【摘要】：線損管理在一個地區(qū)的電網(wǎng)發(fā)展中起著重要作用。線損的異常分析和精確預測可以對電網(wǎng)發(fā)展規(guī)劃、降損措施制定起到指導作用。隨著智能電表的推廣和用電信息采集系統(tǒng)的不斷完善,電力大數(shù)據(jù)時代已經(jīng)到來。現(xiàn)有的線損異常識別方法多基于人力,在時效性和準確性上的提高上存在局限性。此外,傳統(tǒng)的線損預測方法在大數(shù)據(jù)集的情況下無法準確反映數(shù)據(jù)序列特征,預測精度受限。因此如何結合大數(shù)據(jù)技術,將數(shù)據(jù)挖掘與深度學習理論應用到線損的異常分析和預測中解決傳統(tǒng)方法的問題,具有重要的研究意義。本文研究了基于大數(shù)據(jù)技術支撐的電網(wǎng)線損分析方法,主要工作如下:(1)對線損計算、線損異常分析、線損預測的研究現(xiàn)狀進行了大量調研,就深度學習等技術在電力系統(tǒng)中的應用進行了總結;(2)比較幾類常用的理論線損計算方法(均方根電流法、等值電阻法和基于潮流計算的線損計算方法)的原理和結果,得出了不同方法的優(yōu)缺點和適用場景;(3)基于三種不同的數(shù)據(jù)挖掘技術的組合模型對線損異常進行分析研究,建立電網(wǎng)運營數(shù)據(jù)異常樣本庫,提出了線損異常發(fā)生判別、異常發(fā)生時間確定和異常地點的定位,最后通過算例驗證了該方法的準確性和可行性。(4)基于深度學習理論,分析了標準循環(huán)神經(jīng)網(wǎng)絡對長序列建模的缺陷,提出了利用長短記憶單元網(wǎng)絡對于學習長期依賴問題的優(yōu)勢,在完整數(shù)據(jù)集下,建立基于長短記憶單元網(wǎng)絡的線損預測模型,利用記憶單元強大的記憶能力,對線損長時間序列的特征進行提取、存儲、分比重使用、反饋至網(wǎng)絡和再提取的方式有效地獲取線損曲線的變化規(guī)律,經(jīng)過算例驗證,比較該模型與標準RNN和傳統(tǒng)神經(jīng)網(wǎng)絡的預測結果,預測精度有效提高。(5)在數(shù)據(jù)缺失的情況下,基于大數(shù)據(jù)理論,提出了序列模式的數(shù)據(jù)修復方法,并通過算例驗證了該方法能夠有效地解決在缺失數(shù)據(jù)下應用傳統(tǒng)方法進行數(shù)據(jù)不全精度不高的問題。隨著智能電網(wǎng)相關技術的不斷發(fā)展,可獲得的高質量電力數(shù)據(jù)勢必增大。而大數(shù)據(jù)分析、數(shù)據(jù)挖掘技術以及深度學習理論的分析方法不僅對數(shù)據(jù)完整性要求低,且具有強大的適應性和精準性,在未來線損分析研究中的作用將不斷增大,并且為未來的電力系統(tǒng)精細化管理打下基礎。
【圖文】：

文 基于大數(shù)據(jù)技術支撐的線損異常分析與線究計劃”(BigDataResearchandDevelopment Initiative)來推動6]。時代的到來也推動了電力大數(shù)據(jù)的發(fā)展，在國外，各個科研大數(shù)據(jù)的應用分析上不斷有新的突破。法國電力公司(EDF)作為全球領先的電力基礎設施服務提供商，通過設立專業(yè)機強分析能力，不斷發(fā)掘數(shù)據(jù)資產(chǎn)價值，為企業(yè)戰(zhàn)略轉型與服支撐[27]，目前全法已經(jīng)安裝 3500 萬智能電表，電表產(chǎn)生的到 PB 級。美國在智能電網(wǎng)技術上處于世界前沿，美國 BG&擎平臺的應用模塊對其內部的數(shù)據(jù)源系統(tǒng)和其服務區(qū)內的所，每天集成分析上千萬條數(shù)據(jù)，傳輸上億條數(shù)據(jù)[28]；美國 U心聯(lián)合當?shù)卣悄懿块T開發(fā)了洛杉磯電力地圖，，通過收集而有助于直觀地分析提高能源效率以及制定有效政策。

圖 3-3 用戶線損示例圖Fig 3-3 Sample of Line Loss隨著數(shù)據(jù)挖掘技術的成熟，離群點挖掘已成功應用到多個領域，并越來越受到各行各業(yè)的重視。典型的實例包括：入侵檢測、天氣預報以及故障檢測等。而故障檢測即為本章主要研究內容。文獻[42]對離群點挖掘主要解決兩個問題做了如下定義：①對于給定的數(shù)據(jù)集，什么樣的對象被認為是離群點；②如何使用有效的方法挖掘這些離群點。根據(jù)檢測原理的不同，離群點挖掘方法可以劃分為以下幾類：a. 基于統(tǒng)計分布的方法b. 基于距離的方法c. 基于偏差的方法d. 基于密度的方法其中基于距離和基于密度的方法適用性較廣，因此本文對其中兩種方法的原理進行分析比對，選擇更適合用于線損異常點判別的算法。（1）k-NN 算法基于 k-NN 的離群點檢測算法是一種比較簡單的檢測方法[43]，k-NN 算法的原理
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TM714.3

【參考文獻】

相關期刊論文 前10條

1 黃文思;許元斌;鄒保平;陸鑫;;基于大數(shù)據(jù)的線損計算分析研究[J];電氣應用;2015年20期

2 鄒云峰;梅飛;李悅;程云;涂旺;梅軍;;基于數(shù)據(jù)挖掘技術的臺區(qū)合理線損預測模型研究[J];電力需求側管理;2015年04期

3 高飛;;關于電網(wǎng)線損分析及降損措施的探究[J];科技創(chuàng)新與應用;2015年09期

4 周紅艷;田麗;錢兆剛;王勇;;基于連續(xù)隱Markov模型的理論線損率預測研究[J];南陽理工學院學報;2014年06期

5 尹東陽;盛義發(fā);蔣明潔;李永勝;謝曲天;;基于粗糙集理論-主成分分析的Elman神經(jīng)網(wǎng)絡短期風速預測[J];電力系統(tǒng)保護與控制;2014年11期

6 元偉;何珊珊;;電力系統(tǒng)線損管理中存在的問題及其優(yōu)化措施分析[J];中國電力教育;2013年36期

7 羅劍;袁旭峰;鄒曉松;熊煒;歐家祥;;加權主成分分析在電網(wǎng)線損四分管理后評估中的應用[J];電力科學與技術學報;2013年02期

8 劉健;段t燊

本文編號：2595092