窃电量的追回是窃电检测的最终目的,准确的窃电时间识别是进行窃电量精确估算的重要依据。然而,现有窃电检测方法侧重于识别窃电行为,对窃电时间缺乏深入分析,亟需研究基于窃电用户自身计量数据的窃电时间识别模型,为窃电量的估算提供...窃电量的追回是窃电检测的最终目的,准确的窃电时间识别是进行窃电量精确估算的重要依据。然而,现有窃电检测方法侧重于识别窃电行为,对窃电时间缺乏深入分析,亟需研究基于窃电用户自身计量数据的窃电时间识别模型,为窃电量的估算提供依据。针对窃电时间识别问题,提出一种基于Transformer与单分类支持向量机(one-class support vector machine,OCSVM)的半监督窃电数据分类方法。首先,对用户负荷数据按日进行切割,将窃电时间识别问题转化为窃电日负荷数据判别问题;然后,使用Transformer作为重构模型学习用户的正常用电模式与规律,以重构出基于用户日负荷数据的重构值;最后,将构造重构误差曲线作为OCSVM的输入,构造正常用电行为的决策边界,进而判别出窃电数据,以实现窃电时间识别。根据南方某省智能电表用户数据进行算例分析,验证了该方法的可行性和有效性,实验结果表明该方法具有较好的灵敏性和鲁棒性。展开更多
针对数据流分类,时间自适应支持向量机(Time Adaptive Support Vector Machine,TA-SVM)及其改进方法通过在核空间上协同求解多个子分类器而取得了较好的性能,其原理是在局部优化的同时兼顾全局优化,强制子分类器序列稳定地变化。然而在...针对数据流分类,时间自适应支持向量机(Time Adaptive Support Vector Machine,TA-SVM)及其改进方法通过在核空间上协同求解多个子分类器而取得了较好的性能,其原理是在局部优化的同时兼顾全局优化,强制子分类器序列稳定地变化。然而在很多应用场景中,由于数据具有一定的随机性,难以确保概念模型以不变的节奏漂移,因而TA-SVM分类模型中应充分考虑子分类器序列的不稳定性。为了放松TA-SVM方法对子分类器序列的约束,使子分类器法向量、偏置量的变化具有更大的灵活性,提出了柔性漂移支持向量机(Flexible Drift Support Vector Machines,FD-SVM),在继承TA-SVM方法协同求解思想的基础上,灵活对待子分类器变化。实验结果表明,FD-SVM方法能有效提升对非静态数据的分类性能。展开更多
文摘窃电量的追回是窃电检测的最终目的,准确的窃电时间识别是进行窃电量精确估算的重要依据。然而,现有窃电检测方法侧重于识别窃电行为,对窃电时间缺乏深入分析,亟需研究基于窃电用户自身计量数据的窃电时间识别模型,为窃电量的估算提供依据。针对窃电时间识别问题,提出一种基于Transformer与单分类支持向量机(one-class support vector machine,OCSVM)的半监督窃电数据分类方法。首先,对用户负荷数据按日进行切割,将窃电时间识别问题转化为窃电日负荷数据判别问题;然后,使用Transformer作为重构模型学习用户的正常用电模式与规律,以重构出基于用户日负荷数据的重构值;最后,将构造重构误差曲线作为OCSVM的输入,构造正常用电行为的决策边界,进而判别出窃电数据,以实现窃电时间识别。根据南方某省智能电表用户数据进行算例分析,验证了该方法的可行性和有效性,实验结果表明该方法具有较好的灵敏性和鲁棒性。
文摘针对数据流分类,时间自适应支持向量机(Time Adaptive Support Vector Machine,TA-SVM)及其改进方法通过在核空间上协同求解多个子分类器而取得了较好的性能,其原理是在局部优化的同时兼顾全局优化,强制子分类器序列稳定地变化。然而在很多应用场景中,由于数据具有一定的随机性,难以确保概念模型以不变的节奏漂移,因而TA-SVM分类模型中应充分考虑子分类器序列的不稳定性。为了放松TA-SVM方法对子分类器序列的约束,使子分类器法向量、偏置量的变化具有更大的灵活性,提出了柔性漂移支持向量机(Flexible Drift Support Vector Machines,FD-SVM),在继承TA-SVM方法协同求解思想的基础上,灵活对待子分类器变化。实验结果表明,FD-SVM方法能有效提升对非静态数据的分类性能。
