几类典型用电异常的智能检测算法研究
发布时间：2022-04-26 22:37
电力服务营销中的用电异常数据检测,对于减少非技术性损失以及保障电网安全用电具有非常重要的意义。目前,我国电力企业异常用电检测主要面临着几个问题:（1）主要依赖专家经验、建立机理规则模型识别,识别能力不够,灵活性不足;（2）随着智能电网的蓬勃发展以及用电数据急剧增加,复杂的数据结构和海量的数据流使得大量异常信息淹没而无法得到有效检测;（3）异常数据的占比很小,属于典型的不均衡数据集挖掘问题,传统的用电异常检测算法早已不适用。因此,为了解决这些问题,亟需研发智能高效的异常用电检测算法来保障电力企业中的智慧用电管理。针对上述问题,本文的工作主要分为四大部分:（1）针对复杂多变的用电大数据,借鉴统计学习方法的思想首次提出一种基于各类异常定义的特征提取方法,提取了电量的同比和环比等具有相关性的电量特征作为异常数据特征。（2）针对不平衡分布的异常电量数据,提出一种基于超限学习机（ELM）和集成学习的融合的Ensemble-ELM异常用电检测方法。采用集成学习思想可以有效解决异常电量数据分布不均衡问题,以ELM作为基模型,对异常电量数据表征能力强、训练速度快且识别率高,最后使用多数投票方式进行表决,...
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
1.1 研究的背景及意义
1.2 用电异常检测的主要问题以及研究现状
1.2.1 用电异常检测主要面临的问题
1.2.2 基于信号分析的用电异常检测研究现状
1.2.3 基于机器学习的用电异常检测研究现状
1.3 本文主要研究内容
1.4 本文的组织结构
第二章 用电异常的行为分析以及初步特征探索
2.1 引言
2.2 用电异常现状
2.3 用电异常产生的原因及分类
2.4 常见用电异常以及防范措施
2.5 用电异常的一般处理流程
2.6 基于用电异常的特性分析
2.7 基于传统方法的异常用电检测
2.7.1 基于监督学习的异常用电检测
2.7.2 基于半监督学习的异常用电检测
2.7.3 基于无监督学习的异常用电检测
2.8 本章小结
第三章 基于Ensemble-ELM的用电异常智能检测算法研究
3.1 引言
3.2 异常用电数据的预处理
3.2.1 异常用电数据分析
3.2.2 异常用电特征提取
3.3 基于改进的Ensemble异常用电检测
3.3.1 集成学习
3.3.2 超限学习机
3.3.3 多数投票算法
3.3.4 基于Ensemble-ELM的异常用电量检测
3.4 实验分析
3.4.1 数据集描述
3.4.2 评价方法
3.4.3 基于Ensemble-ELM的单个异常独立建模结果分析
3.4.4 基于Ensemble-ELM的全部异常共同建模结果分析
3.5 本章小结
第四章 基于K-means SMOTE+KELM的用电异常智能检测算法研究
4.1 引言
4.2 基于K-means SMOTE+KELM的异常电量检测
4.2.1 K-means算法
4.2.2 SMOTE算法
4.2.3 K-means SMOTE算法
4.2.4 KELM
4.2.5 基于K-means SMOTE+KELM的异常用电检测
4.3 实验分析
4.3.1 与使用原始用电数据的传统分类算法比较
4.3.2 与使用SMOTE方法进行数据平衡后的传统分类算法比较
4.3.3 与使用K-means SMOTE方法进行数据平衡后的传统分类算法比较
4.4 本章小结
第五章 基于深度加权ELM的用电异常智能检测算法研究
5.1 引言
5.2 基于深度的加权ELM的用电异常检测
5.2.1 传统不平衡学习算法
5.2.2 WELM
5.2.3 BWELM
5.2.4 深度加权ELM
5.3 实验分析
5.3.1 与传统不平衡分类算法的实验比较
5.3.2 与一般加权算法的实验比较
5.4 本章小结
第六章 总结和展望
6.1 总结
6.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于改进人工蜂群算法的用电异常检测方法[J]. 张思扬,匡芳君. 长春理工大学学报(自然科学版). 2019(01)
[2]基于深度学习的用户异常用电模式检测[J]. 赵文清,沈哲吉,李刚. 电力自动化设备. 2018(09)
[3]运用PCA改进BP神经网络的用电异常行为检测[J]. 田野,张程,毛昕儒,刘骥. 重庆理工大学学报(自然科学). 2017(08)
[4]基于聚类分析的用电量数据分析[J]. 梁玉泉,王华佑,陈炽光,张众发,王庆斌,佘国鸿,谢文旺,刘振盛,孙云莲. 武汉大学学报(工学版). 2017(04)
[5]基于改进快速密度峰值聚类算法的电力大数据异常值检测[J]. 刘凤魁,邓春宇,王晓蓉,王新迎. 电力信息与通信技术. 2017(06)
[6]基于密度聚类技术的电力系统用电量异常分析算法[J]. 田力,向敏. 电力系统自动化. 2017(05)
[7]大规模用电数据流的快速聚类和异常检测技术[J]. 王桂兰,周国亮,赵洪山,米增强. 电力系统自动化. 2016(24)
[8]ELM算法在用户用电行为分析中的应用[J]. 胡殿刚,李韶瑜,楼俏,王琼,程淼海,王国军,李国辉. 计算机系统应用. 2016(08)
[9]基于粒子群算法的异常用电检测方法[J]. 卢海明,郭壮志. 东北电力技术. 2016(05)
[10]一种用于异常用电检测的负荷模式分析新方法[J]. 杨玉锐,程杰,周刚,徐诒玥,吴伟健,吴佳. 浙江电力. 2014(09)
硕士论文
[1]基于深度学习的小样本异常用电数据检测技术研究[D]. 陈文娴.华中科技大学 2018
[2]电能计量数据聚类分析与窃电检测研究[D]. 曾虎.昆明理工大学 2017
本文编号：3648858
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
1.1 研究的背景及意义
1.2 用电异常检测的主要问题以及研究现状
1.2.1 用电异常检测主要面临的问题
1.2.2 基于信号分析的用电异常检测研究现状
1.2.3 基于机器学习的用电异常检测研究现状
1.3 本文主要研究内容
1.4 本文的组织结构
第二章 用电异常的行为分析以及初步特征探索
2.1 引言
2.2 用电异常现状
2.3 用电异常产生的原因及分类
2.4 常见用电异常以及防范措施
2.5 用电异常的一般处理流程
2.6 基于用电异常的特性分析
2.7 基于传统方法的异常用电检测
2.7.1 基于监督学习的异常用电检测
2.7.2 基于半监督学习的异常用电检测
2.7.3 基于无监督学习的异常用电检测
2.8 本章小结
第三章 基于Ensemble-ELM的用电异常智能检测算法研究
3.1 引言
3.2 异常用电数据的预处理
3.2.1 异常用电数据分析
3.2.2 异常用电特征提取
3.3 基于改进的Ensemble异常用电检测
3.3.1 集成学习
3.3.2 超限学习机
3.3.3 多数投票算法
3.3.4 基于Ensemble-ELM的异常用电量检测
3.4 实验分析
3.4.1 数据集描述
3.4.2 评价方法
3.4.3 基于Ensemble-ELM的单个异常独立建模结果分析
3.4.4 基于Ensemble-ELM的全部异常共同建模结果分析
3.5 本章小结
第四章 基于K-means SMOTE+KELM的用电异常智能检测算法研究
4.1 引言
4.2 基于K-means SMOTE+KELM的异常电量检测
4.2.1 K-means算法
4.2.2 SMOTE算法
4.2.3 K-means SMOTE算法
4.2.4 KELM
4.2.5 基于K-means SMOTE+KELM的异常用电检测
4.3 实验分析
4.3.1 与使用原始用电数据的传统分类算法比较
4.3.2 与使用SMOTE方法进行数据平衡后的传统分类算法比较
4.3.3 与使用K-means SMOTE方法进行数据平衡后的传统分类算法比较
4.4 本章小结
第五章 基于深度加权ELM的用电异常智能检测算法研究
5.1 引言
5.2 基于深度的加权ELM的用电异常检测
5.2.1 传统不平衡学习算法
5.2.2 WELM
5.2.3 BWELM
5.2.4 深度加权ELM
5.3 实验分析
5.3.1 与传统不平衡分类算法的实验比较
5.3.2 与一般加权算法的实验比较
5.4 本章小结
第六章 总结和展望
6.1 总结
6.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于改进人工蜂群算法的用电异常检测方法[J]. 张思扬,匡芳君. 长春理工大学学报(自然科学版). 2019(01)
[2]基于深度学习的用户异常用电模式检测[J]. 赵文清,沈哲吉,李刚. 电力自动化设备. 2018(09)
[3]运用PCA改进BP神经网络的用电异常行为检测[J]. 田野,张程,毛昕儒,刘骥. 重庆理工大学学报(自然科学). 2017(08)
[4]基于聚类分析的用电量数据分析[J]. 梁玉泉,王华佑,陈炽光,张众发,王庆斌,佘国鸿,谢文旺,刘振盛,孙云莲. 武汉大学学报(工学版). 2017(04)
[5]基于改进快速密度峰值聚类算法的电力大数据异常值检测[J]. 刘凤魁,邓春宇,王晓蓉,王新迎. 电力信息与通信技术. 2017(06)
[6]基于密度聚类技术的电力系统用电量异常分析算法[J]. 田力,向敏. 电力系统自动化. 2017(05)
[7]大规模用电数据流的快速聚类和异常检测技术[J]. 王桂兰,周国亮,赵洪山,米增强. 电力系统自动化. 2016(24)
[8]ELM算法在用户用电行为分析中的应用[J]. 胡殿刚,李韶瑜,楼俏,王琼,程淼海,王国军,李国辉. 计算机系统应用. 2016(08)
[9]基于粒子群算法的异常用电检测方法[J]. 卢海明,郭壮志. 东北电力技术. 2016(05)
[10]一种用于异常用电检测的负荷模式分析新方法[J]. 杨玉锐,程杰,周刚,徐诒玥,吴伟健,吴佳. 浙江电力. 2014(09)
硕士论文
[1]基于深度学习的小样本异常用电数据检测技术研究[D]. 陈文娴.华中科技大学 2018
[2]电能计量数据聚类分析与窃电检测研究[D]. 曾虎.昆明理工大学 2017
本文编号：3648858
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3648858.html
