基于神经网络的工厂用电状态识别方法

智能电表的迅速普及与应用引起电力消耗数据(即智能电网数据)的激增,这不仅给数据的存 储与通信带来了挑战,同时也增加了对数据进行分析的难度。另外,由于生产性质和经营方式的不同,工厂的用电状态往往比较复杂。基于传统经验的人工识别不能满足实际应用的需求,该文研究了一种基于神经网络的工厂用电状态自动识别方法。首先,对采集于真实应用场景的电网大数据进行必要的预处理,包括数据的合并、清洗、标准化、打标和抽样;然后,基于预处理的电网数据构建神经网络模型用于对工厂用电状态的自动识别;最后,对提出的基于神经网络的工厂用电状态识别方法进行实验验证,证实了该方法的合理性和有效性。通过对工厂用电状态的准确识别,能够帮助供电公司指导企业进行错峰用电,进而有效缓解电力供给不平衡的问题,以达到对电能合理开发和利用的目的。     

基于相似性搜索的异常用电行为识别方法

传统异常用电行为识别方法浪费大量人力与物力，且准确率较低、效果不佳，本文在大数据背景下，提出一种基于相似性搜索的商业园区异常用电行为自动识别方法。通过分析相似性搜索方法获得用户用电时间序列，采用趋势性指标、变化性指标、波动性指标以及其他指标分析商业园区异常用电行为，引用主分量分析与因子分析方法提取异常用电行为特征，凭借误差矩阵自动规整化数据，设定欧氏距离阈值实现商业园区异常用电行为自动识别。实验结果表明方法可降低计算难度，高效识别出异常用电数据，保证商业园区正常用电。     

基于用电大数据的低压电力客户电费异常识别模型

针对传统电费识别模型中电费异常识别耗时较长、误差较大等问题,提出基于用电大数据的低压电力客户电费异常识别模型。将低压电力客户用电数据转换为数据集形式,清洗该数据集中脏数据,通过多阶拉格朗日内插法修补日负荷曲线的缺失值;利用流聚类技术设置阈值,获取用电数据集中初始簇的中心,采用平方和误差最小函数确定具有最大关联特征的用电数据;通过对n维空间中所有电力特征参数的处理,获取时间序列矩阵,构建低压电力客户电费异常识别模型。实验结果表明：采用所提模型识别低压电力客户电费异常的耗时最短约为0.1 s,且误差最高约为2.1%。     

基于子空间方法的非均匀周期刷新和采样系统辨识

针对非均匀周期刷新和采样系统的建模问题, 对于含有提升变量的状态空间模型, 提出基于子空间技术的辨识方法. 首先, 通过系统的采样数据建立由Hankel 矩阵组成的扩展状态空间方程; 然后, 利用斜交投影的原理、方法和奇异值分解, 通过子空间辨识算法确定增广观测矩阵和状态向量, 通过最小二乘方法确定模型的参数矩阵; 最后, 通过仿真实例表明了所提出算法的有效性.

     

多变量系统状态空间模型的递阶辨识

研究多变量系统状态空间模型的递阶辨识问题,推广了作者提出的标量系统状态和参数联合辨识算法.当状态可量测时,利用最小二乘原理直接辨识状态空间模型的参数矩阵;当状态不可测时,利用递阶辨识原理提出了状态空间模型递阶辨识方法,使用系统输入输出数据来估计系统的未知状态和参数.状态空间模型递阶辨识方法分为两步:首先假设系统状态是已知的(即参数估计算法中的未知系统状态用其估计代替),基于状态估计和系统输入输出数据递归计算系统参数估计;然后基于系统输入输出数据和获得的参数估计,递归计算系统的状态估计.     

基于电能计量的违规用电行为检测方法研究

现有违规用电行为检测方法的精度较差,为提高检测结果的准确性,设计了基于电能计量的违规用电行为检测方法。建立违规用电数据预处理方案,保证电力数据的完整性,标记数据的缺失值与异常值,对其进行归一化处理;基于电能计量设计用电数据检测模型,以数据的不平衡度为核心,计算离散型采样值,得到检测的总体模型。在实验中对比多种违规用电行为检测方法,设计欠流用电异常、改变电能表接线异常和扩差用电异常3种用电模型,由数据结果可知,该算法在扩差用电异常模型内的检测效果更好,该检测方法的AP值在同等条件下普遍高于其他3种检测方法,可见其检测精度更高,检测效果更好。     

融合关联与矩阵算法的变电设备状态监测方法

针对变电设备运行过程中容易出现诸多故障的问题,提出基于大数据技术的变电设备状态评估及其智能检修方法;首先,根据变电设备关键性能的状态评估需求,建立基于大数据技术的变电设备状态监测的架构;其次,基于多元时间序列建立变电设备的关键参数体系,对采集到的原始大数据采用关联模式方法进行数据挖掘;将高维随机矩阵用于变电设备状态大数据的多元统计分析,实现监测状态参量之间的关联模式识别,以及不同类型输变电设备典型故障类型与状态参量之间的对应关系;试验表明,该研究方案准确率在80%以上。     

递推子空间模型辨识算法的研究与仿真

为了很好的解决在线辨识系统模型问题,在对子空间模型辨识研究的基础上,结合递推最小二乘算法和子空问状态辨识方法。推导了子空间状态辨识的递推算法。该算法不仅解决了在线辨识问题,而且算法简单,计算方便,很好地克服了在线辨识时子空间矩阵维数的变化问题。经仿真研究表明,该递推算法克服了一次完成算法在大批量数据运算时,耗时大,专用内存多的缺点,而且对于测量和过程均有噪声干扰的多输入多输出系统,有很好的辨识效果,有较为广阔的应用前景。     

基于门控循环单元的非均衡数据驱动异常用电检测方法

异常用电检测能够及时发现异常用电行为,在减少能源浪费和经济损失的同时能够维持安全、稳定的电网运行环境。智能电表的普及使得用电数据获取十分容易,为数据驱动的异常用电检测方法提供了充足的数据支持。然而,在实际应用过程中,异常数据较少导致的数据非均衡问题严重影响了模型的训练效果。因此,针对上述问题提出了一种针对非均衡数据的门控循环单元异常用电检测方法。该方法利用边界合成少数类过采样技术实现了对少数类数据的有效扩充。为了更好的捕捉用电数据的时序特征,采用了门控循环单元实现对用电数据的分类。为了验证该方法的有效性,基于非均衡数据集进行了对比实验。实验结果表明,该方法能够更好的数据扩充效果以及更准确的异常用电检测效果。     

基于采样技术和LightGBM的用户用电异常检测模型

在大数据的时代背景下,我国电力事业信息化的发展日趋重要,尤其是需要使用计算机技术对用电数据进行分析.对于用户用电异常的分析问题,传统方法既耗时又耗力,这就需要引入机器学习的相关方法自动的识别异常信息.现阶段,用电异常分析主要基于传统的异常检测算法或深度神经网络,传统异常检测算法运行精度不足而深度神经网络计算速度又过慢.针对目前存在的不足,本分采用了基于采样技术和LightGBM的用户用电异常检测模型,把用电异常检测问题看作分类问题,并使用当前流行的分类模型LightGBM进行训练,在保证速度快的前提下提高了检测的准确率.     

基于特征选择和改进K-均值聚类的异常用电行为检测算法

窃电等异常用电行为严重影响着电网系统的安全、可靠和稳定运行,传统异常用电检测方法存在模型复杂、准确率低等问题。提出了一种基于特征选择和改进K-均值聚类的异常用电检测算法,首先从用电量变化、线路损耗和电力参数三个维度提取15维特征构成特征向量,然后利用相关向量机(Relevance Vector Machine, RVM)进行特征选择,自动确定最优特征集合,最后提出一种基于信息增益的改进K-均值聚类算法对最优特征集合进行聚类分析,从而实现异常用电检测。基于爱尔兰智能电表公开数据集开展实验,结果表明,所提方法在精准率、召回率和ROC曲线AUC值三项指标方面均能获得良好的表现性能,明显优于传统方法。     

流计算与内存计算架构下的运营状态监测分析

为满足对电网实时运营状态分析过程中对用户实时用电量数据等大规模实时数据进行实时分析处理的需求,实现对电网运营决策提供快速准确的数据分析支持,提出一种流计算与内存计算相结合的大规模数据分析处理的系统架构。将经过时间窗划分的用户实时用电量数据进行离散傅里叶变换（DFT）,实现对异常用电行为评价指标的构建;将基于抽样统计分析构造出的用户用电行为特征,采用K-Means聚类算法实现对用户用电行为类别的划分。从实际业务系统中抽取实验数据,验证了提出的异常用电行为和用户用电分析评价指标的准确性。同时,在实验数据集上与传统的数据处理策略进行对比,实验结果表明流计算与内存计算相结合的系统架构在大规模数据分析处理方面更具优势。     

一种基于离群算法的窃电行为检测的研究

针对窃电行为现场查证具有难以克服的现实困难,提出一种基于离群数据挖掘的窃电行为检测方法。该离群算法基于密度聚类算法,采用基于用电量波动的不同方向识别不同的用电模式,基于用电频率、离群距离以及异常规则关联度的计算挖掘潜在离群数据点,并通过基于评价矩阵确定离群阈值对离群数据点存在窃电行为的可能性进行确定性分析,实现对窃电行为的数据化检测。最后通过仿真测试证明该算法在针对混杂不同用电模式的用电数据的窃电检测方面相对于其他数据挖掘算法具有更好的性能表现。     

基于稳态波形分解与神经网络的负荷识别方法

非侵入家用负荷识别技术对于家庭可以指导用户合理安排用电,减少用电开支,同时电力部门利用家庭用电数据可以了解负荷用电规律及趋势,完善电力规划。现有的研究多采用高级智能算法对负荷特征进行学习,针对现有现有算法识别特征存在的不足,现提出一种基于稳态波形分解的BP神经网络负荷识别方法。该算法主要利用稳态波形可叠加性对分解后的电流波形进行谐波特征提取,结合经过神经网络训练后得出权值,阈值,由嵌入式实现对负荷的识别。该方法已成功在嵌入式装置上实现,取得了预期的效果。     

一种改进的基于多项式滤波的稳态检测方法

化工过程的数据中常常含有较多的随机误差和粗差干扰,导致传统的稳态检测方法无法得到准确的结果,从而降低系统故障诊断的可靠性。针对实际的工业过程数据,提出一种融合自适应平滑技术的稳态检测方法,该方法首先以基于导数分析的自适应平滑算法进行降噪处理,消除随机误差的影响,然后引入阈值拟合技术进一步抑制粗差干扰,以多项式滤波方法对数据进行稳态检测,根据测量信号的趋势特征确定过程是否处于稳态。仿真实验研究表明:融合自适应平滑技术的稳态检测方法能够克服传统稳态检测方法中随机误差和粗差干扰对检测结果的影响,进而显著提高稳态检测处理的准确性,检测结果明显优于传统的基于多项式滤波的检测方法。     

基于深度孪生自回归网络的无监督异常用电检测

异常用电检测旨在识别出不符合正常用电规律或者违反用电合约的用电行为。针对现有基于重构的检测方法依赖标记的正常样本和难以捕捉复杂时间依赖性的问题,提出一种基于深度孪生自回归网络的无监督异常用电行为检测模型（DSAD）。所提模型通过两个孪生自回归子网络来分别独立地对无标记的输入数据进行重构,再将两个子网络的重构误差相结合来预测数据中的正常样本,并利用多头自注意力机制来有效地捕捉时间依赖性、周期性和随机性等复杂特征。在大规模时序数据集和国家电网真实用电数据集上进行实验所获得的结果表明,所提模型在AUC以及AP等性能指标上取得了更好的检测效果。     

基于样本优化选取的支持向量机窃电辨识方法

目前窃电行为普遍存在,如何提高用户用电系统的窃电辨识能力是电力公司一直关注的热点问题。随着智能电表在各地区的普及,数据挖掘等大数据分析技术在用电数据处理上的应用越来越受到重视。针对电力公司亟待解决的反窃电问题,在研究支持向量机原理和分析用电数据特性的基础上,将One-class SVM算法引入到疑似窃电判断当中,提出了一种将电量波动特征和One-class SVM结合的窃电辨识模型。首先提出改进的电量数据波动系数来表征电量波动,然后设计了基于One-class SVM窃电辨识方案。提出一种以电量波动系数作为指标选取训练样本的方法,训练得到相应分类模型,通过该模型分析用电数据从而辨别出是否存在窃电行为。算法验证结果表明该方法能提高窃电辨识的准确率和效率,具备一定的实用性。     

基于改进K-means聚类的变压器异常状态识别模型

针对投运时间不长的变压器数据中有极大部分是正常数据的情况,为了有效利用变压器历史正常数据识别变压器是否异常,本文提出了基于改进K-means聚类的变压器异常状态识别模型。针对变压器绝大部分运行数据为正常数据、正常数据逐渐按一定的趋势变化以及异常状态数据变化急剧等特点,基于历史正常数据与K-means算法建立变压器异常状态识别模型;根据对正常数据聚类的结果确定用于识别新数据的各个阈值;通过计算新数据到各聚类中心的距离并与各阈值对比确认变压器是否异常。针对传统K-means算法的缺点,对K-means算法进行基于密度与距离选择K值与初始聚类中心的改进,使K-means算法有稳定的K值与聚类中心,聚类过程更加快速、稳定、有效,从而使识别模型计算得到的阈值更可靠。实例分析表明,模型能有效对变压器的异常状态进行快速、准确的识别,为变压器状态评估提供一种新思路。     

一种基于序列模式挖掘的独居老人用电预警模型

随着人口老龄化的加深,独居老人数量快速增长,如何及时检测发现老人出现异常情况成为小区管理的迫切需求。另一方面,智能电表技术的发展让用电数据的采集更加精确和及时,使得实时检测老人用电数据异常成为可能,但如何对此海量用电数据进行分析成为了难点。为此,本文提出了一种基于序列模式挖掘的独居老人用电数据预警模型,从历史数据中挖掘了老人用电特征的共性和特性,同时综合考虑了时间、天气数据等外部因素,通过深度学习进行异常检测。相比传统的检测方法,本文提出的模型能更加快速准确地检测异常,为独居老人的生活提供了安全保障,显著降低了社区管理人员的压力。在真实数据集上的实验结果验证了该模型的有效性。