Electricity Theft Detection Based on Bagging Heterogeneous Ensemble Learning

Wenxia YOU; Kun SHEN; Nan YANG; Qingqing LI; Yonghua WU; Wenwu LI

doi:10.7500/AEPS20200411002

您当前的位置：

首页 >

文章列表页 >

Electricity Theft Detection Based on Bagging Heterogeneous Ensemble Learning

Basic Research | 更新时间：2025-06-16

- Electricity Theft Detection Based on Bagging Heterogeneous Ensemble Learning
- Automation of Electric Power Systems Vol. 45, Issue 2, Pages: 105-113(2021)
- 作者机构：
  
  1.三峡大学电气与新能源学院，湖北省宜昌市 443002
  2.国网湖北省电力有限公司孝感供电公司，湖北省孝感市 432000
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China
- DOI：10.7500/AEPS20200411002
  CLC：
- Received：11 April 2020，
  
  Revised：2020-08-16，
  
  Published Online：11 November 2020，
  
  Published：25 January 2021
- 稿件说明：
移动端阅览
游文霞,申坤,杨楠等.基于Bagging异质集成学习的窃电检测[J].电力系统自动化,2021,45(2):105-113.

YOU Wenxia,SHEN Kun,YANG Nan,et al.Electricity Theft Detection Based on Bagging Heterogeneous Ensemble Learning[J].Automation of Electric Power Systems,2021,45(2):105-113.
游文霞,申坤,杨楠等.基于Bagging异质集成学习的窃电检测[J].电力系统自动化,2021,45(2):105-113. DOI： 10.7500/AEPS20200411002.

YOU Wenxia,SHEN Kun,YANG Nan,et al.Electricity Theft Detection Based on Bagging Heterogeneous Ensemble Learning[J].Automation of Electric Power Systems,2021,45(2):105-113. DOI： 10.7500/AEPS20200411002.

摘要

针对传统窃电检测中单一分类方法的不足，提出一种基于Bagging异质集成学习的窃电检测方法。考虑不同个体学习器在数据集上的表现以及各学习器之间的多样性，构建多种个体学习器嵌入的Bagging异质集成学习的窃电检测模型，模型的个体学习器包含k最近邻、误差反向传播神经网络、梯度提升树和随机森林，通过引入改进加权投票策略将其输出进行结合。使用爱尔兰智能电表数据集对算法有效性进行验证。结果表明，与传统单一学习器和同质集成学习检测相比，基于Bagging异质集成学习的窃电检测方法的准确率、命中率、误检率等检测指标更好，灵敏性分析验证了基于Bagging异质集成学习的窃电检测方法的有效性。

Abstract

Aiming at the deficiency of the single classification method in traditional electricity theft detection

this paper proposes an electricity theft detection method based on Bagging heterogeneous ensemble learning. Considering the performance of different individual learners on the data sets and the diversity between various learners

an electricity theft detection model based on Bagging heterogeneous ensemble learning with combination of various individual learners is developed. The individual learners of the model include the k-nearest neighbors

the error back propagation network

the gradient boosting decision tree and random forest. The outputs of the individual learners are combined by an improved weighted voting strategy. The Irish smart meter data set is used to verify the feasibility of the algorithm. The results show that

compared with the traditional single model

the electricity theft detection based on Bagging ensemble learning has better performance in accuracy

true positive rate and false positive rate. The sensitivity analysis shows the validity of the electricity theft detection method based on Bagging heterogeneous ensemble learning.

关键词

Keywords

references

胡天宇，郭庆来，孙宏斌 . 基于堆叠去相关自编码器和支持向量机的窃电检测［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 119 - 125 .

HU Tianyu ， GUO Qinglai ， SUN Hongbin . Nontechnical loss detection based on stacked uncorrelating autoencoder and support vector machine ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 119 - 125 .

陈启鑫，郑可迪，康重庆，等 . 异常用电的检测方法：评述与展望［J］. 电力系统自动化， 2018 ， 42 （ 17 ）： 189 - 199 .

CHEN Qixin ， ZHENG Kedi ， KANG Chongqing ， et al . Detection methods of abnormal electricity consumption behaviors： review and prospect ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 17 ）： 189 - 199 .

JOKAR P ， ARIANPOO N ， LEUNG V C . Electricity theft detection in AMI using customers’ consumption patterns ［J］. IEEE Transactions on Smart Grid ， 2016 ， 7 （ 1 ）： 216 - 226 .

HE Youbiao ， MENDIS G J ， WEI Jin . Real-time detection of false data injection attacks in smart grid： a deep learning-based intelligent mechanism ［J］. IEEE Transactions on Smart Grid ， 2017 ， 8 （ 5 ）： 2505 - 2516 .

HAN Wenlin ， XIAO Yang . NFD： non-technical loss fraud detection in smart grid ［J］. Computers & Security ， 2017 ， 65 （ 5 ）： 187 - 201 .

AMIN S ， SCHWARTZ G A ， CARDENAS A A . Game-theoretic models of electricity theft detection in smart utility networks： providing new capabilities with advanced metering infrastructure ［J］. IEEE Control Systems ， 2015 ， 35 （ 1 ）： 66 - 81 .

林国营，卢世祥，郭昆健，等 . 基于主从博弈的电网公司需求响应补贴定价机制［J］. 电力系统自动化， 2020 ， 44 （ 10 ）： 59 - 67 .

LIN Guoying ， LU Shixiang ， GUO Kunjian ， et al . Stackelberg game based incentive pricing mechanism of demand response for power grid corporations ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 10 ）： 59 - 67 .

ZHENG Kedi ， CHEN Qixin ， WANG Yi ， et al . A novel combined data-driven approach for electricity theft detection ［J］. IEEE Transactions on Industrial Informatics ， 2019 ， 15 （ 3 ）： 1809 - 1819 .

张良均 . Python数据分析与挖掘实战［M］. 北京：机械工业出版社， 2016 ： 61 - 62 .

ZHANG Liangjun . Python practice of data analysis and mining ［M］ . Beijing ： China Machine Press ， 2016 ： 61 - 62 .

王庆宁，张东辉，孙香德，等 . 基于GA-BP神经网络的反窃电系统研究与应用［J］. 电测与仪表， 2018 ， 55 （ 11 ）： 35 - 40 .

WANG Qingning ， ZHANG Donghui ， SUN Xiangde ， et al . Research and application of electricity anti-stealing system based on GA-BP neural network ［J］. Electrical Measurement & Instrumentation ， 2018 ， 55 （ 11 ）： 35 - 40 .

JINDAL A ， DUA A ， KAUR K ， et al . Decision tree and SVM-based data analytics for theft detection in smart grid ［J］. IEEE Transactions on Industrial Informatics ， 2016 ， 12 （ 3 ）： 1005 - 1016 .

沈海涛，秦靖雅，陈浩，等 . 电力用户用电数据的异常数据审查和分类［J］. 电力与能源， 2016 ， 37 （ 1 ）： 17 - 22 .

SHEN Haitao ， QIN Jingya ， CHEN Hao ， et al . Anomaly detection and category of electrical utilization data ［J］. Power and Energy ， 2016 ， 37 （ 1 ）： 17 - 22 .

SANDEEP K S ， RANJAN B ， JOSHI A . Entropy-based electricity theft detection in AMI network ［J］. IET Cyber-Physical Systems： Theory & Applications ， 2018 ， 3 （ 2 ）： 99 - 105 .

BUZAU M M ， TEJEDOR-AGUILERA J ， CRUZ-ROMERO P ， et al . Detection of non-technical losses using smart meter data and supervised learning ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 3 ）： 2661 - 2670 .

浦雨婷，杨洪耕，马晓阳 . 基于数据挖掘与改进灰靶的电压暂降严重度分析与评估［J］. 电力系统自动化， 2020 ， 44 （ 2 ）： 198 - 213 .

PU Yuting ， YANG Honggeng ， MA Xiaoyang . Analysis and evaluation of voltage sag severity based on data mining and improved grey target theory ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 2 ）： 198 - 213 .

PUNMIYA R ， CHOE S . Energy theft detection using gradient boosting theft detector with feature engineering-based preprocessing ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 2 ）： 2326 - 2329 .

许刚，谈元鹏，戴腾辉 . 稀疏随机森林下的用电侧异常行为模式检测［J］. 电网技术， 2017 ， 41 （ 6 ）： 1964 - 1971 .

XU Gang ， TAN Yuanpeng ， DAI Tenghui . Sparse random forest based abnormal behavior pattern detection of electric power user side ［J］. Power System Technology ， 2017 ， 41 （ 6 ）： 1964 - 1971 .

史佳琪，张建华 . 基于多模型融合Stacking集成学习方式的负荷预测方法［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4032 - 4041 .

SHI Jiaqi ， ZHANG Jianhua . Load forecasting based on multi-model by Stacking ensemble learning ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4032 - 4041 .

周志华 . 机器学习［M］. 北京：清华大学出版社， 2016 ： 171 - 173 .

ZHOU Zhihua . Machine learning ［M］. Beijing ： Tsinghua University Press ， 2016 ： 171 - 173 .

HEATON J . An empirical analysis of feature engineering for predictive modeling ［C］// SoutheastCon 2016， March 30-April 3 ， 2016 ， Norfolk ， USA： 1-6 .

孙博，王建东，陈海燕，等 . 集成学习中的多样性度量［J］. 控制与决策， 2014 ， 29 （ 3 ）： 385 - 395 .

SUN Bo ， WANG Jiandong ， CHEN Haiyan ， et al . Diversity measures in ensemble learning ［J］. Control and Decision ， 2014 ， 29 （ 3 ）： 385 - 395 .

GIORGIO G ， FABIO R . An approach to the automatic design of multiple classifier systems ［J］. Pattern Recognition Letters ， 2001 ， 22 （ 1 ）： 25 - 33 .

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 （ 2 ）： 379 - 387 .

ZHUANG Chijie ， ZHANG Bin ， HU Jun ， et al . Anomaly detection for power consumption patterns based on unsupervised learning ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 2 ）： 379 - 387 .

ISSDA . Data from the commission for energy regulation ［EB/OL］. （ 2020-02-01 ）［ 2020-03-12 ］. http：//www.ucd.ie/issda/data/commissionforenergyregulationcer http://www.ucd.ie/issda/data/commissionforenergyregulationcer .

ZHOU Z H ， WU J X ， TANG W . Ensembling neural networks： many could be better than all ［J］. Artificial Intelligence ， 2002 ， 137 （ 1/2 ）： 239 - 263 .

王玲娣，徐华 . AdaBoost的多样性分析及改进［J］. 计算机应用， 2018 ， 38 （ 3 ）： 650 - 654 .

WANG Lingdi ， XU Hua . Diversity analysis and improvement of AdaBoost ［J］. Journal of Computer Applications ， 2018 ， 38 （ 3 ）： 650 - 654 .

CHERIGUENE S ， AZIZI N ， DEY N ， et al . A new hybrid classifier selection model based on mRMR method and diversity measures ［J］. International Journal of Machine Learning and Cybernetics ， 2019 ， 10 （ 5 ）： 1189 - 1204 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Electricity Theft Detection Based on Multiple Different Learner Fusion by Stacking Ensemble Learning

Probabilistic Prediction of Overhead Line Ampacity Based on Multi-error Characteristic Fusion

Construction Method for Probability-based Feasible Region of Virtual Power Plant Considering Uncertainty of Distributed Renewable Energy Output

Related Author

YOU Wenxia

LI Qingqing

YANG Nan

SHEN Kun

LI Wenwu

WU Zeli

LI Guocheng

Guocheng LI

Related Institution

School of Electrical and Electronic Engineering, North China Electric Power University

Hunan Provincial Key Laboratory of Intelligent Electrical Measurement and Application Technology

Power Supply Service Center of State Grid Hunan Electric Power Co., Ltd.

Hubei Provincial Engineering Technology Research Center for Power Transmission Line (China Three Gorges University)

College of Electrical Engineering and New Energy, China Three Gorges University

⁰