典型文献
基于时序偏移双残差网络的窃电行为检测
文献摘要：
针对窃电量小、窃电发生时间随机的窃电行为,提出一种基于时序偏移双残差网络(TS-Bi-ResNet)的窃电行为检测模型.将基础残差网络模型改进为双残差网络(bi-residual network,Bi-ResNet)模型,考虑到窃电行为发生时间的随机性,利用时序偏移(timing shift,TS)算法对用电数据预处理,使模型能够学习用电数据的时间因素特征,构成TS-Bi-ResNet模型.根据真实用电数据和窃电特征生成含有伪窃电数据的混合用电数据集,利用TS-Bi-Res-Net模型学习其浅层特征和深层特征,进而执行窃电行为检测.仿真和实际运行结果表明,TS-Bi-ResNet模型可以有效检测窃电量小且窃电发生时间随机的窃电行为,其检测精度优于LSTM模型与残差网络(ResNet)模型.
文献关键词：
窃电行为检测;双残差网络;时序偏移算法;机器学习
中图分类号：
作者姓名：
郑颖;邓灵莉;李劲夫;卓灵;游奇琳;范怀瑾;冯文江
作者机构：
国网重庆市电力公司信息通信分公司,重庆401121;重庆大学微电子与通信工程学院,重庆400044;国网重庆市电力公司铜梁供电公司,重庆402560
文献出处：
引用格式：
[1]郑颖;邓灵莉;李劲夫;卓灵;游奇琳;范怀瑾;冯文江-.基于时序偏移双残差网络的窃电行为检测)[J].西南师范大学学报（自然科学版）,2022(08):54-63
A类：
双残差网络,时序偏移算法
B类：
窃电行为检测,窃电量,发生时间,TS,Bi,ResNet,检测模型,残差网络模型,网络模型改进,bi,residual,network,随机性,timing,shift,用电数据,数据预处理,够学,习用,时间因素,特征生成,模型学习,深层特征,行窃,实际运行,有效检测,检测精度
AB值：
0.244613
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
