刘 颖, 杜星秋, 温东欣, 唐伟宁, 张洪明
(1. 吉林财经大学 管理科学与信息工程学院, 长春 130117;2. 国网吉林省电力有限公司 电力科学研究院, 长春 130021)
窃漏电行为是电力系统检测的重点, 目前的反窃电方法主要为人工检测, 存在工作量大、 效率低、 取证困难和缺乏针对性等问题. 机器学习源于统计模型拟合, 目前, 应用机器学习技术诊断窃漏电行为的方法主要有逻辑回归[1]、 聚类分析[2]和深度学习[3]等. 支持向量机(support vector machines, SVM)作为一种经典的模式识别方法, 具有泛化能力强、 结构简单, 易解决具有高维度、 小样本等问题的优势. 将支持向量机技术应用于窃漏电行为的检测目前已有很多研究结果[4-6]. 窃漏电用户用电检测过程中, 异常用户数量通常只占少数, 导致获取的数据样本存在严重的分布不均衡现象. SVM分类算法大多都基于正负类样本数量大致相同的假设, 在SVM训练分类模型过程中, 样本不均衡可能导致分类超平面偏移而影响分类精度.
针对非均衡数据分类问题, 通常采用两种解决策略: 一种是改变分类算法, 在传统分类算法的基础上对不同类别采用不同的加权方式, 更看重少数类; 另一种是改变数据分布, 从数据层面平衡样本类别, 主要包括随机欠采样和过采样方法. 欠采样算法是减少多数类样本数量, 预先设置多数类与少数类最终的数量比例, 在保留少数类样本不变的情形下, 根据比例随机选择多数类样本. 例如: 韩旭等[7]采用高斯混合模型……