典型文献
基于SE-CNN模型的窃电检测方法研究
文献摘要：
针对传统电网现有窃电检测仅用单一电量且实际数据集下检测准确度低的问题,提出一种基于通道注意力网络改进卷积神经网络模型的窃电行为检测方法.首先建立一种包含用电量趋势、线损增长率、终端告警多源数据融合的窃电评价指标体系,以此构建用户用电特征集.然后,基于通道注意力挤压激励网络(squeeze and excitation networks,SENet)优化卷积神经网络(convolutional neural network,CNN)模型,据此构建自适应通道注意力网络改进卷积神经网络模型的窃电检测方法.最后,利用南方电网数据集对提出方法的有效性与准确性进行验证.实测结果表明,所提方法能有效实现实际电网情况下各类窃电行为准确检测,建立的评价指标体系可更明显表征窃电行为规律.构建的窃电检测模型可自适应对特征通道重要程度调整,提升通道利用率.相比现有检测方法,其具有更高准确度和更优泛化性能.
文献关键词：
窃电行为;改进卷积神经网络;注意力网络;电量趋势;线损
中图分类号：
作者姓名：
夏睿;高云鹏;朱彦卿;欧阳博;吴聪
作者机构：
湖南大学电气与信息工程学院,湖南长沙 410082
文献出处：
引用格式：
[1]夏睿;高云鹏;朱彦卿;欧阳博;吴聪-.基于SE-CNN模型的窃电检测方法研究)[J].电力系统保护与控制,2022(20):117-126
A类：
B类：
窃电检测,实际数据,检测准确度,通道注意力,注意力网络,改进卷积神经网络,卷积神经网络模型,窃电行为检测,用电量,电量趋势,线损,告警,多源数据融合,户用,用电特征,征集,挤压激励网络,squeeze,excitation,networks,SENet,convolutional,neural,南方电网,电网数据,实测结果,网情,行为规律,检测模型,重要程度,高准确度,泛化性能
AB值：
0.299763
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。
