典型文献
基于LSTM-SAE与支持向量机的窃电识别方法研究
文献摘要：
用电行为的有效特征提取作为提升异常用电检测准确率的关键要素,近年在窃电检测的研究中常被忽略.基于此,文章提出基于长短期记忆堆叠自编码器的特征提取方法.基于长短期记忆神经网络对高维非线性时间序列的特征提取能力与深度自编码器的数据信息展示能力实现对负荷序列的深度特征挖掘,利用人工蜂群算法优化的支持向量机将提出的特征量映射至是否窃电的标签.借助实际数据,以真正率、假正率为评价指标验证了所提模型的有效性.
文献关键词：
窃电识别;自编码器;特征提取;支持向量机;人工蜂群算法
中图分类号：
作者姓名：
王秋实;杨明;李鹏;毛一风;黄诗颖;缪晓卫;欧朱建
作者机构：
电网智能化调度与控制教育部重点实验室(山东大学),山东 济南 250061;国网江苏省电力有限公司南通供电分公司,江苏 南通 226000
文献出处：
引用格式：
[1]王秋实;杨明;李鹏;毛一风;黄诗颖;缪晓卫;欧朱建-.基于LSTM-SAE与支持向量机的窃电识别方法研究)[J].电力信息与通信技术,2022(09):51-58
A类：
B类：
SAE,窃电识别,用电行为,有效特征,异常用电检测,检测准确率,窃电检测,堆叠自编码器,长短期记忆神经网络,高维,线性时间,特征提取能力,深度自编码器,信息展示,示能,负荷序列,深度特征,特征挖掘,人工蜂群算法,算法优化,特征量,实际数据,指标验证
AB值：
0.305429
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。
