利用经RFE优化的XGBoost回归模型对智能电网中非技术性损失严重程度进行定量评估与解读

《Scientific Reports》：Quantitative estimation and interpretation of non-technical loss severity in smart grids using RFE-optimized XGBoost regression

　　

摘要

非技术性损失仍然是电力分配企业面临的主要经济风险来源。尽管已有大量研究致力于基于分类的窃电检测方法，但这些方法通常只能给出二元判定结果，难以准确量化用电异常的程度，而这一信息对于确定检查优先级和制定财务规划至关重要。本研究提出了一种基于回归的框架，利用累积异常偏差指数来评估实际用电情况与预期需求之间的偏差程度。该方法并非用于验证是否存在窃电行为，而是通过实测用电量与基准需求模型之间的差异来生成连续的风险指标。该框架结合了极端梯度提升算法与递归特征消除技术，在保持特征可解释性的同时构建出高效的预测模型。在公开的可获取的智能电表数据集上进行的实验表明，优化后的XGBoost-RFE模型具有很高的预测一致性（R2 = 0.9869，RMSE = 2.4062，MAE = 1.1285），在相同数据条件下其性能优于其他集成学习及深度学习模型。基于残差的预测区间显示出稳定的不确定性特征，93.83%的观测值落在标准的95%置信区间内。特征重要性分析显示，与负荷相关的变量是导致用电偏差的主要原因，这进一步证明了模型输出结果的合理性。研究结果表明，在不直接获取检查结果的情况下，仍可在所评估的实验条件下可靠地估算用电偏差程度。不过，该框架应被视为一种决策支持和优先级排序工具，而非窃电行为的定论。所提出的方法为现代电力分配系统中的非技术性损失风险评估提供了具有统计依据、可解释且实用的方法。