智能能源守卫：一种用于检测非法光伏发电的混合深度学习模型

随着智能电网的普及，智能城市面临着网络攻击和高级电力盗窃行为的日益增长的挑战，尤其体现在住宅光伏（PV）发电系统上。传统的电力盗窃检测（ETD）方法往往难以捕捉复杂的时序依赖关系，并难以整合多源数据，限制了其有效性。本文提出一种高效ETD方法，准确识别住宅光伏发电中的欺诈行为，确保智能城市供需平衡。我们的混合深度学习模型融合了多尺度卷积神经网络（CNN）、长短期记忆网络（LSTM）和Transformer，能够捕捉短期和长期时序依赖。此外，我们引入一种数据嵌入技术，无缝整合时间序列数据与离散温度变量，提升检测鲁棒性。广泛的实验使用真实数据验证了我们方法的有效性，结果表明该方法在检测复杂能源盗窃活动方面显著提升了检测精度，为智能城市的稳定性和公平性贡献了重要贡献。