基于深度学习的电力负荷识别方法

发布时间：2024-10-04 23:44

　　随着社会经济地大步向前发展,人们对能源的需求也越来越大。社会上常用的化石能源,会导致严重的环境污染问题,与建设低碳环保型社会背道而驰。但是目前新型清洁能源的转换技术并不成熟,因此提升能源的利用率、合理利用能源是缓和这一矛盾的有效方法。而电能是社会上应用最广泛的二次能源,节约用电是一种行之有效的节能方法。智能电网通过向供电方与用电方提供各方面详细的用电信息,可以让供电方根据需求及时合理地安排电能供应,也可以帮助用电方开展节能工作。对电力负荷进行监测识别是建设智能电网的一个重要环节,可以为电网公司提供更加详实的用电信息,保障电网的正常运转,为电网规划提供真实有效的参考数据。本文以实地采集到的工业电力负荷数据作为研究对象,结合深度学习方法,提出了两种电力负荷识别算法。本文的主要研究内容如下:(1)对原始数据进行预处理。首先对采集到的电力负荷数据进行最近邻值插值替换处理,剔除无效值与空值;其次使用巴特沃斯滤波器抑制线性漂移和滤除高频噪声;然后通过归一化消除畸变值的影响,为后续网络模型寻求最优值做铺垫;最后使用主成分分析(Principal Component Analysis,PCA)降维与白化...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 负荷监测识别
        1.2.2 深度学习技术
        1.2.3 基于深度学习的电力负荷识别
    1.3 主要研究内容和创新点
    1.4 论文章节安排
第2章 相关理论知识
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 全连接层
        2.1.4 激活函数
    2.2 优化算法与损失函数
        2.2.1 Adam优化算法
        2.2.2 损失函数
    2.3 评价指标
    2.4 网络模块
        2.4.1 SE模块
        2.4.2 Ghost模块
        2.4.3 注意力机制模块
    2.5 本章小结
第3章 电力负荷数据预处理
    3.1 数据来源
    3.2 主成分分析与白化
    3.3 数据处理过程
    3.4 本章小结
第4章 基于S-CNN的电力负荷识别算法
    4.1 S-CNN模型
    4.2 实验结果与分析
        4.2.1 实验环境与参数设置
        4.2.2 实验流程
        4.2.3 参数设置对模型性能的影响
        4.2.4 实验结果可视化
        4.2.5 二十五种电力负荷实验验证
    4.3 本章小结
第5章 基于GS-CNN的移动设备电力负荷识别算法
    5.1 GS-CNN模型
        5.1.1 网络模型设计
        5.1.2 GS-CNN模型的介绍
    5.2 实验结果与分析
        5.2.1 实验环境与参数设置
        5.2.2 实验流程
        5.2.3 参数设置对模型性能的影响
        5.2.4 实验结果可视化
        5.2.5 二十五种电力负荷实验验证
    5.3 本章小结
第6章 总结和展望
    6.1 总结
    6.2 进一步的工作方向
致谢
参考文献
攻读学位期间的研究成果



本文编号：4007283