EnsembleNTLDetect：一种面向智能电网窃电检测的智能框架
机器学习
2021-10-12 v1
摘要
应用于智能电网生成的用电数据的人工智能技术被证明是减少非技术性损耗（NTLs）的有效方案，从而保障智能能源系统的安全、可靠与稳定。然而，数据不平衡、连续缺失值、训练时间长以及复杂架构阻碍了窃电检测模型的实时应用。在本文中，我们提出 EnsembleNTLDetect，一种鲁棒且可扩展的窃电检测框架，其采用一组高效的数据预处理技术与机器学习模型，通过分析用户的用电模式来准确检测窃电行为。该框架利用增强的基于动态时间规整的插补（eDTWBI）算法对时间序列数据中的缺失值进行插补，并借助 Near-miss 欠采样技术生成平衡数据。此外，引入堆叠自编码器进行降维并提升训练效率。使用条件生成对抗网络（CTGAN）扩充数据集以确保鲁棒训练，并设计软投票集成分类器来检测具有异常用电模式的用户。进一步地，使用国家电网公司（SGCC）提供的实时用电数据开展实验，以在各种质量指标上验证 EnsembleNTLDetect 相比最先进窃电检测模型的可靠性与高效性。
引用
@article{arxiv.2110.04502,
title = {EnsembleNTLDetect: An Intelligent Framework for Electricity Theft Detection in Smart Grid},
author = {Yogesh Kulkarni and Sayf Hussain Z and Krithi Ramamritham and Nivethitha Somu},
journal= {arXiv preprint arXiv:2110.04502},
year = {2021}
}
备注
Accepted at the 2nd Workshop on Large-scale Industrial Time Series Analysis at the 21st IEEE International Conference on Data Mining (ICDM), 2021