基于ELM-SVM模型与电能计量大数据的窃电识别技术研究

作者：县国成; 王永攀; 高俊; 浮海; 杨斌; 武旭

来源：智慧电力, 2022, 50(09): 82-89.

• 电能计量大数据
• 窃电智能识别
• 极限学习机
• 支持向量机
• 评价体系

窃电现象破坏社会供用电秩序，严重时更会阻碍新型配电系统建设的发展。为了更精确地识别窃电行为，提出了一种基于极限学习机（ELM）与支持向量机（SVM）相结合的窃电智能识别模型。利用电能计量大数据，分析窃电用户数据状态指标，构建窃电指标评价体系；利用指标评价体系训练窃电智能识别模型，进而以ELM-SVM预测模型来识别窃电用户。该方法有效集合了ELM算法与SVM算法的优点，算例表明，识别模型的识别准确率可达97.8%，说明ELM-SVM结合方法是可行的，实现了对用户窃电行为的高精度、高效性预测识别。

• 单位
  兰州交通大学; 国网甘肃省电力公司天水供电公司