典型文献
基于改进K-medoids聚类和SVM的异常用电模式在线检测方法
文献摘要：
窃电已成为电网电能非技术损失的主要问题,快速捕捉用户用电异常行为数据,精准定位窃电用户位置成为研究关键.针对现有异常用电辨识精度低的问题,提出一种基于改进K-medoids聚类和支持向量机(support vector machines,SVM)的用电异常行为在线检测方法.首先提取并分析电网电量及其相关表征数据,在此基础上构建基于用电量、线损等用电异常参数特性表征指标;然后对用户用电相关数据进行清洗、缺省值补全,并采用基于密度权重Canopy的改进K-medoids算法将异常数据依据表征指标进行标签化聚类;最后将已获得标签的数据采用SVM分类器进行训练进一步完成异常参数的检测和评估,并通过电网实际运行数据验证了所提异常数据辨识方法的检测精度,研究可为电网异常用电的辨识提供理论基础.
文献关键词：
用电异常;电力数据;改进K-medoids聚类;支持向量机;辨识精度
中图分类号：
作者姓名：
胡聪;徐敏;洪德华;刘翠玲;薛晓茹;王海鑫
作者机构：
国网安徽省电力有限公司信息通信分公司 合肥230061;沈阳工业大学电气工程学院 沈阳110870
文献出处：
引用格式：
[1]胡聪;徐敏;洪德华;刘翠玲;薛晓茹;王海鑫-.基于改进K-medoids聚类和SVM的异常用电模式在线检测方法)[J].国外电子测量技术,2022(02):53-59
A类：
B类：
medoids,异常用电,用电模式,在线检测,窃电,电网电能,非技术,户用,用电异常,异常行为,行为数据,精准定位,用户位置,辨识精度,support,vector,machines,用电量,线损,参数特性,表征指标,缺省值,补全,基于密度,Canopy,异常数据,标签化,得标,分类器,实际运行,运行数据,数据验证,数据辨识,辨识方法,检测精度,电力数据
AB值：
0.429082
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
