在配电网络中使用机器学习检测非技术性损失

科学领域:

• 电气工程 电气工程
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 电力分配中的非技术性损失 (NTL),包括电力盗窃,导致公用事业公司每年数十亿美元的财务损失.
• 由于不平衡的数据集,检测NTL具有挑战性,其中NTL的实例数量远远超过合法消费数据.

研究的目的:

• 评估和比较各种机器学习算法和数据平衡技术,以有效检测NTL.
• 确定算法和数据平衡方法的最佳组合,以最大限度地提高检测准确度和精度.

主要方法:

• 应用了七种数据平衡技术:ADASYN,随机多采样,随机少采样,几乎错过少采样,边界-SMOTE,SMOTE-ENN和SMOTE-Tomek.
• 七个分类算法 (决策树,物流回归,XGBoost,随机森林,SVM,天真贝叶斯,KNN) 在两阶段模型中进行了测试,第二阶段包含数据平衡.
• 使用准确性,精度,回忆力,F1分数和马修斯相关系数 (MCC) 以70%-30%的训练测试比率来评估表现.

主要成果:

• 随机森林算法与随机采样相结合,证明了卓越的性能.
• 这种组合实现了98.03%的准确性和99.02%的精度,超过了文献中现有的方法.
• 所有的性能改进都经过统计验证,在95%的置信度水平上显示出显著的改进.

结论:

• 机器学习,特别是随机森林算法与随机采样相结合,为检测电力分配中的非技术性损失提供了高度有效的解决方案.
• 拟议的方法显著提高了NTL检测的准确性和精度,解决了数据不平衡的挑战.
• 这种方法为公用事业公司提供了一个强大的框架,以减轻电力盗窃和其他NTL造成的财务损失.