为准确辨识用户的异常用电行为以降低电网的非技术性损失，提出一种基于线性判别分析(LDA)和改进密度峰值聚类(IDPC)算法的异常用电行为辨识模型。首先从用电数据中构造能反映用户用电行为的特征集；其次使用LDA对提取的特征集进行降维处理；然后使用IDPC算法对降维后的特征集进行聚类分析，将具有不同用电行为特征的用户聚类后再进行异常辨识；最后定义离群异常指数来描述降维后的特征集中用户的离群程度，最终模型输出所有用户用电行为的异常程度排序。针对密度峰值聚类(DPC)算法中截断距离需要人为设定的不足，定义邦费罗尼指数，并将改进的鲸鱼优化算法(IWOA)应用于DPC截断距离参数的优化过程中。实验结果表明，文章所提出的模型只需检测异常程度较大的少数用户即可稽查出大部分异常用户，且相比其他模型具有更高的召回率与精确率。

1 异常用电行为辨识流程
2 改进鲸鱼优化算法
2.1 鲸鱼优化算法原理
2.2 改进鲸鱼优化算法
3 异常辨识模型
3.1 特征集构造
3.1.1统计性指标
3.1.2波动性指标
3.1.3趋势性指标
3.1.4相似性度量指标
3.2 特征集维度规约
3.3 密度峰值聚类算法原理
3.4 改进密度峰值聚类算法
3.5 模型评价指标
3.5.1混淆矩阵
3.5.2召回率和精确率
3.5.3 ROC曲线和AUC指标
4 算例分析
4.1 异常用电模式构造
4.2 特征提取与维度规约
4.3 实验结果分析
4.3.1降维模型对比
4.3.2辨识结果分析
4.3.3优化算法性能比较
5?结语

郭贺宏,任宇路,姚俊峰,等.基于特征指标降维与改进密度峰值聚类算法的异常用电行为辨识[J/OL].太原理工大学学报,1-15[2024-12-13].http://kns.cnki.net/kcms/detail/14.1220.n.20241213.1049.002.html.