2024年4月13日发(作者：)
技术方案
Technooogy
Scheme
数据通信
20206
基于
GRU-Bagging
模型的异常用电行为检测
----------------------马云
刖
李英娜
“
李
川
"(
l
.昆明理工大学信息工程与自动化学院昆明
650500
；
2
-
云南省计算机技术应用重点实验室昆明
650500
)
摘要
:
针对真实窃电用户数量远远少于正常用电用户所导致的窃电用户分类预测不合理的问题
，
本文提出
了一种基于
GRU-Bagging
模型的异常用电行为检测方法
。
首先通过构建基于门控制单元
(
GRU
)
的特征提取网
络从用户历史负荷序列数据中提取出潜在优选特征
;
然后利用
SMOTE
算法增加少数窃电用户的数据量
,
有效解决
数据分布不均衡问题
;
最后
，
采用
Bagging
集成学习模型训练并预测新的测试样本的类别
。
实验结果表明
，
该
在
不平衡数据集上表现良好
，
预测准确度达到
86.
17%
,
召回率更是达到
95.34%
。
此外
,与
长短期记忆网络
(LSTM
)
以及
人工特征提取方法相比
，
所提特征提取方法具有更高效的性能#
关键词
:
异
常用电行为
;
不平衡数据
;
SMOTE
算法
；
GRU
；
Bagging
算法
中图分类号
:
TM715
•:
A
0
引言
为分类特征
，
再利用支
量
机
(
SVM
)
算法对用电客
系数检
消耗
检
经济快速发展
，
我国
已
步入智能电网全面建
户进行
分类
。
文
［
6
］
利用皮
成的阶段
，
随着智能电网的
大量的用户数据
，
电行为信息
［
1
］
年来
o
用
，
电力公司积累了
电量异常下降的用户
，
再结合贝
中提出
14
网络和决
之中隐藏着大量用户的用
,
学
者依托
用户历史
存
在窃电行为的用户
。
文
［
7
］
从用户
列
征表征用户用电模式
，
并将网格技术应
用电数据
，
采用
挖掘以及
机
器学习的方法从用数
侧进行用户窃电行为的探索旧
"
用户的
正
常用电模
用在局部离群因子
(
LOF
)
算法中提高算法执行效率
,
实现对用电异常用户的有效识别
。
文献
［
8
］
用
于密度的聚类技术对用户的用电波动
划分
,
异常用电模式之间存在着本质的区别
，
但
是由于
历史
规模的庞大与复杂性
［
］
,
3
并计算其异常用电量得分
，
值
(
FCM
)
聚类方法
识异常用电行为
。
上再
无法通
识别
。
在用户异常用电行为检测的过
程
文献⑼将窃电用户的识别分为两步
，
先通过模糊
C
均
中使用数据挖掘技术是为了利用有限的已知分类的样
窃电用户
，
在
机
本
分析用户用电模式之间的分类规律
，
并利用
利用
的支
量
机
算法以
窃电用户
。
文
规律来拟合大量
对用户窃电行为的
分类的用电数据
，
从实现
［
10
］
首先利用随
机
权网络
再
模型
，
然后
。
,
并
依
异常累
量的用电
估指标
，
并在
提模型的
目前
,
已
经有
学
者利用
分类的方法
行为的异常
程
对用户窃电行为
检
研究
,
文献⑷通过引入聚
线
的特征曲线
分
,
和高效性
。
文
-
11
］
利用
上构
征匹配
类算法将用户的
Tensor
Flow
深度
学
习框架构建特征提取网络提取出时
的差别
程
窃电用户
。
文
［
5
］
在使
间序列的
征
，
并在
网络
,
以完成对用户
用用户历史用电数据的同时
加
入该用户的信用评级作
的特征匹配
，
实现用户异
30
基金项目
：
国家自然科学基金
(
61962031
)
资助
技术方案
2020.
4
数据通信
Tech
no
logy
Scheme
常
用电行为的检测
"
以
上所
述研究
,
为
窃
电行为的
判
别提供
的参
考
，
但是所述研究重点均放
在
窃
电分类
算法的改进上,
并未
考虑
在用户
窃
电行为检测过
程
中
异常样本
数量
远
于
正常样本的数量所产生
的
严
平
衡
问题
。
为此,本文
提
于
GRU
-
Bagging集
成
学
习的用
户
异常
用电
检测模型
，
记为
GRU
-
Bagyiny
。
该模
通
引入
GRU
神经网络对用户
历史
列
进行
图
1
GRU
结构图
，
以获
取时
列
中的潜在优
征
。
并利
式中
，
表示更新
I'T
+
c
表示重置门
；
h
-
为上一层
用
SMOTE
算法
提高少数类
窃
电用户的
例
，
有效
解决数据分布不均衡问题"再将处理过后的平衡数据
集作为
Bagging
集成学习模型的输入
，
利用
以决
的输出结果
;
h
：
为输入
@
与"
：
_1
的汇总
；
/
表示
作
Sigmoid
函数
；
U
⑵
,,
E
8
,
-
8
,
E
以及
-
为训
为基分类器的
Bagyiny
集
成
算法
分类预测
分类
练参数矩阵
；
？
°"_1
表示
？
和
h
—
的复合关系
。
1
-
6
Bagging
集成学习算法
，
在
降
低模型
受到噪
器的分类精度"
的同时提高
Bagyiny
算法
-
14
.
的主要
思想
是
将
组合
，
这样把
学
学
进
结果有策略
的
1
相关技术介绍
16
GRU
结
构神经
网络
于
循
环神经网络
(
RNN
%
在其网络
结构
中
加入了
的进行结合
,
分类器的
分类
问题可以
有效提高单个
流程
是有放回地
抽
取
。
本
集
并为
每
本
的
集
都一个
组合
生成一
的分类器
,
最终
将
分类器的
循环
单元
,
并
隐藏单元
之间的内部
相连接
，
使
得探
系
有
的
方法
，
所以使
的输出结果
。
连续
数据之间的时
用
RNN
来分析
处理时
列
是
很
的
。
但
RNN
也存在
时间间隔较远的信
息
。
的
消失问题
，
无
法
学习到
2
Bagging
集成学
习
的用户异
常
用电模
为了更好地
完
成
异常
用电
模
式检测
，
本文
提出一
式检测模
型
于
Bagyiny
集
成学习的用户
异常
用电
模式检测模
上述问题,
有
专家学者
为
此先后提出了
LSTM
以及
GRU
结构神
经网络亠⑶
。
GRU
作为
LSTM
的一
变体
採用门控循
环
神经网络
结构
,
LSTM
效果
。
GRU
内
，
具
体流程
如图
2
所示
。
该模
通
挖掘
的
方
，
又
时
LSTM
的
法找出用户用电
模
式之间的关
系
，
分
析出异常
的用电
部
元
LSTM
的
部
元
很
,
之
处
在于
的更
。
26
数据源与数据集
GRU
将
LSTM
中的输入门和
当
前状态中的程度
，
更
当
前
状
成
。GRU
中的更新门用于控制前一时
刻
的
状
态信息
的
值越大表示前一
本
文使用的数据源来自于南方某省电网公司
采集
的用户
2014
年全年的电
，
数据的
采集
频率为
时
刻
的状态信息保留越多
。
重
置
门用于
前的信
息
，
重置
的
值越
是
否要结
1
次
。
窃电标签通过
该公司
的相关专家
分
析以及
场稽
查
的
结
明
得出
。
经
，
集
中
录
的信
息越多
。
GRU
结构图如图
1
所示
。
到
44218
条用户数据
，
其中存在窃电行为的用户数据有
中
,
@
为输入
，
"
:
为
隐藏层
的输出
,
GRU
单
3799条,
剩下的
40419
条
26
数据预处理
于用户
为
正常
用电
数据
。
元通过以下公式
(
1
%
-(
4
)
算得到
h
t
:
二
%
(
W
(
)
@
+
U
(
U?
h
t-
)
c
二
%
(
W
(
c
@
+
U
(r)
h
t-
)
h
：
二
tanh
(
c°
U
h
t-
+
W
@
)
是
从
用户电
接
记录得
(
1
)
，
所以存在着大
量的
始数据集
失或异常等问题
。如何
(
2
)
学
的预处理是对用户
异常
用电进
的
首
要前提。
由于原
始
包含用
(
3
)
(
4
)
学
户的
历史
h
:
.
(
1
-
?
)
°
h
t
+
z
t
°
h
t_i
)
，
所以本文
用的
预处理方法主
31
技术方案
Technooogy
Scheme
数据通信20204
图
3
GRU
特征提取网络结构图
图
2
基于
Bagging
集成学习的用户异常用电模式检测模型流程图
为
M
i
1
阶的矩阵;
GRU
层中
，
在
t
步表示为
为数据的填充以及异常值处理
。
时刻缺失
的平均值作为
5
)
4
q
GRU
(
h
:
1
，
Xt
om
，
：
，
:
[
1
,
M
]
，
输出经过特征提
取后的
F
，
作为
模型的输入
。
24
不
平衡
数据处理
的记录
，
采用
时刻的正常
@
二丄
%
@
，
其中平均值的计算方式如公式
(
5
)
V
*
(
在
窃
电行为检测的研究中
，
由于
正存在
窃
电行
为的用户的
，
中
，
@是第:时刻
的数据值
，
c
为前相邻
存在
分布不
用电
类样
时刻的正常数据的记录数
o
处理异常值的方法与处理
衡的现象
。
女口
接使用
衡
失值的方法类似
,
当发现异常数据时
,
同样采用相邻
时刻的正常数据的平均值作为替换异常值
。
24
GRU
特
征提
取网络
用户的窃电行为预测
，
则很容易
m
模型发生过拟合等
的效果
。
目前
，
有学者使用随机
本
采样的方法来解决
平衡的问题
，
但是
在抽样过程中可能丢失一些具有较强判断性的样本导
在窃电行为检
列是
程中
，
电力用户的历史
序
致无法得
的预测结果
，
本文将引入
SMOTE
算法
点
，
通
的存在
窃
电行为的用户
成
本添加到数
的输入
，
通
DNN
处理历史
的建模分析用户用电
时
，
需
模式可以有效地检测用户的窃电行为
。
常规机器学习
抽样
，
并将抽样的
的方法和
前
为从
值
、
集中
，
以
提高少数类样本的比例
。
使用
SMOTE
衡的流程如下
：
始数据中选取
征
，
例如选取前
1h
的
算法解决用户
窃
电
时刻的负荷值等
。
历史
列中潜在的内部联系
，
取的特征会
结果
(
1
)
对于存在窃电行为的每一个数据样本
@
=
，
利
用
K
近邻
(
KNN
)
[⑸算法得到样本@=的
k
个近邻的样
本数据
。
的
，
并
难度
o
征选取的方法
加
的
(
2
)
从这％个样本数据中随机选择其中的一个
列的特征提取
，
由于
GRU
内部的门控循环
X
i(nn)
。
为了解决上述问题
，
本文使用
GRU
神经网络进行
历史
(
3
)
生成一个
0
〜
1
之间的随机数$
，
1
，
根据公
式⑹成
结构能自动从历史
中学
征
，
无须
本
。
(
为提取
，
方法更加简单易实施
，
同时
提高
—
@
+$
0
，
1
-
(
@
(nn)
6
)
的精度
。
GRU
特征提取网络的结构如图
3
所示
,
(
4
)
将步骤
(
2
)
-(
3
)
复
N
次
，
从
成
N
以历史
入
X
作为
GRU
网络的输入
，
F
个新的样本,
N
即是根据采样比例确定的采样倍率
。
(
5
)
将
N
为
GRU
网络的
o
的
类
本
始
集
并
中
，
网络的输入数据为
M
个历史电力负荷数据
X
—
[
@
1
，
@
2
，
.
…
，
兀
，
母个样
本
乂上站
$
R
，
即
输入
Hx1
即可产生新的平衡训练集
。
将一个窃电样本数据表示为
@
—
(
6
,
4
),
32
技术方案
2020.4数据通信
本数据为
K
.
(5,2)
，
随
Tech
no
logy
Scheme
M
1
算得到的其中
机产生一个介
于
0
〜
1
之间的随机数
$,
1
二
0.3
，
则新
的
窃
电样
本
计算过程为
：
Score
-
2
*
precision
*
recall
precision
+
recall
厨)
其中
,
precision
为查准率
，
recall
为查全率
，
-
Score
@
new
(
=
)
+
$
0
,
1
(
g
-@
)
(
6
,
4
)
+0.
3
((
5
,
2
)
-
(
6,4
))
(
7
)
,
SMOTE
算法基于插值
的
思
想
，
增大
值同时
考虑
了查准率与
查
全率
,
可以更
加
全
面
地评
估
分类器的优劣
，
其
值越大
,
代表分类效果
越
好
。
只
有在
二
(
6
,
4
)
+0.3
x
(
-
1
,
-2
)
二
(
5.
7
,
3.
4
)
类样
本
出现的概率
，
precision
和
recall
都较大时
，
F1
-
Score
才会相应的较
大
。
即令
:
平
衡
有效的
处
，
适用于用户
异常
用电行为的
检
测模型
。
pecosisrn
26
GRU-Bagging
预测模型
GRU
-
Bagging
模型的结构如图
4
所示
,
模型
中矩阵
X
是
历史
络处理后的
的输入
，
TP
~
TP
+
FP
TP
TP
+
FN
⑼
(
10
)
recall
—
入矩阵经过
GRU
特征提取网
,
X
作为不平衡数据集处理
SMOTE
3
算例分析
36
模型参数对预测效果的影响
以决
有效地
H
表示不平衡数据处理后的输出
，
作为
H
中有放回
Bagging
集成学习模型的输入
，
然后从
的
为基分类器的
Bagging
集成学习模型能
N
次随机采样
，
并
N
个基学习器
；
的
的数据利用决策树
用户类别时
,
高的类别
差
，
决
的
是对
Bagging
算法
采
取
模
大
的
参数
。
本文
7
实
，
分
取
10
、
50
、
100
、
200
、
300
、
400
、
500
个决
，
其中取得
为要集
用
率
即作为用户的最
终
类别
。
成的基分类
模
。
率
(
RecaH)
(
Accuacy)
和
价
分类器分类
结
的质量
。
实验
结
果如图
5
所示
。
在传统的用户
异常
用电行为检测的
研究
中
，
相关
学者大都采
用
为分类
好坏的评
价
标准,
，
分类器更
将结果
但由于不平衡
集
的
为多数类
从
而获得较高的
,
识
。
但
是在
情
类的分类器并不是
我们
想要的
，
所
以仅将分类
为唯一的评价指标是
的
。
因
率
(
RecaH)
,
此
，
除分类精度之外
,
本文同时
加
入
AUC
以及
M
1
-
Score
作为分类器的评价指标
。
这些指
都基于分类评价中常用的
(
如
1
所示
)
，
图
5
模型参数对比试验结果图
5
分类模型的
,
用
决
的
加
,
续
上升
率和
结合
本文
,
用
正
类和负类分别
代
表窃电用户和非窃电
用户
。
表
1
混淆矩阵
率有显著的提升
，
率
并趋于稳定
。
当决
率
500
时
，
高
值
，
其
中
率为
85.1%,
召回率为
正类
预测负类
FN
实际正类
实际负类
TP
FP
93.
6%
。
本文将
Bagging
集
成模型的基分类
数设置为
500
决
°
36
特征提取对预测效果的影响
为
TN
M
1
-
Score
是一种不平衡数据分类问题的评价准
则
，
其计算方式如公式
(
8
)
V
:
本文
所提特征选
择
方法
的有效性
，
选
择
33
技术方案
Technooogy
Scheme
文献
-
16
］
提出的
6
个特征
，
文献
-
10
］
使
用的
LSTM
神
经网络
数据通信
2020.4
36
与传统算法模型的对比
为了检验
本文所
提出的
GRU
-
Bagging
模
型的分
类性能,通
征选
择
得出的特征
，
文
-
7
］
提出的
14
征以及采
用
本文所
提
方法
征
征选择
后所得的
逻辑回归
(LR
)
算法
和经典
SVM
算
模型的预测赠所产生的影响
。
由于为
法
实验
，
算法构
的用户
异常
的
征选
择
方法
的
特征维数差异较大
,
用电
模
式检测模型在
如表
4
所示
。
上的预测结果
o
实
分类模型的
时间产生较大影响
，
所以本次
实验加入时间
(Time
)
作为评价特征选择
方法
的评价指
表
4
分类器性能对比实验结果
分类器
LR
SVM
□
结果如表
2
所示
。
Accuraco
0.7436
Recall
0.8302
0.9129
0.9534
AUC
F1
-
Score
2
中的
的人为选取的特
征
明
，
使
用文献
-7
］
和文献
-
16
］
提出
的分类模型在分类上均
是为
0.7425
0.8338
0.8604
0.7664
0.8348
0.8617
0.8421
0.8747
用神经网络
征选
择
的
方法差
，
本文算法
特征
的
维
经网络
方法少
，
所以
在
模
时间
上占一定优势
o
4
以
看出
以
Baggmg
作为分类器的用户
异
常
用电检测模型在
分类器的评
价
文献
-
10
］
提出的
LSTM
神经网络
在分类效果上有
上均好于
特征选
择
方法
，
本
文所提的
方法
LR
和
SVM
方法
，
证明本文所
提
GRU
-
Bagging
模型
在
用电用户是
否存
在
窃
电行为时具有更高的准确率
和
。
提升
,
更是
降
低了模型的训练时间
，
使得
本文
提出的
GRU
-
Bagging
模
型在高
维数据集
上有更优
异的表现
。
表
2
特征提取方法对比实验结果
碗选择+法
Accuraco
0.
7636
Time
(
h
)
Recall
AUC
0.
7534
F1
-
Score
4
结论
本文
提出了一
种基于
GRU
-
Bagging
模型
的用户
文献
7
文献
10
文献
16
本文方法
0.
7822
0.
9521
0.7634
0.9534
0.7771
0.8736
0.6
2.7
0.8
0.8604
0.
8592
0.
7428
异常
用电行为
检
测模型
。
该
模
中
检测判
从
实
际
的用户数据
0.7411
0.
8617
0.517
0.8747
存
在
异常
用电行为的用户
。
首
利用
列
中提取多个有
0.
8604
1.2
GRU
结构
递归神经网络
从历史
36
不平衡数据集对预测效果的影响
为了检测本文所提不平衡数据集处理方法
的有效
性,选择常
用的随
机欠采样方法以及不经过任何处理
的原
始
为对比
，
均
采
用
的
Bagging
集
成
效表
征
用户用电习惯的特
征
量
;
然后使用
SMOTE
算法
加
窃
电用户在数据
集
中的比例
;
最后训
练以决
为基分类器的
Bagging
集
成
学习模型
o
置多组对比实验
，
结
明
，
本文
提出的特征提
模
用电用户是
否存
在
窃
电行为(仅
取
方
法能有效提取出刻画用户的用电行为特
征
，
相比
集的处理方
，其余
处理
、
特征择过程均
LSTM
方法
具有更高的效率
，
利用
SMOTE
算法
能有效
解决不平衡数据集
带
来的窃
电用户
误检
、
漏检等问题
,
提
GRU-Bagging
模
有效地
用户的
完
全一
致
)
。
实
处理方式
不作处理
如口表
3
所示
。
表
3
不平衡数据集不同处理方式的对比实验结果
Accuraco
0.9690
0.6636
Recall
AUC
F1
-
Score
是
否存
在
窃
电行为
"
无
法获
取用户
窃
电标签
,
0.
1041
0.7022
0.
9534
0.5496
0.6634
0.8604
0.1802
于现有的
很
随机欠采样
本文方法
0.6771
0.8747
我们
适用性
，
将研究本文所
提
模型
在无标
签数据集
中的
提高
异常
用电检测
模
型的普适性
。
0.
8617
3
中的
明
,
采
用
本文提出
的
方法处理不
平衡数据后的模型除分类
如正负样本比例严重
参考文献
失
衡
的不作处理
的
集外
，
其他结果都
处理
者采取随机欠采样方法处
的
结果高
,
这是因
为
采
用
本文
提
方法
后
，
加
异常
用电用户的
本
-
1
.郝然
，
艾苹
，
肖斐.基于多元大数据平台的用电行为分析
构
架
研究
［
J
］
.
电力自动化设备
，
2017
,
37
(
08
)
:
20
-
27
，
通过提升
算法
分类器的学
集
成学习
模
分类器之间的
，
并降低
Baging
，
最
终让
模型在
-
2
］
,
,
千里
，
等.基于过程
状态网络的电
(下转第
38
页)
力用户用电模式分类研究
［
J
］
.
电网技术
，
2015
,
39
(
12
)
:
3563
-
3569
异常
用电行为
时有更佳效!
o
34
技术交流
Technology
Discussion
全
,
2016
(
7
)
*
21
-24.
[
4
]
数据通信
20206
Proceedings
of
te
Ninth
ACM
Symposium
on
Access
Control
-
6
.屠文.网络安全
方法的应用研究
[
J
]
电子技术与
Models
and
TechnoTgies
,
2014.6
软件工程
,
2013
(
22
)
*
224
-
228
-
7
.韩
、
等.网络安全态势感知理论与技术综述及难点问
题研究
[
J].
信息安全与通信保密
,
2019
(
7
)
*
65
-
70
-
8
]
Dinunock
N.
BeTkosztoTzki
A.
Eyers
D.
et
al.
Using
Trust
and
Risk
in
Role
一
based
Access
Control
Policies
,
In
作者简介:王海涛
，
男
，
1976
年生
，
博士,计算机学会高级会员，
南
京审计大学金审学院信息科学与工程学院副教授
，
研究方向为
无线自组网、
网络安全
、
大数据和人工智能
#
■
(上接第
34
页)
-
3
]杨德昌，
赵肖余
，
何绍文
，
等.面向海量用户用电数据的
集成负荷预测[
J
]
电网技术
，
2018
,
42
(
09
)
*
2923
-
2929
为模式检测
[
J].
电网技术
，
2017
,
41
(
06
)
:
1964
-1973
[
11
]
文清,沈哲吉
，
李刚.基于深度学习的用户异常用电模式
-
4
]
Nizae
A
H
,
Dong
l
Y
,
Wang
Y
.
Power
Uplim
Nontechnical
Loss
Analysis
With
Extreme
Learning
Machine
Method
-
J
].
IEEE
Transactions
on
Power
Systems
,
2008
,
23
(
3
)
：
0
-955
检测
[
J].
电力自动化设备
,
2018
,
38
(
09
)
*
34
-
38
[
12
]
Hochreiter
S
,
Schmidhuber
J.
Long
short
-
Wo
memory
-
J
]
.
Neuml
Computation
,
1997
,
9
(
8
)
:
1735
-
1780
[
5
]
Nagn
,
Jawad
,
Yap
,
Keem
Snah
,
Tnong
,
Sneh
Knong
,
e:al
.
NontechnicC
Loss
Detection
for
Metered
Customers
in
P
owcs
[
13
]
Cho
,
Kyunghyun
,
van
Meyienboee
,
Bari
,
Gulcehre
,
Caglao
,
e
al
.LeaenongPheaseRepeeseneaeoonsusongRNNEnoodee-
DeoodeefoeSeaeoseooaAMaohoneTeansaeoon
[
J
]
.Compueee
UPIV
p
Using
Suppoi
Vector
Machines
[
J
]
.
IEEE
Transactions
on
P
owcs
Delivery
,
25(2)
:
1162
-1171
-
6
]
Inico
Monedero
,
Felin
Biscarri
,
Carlos
Leon
,
ee
al
Detection
Sooenoe
,
2014
[
14
]
Bhowan
U
,
Johnston
M
,
Zhang
M
,
et
al
.
Reusing
Genetic
Peogeammong
foe
Ensemb
e
Seeoeoon
on
Casofooaeoon
of
of
frauds
and
othee
non
-
technical
losses
in
a
powee
utility
using
Pearson
coefficient
,
Bayesian
networks
and
decision
Unblanced
Data
-
J
]
.
IEEE
Transactions
on
EvLutionara
pees
[
J
]
.
Internalona
Jouml
of
Elechicai
P
owcs
and
Energy
Syseems
,
2011
,
34
(
1
)
CompuWWon
,
2014
,
18
(
6
)
:
893
-908
[
15
]
T.
M.
Coveo
,
P.
E.
Hah.
Nearest
Neighbor
Pattern
Clvsmcagon
-
7
]庄池杰
，
张斌
，
胡军
，
等•基于无监督学习的电力用户异
常用电模式检测
[
J
]・
中国电机工程学报
,
2016
,
36
(
02
)
:
379-387
[
J].
HEE
Trans,
in.
Weoa
,
1967
,
13
(
1
)
:
21
-27
[
16
]
适
，
李康平,严玉廷，
等•基于密度空
类和引力搜索
算法的居
用电模式分类模型
[
J
]
.
电力自动
,
-
8
.田力
，
向敏基于密度聚类技术的电力系统用电量异常分
析算法
[
J
]・电力系统自动化
,
2017
,
41
(
05
)
:
64-70
2018
,
38
(
01
)
:
129
-
136
-
9
.康宁宁
，
李川
，
曾虎，
等
采用
FCM
聚类
SVR
模型
作者简介:第一作者及通讯作者:马云波
(
1995
-
)，
男
，
硕士研究
生
，
主要研究方向为数据挖掘和机器学习
。
E-mll
：
807779380
@
qq.
com.
■
的窃电行为检测
[
J
]
电子测量与仪器学报
,
2017
,
31
(
12
)*
2023 -
2029
[
10
]
许刚
，
谈元鹏
,
戴腾辉.稀疏随机森林下的用电侧异常行
38
发布者：admin，转转请注明出处：http://www.yc00.com/web/1712942785a2152552.html
评论列表（0条）