文献类型：期刊文章

作　　者：县国成[1] 王永攀[1] 高俊[1] 浮海[1] 杨斌[1] 武旭[2]

XIAN Guocheng;WANG Yongpan;GAO Jun;FU Hai;YANG Bin;WU Xu(State Grid Gansu Tianshui Power Supply Company,Tianshui 741000,China;School of Automation and Electrical Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)

机构地区：[1]国网甘肃省电力公司天水供电公司,甘肃天水741000 [2]兰州交通大学自动化与电气工程学院,甘肃兰州730070

出　　处：《智慧电力》

基　　金：国家自然科学基金资助项目(51867012)。

年　　份：2022

卷　　号：50

期　　号：9

起止页码：82-89

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：窃电现象破坏社会供用电秩序,严重时更会阻碍新型配电系统建设的发展。为了更精确地识别窃电行为,提出了一种基于极限学习机(ELM)与支持向量机(SVM)相结合的窃电智能识别模型。利用电能计量大数据,分析窃电用户数据状态指标,构建窃电指标评价体系;利用指标评价体系训练窃电智能识别模型,进而以ELM-SVM预测模型来识别窃电用户。该方法有效集合了ELM算法与SVM算法的优点,算例表明,识别模型的识别准确率可达97.8%,说明ELM-SVM结合方法是可行的,实现了对用户窃电行为的高精度、高效性预测识别。

关 键 词：电能计量大数据  窃电智能识别  极限学习机 支持向量机  评价体系  

分 类 号：TM933]