1.一种基于集成ELM的配电网窃电嫌疑用户智能识别方法,其特征在于,包括以下步骤:
步骤1:获取学习数据和预测数据并进行数据清洗;
步骤2:构建窃电评价指标体系:告警特征、电量特征及负荷特征,形成学习样本和预测样本;
步骤3:将所述的学习样本划分为训练集和测试集,利用所述的训练集学习集成ELM窃电嫌疑用户识别模型,并基于所述的测试集评估模型效果;
步骤4:将预测样本作为所述的集成ELM窃电嫌疑用户识别模型输入量,输出每一用户的窃电嫌疑系数,锁定窃电嫌疑用户。
2.根据权利要求1所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法,其特征在于,所述的学习数据和预测数据,包含用户档案、告警、行度及负荷四种类型;所述的学习数据中必须包含正常用户样本与窃电用户样本,所述的测试数据仅包含窃电嫌疑线路下的部分用户,而窃电嫌疑线路通过线损进行定位。
3.根据权利要求1所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法,其特征在于,所述的窃电评价指标体系,包含告警、电量及负荷三大特征,所述的告警特征为窃电告警系数,所述的电量特征包括斜率及截距,所述的负荷特征包括斜率及截距,为当前时间往前推移的天数。
4.根据权利要求1或3所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法,其特征在于,所述的窃电告警系数的计算公式为:
其中,表示所有窃电告警组合(包括单个的)的权重之和,表示天内出现的所有告警组合的最大子集的权重,而告警及其组合的权重将根据其对窃电的影响程度的大小有专业人员设定。
5.根据权利要求1或3所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法,其特征在于,所述的斜率、截距、斜率及截距将通过构建一元线性回归方程得到,具体模型为:
,
其中,,,,为用电量,为时间编号(以天为单位),为负荷,故、分别表示在第天的前天的用电量及负荷,有,,,。
6.根据权利要求1所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法,其特征在于,所述的集成ELM窃电嫌疑用户识别模型,包含如下几个步骤:
(1)初始化ELM模型参数,包括:极限学习机隐含层神经元个数,训练极限学习机个数,基于准确率集成极限学习机分类器的个数,基于差异度集成的极限学习机的个数;
(2)基于不同,用训练样本(矩阵)训练生成个极限学习机;
(3)用每个极限学习机识别测试集样本,计算每一个极限学习机分类器的确率:
(4)根据识别率大小,选择出个识别效果较好的极限学习机;
(5)对于筛选出的个极限学习机,采用Q统计法计算任何,()间的差异度,计算公式为:
其中,与表示极限学习机,均预测正确与均预测错误的样本数,表示预测错误而预测正确的样本数,相反,表示预测正确而预测错误的样本数;
(6)将个极限学习机组合为个分类器集,计算每个分类器集的差异度:
表示第个分类器集中极限学习机()间的差异度;
(7)比较所有极限学习机分类器集的差异度,最大对应的极限学习机集合则为集成ELM模型;
(8)当利用上述集成ELM模型进行预测时,采用投票法得到综合判断结果。