電力服務營銷中的用電異常數(shù)據檢測,對于減少非技術性損失以及保障電網安全用電具有非常重要的意義。目前,我國電力企業(yè)異常用電檢測主要面臨著幾個問題:（1）主要依賴專家經驗、建立機理規(guī)則模型識別,識別能力不夠,靈活性不足;（2）隨著智能電網的蓬勃發(fā)展以及用電數(shù)據急劇增加,復雜的數(shù)據結構和海量的數(shù)據流使得大量異常信息淹沒而無法得到有效檢測;（3）異常數(shù)據的占比很小,屬于典型的不均衡數(shù)據集挖掘問題,傳統(tǒng)的用電異常檢測算法早已不適用。因此,為了解決這些問題,亟需研發(fā)智能高效的異常用電檢測算法來保障電力企業(yè)中的智慧用電管理。針對上述問題,本文的工作主要分為四大部分:（1）針對復雜多變的用電大數(shù)據,借鑒統(tǒng)計學習方法的思想首次提出一種基于各類異常定義的特征提取方法,提取了電量的同比和環(huán)比等具有相關性的電量特征作為異常數(shù)據特征。（2）針對不平衡分布的異常電量數(shù)據,提出一種基于超限學習機（ELM）和集成學習的融合的Ensemble-ELM異常用電檢測方法。采用集成學習思想可以有效解決異常電量數(shù)據分布不均衡問題,以ELM作為基模型,對異常電量數(shù)據表征能力強、訓練速度快且識別率高,最后使用多數(shù)投票方式進行表決,... 

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究的背景及意義
    1.2 用電異常檢測的主要問題以及研究現(xiàn)狀
        1.2.1 用電異常檢測主要面臨的問題
        1.2.2 基于信號分析的用電異常檢測研究現(xiàn)狀
        1.2.3 基于機器學習的用電異常檢測研究現(xiàn)狀
    1.3 本文主要研究內容
    1.4 本文的組織結構
第二章 用電異常的行為分析以及初步特征探索
    2.1 引言
    2.2 用電異�，F(xiàn)狀
    2.3 用電異常產生的原因及分類
    2.4 常見用電異常以及防范措施
    2.5 用電異常的一般處理流程
    2.6 基于用電異常的特性分析
    2.7 基于傳統(tǒng)方法的異常用電檢測
        2.7.1 基于監(jiān)督學習的異常用電檢測
        2.7.2 基于半監(jiān)督學習的異常用電檢測
        2.7.3 基于無監(jiān)督學習的異常用電檢測
    2.8 本章小結
第三章 基于Ensemble-ELM的用電異常智能檢測算法研究
    3.1 引言
    3.2 異常用電數(shù)據的預處理
        3.2.1 異常用電數(shù)據分析
        3.2.2 異常用電特征提取
    3.3 基于改進的Ensemble異常用電檢測
        3.3.1 集成學習
        3.3.2 超限學習機
        3.3.3 多數(shù)投票算法
        3.3.4 基于Ensemble-ELM的異常用電量檢測
    3.4 實驗分析
        3.4.1 數(shù)據集描述
        3.4.2 評價方法
        3.4.3 基于Ensemble-ELM的單個異常獨立建模結果分析
        3.4.4 基于Ensemble-ELM的全部異常共同建模結果分析
    3.5 本章小結
第四章 基于K-means SMOTE+KELM的用電異常智能檢測算法研究
    4.1 引言
    4.2 基于K-means SMOTE+KELM的異常電量檢測
        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的異常用電檢測
    4.3 實驗分析
        4.3.1 與使用原始用電數(shù)據的傳統(tǒng)分類算法比較
        4.3.2 與使用SMOTE方法進行數(shù)據平衡后的傳統(tǒng)分類算法比較
        4.3.3 與使用K-means SMOTE方法進行數(shù)據平衡后的傳統(tǒng)分類算法比較
    4.4 本章小結
第五章 基于深度加權ELM的用電異常智能檢測算法研究
    5.1 引言
    5.2 基于深度的加權ELM的用電異常檢測
        5.2.1 傳統(tǒng)不平衡學習算法
        5.2.2 WELM
        5.2.3 BWELM
        5.2.4 深度加權ELM
    5.3 實驗分析
        5.3.1 與傳統(tǒng)不平衡分類算法的實驗比較
        5.3.2 與一般加權算法的實驗比較
    5.4 本章小結
第六章 總結和展望
    6.1 總結
    6.2 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]基于改進人工蜂群算法的用電異常檢測方法[J]. 張思揚,匡芳君.  長春理工大學學報(自然科學版). 2019(01)
[2]基于深度學習的用戶異常用電模式檢測[J]. 趙文清,沈哲吉,李剛.  電力自動化設備. 2018(09)
[3]運用PCA改進BP神經網絡的用電異常行為檢測[J]. 田野,張程,毛昕儒,劉驥.  重慶理工大學學報(自然科學). 2017(08)
[4]基于聚類分析的用電量數(shù)據分析[J]. 梁玉泉,王華佑,陳熾光,張眾發(fā),王慶斌,佘國鴻,謝文旺,劉振盛,孫云蓮.  武漢大學學報(工學版). 2017(04)
[5]基于改進快速密度峰值聚類算法的電力大數(shù)據異常值檢測[J]. 劉鳳魁,鄧春宇,王曉蓉,王新迎.  電力信息與通信技術. 2017(06)
[6]基于密度聚類技術的電力系統(tǒng)用電量異常分析算法[J]. 田力,向敏.  電力系統(tǒng)自動化. 2017(05)
[7]大規(guī)模用電數(shù)據流的快速聚類和異常檢測技術[J]. 王桂蘭,周國亮,趙洪山,米增強.  電力系統(tǒng)自動化. 2016(24)
[8]ELM算法在用戶用電行為分析中的應用[J]. 胡殿剛,李韶瑜,樓俏,王瓊,程淼海,王國軍,李國輝.  計算機系統(tǒng)應用. 2016(08)
[9]基于粒子群算法的異常用電檢測方法[J]. 盧海明,郭壯志.  東北電力技術. 2016(05)
[10]一種用于異常用電檢測的負荷模式分析新方法[J]. 楊玉銳,程杰,周剛,徐詒玥,吳偉健,吳佳.  浙江電力. 2014(09)

碩士論文
[1]基于深度學習的小樣本異常用電數(shù)據檢測技術研究[D]. 陳文嫻.華中科技大學 2018
[2]電能計量數(shù)據聚類分析與竊電檢測研究[D]. 曾虎.昆明理工大學 2017



本文編號：3648858