.png){kind=icon}
返回
A multi-temporal granularity feature driven convolutional ensemble model for electricity theft detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110795.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电力盗窃造成巨大的经济损失和安全风险。尽管先进计量基础设施的广泛采用显著减少了电力盗窃，但作案者仍不断寻找利用系统的方法，采用日益隐蔽和复杂的技术。为应对这一持续挑战，本文提出了一种基于注意力机制优化的多时间粒度特征驱动的卷积集成模型，以提高电力盗窃检测（ETD）的准确性和鲁棒性。为在多样化时间尺度上实现全面特征提取，所提出的框架集成了两个专门的特征提取模块。第一个模块为挤压-激励网络优化的时序卷积网络，选择性关注电力消耗数据中的信息性时序特征。第二个模块为双维度注意力增强的深度残差网络，由嵌入卷积块注意力模块的残差块组成，促进模型同时学习信息性空间和时序特征。随后，通过全连接层对两个模块的特征进行融合和分类。为验证所提ETD方法的有效性，本文使用中国国家电网公司公开数据集进行了仿真实验。实验结果表明，经注意力机制优化的模型显著提升了ETD的性能。与其他ETD模型相比，所提模型在不同训练集比例和样本不平衡场景下，在各项指标上均表现出色，显示出良好的泛化能力和鲁棒性。此外，该模型已部署在树莓派边缘计算设备上，以进一步验证其在实际工程应用中的可行性。
Keyword:
Electricity theft detection
Ensemble model
Deep learning
Attention mechanism
Feature fusion
期刊
IF:
8
论文数:
5.4K
被引数:
3.5W
机构
暂无机构信息
引用论文
Detection Methods in Smart Meters for Electricity Thefts: A Survey.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏A novel multi-classification method for photovoltaic electricity theft behavior with low false detection rateMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏A Tunable Fraud Detection System for Advanced Metering Infrastructure Using Short-Lived Patterns
PREAI
分享收藏
A Stacked Machine and Deep Learning-Based Approach for Analysing Electricity Theft in Smart Grids
OAAI
OAAI分享收藏
查看更多内容