一种基于CAEs-LSTM融合模型的窃电检测方法

摘要：

为解决现有的智能电网电力盗窃行为检测方法中准确性不足、检测效率低下等问题,提出了一种由卷积自编码器网络(convolutional auto-encoders,CAEs)和长短期记忆网络(long short term memory,LSTM)相结合的CAEs-LSTM检测模型.该模型通过分析数据集的特点对电力数据进行二维转换,设计卷积自编码器结构,采用池化、下采样和上采样重构电力数据的二维空间特征,加入高斯噪声提高模型鲁棒性,并构建长短期记忆网络以学习全局时序特征.最后,对提取的时空特征进行融合从而检测能源窃贼,并进行了参数调优.在由国家电网公布的真实数据集上,通过将CAEs-LSTM模型与支持向量机、LSTM以及宽深度卷积神经网络进行对比,CAEs-LSTM模型的平均精度均值和曲线下面积值均最优.仿真实验表明,基于CAEs-LSTM模型的窃电检测方法具有更高的窃电检测效率和精度.

关键词：窃电检测、长短期记忆网络、卷积自编码器、深度学习、缺失值填补

所属期刊栏目：50

分类号：TP391.41;TP181;TN929.5

资助基金：国家自然科学基金;中国博士后科学基金

在线出版日期：2022-11-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：118-127