典型文献
一种基于CAEs-LSTM融合模型的窃电检测方法
文献摘要：
为解决现有的智能电网电力盗窃行为检测方法中准确性不足、检测效率低下等问题,提出了一种由卷积自编码器网络(convolutional auto-encoders,CAEs)和长短期记忆网络(long short term memory,LSTM)相结合的CAEs-LSTM检测模型.该模型通过分析数据集的特点对电力数据进行二维转换,设计卷积自编码器结构,采用池化、下采样和上采样重构电力数据的二维空间特征,加入高斯噪声提高模型鲁棒性,并构建长短期记忆网络以学习全局时序特征.最后,对提取的时空特征进行融合从而检测能源窃贼,并进行了参数调优.在由国家电网公布的真实数据集上,通过将CAEs-LSTM模型与支持向量机、LSTM以及宽深度卷积神经网络进行对比,CAEs-LSTM模型的平均精度均值和曲线下面积值均最优.仿真实验表明,基于CAEs-LSTM模型的窃电检测方法具有更高的窃电检测效率和精度.
文献关键词：
窃电检测;长短期记忆网络;卷积自编码器;深度学习;缺失值填补
中图分类号：
作者姓名：
董立红;肖纯朗;叶鸥;于振华
作者机构：
西安科技大学计算机科学与技术学院,陕西西安 710000
文献出处：
引用格式：
[1]董立红;肖纯朗;叶鸥;于振华-.一种基于CAEs-LSTM融合模型的窃电检测方法)[J].电力系统保护与控制,2022(21):118-127
A类：
电力盗窃
B类：
CAEs,融合模型,窃电检测,智能电网,盗窃行为,行为检测,检测效率,卷积自编码器,convolutional,auto,encoders,长短期记忆网络,long,short,term,memory,检测模型,电力数据,池化,下采样,上采样,二维空间,空间特征,高斯噪声,模型鲁棒性,时序特征,时空特征,窃贼,参数调优,国家电网,真实数据,深度卷积神经网络,平均精度均值,缺失值填补
AB值：
0.286423
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。
