基于特性指标降维和改进熵权法的电力负荷模式识别算法研究
发布时间：2021-06-21 08:05
随着人类智慧的发展、科学技术的不断创新,新旧技术的更新换代,使得通信技术领域也有了一定程度的提升,这使得人们能够在日常生活中,通过不同的渠道获取各种类型的信息,同时这些信息也通过不同手段被转化为各种数字形式呈现并传递。同样的,随着技术水平的不断上升,电力服务的发展和电力市场的兴起,相关电力企业的各类数据也越来越数字和信息化。智配电网使电力行业收集的数据量从TB增长到PB。终端更频繁地收集数据,使得数据的形式更广泛,加上行业朝着智能、精益开发的趋势发展,异构数据集成,数据量的增长带来了对其快速高效处理的迫切需求。高可伸缩性以及高效,准确的负荷模式分析和处理等挑战也已然成为数据挖掘研究的前沿。因此,充分发挥机器学习中人工智能和数据挖掘算法的作用,能够及时对海量电力数据进行处理,并从中获得有价值的信息。对电力负荷大数据进行准确、高效的负荷模式识别,是支持电网安全可靠经济运行不可缺的基础工作。目前海量电力负荷数据高维特征量处理较为困难,为顺应实际应用对电力负荷模式识别效率和准确率的要求,本文提出一种基于特性指标降维和改进熵权法的电力负荷模式识别算法。首先,介绍了研究电力负荷模式识别的目的及意义...
【文章来源】：北方工业大学北京市
【文章页数】：108 页
【学位级别】：硕士
【部分图文】：
负荷模式识别模型流程图
第二章电力负荷数据分析及处理11第二章电力负荷数据分析及处理2.1电力负荷数据来源和特点在智能电网环境下，大量的负荷数据将由先进的负荷测量设备进行测量和采集。所采集的负荷数据规模将更大，结构复杂多样、维数高。此外，智能电网环境下的负荷数据形式实时动态变化，将更加灵活。智能电网环境下的数据传输与采集如图2-1所示。图2-1智能电网环境下的数据传输与采集在智能电网当中，电网数据来源可分为电网内部数据及电网外部数据，都可以通过传感器、智能采集设备以及移动终端等各类信息渠道来获取，具体类型如下图2-2所示。电网内部数据通过配电系统、地理信息系统、数据采集与监控系统及用电信息采集系统等渠道，可获得电压、电流、有功、无功电量，功率因素及负荷总量等类型数据；电网外部数据通过政府、电力用户（包括工业、农业、商业及家庭等）和第三方等渠道，可获得基于日、月和年用电量等类型数据。
第三章负荷模式分类标签获取及分类数确定23我们应该注意，将一种聚类方法用于负荷分类时，没有一种总是比其他聚类方法优越，因为它们也可以被用于其他应用程序。有些方法比其他方法更常用来进行负荷分类，因为它们更易于操作或可以得到更好的结果。以此在对数据进行聚类时，需要选择合适的聚类算法来完成。通过这些聚类算法，可以将电力负荷数据完成聚类，得到不同种类的电力负荷模式，以文献[47]为例子说明。其中图3-2为采集的电力负荷数据标准化后生成的日负荷曲线，图3-3是经过聚类算法得到的聚类结果，图3-4是通过聚类最终得到的负荷模式。这三个图中横坐标为采样时间，纵坐标为负荷量。图3-2标准化后的日负荷曲线图3-3聚类结果
【参考文献】：
期刊论文
[1]基于深度置信网络的电力负荷识别[J]. 徐春华,陈克绪,马建,刘佳翰,吴建华. 电工技术学报. 2019(19)
[2]基于特征指标降维及熵权法的日负荷曲线聚类方法[J]. 宋军英,何聪,李欣然,刘志刚,汤杰,钟伟. 电力系统自动化. 2019(20)
[3]电力用户行为模型:基本概念与研究框架[J]. 王毅,张宁,康重庆,奚巍民,霍沫霖. 电工技术学报. 2019(10)
[4]基于优化SAX和带权负荷特性指标的AP聚类用户用电行为分析[J]. 李春燕,蔡文悦,赵溶生,余长青,张谦. 电工技术学报. 2019(S1)
[5]基于K-邻近法的电网关键断面在线分布式发现方法[J]. 王彬,郭文鑫,刘文涛,卢建刚,向德军,周哲民,余志文. 电力系统保护与控制. 2019(07)
[6]结合半监督聚类和加权KNN的协同训练方法[J]. 龚彦鹭,吕佳. 计算机工程与应用. 2019(22)
[7]一种改进的最邻近分类算法[J]. 鞠冬彬,赵宪佳. 信息通信. 2018(12)
[8]一种融合降维和聚类的电力用户高效分类方法[J]. 李青,齐林海,田璐,王红,田世明,卜凡鹏. 电力信息与通信技术. 2018(11)
[9]大数据用户偏好信息全局降维算法研究[J]. 郑羽洁. 广西民族大学学报(自然科学版). 2018(04)
[10]基于改进快速密度峰值算法的电力负荷曲线聚类分析[J]. 陈俊艺,丁坚勇,田世明,卜凡鹏,朱炳翔,黄事成,周凯. 电力系统保护与控制. 2018(20)
博士论文
[1]高维数据的特征选择与特征提取研究[D]. 蒋胜利.西安电子科技大学 2011
本文编号：3240313
【文章来源】：北方工业大学北京市
【文章页数】：108 页
【学位级别】：硕士
【部分图文】：
负荷模式识别模型流程图
第二章电力负荷数据分析及处理11第二章电力负荷数据分析及处理2.1电力负荷数据来源和特点在智能电网环境下，大量的负荷数据将由先进的负荷测量设备进行测量和采集。所采集的负荷数据规模将更大，结构复杂多样、维数高。此外，智能电网环境下的负荷数据形式实时动态变化，将更加灵活。智能电网环境下的数据传输与采集如图2-1所示。图2-1智能电网环境下的数据传输与采集在智能电网当中，电网数据来源可分为电网内部数据及电网外部数据，都可以通过传感器、智能采集设备以及移动终端等各类信息渠道来获取，具体类型如下图2-2所示。电网内部数据通过配电系统、地理信息系统、数据采集与监控系统及用电信息采集系统等渠道，可获得电压、电流、有功、无功电量，功率因素及负荷总量等类型数据；电网外部数据通过政府、电力用户（包括工业、农业、商业及家庭等）和第三方等渠道，可获得基于日、月和年用电量等类型数据。
第三章负荷模式分类标签获取及分类数确定23我们应该注意，将一种聚类方法用于负荷分类时，没有一种总是比其他聚类方法优越，因为它们也可以被用于其他应用程序。有些方法比其他方法更常用来进行负荷分类，因为它们更易于操作或可以得到更好的结果。以此在对数据进行聚类时，需要选择合适的聚类算法来完成。通过这些聚类算法，可以将电力负荷数据完成聚类，得到不同种类的电力负荷模式，以文献[47]为例子说明。其中图3-2为采集的电力负荷数据标准化后生成的日负荷曲线，图3-3是经过聚类算法得到的聚类结果，图3-4是通过聚类最终得到的负荷模式。这三个图中横坐标为采样时间，纵坐标为负荷量。图3-2标准化后的日负荷曲线图3-3聚类结果
【参考文献】：
期刊论文
[1]基于深度置信网络的电力负荷识别[J]. 徐春华,陈克绪,马建,刘佳翰,吴建华. 电工技术学报. 2019(19)
[2]基于特征指标降维及熵权法的日负荷曲线聚类方法[J]. 宋军英,何聪,李欣然,刘志刚,汤杰,钟伟. 电力系统自动化. 2019(20)
[3]电力用户行为模型:基本概念与研究框架[J]. 王毅,张宁,康重庆,奚巍民,霍沫霖. 电工技术学报. 2019(10)
[4]基于优化SAX和带权负荷特性指标的AP聚类用户用电行为分析[J]. 李春燕,蔡文悦,赵溶生,余长青,张谦. 电工技术学报. 2019(S1)
[5]基于K-邻近法的电网关键断面在线分布式发现方法[J]. 王彬,郭文鑫,刘文涛,卢建刚,向德军,周哲民,余志文. 电力系统保护与控制. 2019(07)
[6]结合半监督聚类和加权KNN的协同训练方法[J]. 龚彦鹭,吕佳. 计算机工程与应用. 2019(22)
[7]一种改进的最邻近分类算法[J]. 鞠冬彬,赵宪佳. 信息通信. 2018(12)
[8]一种融合降维和聚类的电力用户高效分类方法[J]. 李青,齐林海,田璐,王红,田世明,卜凡鹏. 电力信息与通信技术. 2018(11)
[9]大数据用户偏好信息全局降维算法研究[J]. 郑羽洁. 广西民族大学学报(自然科学版). 2018(04)
[10]基于改进快速密度峰值算法的电力负荷曲线聚类分析[J]. 陈俊艺,丁坚勇,田世明,卜凡鹏,朱炳翔,黄事成,周凯. 电力系统保护与控制. 2018(20)
博士论文
[1]高维数据的特征选择与特征提取研究[D]. 蒋胜利.西安电子科技大学 2011
本文编号：3240313
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3240313.html
