.png){kind=icon}
返回
Utilizing machine learning ensembles for effective electricity theft detection
.png){kind=icon}
PRE
AI
DOI：10.1177/01445987251381989.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电力盗窃在全球范围内构成了重大挑战，传统检测方法往往落后于复杂的技术。滥用职权可能产生多种不利影响。这些影响包括能源消耗上升、供应基础设施负担加重、电力公司利润下降，以及使用电力引发触电和火灾等公共安全风险。所提出的模型采用了一种结合投票和堆叠方法的集成方法，用于训练具有挑战性的电力盗窃不平衡数据集。该集成方法使用逻辑回归和随机森林模型，并结合ADASYN（自适应合成采样）以获得最佳结果。数据集包含1034条客户记录（2014-2016年），存在明显的类别不平衡，并通过ADASYN校正为均衡的类别表示。在ADASYN平衡数据上，堆叠模型（逻辑回归+随机森林）实现了盗窃类别的精确率/召回率/F1得分为0.95/0.94/0.94，非盗窃类别的精确率/召回率/F1得分为0.94/0.95/0.94，总体准确率为0.94。区分性能较强（ROC-AUC约0.94），在平衡数据训练下超越了投票集成（AUC约0.93）。混淆矩阵和指标分析进一步表明，在平衡数据上的堆叠方法优于所有不平衡设置和投票基准。实验结果表明，结合逻辑回归和随机森林的堆叠方法达到了94%的准确率、召回率和F1得分的最佳基准结果。这些发现表明，该检测方法是一种稳健且轻量级的电力盗窃检测方案，能够在不牺牲总体准确率的情况下提高少数类别的检测效果。
Keyword:
Machine learning
logistic regression
random forest
ensemble learning
ADASYN (adaptive synthetic sampling)
stacking
electricity theft detection
期刊
E
IF:
1.6
论文数:
30
被引数:
2.2K
机构
暂无机构信息
引用论文
分享收藏Early Prediction of Chronic Kidney Disease: A Comprehensive Performance Analysis of Deep Learning Models.png)
Algorithms
OAAI
AlgorithmsIF0
OAAI分享收藏Optimal Scheduling of Campus Microgrid Considering the Electric Vehicle Integration in Smart GridSENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance在评估平均模型性能时，平均绝对误差 (MAE) 相对于均方根误差 (RMSE) 的优势OAAI
OAAI分享收藏
查看更多内容