文献类型：期刊文章

作　　者：游文霞[1] 申坤[1] 杨楠[1] 李清清[1] 吴永华[2] 李黄强[3]

YOU Wenxia;SHEN Kun;YANG Nan;LI Qingqing;WU Yonghua;LI Huangqiang(School of Electrical and New Energy,China Three Gorges University,Yichang 443002,China;Xiaogan Power Supply Company,State Grid Hubei Electric Power Company,Xiaogan 432000,China;Yichang Power Supply Company,State Grid Hubei Electric Power Company,Yichang 443002,China)

机构地区：[1]三峡大学电气与新能源学院,湖北宜昌443002 [2]国网湖北省电力公司孝感供电公司,湖北孝感432000 [3]国网湖北省电力公司宜昌供电公司,湖北宜昌443002

出　　处：《电力系统保护与控制》

基　　金：国家自然科学基金项目资助(51607104);国网湖北省电力公司2019年科技项目资助(5215K018006B)。

年　　份：2020

卷　　号：48

期　　号：19

起止页码：151-159

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：针对传统窃电检测中单一分类方法的不足,提出一种基于AdaBoost集成学习的窃电检测算法。首先利用训练集对决策树、误差逆传播神经网络、支持向量机和k最近邻四种方法进行训练对比,提出决策树作为AdaBoost集成学习算法的弱学习器。其次通过绘制不同学习率下的分类错误率曲线,确定AdaBoost集成学习算法的学习率和弱学习器个数。最后利用爱尔兰智能电表数据集中的居民用电数据对所提算法进行测试评估,将AdaBoost集成学习算法与决策树、k最近邻、误差逆传播神经网络、支持向量机等各类单一强学习算法对比。结果表明基于AdaBoost集成学习的窃电检测算法在准确率、命中率、误检率等检测指标中最优,灵敏性分析验证了基于AdaBoost集成学习的窃电检测方法的有效性。

关 键 词：ADABOOST 窃电检测 集成学习  决策树 爱尔兰数据集  

分 类 号：TP181] TM73]