高度抽象 。 。 和简明的特征 随后支持向量机将这些特征映射到指示是否窃电的标签 基于真实数据的算例测 , , 试 验证了所提窃电检测模型具有较高的检出率和较低的虚警率 同时也验证了堆叠去相关自编码 器能够提取到有效的特征。 : ; ; ; ; 关键词 非技术性损失 窃电检测 深度学习 去相关自编码器 支持向量机 0 引言 特征设计同分类算法一样都对最终的检测准确率有 , 着非常重要的影响 特别是对于训练数据集较小的 : 电力公司的损失主要来自两个方面 因电网 ① [ ] 12 场景 。目前窃电检测领域中出现过的特征设计 元件的电阻或能源转化效率上限而产生的技术性损 : 。“ 方法可以大致分为两类 特征选择和特征提取 特 [] 1 ; , 失 因偷窃电行为而产生的非技术性损失 其在 ②