典型文献
基于CNN-LSTM模型的电力盗窃行为识别技术研究
文献摘要：
电力盗窃导致供电质量降低、发电量虚增,严重影响配电网的运行效益,是电力公司重点关注的问题.智能电网生成大量与电能消耗相关的数据,为利用基于数据驱动的电力盗窃检测方法提供了充足的数据支撑.提出一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)相结合的电力盗窃检测系统.卷积神经网络用于自动执行特征提取,长短期记忆网络用于处理时间序列的用电数据分类.此外还提出一种用于处理数据缺失的数据预处理算法和解决数据不平衡的过采样方法.实验结果表明,该模型具有优于常见机器算法的电力盗窃检测性能.
文献关键词：
电力盗窃;数据分析;机器学习;卷积神经网络;长短期记忆网络
中图分类号：
作者姓名：
葛岳军;刘瑞;马立骏;马丽;毕凤娟
作者机构：
浙江华云信息科技有限公司,浙江杭州 31000
文献出处：
引用格式：
[1]葛岳军;刘瑞;马立骏;马丽;毕凤娟-.基于CNN-LSTM模型的电力盗窃行为识别技术研究)[J].供用电,2022(09):61-67
A类：
电力盗窃
B类：
盗窃行为,行为识别,识别技术研究,供电质量,发电量,虚增,配电网,运行效益,电力公司,智能电网,电能消耗,convolutional,neural,network,长短期记忆网络,long,short,term,memory,自动执行,处理时间,用电数据,数据分类,数据缺失,数据预处理算法,数据不平衡,过采样,采样方法,机器算法,检测性能
AB值：
0.320931
相似文献
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。
