典型文献
基于多异学习器融合Stacking集成学习的窃电检测
文献摘要：
针对窃电检测中用户用电数据类别不平衡、采用投票法作为结合策略的集成学习方法无法充分发挥多个不同学习器优势等问题,提出一种利用Stacking集成学习融合多异学习器的模型应用于窃电检测.首先,从影响电量计量的因素出发,根据常见的5种窃电方法模拟6种窃电行为模式;其次,采用合成少数类过采样技术(SMOTE)对不平衡的用电数据进行处理,并利用K折交叉验证法对平衡后的训练集进行划分以缓解因重复学习造成的过拟合;然后,使用评价指标和多样性度量优选模型的不同初级学习器和元学习器,构建融合不同学习器优势和差异的Stacking集成学习窃电检测模型;最后,算例对比分析结果表明所提窃电检测模型能有效解决用电数据类别不平衡,充分发挥不同学习器的优势,评价指标良好.
文献关键词：
Stacking结合策略;集成学习;窃电检测;合成少数类过采样技术;K折交叉验证
中图分类号：
作者姓名：
游文霞;李清清;杨楠;申坤;李文武;吴泽黎
作者机构：
三峡大学电气与新能源学院,湖北省宜昌市 443002
文献出处：
引用格式：
[1]游文霞;李清清;杨楠;申坤;李文武;吴泽黎-.基于多异学习器融合Stacking集成学习的窃电检测)[J].电力系统自动化,2022(24):178-186
A类：
B类：
Stacking,窃电检测,户用,用电数据,数据类别,类别不平衡,投票法,结合策略,集成学习方法,模型应用,电量计量,窃电行为,行为模式,合成少数类过采样技术,SMOTE,交叉验证法,训练集,重复学习,过拟合,使用评价,多样性度量,优选模型,初级学习器,元学习,检测模型
AB值：
0.299343
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。
