文献类型：期刊文章

作　　者：吴泽黎[1] 李清清[2] 梁皓[1]

WU Zeli;LI Qingqing;LIANG Hao(College of Electrical Engineering&New Energy,China Three Gorges University,Yichang 443002,China;Xianning Power Supply Company,Hubei Electric Power Co.,Ltd.,Xianning 437000,China)

机构地区：[1]三峡大学电气与新能源学院,宜昌443002 [2]国网湖北省电力公司咸宁供电公司,咸宁437000

出　　处：《自动化与仪表》

年　　份：2023

卷　　号：38

期　　号：5

起止页码：22-27

语　　种：中文

收录情况：JST、ZGKJHX、普通刊

摘　　要：为进一步提高电力用户异常用电检测性能,实现异常用电行为的快速准确研判,该文提出一种基于BiLSTM-CatBoost模型的用户异常用电检测方法。该模型首先采用双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)对用户用电数据进行特征深度提取,利用用电时序数据两个方向的信息来获取特征维度;接着采用完全对称决策树为基学习器的CatBoost集成学习算法作为分类器进行检测,避免检测过拟合。BiLSTM和CatBoost均采用贝叶斯优化算法(Bayesian optimization,BO)对全局进行超参数寻优。实例对比表明,基于BiLSTM-CatBoost模型的用户异常用电检测方法在准确率、F1分数、AUC、MCC值等评价指标中均表现最优。

关 键 词：异常用电检测  双向长短期记忆神经网络  CatBoost  深度学习  集成学习  

分 类 号：TM715]