基于DCN_V2-Transformer加权集成学习的智能电网窃电检测框架

针对智能电网中窃电行为检测存在的特征利用不足、复合攻击识别率低及模型可解释性差等问题，研究人员创新性地提出一种融合环境特征的加权集成学习框架。通过DCN_V2深度特征交叉与Transformer时序建模的协同优化，实现95.9%的检测准确率，并利用注意力可视化技术提升模型透明度，为电力安全领域提供了高精度、可解释的解决方案。

　　

在能源安全日益受到关注的今天，智能电网中的电力盗窃已成为全球性难题。据统计，仅美国每年因窃电造成的经济损失就高达100亿美元，而发展中国家如乌干达单年损失更达260亿先令。传统检测方法面临三重困境：单一机器学习模型对复合攻击束手无策，环境特征利用率不足导致检测精度瓶颈，以及"黑箱"决策机制难以获得监管信任。这些问题严重制约了电力系统的安全防护能力。

河南科技大学的科研团队在《Engineering Applications of Artificial Intelligence》发表的研究中，开创性地将环境温度等外部因素纳入特征体系，构建了DCN_V2-Transformer双模型融合框架。该研究采用美国马萨诸塞大学公开的SMART*数据集，包含114户公寓的分钟级用电数据和同步气象记录。通过皮尔逊相关系数量化环境与用电量的时滞效应，创新设计多变量特征交叉方法；采用网格搜索分别优化DCN_V2（深度交叉网络第二代）的特征交互层和Transformer的注意力头数；最终通过加权平均策略集成两模型预测结果，并利用注意力权重可视化解析决策过程。

【数据收集】
基于366天的分钟级用电和气象数据，构建包含8类网络攻击模式的混合数据集，通过1:1比例生成异常样本，确保覆盖真实场景中的窃电行为多样性。

【结果分析】
实验显示，融合环境特征使模型在6类复合攻击检测中全面超越基线：准确率(95.9%)较CNN+LSTM提升12.3%，误报率压降至5%。Transformer对温度突变的关注权重达0.78，证实环境因素的关键作用。

【结论】
该研究突破传统特征工程的维度限制，通过DCN_V2实现电力-环境特征的深度交叉，结合Transformer的时序建模优势，在保持94.8%精确率的同时将召回率提升至96.8%。注意力可视化技术首次揭示模型决策依据，如对凌晨时段用电波动的关注度比日间高43%，这与实际窃电高发时段高度吻合。这种可解释的检测框架不仅为电力安全提供新范式，其特征交互方法论更可拓展至其他时序异常检测领域。研究获得河南省科技发展计划项目(232102241042)支持，相关技术已在试点电网部署测试。