基于深度神经网络的电力负荷分析方法的研究与实现

发布时间：2020-03-23 17:38

【摘要】：随着电力系统信息化程度的不断提高,电网积累的数据量由TB级向PB级发展。研究电力负荷大数据分析算法并建立有效的知识发现模型能够产生巨大的社会价值以及经济效益,因此其对智能电网的发展具有重大意义。例如,提升电力负荷预测结果的准确性关系到电网安全以及可靠供电,并且直接影响电网经营企业的经营决策与经济效益。而异常检测不仅可以提升电力负荷预测的鲁棒性,也有助于降低非技术性损失(Non-Technical Losses,NTL)。本文依托于863计划中智能配用电大数据应用关键技术课题(编号2015AA050203),其主要研究内容如下:1.提出一种基于深度表示学习的电力负荷预测算法。电网系统中的负荷序列通常具有复杂的周期性,对外部特征(例如温度)具有一定的敏感性,且不同用电类型(例如有功功率与无功功率)之间含有隐藏的相关性,这些因素都为预测模型带来了极大的挑战。因此,我们提出了NeuCast,它首次使用深度表示学习的方法来捕捉周期性、外部因素、用电类型与用电需求之间的非线性关系。我们在134个真实世界中的电力负荷序列上验证了算法的有效性。2.提出一种在深度表示学习框架下的异常行为模式检测算法。电力负荷序列中可能含有异常的模式(例如高温负荷与设备故障、调试、检修等),序列中的这些异常模式会直接影响到预测算法的准确性。因此,我们提出了NeuCast-AD,它通过深度神经网络学习序列的隐层表示,并使用Autoplait算法检测隐层表示中的异常区间,从而进一步提升电力负荷序列预测的准确率,降低其对异常区间的敏感性,并且提升算法的鲁棒性。3.设计并实现了一个电力负荷预测的可视分析系统。电力负荷分析的任务不仅需要算法理论的支撑,也需要以大数据可视分析平台为载体落地。本文设计了一套基于可视分析学标准流程系统,来帮助电力系统专家结合自己的领域知识从丰富的用电行为数据中发现未知的趋势和现象,并提供可靠,可理解的结果。本文使用该可视分析系统对中国某南部城市的电力负荷数据进行分析挖掘,得到了有价值的结论,这在一定程度上证明了系统的实用性。
【图文】：

网络框架

从大量文本语料中学习语义知识。Ｗｏｒｄ２Ｖｅｃ方法中代表性的方法主要为ＣＢＯＷ逡逑（Ｃｏｎｔｉｎｕｏｕｓ邋Ｂａｇ－ｏｆ－Ｗｏｒｄｓ）与Ｓｋｉｐ－Ｇｒａｍ，这两种技术可以有效地抽取词语的向量表逡逑示［３９］。如图２－１所示，ＣＢＯＷ以某一个词的上下文（前后若干个词语，即窗口大小）逡逑作为输入，以该词作为输出构建神经网络，即在给定上下文的情况下，预测各个词逡逑语出现的概率。可以使用公式（２－１）形式化表示：逡逑ｉ＋ｎ，ｔ＾邋ｅｔｏ逡逑６，邋＝邋ｓｏｆｔｎｍｘｉ＇Ｗｊ邋？邋？邋？逦＾）邋＋邋６ｌ）邋＋邋６２）邋＋邋．．．邋＋邋６／）逦（２－１）逡逑ｔ＝ｉ—ｎ逡逑其中，Ｅ为共享的词向量表示矩阵，假设词表大小为ｉ，，编码维度为ｒ■，，则ＥｅＩＴ〃。逡逑0表示词语的独热编码，ｎ为窗口大小，为第〖层神经网络的权重、偏置项逡逑与激活层幽数。ＣＢＯＷ使用ｉ邋—邋ｎ，邋—邋１，ｉ邋＋邋１，逦ｉ邋＋邋ｎ这些词语作为输入，预逡逑测第ｉ个词语

网络结构图,网络结构,向量表

输入邋表不层逦隐藏层邋输出逡逑图２－１邋ＣＢＯＷ网络框架逡逑词语表不（ｗｏｒｄ邋ｅｍｂｅｄｄｉｎｇ）学习技术就是用于学习一个词的低维向量表不。Ｗｏｒｄ２Ｖｅｃ逡逑是这一类学习方法的总称，它使用无监督的方式，通过词语序列中的上下文关系逡逑从大量文本语料中学习语义知识。Ｗｏｒｄ２Ｖｅｃ方法中代表性的方法主要为ＣＢＯＷ逡逑（Ｃｏｎｔｉｎｕｏｕｓ邋Ｂａｇ－ｏｆ－Ｗｏｒｄｓ）与Ｓｋｉｐ－Ｇｒａｍ，这两种技术可以有效地抽取词语的向量表逡逑示［３９］。如图２－１所示，ＣＢＯＷ以某一个词的上下文（前后若干个词语，即窗口大小）逡逑作为输入，以该词作为输出构建神经网络，即在给定上下文的情况下，预测各个词逡逑语出现的概率。可以使用公式（２－１）形式化表示：逡逑ｉ＋ｎ，ｔ＾邋ｅｔｏ逡逑６，邋＝邋ｓｏｆｔｎｍｘｉ＇Ｗｊ邋？邋？邋？逦＾）邋＋邋６ｌ）邋＋邋６２）邋＋邋．．．邋＋邋６／）逦（２－１）逡逑ｔ＝ｉ—ｎ逡逑其中，Ｅ为共享的词向量表示矩阵，假设词表大小为ｉ，，编码维度为ｒ■，则ＥｅＩＴ〃。逡逑0表示词语的独热编码
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM715;TP183

【相似文献】