基于混合图神经网络和 LSTM 框架的时空电网智能：用于鲁棒电力盗窃检测
机器学习
2026-03-24 v1
摘要
电力盗窃（非技术损失，NTL）是全球电力系统面临的持续性威胁，造成重大财务损失并损害电网稳定性。传统检测方法主要是被动且以计表为中心，往往无法捕捉与欺诈性消费相关的复杂时空动力学和行为模式。本研究引入新颖的 AI 驱动 Grid Intelligence 框架，融合时序异常检测、监督式机器学习与图神经网络 (GNN)，在不平衡数据集上实现高精度盗窃识别。方法利用丰富的特征集合，包括滚动平均值、电压降估计以及关键网格不平衡指数。该方法采用长短期记忆 (LSTM) 自动编码器进行时序异常评分，采用随机森林分类器进行表格特征判别，并使用 GNN 模型化分布网络中的空间依赖关系。实验验证表明，单独的异常检测方法仅得出 0.20 的盗窃 F1 分数，而所提出的混合融合方法实现整体准确率达 93.7%。通过灵敏度-召回率分析校准决策阈值，系统在盗窃检测上实现平衡的精确率 0.55 和召回率 0.50，有效缓解单一模型方法中固有的误报问题。这些结果确认，融合拓扑电网感知与时序和监督式分析，提供了一种可扩展、基于风险的解决方案，用于主动电力盗窃检测和提升智能电网可靠性。
引用
@article{arxiv.2603.20488,
title = {Spatio-Temporal Grid Intelligence: A Hybrid Graph Neural Network and LSTM Framework for Robust Electricity Theft Detection},
author = {Adewale U. Oguntola and Olowookere A. AbdulQoyum and Adebukola M. Madehin and Adekemi A. Adetoro},
journal= {arXiv preprint arXiv:2603.20488},
year = {2026}
}
备注
16 pages, 9 figures