基于大数据技术支撑的线损异常分析与线损预测研究

发布时间：2020-03-22 13:17

【摘要】：线损管理在一个地区的电网发展中起着重要作用。线损的异常分析和精确预测可以对电网发展规划、降损措施制定起到指导作用。随着智能电表的推广和用电信息采集系统的不断完善,电力大数据时代已经到来。现有的线损异常识别方法多基于人力,在时效性和准确性上的提高上存在局限性。此外,传统的线损预测方法在大数据集的情况下无法准确反映数据序列特征,预测精度受限。因此如何结合大数据技术,将数据挖掘与深度学习理论应用到线损的异常分析和预测中解决传统方法的问题,具有重要的研究意义。本文研究了基于大数据技术支撑的电网线损分析方法,主要工作如下:(1)对线损计算、线损异常分析、线损预测的研究现状进行了大量调研,就深度学习等技术在电力系统中的应用进行了总结;(2)比较几类常用的理论线损计算方法(均方根电流法、等值电阻法和基于潮流计算的线损计算方法)的原理和结果,得出了不同方法的优缺点和适用场景;(3)基于三种不同的数据挖掘技术的组合模型对线损异常进行分析研究,建立电网运营数据异常样本库,提出了线损异常发生判别、异常发生时间确定和异常地点的定位,最后通过算例验证了该方法的准确性和可行性。(4)基于深度学习理论,分析了标准循环神经网络对长序列建模的缺陷,提出了利用长短记忆单元网络对于学习长期依赖问题的优势,在完整数据集下,建立基于长短记忆单元网络的线损预测模型,利用记忆单元强大的记忆能力,对线损长时间序列的特征进行提取、存储、分比重使用、反馈至网络和再提取的方式有效地获取线损曲线的变化规律,经过算例验证,比较该模型与标准RNN和传统神经网络的预测结果,预测精度有效提高。(5)在数据缺失的情况下,基于大数据理论,提出了序列模式的数据修复方法,并通过算例验证了该方法能够有效地解决在缺失数据下应用传统方法进行数据不全精度不高的问题。随着智能电网相关技术的不断发展,可获得的高质量电力数据势必增大。而大数据分析、数据挖掘技术以及深度学习理论的分析方法不仅对数据完整性要求低,且具有强大的适应性和精准性,在未来线损分析研究中的作用将不断增大,并且为未来的电力系统精细化管理打下基础。
【图文】：

美国,智能,战略转型,智能电表

文基于大数据技术支撑的线损异常分析与线究计划”(BigDataResearchandDevelopment Initiative)来推动6]。时代的到来也推动了电力大数据的发展，在国外，各个科研大数据的应用分析上不断有新的突破。法国电力公司(EDF)作为全球领先的电力基础设施服务提供商，通过设立专业机强分析能力，不断发掘数据资产价值，为企业战略转型与服支撑[27]，目前全法已经安装 3500 万智能电表，电表产生的到 PB 级。美国在智能电网技术上处于世界前沿，美国 BG&擎平台的应用模块对其内部的数据源系统和其服务区内的所，每天集成分析上千万条数据，传输上亿条数据[28]；美国 U心联合当地政府智能部门开发了洛杉矶电力地图，，通过收集而有助于直观地分析提高能源效率以及制定有效政策。

用户线,离群点

图 3-3 用户线损示例图Fig 3-3 Sample of Line Loss随着数据挖掘技术的成熟，离群点挖掘已成功应用到多个领域，并越来越受到各行各业的重视。典型的实例包括：入侵检测、天气预报以及故障检测等。而故障检测即为本章主要研究内容。文献[42]对离群点挖掘主要解决两个问题做了如下定义：①对于给定的数据集，什么样的对象被认为是离群点；②如何使用有效的方法挖掘这些离群点。根据检测原理的不同，离群点挖掘方法可以划分为以下几类：a. 基于统计分布的方法b. 基于距离的方法c. 基于偏差的方法d. 基于密度的方法其中基于距离和基于密度的方法适用性较广，因此本文对其中两种方法的原理进行分析比对，选择更适合用于线损异常点判别的算法。（1）k-NN 算法基于 k-NN 的离群点检测算法是一种比较简单的检测方法[43]，k-NN 算法的原理
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM714.3

【参考文献】