基于LSTM和RUSboost的反窃电大数据分析与研究
文档名：基于LSTM和RUSboost的反窃电大数据分析与研究
摘要：在实时序列数据集上提出了基于长短期记忆(LSTM)和随机欠采样增强(RUSBoost)的反窃电大数据分析模型.所使用的模型由LSTM算法和RUSBoost技术组成.在所提出的系统模型中,使用了归一化和插值方法对电力数据进行预处理,以消除零值和未定义值.通过使用LSTM算法对数据进行特征细化,从预处理的数据中提取相关特征.在解决电力盗窃检测(ETD)问题中使用分类器的参数优化可以处理更大的时间序列数据.为了增强RUSBoost方法的性能,使用蝙蝠算法进行参数优化,将SVM、LR和CNN-LSTM模型进行了比较.最后,应用RUSBoost方法有效地平衡数据.所提出的模型的F1得分为96.1%、精度达到88.9%、召回率达到91.09%、ROC-AUC得分达到87.9%.所有性能指标方面都优于给定的传统方案.
Abstract：Ananti-theftbigdataanalysismodelbasedonlongshort-termmemory(LSTM)andrandomundersamplingenhancement(RUSBoost)isproposedonareal-timesequencedataset.TheusedmodelconsistsofLSTMalgorithmandRUSBoosttechnique.Normal-izationandinterpolationmethodsareusedtopre-processtheelectricitydatatoeliminatezeroandundefinedvalues.Therelevantfea-turesareextractedfromthepreprocesseddatabyusingLSTMalgorithmforfeaturerefinementofthedata.Parameteroptimizationusingclassifiersinsolvingtheelectricitytheftdetection(ETD)problemcanhandlelargertimeseriesdata.ToenhancetheperformanceoftheRUSBoostmethod,theSVM,LRandCNN-LSTMmodelsarecomparedusingthebatalgorithmforparameteroptimization.Finally,theRUSBoostmethodisappliedtobalancethedataeffectively.TheproposedmodelachievesanF1scoreof96.1%,anaccuracyof88.9%,arecallof91.09%andaROC-AUCscoreof87.9%.Allperformancemetricsaspectsarebetterthanthegivenconventionalscheme.
作者：牛任恺郭伟张鑫磊王利赛张艳丽Author：NIURenkaiGUOWeiZHANGXinleiWANGLisaiZHANGYanli
作者单位：国网冀北电力有限公司计量中心,北京100045
刊名：电子器件 ISTIC
Journal：ChineseJournalofElectronDevices
年，卷(期)：2024, 47(2)
分类号：TM73
关键词：LSTMRUSBoost反窃电大数据分析电气损耗
Keywords：LSTMRUSBoostanti-electrictheftbigdataanalysiselectricalloss
机标分类号：TP391.4TP23TP183
在线出版日期：2024年6月5日
基金项目：国网冀北电力有限公司科技项目基于LSTM和RUSboost的反窃电大数据分析与研究[
期刊论文]电子器件--2024, 47(2)牛任恺郭伟张鑫磊王利赛张艳丽在实时序列数据集上提出了基于长短期记忆(LSTM)和随机欠采样增强(RUSBoost)的反窃电大数据分析模型.所使用的模型由LSTM算法和RUSBoost技术组成.在所提出的系统模型中,使用了归一化和插值方法对电力数据进行预处理,以消...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于LSTM和RUSboost的反窃电大数据分析与研究Analysis and Research of Anti-Electric Theft Big Data Based on LSTM and RUSBoost
基于LSTM和RUSboost的反窃电大数据分析与研究.pdf
页:
[1]