基于混合深度学习的电力用户数据的分析模型

摘要：

为改善现有窃电检测时由于电力数据特征复杂、数据样本不均等导致的效率低、精度低等问题,提出一种基于深度学习的电力用户数据的分析模型:首先,考虑到窃电数据样本不均衡、样本数量有限,提出基于Wasserstein准则的条件生成对抗网络,以平衡窃电数据,提升数据多样性;其次,提出一种用户电力行为特征提取网络,以增强模型训练效率;最后,提出一种基于梯度提升决策树的电力数据分类模型,以有效减少过拟合问题,从而提高模型分类精度.以中国国家电网公司发布的用电量数据集为例,对所提模型进行分析和验证.与基于随机过采样(ROS)、人工少数类过采样(SMOTE)和生成对抗网络(GAN)等数据增强方法相比,所提数据增强方法可以有效提升模型训练性能.此外,与逻辑回归(LR)、支持向量机(SVM)、长短时记忆网络(LSTM)等模型相比,所提模型在测试集中性能更优,准确率和召回率分别为 89.3%和 69%.仿真结果进一步验证了所提模型的有效性和准确性.

关键词：智能电网、用电数据、窃电检测、数据增强、生成对抗网络、深度学习

所属期刊栏目：42

分类号：TP393(计算技术、计算机技术)

资助基金：国网客服中心网上国网App埋点综合分析服务项目SGKFYY00ZCJS2100039

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：43-48,57