基于用户用电量的异常检测方法研究

发布时间：2021-03-16 15:55

　　研究用户日用电负荷数据的特征,有助于电网公司对用户的用电行为有更透彻的理解。如果能依据用户异常用电数据的离群特性建立基于机器学习的用电异常行为检测系统,对于电力行业和智能电网的发展具有重要的意义。论文在基于对数据预处理和机器学习方法理论研究的基础上,结合电网用电数据特征,针对如何建立有效的异常检测模型以提高用户用电异常行为检测的算法性能,进行了深入的分析研究。主要工作内容如下:首先,介绍了用电异常检测的研究意义与应用价值,分析了机器学习算法和异常检测方法在国内外的研究现状及其应用情况,为用电异常检测研究提供依据。针对用户日用电负荷数据的高维和时序特性,介绍了基于统计、自动编码器和主成分分析这三类数据预处理方法的相关知识与基本理论。介绍了基于BP神经网络和基于孤立森林这两种异常检测算法,并进行了原理解释和算法实现。然后,提出并建立了基于BP神经网络的用户用电异常行为检测模型。该模型结合基于统计和PCA的数据预处理方法,该方法有效提取出用电数据的特征,减小了数据规模,提高了异常检测模型的检测精度。同时,模型采用双隐层模型的改进算法训练用电数据,进一步提高了模型训练效果。另一方面,考虑深度自... 

【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

论文各章节逻辑结构

自动编码器基本原理

自动编码器基本网络结构

【参考文献】：
期刊论文
[1]基于用户画像的异常行为检测[J]. 朱佳俊,陈功,施勇,薛质.  通信技术. 2017(10)
[2]时间序列数据挖掘的相似性度量综述[J]. 陈海燕,刘晨晖,孙博.  控制与决策. 2017(01)
[3]基于智能电网的分布式非法用电行为检测方法[J]. 谢涛,靳丹,马志程,杨鹏.  微型电脑应用. 2015(02)
[4]基于用电行为分析的低压用户窃电在线监测分析方法研究[J]. 姚伟智,林幕群,纪素娜,郑青娜,杨军.  中国新通信. 2015(02)
[5]基于自动编码器的短文本特征提取及聚类研究[J]. 刘勘,袁蕴英.  北京大学学报(自然科学版). 2015(02)
[6]基于SVM的AMI环境下用电异常检测研究[J]. 简富俊,曹敏,王磊,孙中伟,张建伟,王洪亮.  电测与仪表. 2014(06)
[7]基于云计算和极限学习机的分布式电力负荷预测算法[J]. 王保义,赵硕,张少敏.  电网技术. 2014(02)
[8]中国配电网面临的新形势及其发展思路[J]. 范明天.  供用电. 2013(01)
[9]数据挖掘中适用于分类的时序数据特征提取方法[J]. 林珠,邢延.  计算机系统应用. 2012(10)
[10]基于核函数分类的多维时序特征选择方法应用[J]. 周小程,马向玲,范洪达,庞文强.  电光与控制. 2010(07)

硕士论文
[1]面向深度网络的自编码器研究[D]. 鲁亚平.苏州大学 2016
[2]基于聚类和密度的离群点检测方法[D]. 陶晶.华南理工大学 2014
[3]基于数据挖掘的电网用户行为分析系统的设计与实现[D]. 林嘉晖.中山大学 2013
[4]电力用户负荷模式识别系统研究与设计[D]. 刘丽轻.华北电力大学 2012
[5]基于实际负荷曲线的电力用户分类技术研究[D]. 冯晓蒲.华北电力大学 2011



本文编号：3086259