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

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

doi:10.7500/AEPS20210731001

您当前的位置：

首页 >

文章列表页 >

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

Engineering Application | 更新时间：2025-06-16

- Electricity Theft Detection Based on Multiple Different Learner Fusion by Stacking Ensemble Learning
- Automation of Electric Power Systems Vol. 46, Issue 24, Pages: 178-186(2022)
- 作者机构：
  
  三峡大学电气与新能源学院，湖北省宜昌市 443002
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(51607104)
- DOI：10.7500/AEPS20210731001
  CLC：
- Received：31 July 2021，
  
  Revised：2022-01-22，
  
  Published Online：22 November 2022，
  
  Published：25 December 2022
- 稿件说明：
移动端阅览
游文霞,李清清,杨楠等.基于多异学习器融合Stacking集成学习的窃电检测[J].电力系统自动化,2022,46(24):178-186.

YOU Wenxia,LI Qingqing,YANG Nan,et al.Electricity Theft Detection Based on Multiple Different Learner Fusion by Stacking Ensemble Learning[J].Automation of Electric Power Systems,2022,46(24):178-186.
游文霞,李清清,杨楠等.基于多异学习器融合Stacking集成学习的窃电检测[J].电力系统自动化,2022,46(24):178-186. DOI： 10.7500/AEPS20210731001.

YOU Wenxia,LI Qingqing,YANG Nan,et al.Electricity Theft Detection Based on Multiple Different Learner Fusion by Stacking Ensemble Learning[J].Automation of Electric Power Systems,2022,46(24):178-186. DOI： 10.7500/AEPS20210731001.

摘要

针对窃电检测中用户用电数据类别不平衡、采用投票法作为结合策略的集成学习方法无法充分发挥多个不同学习器优势等问题，提出一种利用Stacking集成学习融合多异学习器的模型应用于窃电检测。首先

从影响电量计量的因素出发，根据常见的5种窃电方法模拟6种窃电行为模式；其次，采用合成少数类过采样技术(SMOTE)对不平衡的用电数据进行处理，并利用

折交叉验证法对平衡后的训练集进行划分以缓解因重复学习造成的过拟合；然后

使用评价指标和多样性度量优选模型的不同初级学习器和元学习器，构建融合不同学习器优势和差异的Stacking集成学习窃电检测模型；最后

算例对比分析结果表明所提窃电检测模型能有效解决用电数据类别不平衡，充分发挥不同学习器的优势，评价指标良好。

Abstract

Aiming at the problems that the consumer power consumption data categories are unbalanced for electricity theft detection

and the ensemble learning method using voting as a combination strategy cannot give full play to the advantages of multiple different learners

a model using Stacking ensemble learning to fuse multiple different learners is proposed and applied to electricity theft detection. First

starting from the factors affecting electricity metering

six electricity theft behavior modes are simulated according to five common electricity theft methods. Secondly

synthetic minority oversampling technique (SMOTE) is used to process the unbalanced power consumption data

and

-fold cross-validation method is used to divide the balanced training sets to alleviate the overfitting caused by repeated learning. Then

the evaluation indicators and diversity metrics are employed to optimize different primary learners and meta-learners of the model

and a Stacking ensemble learning electricity theft detection model integrating the advantages and differences of different learners is constructed. Finally

the comparative analysis results of examples show that the proposed electricity theft detection model can effectively solve the imbalance of power consumption data categories

give full play to the advantages of different learners

and the evaluation index is good.

关键词

Keywords

references

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 .

GAUR V ， GUPTA E . The determinants of electricity theft： an empirical analysis of Indian states ［J］. Energy Policy ， 2016 ， 93 ： 127 - 136 .

张宇帆，艾芊，李昭昱，等 . 基于特征提取的面向边缘数据中心的窃电监测［J］. 电力系统自动化， 2020 ， 44 （ 9 ）： 128 - 134 .

ZHANG Yufan ， AI Qian ， LI Zhaoyu ， et al . Feature extraction based electricity theft detection for edge data center ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 128 - 134 .

ISMAIL M ， SHAHIN M ， SHAABAN M F ， et al . Efficient detection of electricity theft cyber attacks in ami networks ［C］// 2018 IEEE Wireless Communications and Networking Conference ， April 15-18 ， 2018 ， Barcelona， Spain ： 1 - 6 .

ZHANG T ， GAO R ， SUN S. Theories ， applications and trends of non-technical losses in power utilities using machine learning ［C］// 2018 2nd IEEE Advanced Information Management， Communicates， Electronic and Automation Control Conference （IMCEC）， May 25-27 ， 2018 ， Xi'an， China ： 2324 - 2329 .

JIANG R ， LU R ， WANG Y ， et al . Energy-theft detection issues for advanced metering infrastructure in smart grid ［J］. Tsinghua Science and Technology ， 2014 ， 19 （ 2 ）： 105 - 120 .

HE Y ， MENDIS G J ， WEI J . 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 .

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

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 .

史玉良，荣以平，朱伟义 . 基于用电特征分析的窃电行为识别方法［J］. 计算机研究与发展， 2018 ， 55 （ 8 ）： 1599 - 1608 .

SHI Yuliang ， RONG Yiping ， ZHU Weiyi . Stealing behavior recognition method based on electricity characteristics analysis ［J］. Journal of Compute Research and Development ， 2018 ， 55 （ 8 ）： 1599 - 1608 .

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 .

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 and 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 .

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 - 1973 .

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 - 1973 .

游文霞，申坤，杨楠，等 . 基于AdaBoost集成学习的窃电检测研究［J］. 电力系统保护与控制， 2020 ， 48 （ 19 ）： 151 - 159 .

YOU Wenxia ， SHEN Kun ， YANG Nan ， et al . Research on electricity theft detection based on AdaBoost ensemble learning ［J］. Power System Protection and Control ， 2020 ， 48 （ 19 ）： 151 - 159 .

RAZAVI R ， GHARIPOUR A ， FLEURY M ， et al . A practical feature-engineering framework for electricity theft detection in smart grids ［J］. Applied energy ， 2019 ， 238 ： 481 - 494 .

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 .

CHAWLA N V ， BOWYER K W ， HALL L O ， et al . SMOTE： synthetic minority over-sampling technique ［J］. Journal of artificial intelligence research ， 2002 ， 16 ： 321 - 357 .

王毅，谷亿，丁壮，等 . 基于模糊熵和集成学习的电动汽车充电需求预测［J］. 电力系统自动化， 2020 ， 44 （ 3 ）： 114 - 121 .

WANG Yi ， GU Yi ， DING Zhuang ， et al . Charging demand forecasting of electric vehicle based on empirical mode decomposition-fuzzy entropy and ensemble learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 3 ）： 114 - 121 .

ZHOU Zhihua . Ensemble methods foundations and algorithms ［M］. Boca Raton， USA ： CRC Press ， 2012 ： 67 - 95 .

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 - 4042 .

SHI Jiaqi ， ZHANG Jianhua . Load forecasting based on multi-model by Stacking ensemble learning ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4032 - 4042 .

邓威，郭钇秀，李勇，等 . 基于特征选择和Stacking集成学习的配电网网损预测［J］. 电力系统保护与控制， 2020 ， 48 （ 15 ）： 108 - 115 .

DENG Wei ， GUO Yixiu ， LI Yong ， et al . Power losses prediction based on feature selection and Stacking integrated learning ［J］. Power System Protection and Control ， 2020 ， 48 （ 15 ）： 108 - 115 .

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

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 .

YANG Z ， WEN H . Electricity theft detection base on extreme gradient boosting in AMI ［J］. IEEE Transactions on Instrumentation and Measurement ， 2021 ， 70 ： 1 - 9 .

程超，张汉敬，景志敏，等 . 基于离群点算法和用电信息采集系统的反窃电研究［J］. 电力系统保护与控制， 2015 ， 43 （ 17 ）： 69 - 74 .

CHENG Chao ， ZHANG Hanjing ， JING Zhimin ， et al . Study on the anti-electricity stealing based on outlier algorithm and the electricity information acquisition system ［J］. Power System Protection and Control ， 2015 ， 43 （ 17 ）： 69 - 74 .

金晟，苏盛，薛阳，等 . 数据驱动窃电检测方法综述与低误报率研究展望［J］. 电力系统自动化， 2022 ， 46 （ 1 ）： 3 - 14 .

JIN Sheng ， SU Sheng ， XUE Yang ， et al . Review on data-driven based electricity theft detection method and research prospect for low false positive rate ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 1 ）： 3 - 14 .

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 .

周志华 . 机器学习［M］. 北京：清华大学出版社， 2016 .

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

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 .

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

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Electricity Theft Detection Based on Bagging Heterogeneous 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

Wenxia YOU

Kun SHEN

Nan YANG

Qingqing LI

Yonghua WU

Wenwu LI

LI Guocheng

Guocheng LI

Related Institution

Xiaogan Power Supply Company, State Grid Hubei Electric Power Co., Ltd.

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

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

Hunan Provincial Key Laboratory of Intelligent Electrical Measurement and Application Technology

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

⁰