基于切比雪夫多项式特征扩展的轻量级窃电检测神经网络框架

《Scientific Reports》：Cheby-FENN: a Chebyshev-enhanced feature expansion neural network for electricity theft detection

　　

摘要

窃电是导致电力系统中非技术性损失的主要原因，造成大量经济损失并可能影响电网可靠性。本文提出了一种轻量级神经网络框架，在输入阶段引入三阶切比雪夫多项式特征扩展层，以增强对非线性用电模式的表征能力。该框架在两个公开可用的基准数据集上进行评估：Open Energy Data Initiative（OEDI）和 State Grid Corporation of China（SGCC），分别代表二分类和多分类窃电检测场景。一项全面的消融实验研究了切比雪夫多项式阶数、预处理组件以及替代非线性特征扩展技术的影响。结果表明，在所评估的切比雪夫配置中，三阶切比雪夫配置在预测性能与计算复杂度之间提供了有利的平衡。该配置在OEDI数据集上实现了96.8%的F1分数和99.3%的准确率，在SGCC数据集上实现了98.8%的F1分数和99.6%的准确率。五随机种子五折交叉验证进一步证明，在不同随机实现中性能表现一致。与标准多项式、勒让德、傅里叶和径向基函数扩展的比较实验表明，某些替代方法在个别指标上可达到相当甚至更高的性能，而本文提出的切比雪夫配置在保持轻量级神经网络架构的同时，维持了具有竞争力的检测性能。这些发现证明了基于切比雪夫的特征扩展作为一种有效替代方案，在增强窃电检测中的非线性特征表征方面具有潜力。