基于统计轮廓图像与半监督学习的非技术线损检测
机器学习
2019-07-10 v1 机器学习
摘要
为掌握电网运行状态，全球最大的传感器系统——智能电网，通过部署数亿只智能电表得以建成。此类系统使得发现并快速响应电网任何潜在威胁成为可能。非技术线损（NTL）因其带来的安全风险与不可估量的收入损失一直是重点关注对象。然而，NTL 的多种成因在数据上可能表现出不同特征。面对如此大规模的采集数据记录，准确捕捉这些异常相当棘手。本文提出一种检测异常用电的新方法。我们对采集的时序数据进行变换，将其转换为能较好反映用户相对长期用电行为的图像表示。受计算机视觉领域用于目标检测的优异神经网络架构启发，我们设计了以变换后图像为输入、并从输入所提供的多方面产出联合特征的深度学习模型。考虑到标注样本有限（尤其是异常样本），我们以近年来提出的半监督方式使用我们的模型。该模型在经现场巡检核实的样本上进行了测试，我们的方法显示出显著改进。
引用
@article{arxiv.1907.03925,
title = {Non-technical Loss Detection with Statistical Profile Images Based on Semi-supervised Learning},
author = {Jiangteng Li and Fei Wang},
journal= {arXiv preprint arXiv:1907.03925},
year = {2019}
}