检索结果-内蒙古大学图书馆

电网技术 2020年第2期44卷 769-774页

作者：钟小强陈杰蒋敏敏郑晓晖国网福建省电力有限公司福建省福州市350003 国网信通亿力科技有限责任公司福建省福州市350003

该文提出了一种基于深度学习技术的台区线损分析方法。首先,构建了基于门控循环单元的多层网络结构。然后,结合多个维度的台区电气特征参数作为输入进行训练,获得了相应的深度学习线损率计算模型。最后,基于若干小区的实测数据,验证了... 详细信息

该文提出了一种基于深度学习技术的台区线损分析方法。首先,构建了基于门控循环单元的多层网络结构。然后,结合多个维度的台区电气特征参数作为输入进行训练,获得了相应的深度学习线损率计算模型。最后,基于若干小区的实测数据,验证了所提方法的有效性。实验结果表明,与已有文献中采用反向传播(back propagation,BP)神经网络预测方法相比,所提方法具有更优的线损预测精度和计算效率,可以分别获得10.7%和25.5%的性能提升。

关键词：深度学习网络门控循环单元预测模型台区线损计算

来源：评论

学校读者我要写书评

暂无评论

基于有限样本集的台区理论线损数据驱动分析方法

基于有限样本集的台区理论线损数据驱动分析方法

引用

作者：任艺婧山东大学

学位级别：硕士

提高能源利用率,实现节能减碳,是电力系统发展面临的重大挑战。台区作为电网的末端环节是损耗最大的电压等级层,具有巨大的降损空间,亟需提升理论线损计算水平以制定更加有效的降损措施。随着电网监测技术与信息系统的发展,数据驱动方... 详细信息

提高能源利用率,实现节能减碳,是电力系统发展面临的重大挑战。台区作为电网的末端环节是损耗最大的电压等级层,具有巨大的降损空间,亟需提升理论线损计算水平以制定更加有效的降损措施。随着电网监测技术与信息系统的发展,数据驱动方法在理论线损计算中具备了良好的应用前景。然而台区终端采集仍普遍存在时空覆盖不全面、数据质量不稳定等问题,数据驱动的理论线损计算方法如何在有限条件下发展完善值得深入探讨。在此背景下,围绕基于有限样本集的台区理论线损数据驱动分析方法开展研究,主要工作如下:(1)针对台区样本数据集规模有限的问题,提出一种基于生成对抗网络的台区样本扩容方法。首先对台区样本数据集存在问题进行分析,指出数据的可用性及容量对于数据驱动算法应用的重要性;其次利用数据预处理方法对台区样本进行清洗与修补,以提升数据集的质量;最后针对实际工况中可用台区样本获取不足的现状,利用生成对抗网络进行台区样本扩容,在保证样本相似性与多样性的基础上提高了数据集的容量。基于数据驱动的台区样本处理,为后续理论线损计算模型的建立奠定了良好的数据基础。(2)为克服台区理论线损计算模型输入变量选择的主观性,提出一种基于台区特征参数优化的输入变量确定方法。首先为充分挖掘台区的用电特征,建立台区特征参数体系;其次,提出改进K-Means聚类算法将台区样本进行分类,以改善台区样本数值分散的问题;最后,通过改进加权的灰色关联分析算法对各台区特征参数和线损率之间的关联性进行分析,并通过十折交叉验证法分析以BP神经网络为例的台区线损计算模型性能,实现了输入变量的最佳类型和数量的确定,以提高模型的计算精度与泛化能力。(3)为实现高维输入数据与台区理论线损非线性关联关系的深度挖掘,提出一种基于改进卷积神经网络的台区理论线损计算方法。首先,对传统卷积神经网络结构进行改进,以提高台区理论线损计算模型的训练速度和泛化能力;其次,考虑到卷积神经网络参数对于线损计算的影响,且无法对所有数据集进行最佳泛化的问题,使用贝叶斯优化器对模型学习率、激活函数等进行选择;最后,对比分析了多元线性回归、支持向量回归机和BP神经网络与本文方法的线损计算准确性及误差分布,并通过改变模型结构、超参数及输入数据规模对本文所提方法的模型性能进行分析,验证了所提方法的实用性和有效性。总而言之,本文在基于数据驱动的台区理论线损分析方法上取得进展,实现了台区理论线损精度更高的分析与计算,对于提高电网运行效率和推动建设清洁环保的现代化智能化电网有重要意义。

关键词：台区线损计算数据驱动生成对抗网络输入变量选取卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于数据挖掘的台区线损分析方法研究与应用

基于数据挖掘的台区线损分析方法研究与应用

引用

作者：范彪江南大学

学位级别：硕士

低压配电网拓扑结构复杂多样、供电区域广,使台区理论线损计算困难。后续针对台区线损异常原因的诊断缺少有效、便捷的方式,不利于台区线损的精细化管理以及达到精确降损的目标。因此本论文以台区线损为研究对象,基于数据挖掘技术对台... 详细信息

低压配电网拓扑结构复杂多样、供电区域广,使台区理论线损计算困难。后续针对台区线损异常原因的诊断缺少有效、便捷的方式,不利于台区线损的精细化管理以及达到精确降损的目标。因此本论文以台区线损为研究对象,基于数据挖掘技术对台区理论线损计算、窃电行为检测等问题进行研究,并开发台区线损可视化管理系统,辅助工作人员进行决策。具体研究内容和结果如下:(1)根据数据特征给出合理预处理方式,并提出基于生成对抗网络的样本数据扩容方法。首先建立决策树归纳法对数据质量进行校核,再对缺失值、异常值等问题进行处理,提高数据的可用性;针对可用台区样本数据存在不足的情况,采用生成对抗网络对预处理后的台区样本数据进行扩容。实验表明生成的数据能够有效保留原样本的相似性与多样性,提高了数据集的容量。将“生数据”处理为高质量的“熟数据”,为台区线损分析奠定良好的数据基础。(2)为了实现线损的精准计算,提出基于改进神经网络的台区理论线损计算方法。首先,基于线损数据波动特征,确定分辨系数,利用改进的灰色关联法分析特征参数与台区理论线损的关联度,构建合适的变量集合;然后,采用一维卷积神经网络对特征变量序列进行特征增强,建立BP神经网络对台区理论线损进行计算,并利用混沌自适应灰狼算法优化模型网络结构参数;最后,通过实例验证算法的性能。实验表明本文所提算法在训练集上的均方差为0.34,测试集的计算平均相对误差为6.32%,与BP神经网络、GA-BP神经网络、GWO-BP神经网络模型相比,能够有效提高计算精度。(3)提出基于CNN-SVM模型的用户窃电行为识别方法,实现对用户窃电行为的高效检测。首先绘制用户用电负荷曲线对用户用电行为进行分析;然后对传统卷积神经网络(CNN)结构进行改进,将网络中的Softmax层用SVM代替,采用CNN提取数据序列的关键特征,利用SVM实现对窃电行为的判别。引入Dropout层降低神经元耦合度,防止过拟合,并基于贝叶斯优化模型超参数,提升模型性能;最后经实验验证,与1DCNN、SVM方法进行对比,所建立的CNN-SVM模型在性能评价指标中准确率为95.08%,召回率为96.77%,调和平均数为95.24%,综合性能最优。(4)开发台区线损可视化管理系统。本文根据企业实际功能需求,基于本文研究成果开发台区线损可视化管理系统,采用B/S构架结合台区理论线损计算、线损异常原因分析及数据可视化等技术方法,实现台区运行状态实时监测、台区设备监控检测、线损数据可视化的功能。采用“条件-状态-事件”构建台区设备运行状态数字孪生模型,实现台区线损全过程、全时段可视化管理。对于线损异常的台区能够及时预警并快速定位,保留线损异常台区信息,在系统后台开展数据治理工作,针对可能存在的异常原因进行分析,辅助工作人员进行决策。

关键词：台区线损计算窃电检测神经网络数据扩容数据可视化

来源：评论

学校读者我要写书评

暂无评论

基于CEEMDAN-WPT的台区线损组合变权预测模型研究

引用

电力大数据 2020年第12期23卷 18-28页

作者：周彬李宜伦张异殊王国栋蔡娇彧牛俊国网辽宁省电力有限公司丹东供电公司辽宁丹东118000

为了有效提高线损计算精度,本文提出一种基于模态分解和小波包的台区线损改进变权组合预测模型。首先使用完整集合经验模态分解讲与实践序列相关的电气特征参数分解成多个不同的子序列,通过傅立叶变换计算子序列的幅值方差,结合小波包... 详细信息

为了有效提高线损计算精度,本文提出一种基于模态分解和小波包的台区线损改进变权组合预测模型。首先使用完整集合经验模态分解讲与实践序列相关的电气特征参数分解成多个不同的子序列,通过傅立叶变换计算子序列的幅值方差,结合小波包阈值去噪对含有噪音的高频信号进行降噪处理,提取代表性变量作为预测输入。最后改进标准遗传算法,利用遗传算法的全局优化能力,对广义回归神经网络和门控循环单元构成的组合预测模型的权重系数进行样本移动自适应变权求解,将得到的权重系数进行加权求和,得到了最终线损值。以某市具体台区数据为例进行计算验证,对比结果表明,本文所提的改进变权组合预测模型比单一模型及传统变权组合预测模型具有更高的计算精度。

关键词：台区线损计算预测模型深度学习神经网络电气特征参数

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：