典型文献
基于ELM⁃SVM模型与电能计量大数据的窃电识别技术研究
文献摘要：
窃电现象破坏社会供用电秩序,严重时更会阻碍新型配电系统建设的发展.为了更精确地识别窃电行为,提出了一种基于极限学习机(ELM)与支持向量机(SVM)相结合的窃电智能识别模型.利用电能计量大数据,分析窃电用户数据状态指标,构建窃电指标评价体系;利用指标评价体系训练窃电智能识别模型,进而以ELM-SVM预测模型来识别窃电用户.该方法有效集合了ELM算法与SVM算法的优点,算例表明,识别模型的识别准确率可达97.8％,说明ELM-SVM结合方法是可行的,实现了对用户窃电行为的高精度、高效性预测识别.
文献关键词：
电能计量大数据;窃电智能识别;极限学习机;支持向量机;评价体系
中图分类号：
作者姓名：
县国成;王永攀;高俊;浮海;杨斌;武旭
作者机构：
国网甘肃省电力公司天水供电公司,甘肃天水 741000;兰州交通大学自动化与电气工程学院,甘肃兰州 730070
文献出处：
引用格式：
[1]县国成;王永攀;高俊;浮海;杨斌;武旭-.基于ELM⁃SVM模型与电能计量大数据的窃电识别技术研究)[J].智慧电力,2022(09):82-89
A类：
电能计量大数据,窃电智能识别
B类：
ELM,窃电识别,识别技术研究,窃电现象,供用电,新型配电系统,窃电行为,极限学习机,识别模型,用户数据,状态指标,指标评价体系,有效集,识别准确率,结合方法,用户窃电
AB值：
0.213657
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。
