基于熵权法集成异质分类器的窃电检测

针对传统检测模型仅通过单一方法进行窃电检测具有局限性且用电数据中存在类不平衡的问题,从集成学习的角度出发,本文提出一种基于熵权法融合异质分类器的窃电检测模型。首先,通过少数类样本合成过采样技术（synthetic minority oversampling technique,SMOTE）处理用电数据不平衡的问题,其次综合考虑个体分类器之间的多样性以及各自的检测性能和训练机理进行基分类器的优选,最后,引入信息熵的概念,基于各个基分类器分类结果的分散程度,计算其权重占比,并以该权重占比集成各基分类器的输出。实验结果表明,对比传统的窃电检测模型,本文所提模型在多项评价指标下表现较好,具有良好的检测性能。     

考虑多维特征和数据增强的空间负荷预测方法

针对空间负荷预测的影响因素多样及历史数据匮乏的问题,提出了一种考虑多维特征和数据增强的空间负荷预测方法。该方法首先综合考虑多种影响电力负荷的因素,从开发强度、发展水平、气侯条件建立地区多维度指标模型。然后构建生成对抗网络(generative adversarial networks,GAN)的数据生成模型,对训练集进行数据增强,生成数量充足且符合地区特点的训练样本。其次采用基于粒子群算法(particle swarm optimization,PSO)优化初始权重和阈值后的反向传播(back propagation,BP)神经网络建立空间负荷预测模型,并利用增强后的数据集实现空间负荷预测。最后,以东部某市4个区为例,对本文的方法进行验证,仿真结果表明本文提出的方法可以提高空间负荷预测精度,具有实用性和有效性。