(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111621855.2 (22)申请日 2021.12.28 (71)申请人 华东交通大 学 地址 330000 江西省南昌市经济技 术开发 区双港东大街808号 (72)发明人 屈志坚　马帅军　刘汉欣　祝振敏　 胡文博　李坚　 (74)专利代理 机构 南昌卓尔精诚专利代理事务 所(普通合伙) 36133 代理人 刘文彬 (51)Int.Cl. G06Q 50/06(2012.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 一种遗传优化Bagging异质集成模 型的异常 用电检测方法 (57)摘要 本发明公开了一种遗传优化Bagging异质集 成模型的异常用电检测方法， 涉及基于数据驱动 的窃电检测技术领域， 本发明通过SMOTE过采样 技术对窃电用户数据进行样本增强， 其次利用主 成分分析降维提取异常用电特征， 构建多种类型 个体学习器嵌入的Bagging异质集成学习的窃电 检测模型， 通过引入投票策略将其输出进行结 合,并用遗传算法对个体学习器的超参数进行优 化。 基于遗传优化的Bagging集成检测模型相比 于决策树、 支持向量机、 随机森林以及传统人工 神经网络等检测方法在准确率、 误检率以及AUC 评价指标上有明显提升， 为加强我国电力企业对 电能输送的高效监管力度、 加大窃电的查处惩治 力度、 维护正常的供用电秩序、 保障企业经营效 益起到了积极的作用。 权利要求书2页 说明书6页 附图3页 CN 114266676 A 2022.04.01 CN 114266676 A 1.一种遗传优化Bagging异质集成模型的异常用电检测方法， 其特征在于， 所述检测方 法包括以下步骤： S1:采集国家电网公司提供的用户用电数据； S2:对国家电网公司提供的用户用电数据进行 数据预处 理， 获得训练集和 测试集； S3:构建基于Bagging集成学习模型， 并利用训练集对其进行训练， 获得训练后的用电 异常检测模型； S4:利用遗传算法对 模型超参数进行优化， 提高模型的分类精度； S5:将经过遗传算法优化的Bagging集成学习异常用电检测模型在测试集上做最后的 测试， 并输出分类结果， 所述分类结果中包括窃电用户； S6:对于通过测试集测试输出的分类结果， 利用分类性能指标进行分析对比。 2.根据权利 要求1所述的一种遗传优化Bagging异质集成模型的异常用电检测方法， 其 特征在于， 所述 步骤S2还 包括以下步骤: S21:原始用电负荷数据存在一定的缺失值和异常值， 需要进行相应的填补和清洗操 作， 获得完整数据； S22:对清洗好的用电负荷数据做归一化处理， 将数据统一归算到0～1之间， 便于后续 的检测分析； S23:采用SMOTE过采样技 术对窃电负荷样本集进行 数据增强； S24:采用主成分 分析对用电特 征进行降维处 理。 3.根据权利 要求2所述的一种遗传优化Bagging异质集成模型的异常用电检测方法， 其 特征在于， 所述 步骤S21中处 理缺失值所采用拉格朗日插值法， 公式如下： 在上述式中， ,  ,  , , 分别表示要插值的总次数、 第 个耗电数据、 第 个样本值、 拉格朗日多 项式和新 生成的耗电数据。 4.根据权利 要求2所述的一种遗传优化Bagging异质集成模型的异常用电检测方法， 其 特征在于， 所述 步骤S22中清洗好的用电负荷数据做归一 化处理的公式如下： 式中， 和 分别表示数据归一化前的耗电量原始值和归一化特征值； 和 分别表示归一 化前数据对应维度的最大和最小用电量。权　利　要　求　书 1/2 页 2 CN 114266676 A 25.根据权利 要求1所述的一种遗传优化Bagging异质集成模型的异常用电检测方法， 其 特征在于， 所述 步骤S3还 包括以下步骤： S31: 用预处理后的训练集对常用的异常用电检测学习器进行训练； S32: 对比训练后的各个 体学习器的分类表现以及各个 体学习器间的多样性； S33: 通过训练对比， 挑选出机器学习中统计学习、 符号主义学习和连接主义学习的代 表支持向量机、 梯度提升树和人工神经网络作为Bagging异质集 成学习模 型的基学习器， 以 确保个体学习器间的多样性； S34: 在Baggin g异质集成算法对各个体学习器的输出进行结合时， 选择使用多数投票 法来进行输出 结合。 6.根据权利 要求1所述的一种遗传优化Bagging异质集成模型的异常用电检测方法， 其 特征在于， 所述 步骤S4还 包括以下步骤： S41:采用遗传算法对梯度提升树中树的最大深度进行优化， 进而减小损失函数， 并且 防止模型 过拟合， 提高该模型分类的精度； S42:采用遗传算法对人工神经网络 中的学习率进行优化， 使学习率对步长做出合适的 调整， 进而减小神经网络的预测误差， 提高该模型分类的精度； S43： 通过对梯度提升树中树的最大深度和人工神经网络中的学习率进行优化后， 使输 出的检测精度提升 。 7.根据权利 要求6所述的一种遗传优化Bagging异质集成模型的异常用电检测方法， 其 特征在于， 所述 步骤S41还 包括以下步骤： S411： 通过遗传算法设置一定的种群数， 然后将GBDT中的最大深度超参数进行二进制 编码； S412： 对进行二进制编码后的超参数进行初始化并计算 其适应度； S413: 根据遗传算法的原理对初始化后最大深度超参数的二进制编码进行选择、 交叉 和变异操作； S414： 遗传算法通过对步骤S412和步骤S412这两步进行循环操作， 直至找出全局最优 解， 然后停止循环， 进 而提高分类的精度。 8.根据权利 要求7所述的一种遗传优化Bagging异质集成模型的异常用电检测方法， 其 特征在于， 所述 步骤S42还 包括以下步骤： S421： 将步骤S411～S414 中优化的最大深度超参数换成人工神经网络中的学习率作为 优化目标进行优化， 其 余部分和步骤S41 1～S414步骤相同。 9.根据权利 要求1所述的一种遗传优化Bagging异质集成模型的异常用电检测方法， 其 特征在于， 所述步骤S 6中， 把通过测试集测试输出的分类结果， 使用精确率、 准确率、 召回率 和AUC值来评价最终模型的分类性能， 输出混淆矩阵， 并和未经遗传优化的Bagging集成学 习模型的用电异常检测结果进行对比， 分析所述基于遗传优化的Bagging集成学习窃电检 测模型的分类性能的提升 。权　利　要　求　书 2/2 页 3 CN 114266676 A 3