检索结果-南通市图书馆

仪器仪表学报 2023年第4期44卷 72-81页

作者：陈静郑垂锭李桂敏江灏缪希仁福州大学电气工程与自动化学院福州350108

针对工业用户的行业属性对其用电模式的影响,本文提出一种考虑行业关联度的工业用户用电异常识别方法。基于真实工业用户用电负荷数据生成多个行业类别的典型负荷特征曲线。运用改进灰色关联度算法计算电力用户用电特征与各个行业典型... 详细信息

针对工业用户的行业属性对其用电模式的影响,本文提出一种考虑行业关联度的工业用户用电异常识别方法。基于真实工业用户用电负荷数据生成多个行业类别的典型负荷特征曲线。运用改进灰色关联度算法计算电力用户用电特征与各个行业典型用电特征之间的关联性,生成用户的行业关联特征;利用多头注意力机制(MHA)提取用户负荷序列特征,与行业关联特征相结合,采用变分自动编码器(VAE)所提供的重构误差作为异常判定度量,建立MHA-VAE深度异常检测模型,实现对多种类型工业用户用电异常的识别。结果表明,引入用户的行业关联特征后异常检测的准确率、检出率和误检率分别为96.84%、98.02%、4.35%,与仅考虑用户负荷特征相比准确率提高1.06%,误检率降低2.24%。

关键词：用电异常识别多头注意力机制变分自动编码器行业关联度

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于数据驱动的用电异常识别技术研究

基于数据驱动的用电异常识别技术研究

引用

作者：孙赵盟南京邮电大学

学位级别：硕士

电力作为国民经济高质量发展的重要支撑,在智能电网的快速发展的过程中,其安全必须得到保障。然而以窃电为主的用电异常行为,在近些年来随着经济的发展和用电负荷的逐步递增,成为影响电力系统发展的一个不容忽视的因素,并且呈现出一种... 详细信息

电力作为国民经济高质量发展的重要支撑,在智能电网的快速发展的过程中,其安全必须得到保障。然而以窃电为主的用电异常行为,在近些年来随着经济的发展和用电负荷的逐步递增,成为影响电力系统发展的一个不容忽视的因素,并且呈现出一种产业化的趋势。用电异常行为的泛滥,严重损害了电力企业的经济利益,影响着公正公平的供电秩序,甚至对电网的安全运行造成威胁。智能电表的普及使用,使得电力计量系统累积了海量的用电数据,利用基于数据驱动的方法高效地进行用电异常识别,可以提高电力系统工作人员处理异常行为的效率,改变当下传统的定期人工巡检方式耗时耗力的现状,进而提高整个电力系统的运行效率。本文从数据驱动的用电异常识别方法中存在的问题着手,从解决数据集存在大量缺失值和缺少有标记的异常样本两个实际问题出发,在此基础上建立了一种适用于电力负荷数据的有监督机器学习模型,实现了用电异常的识别。首先,本文针对如何处理电力数据集中的缺失值开展研究,提出了一种基于聚类和K近邻的用电负荷数据缺失值填充模型。模型利用K-means聚类挖掘用电数据的潜在模式,根据聚类结果对KNN插值过程进行改进调整,并在KNN运行过程中对K值进行动态优化,在有序进行KNN插值时实现了K值的自适应。实际数据的验证表明,本文的用电数据缺失值填充模型在不同指标上的表现都优于对比模型,对电力负荷数据的缺失值实现了更可靠的估计。接着,本文引入具有强大时间序列生成能力的Time GAN网络,解决缺少有标记用电异常样本的问题,并将其与OCSVM结合,提出了基于Time GAN和OCSVM的异常用电负荷数据增广模型。使用真实的用电异常样本训练Time GAN和OCSVM,将Time GAN生成的序列输入OCSVM进行严格地分类筛选,通过选择的序列经过TSNE验证后,可用于扩充用电异常样本的数量。经验证,模型生成的数据具有一定的可用性。最后,结合前文的研究,本文建立了基于特征工程XGBoost的监督学习用电异常识别模型。该模型利用Tsfresh和改进的Boruta算法,针对XGBoost广泛提取和选择了对分类决策有贡献的时间序列特征,避免了仅采用少量人工特征导致的模型适用性低的问题。选择出的特征用于训练XGBoost分类模型,实现了根据用电负荷数据的时间序列特征进行用电异常识别的目的。在SGCC用电异常数据集上,将正常样本作为正类,异常样本作为负类的算例仿真表明:本文所提方法达到了0.9329的Accuracy、0.9371的Specificity和0.9505的AUC,并且Kappa系数取得了0.8722的分数,相对于比较模型,表现出了更好的识别能力。

关键词：机器学习应用用电异常识别缺失值插补时间序列生成特征提取与选择

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

机器学习在用电异常智能识别中的应用研究

机器学习在用电异常智能识别中的应用研究

引用

作者：孙士骏河北工业大学

学位级别：硕士

电力作为国民经济的生命线,其安全必须得到保障。然而近年来随着社会经济的蓬勃发展以及用电负荷的与日俱增,窃电、欺诈、民电商用等用电异常行为愈加引人注目,并且逐渐呈现出多元化和产业化趋势。这不但损害了电网企业的利益,同时也影... 详细信息

电力作为国民经济的生命线,其安全必须得到保障。然而近年来随着社会经济的蓬勃发展以及用电负荷的与日俱增,窃电、欺诈、民电商用等用电异常行为愈加引人注目,并且逐渐呈现出多元化和产业化趋势。这不但损害了电网企业的利益,同时也影响了供电秩序,甚至威胁电网安全。目前解决这一问题的方法多为定期巡检和人工筛查等,运营成本高且效率低,造成了大量资源的浪费。而利用机器学习进行用电异常识别,效率和精度都更高,显著降低了人力和物力成本,对于维护电力系统的安全稳定具有重要意义。本文基于机器学习开展对用电异常识别研究,主要研究内容如下:(1)基于混合采样的不平衡数据用电异常识别电力负荷数据具有数据量大,且异常样本少的特点。正负样本比例不平衡会使学习模型偏向于具有大量样本的正常类别。在异常识别中,学习模型却需要更加关注少量的异常样本,这会导致模型产生偏差,使识别效果变差。针对不平衡数据,本文基于极限梯度提升(e Xtreme Gradient Boosting,XGBoost)模型,提出了结合边界过采样模型(Borderline-SMOTE,BSMOTE)以及局部异常因子(Local Outlier Factor,LOF)的不平衡数据用电异常识别模型。首先利用一维卷积自编码器(One-Dimensional Convolutional Autoencoder,1DCAE)对数据进行特征提取,之后利用BSMOTE对少数的异常样本进行过采样,利用LOF对多数的正常样本进行欠采样,最后利用XGBoost模型对混合数据进行训练,根据异常识别结果对数据混合参数α进行调整,进行迭代优化,得到最终的用电异常识别模型。本模型的AUC(Area Under Curve)指标达到了0.9656,F1分数(F1-score)达到了0.9559,相比1DCAE-BSMOTE-XGBoost等模型,表现出更好的异常识别效果。(2)基于Mix Match的半监督用电异常识别电力负荷数据普遍缺少标注,获得大量标注数据并不现实,因此仅利用少量监督数据的半监督学习更适合这一场景。同时,传统机器学习的精度在某些情况下并不尽如人意,而深度学习模型则展现了更高的识别准确率。针对标注数据少以及识别精度低等问题,本文提出了一种基于Mix Match的半监督异常识别模型,首先利用格拉米角场(Gramian Angular Field,GAFs)将一维时序数据转化为二维图像数据,再利用WGAN(Wasserstein Generative Adversarial Networks)模型对这些图像进行不平衡数据处理。最后输入Mix Match半监督异常识别模型进行训练,实现用电异常识别。本模型的AUC指标达到了0.9023,F1-score达到了0.8912,相比GAFs-WGAN-∏model等模型,有着更高的异常识别精度。(3)基于混合深度嵌入聚类的用电异常行为分类由于用电异常行为具有多样性,而对应解决措施也各不相同,对用电异常行为进行分类,并依据分类结果进行处理,可以有效提高电力部门解决问题的效率。针对传统机器学习在用电异常数据聚类上效果的不足,本文提出了一种混合深度嵌入聚类模型。首先利用1DCAE以及一维变分自编码器(One-Dimensional Variational Autoencoder,1DVAE)对数据分别进行数据降维,并进行特征融合,获取深度特征。再利用K均值聚类模型(K-means)获取聚类中心。最后将数据传入聚类层,根据重构损失和聚类损失迭代更新聚类结果,实现用电异常数据的无监督聚类。本模型的分类适确性指标(Davies-Bouldin Index,DBI)指标达到了0.14,聚类内部评价指标(Calinski Harabaz Score,CH)达到了16071.79,轮廓系数(Silhouette Score,SC)达到了0.90。相比DCEC等模型展现了更高的聚类质量,同时验证了深度嵌入聚类在解决电力数据分类问题上的可行性。

关键词：机器学习用电异常识别不平衡数据处理半监督学习深度嵌入聚类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

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

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

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

在线全文

在线全文

在线全文

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：