基于深度集成学习的市区电网电力负荷异常检测及预测

作     者：王澳强 

作者单位：北方民族大学 

学位级别：硕士

导师姓名：于千城;余豹

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：电力负荷异常检测 短中期电力负荷预测 集成学习 膨胀因果卷积神经网络 

摘      要：电力系统和智能电网技术已经迅速发展,准确的电力负荷异常检测和预测对于维持电网的稳定运行至关重要。电力负荷异常通常指的是由于非计划的电力消耗行为、系统故障、数据记录错误或欺诈等原因引起的电力消耗模式的意外变化。目前,电力负荷异常检测和预测主要面临着数据不完整、噪声干扰以及精度不足的挑战,因此电力负荷异常检测和预测问题需要进一步研究。本文使用某市区真实的电力负荷数据,分别提出了基于CNN-Bi LSTM-RF电力负荷异常检测模型和基于EL-DCC的电力负荷预测模型,最后基于提出的两种模型设计并实现了一个电力负荷异常检测与预测系统。具体研究如下:(1)为了有效地检测出数据中的异常点,提出了一种基于CNN-Bi LSTM-RF的电力负荷异常检测模型。使用卷积神经网络对负荷数据进行特征提取,以捕捉数据中的时序和空间信息;通过双向长短期记忆网络对提取的特征进行建模,更好地提取数据的时序依赖性;使用改进的随机森林作为分类器,对进行特征提取后的数据进行异常检测。实验结果表明本模型在准确率、查准率、召回率以及F1值四种指标上均优于现有的电力负荷异常检测模型。(2)为了进一步提高电力负荷预测的准确性,设计了一种基于EL-DCC的短中期电力负荷预测模型。使用XGBoost、Cat Boost和Light GBM作为集成学习的基础学习器,并将集成模型产生的预测结果增强至原始数据集;引入膨胀因果卷积神经网络扩大卷积核的感受野,确保模型能够全面捕获各种时间尺度上的关系;最后,将所有取得的特征输入到膨胀因果卷积神经网络中进行训练,实现了高精度的短中期电力负荷预测。实验结果显示,与现有的电力负荷预测模型相比,本模型预测误差更低。(3)基于以上提出的两个模型,设计并开发了一个具有电力负荷异常检测和电力负荷预测功能的原型系统。用户只需上传电力负荷数据,自行选择算法方向,即可调用相关模型,通过可视化界面方便直观地查看相关结果。