不平衡数据集中的大规模非技术损失检测
机器学习
2017-07-26 v2 人工智能
摘要
非技术损失（NTL）如窃电对我们的经济造成显著危害，因为在某些国家其可能占到总配电量的 40%。检测 NTL 需要高昂的现场巡检。因此，利用机器学习对客户的 NTL 进行准确预测至关重要。迄今为止，相关研究很大程度上忽略了常规与非常规客户这两类高度不平衡、NTL 比例可能变化，且多考虑小型数据集，通常无法将结果部署到生产环境中。在本文中，我们提出一种综合方法，在包含 100Ks 客户的大型真实数据集中，针对不同 NTL 比例评估三种 NTL 检测模型：布尔规则、模糊逻辑和支持向量机。该工作取得了可观的结果，即将部署于领先的工业解决方案中。我们认为，本贡献中的考量与观察对于未来智能电表研究是必要的，以便在不平衡大型真实数据集上报告其有效性。
引用
@article{arxiv.1602.08350,
title = {Large-Scale Detection of Non-Technical Losses in Imbalanced Data Sets},
author = {Patrick O. Glauner and Andre Boechat and Lautaro Dolberg and Radu State and Franck Bettinger and Yves Rangoni and Diogo Duarte},
journal= {arXiv preprint arXiv:1602.08350},
year = {2017}
}
备注
Proceedings of the Seventh IEEE Conference on Innovative Smart Grid Technologies (ISGT 2016)