[发明专利]一种基于集成ELM的配电网窃电嫌疑用户智能识别方法

权利要求书

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；

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coeAlarm，所述的电量特征包括nE斜率及nE截距，所述的负荷特征包括nL斜率及nL截距，n为当前时间往前推移的天数；

所述的窃电告警系数coeAlarm的计算公式为：

其中，sum表示所有窃电告警组合包括单个的权重之和，subSum表示n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由专业人员设定；

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K，其中NKM，训练极限学习机个数L，基于准确率集成极限学习机分类器的个数M，基于差异度集成的极限学习机的个数N；

(2)基于不同K，用训练样本M×N矩阵训练生成L个极限学习机C_i,其中i＝1,2…,L；

(3)用每个极限学习机C_i,其中i＝1,2…,L，识别测试集样本，计算每一个极限学习机分类器的确率R_i，其中i＝1,2…,L：

(4)根据识别率R_i大小，选择出M，NML个识别效果较好的极限学习机；

(5)对于筛选出的M个极限学习机，采用Q统计法计算任何，C_i,C_j,i,j＝1，2…，M，i≠j间的差异度Q_ij，计算公式为：

其中，N¹¹与N⁰⁰表示极限学习机C_i，C_j均预测正确与均预测错误的样本数，N⁰¹表示C_i预测错误而C_j预测正确的样本数，相反，N¹⁰表示C_i预测正确而C_j预测错误的样本数；

(6)将M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Q^p,

表示第P个分类器集中极限学习机C_i,C_j,i,j＝1,2…,N,i≠j间的差异度；

(7)比较所有极限学习机分类器集的差异度Q^p，最大Q^p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。

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，所述的预测数据中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nE斜率、nE截距、nL斜率及nL截距将通过构建一元线性回归方程得到，具体模型为：

E＝I₁+K₁T，F＝I₂+K₂T

其中，E＝[e_t-n,e_t-n-1,…,e_t]，T＝[t-n,t-n-1,…,t]，F＝[l_t-n,l_t-n-1,…,l_t]，E为用电量，T为时间编号，T以天为单位，F为负荷，故e_t-n、l_t-n分别表示在第t天的前n天的用电量及负荷，有nE斜率＝K_I，nL斜率＝K₂，nE截距＝I₁，nL截距＝I₂。