現(xiàn)有用戶用電模式提取技術(shù)主要基于負(fù)荷數(shù)據(jù)時(shí)域特征提取,無法準(zhǔn)確分辨時(shí)域上歐式距離接近但頻域上波動(dòng)特性差異較大的負(fù)荷數(shù)據(jù),且對(duì)類別不平衡負(fù)荷數(shù)據(jù)的分類準(zhǔn)確率較低。為解決上述問題,文章首先通過基于樣本支持向量的過采樣方法（support vector machines-synthetic minority over-sampling technique,SVM-SMOTE）對(duì)存在類別不平衡問題的負(fù)荷數(shù)據(jù)進(jìn)行處理;然后,通過極大重疊離散小波變換（maximal overlap discrete wavelet transform,MODWT）對(duì)負(fù)荷數(shù)據(jù)進(jìn)行分解,并將分解后的尺度系數(shù)和細(xì)節(jié)系數(shù)組成頻域的特征矩陣;最后將頻域特征矩陣輸入深度長(zhǎng)短期記憶（long short-term memory,LSTM）神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷分類并通過求取各個(gè)類別質(zhì)心來獲取典型用電模式。實(shí)驗(yàn)結(jié)果表明,該方法具有良好的類別不平衡數(shù)據(jù)處理能力和負(fù)荷分類效果。 

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

LSTM+MODWT網(wǎng)絡(luò)分類結(jié)果

4類典型用戶用電負(fù)荷曲線

負(fù)荷曲線形態(tài)特征對(duì)比

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)聚類方式的牽引負(fù)荷分類方法[J]. 張麗艷,陳映月,韓正慶.  西南交通大學(xué)學(xué)報(bào). 2020(01)
[2]基于LSTM網(wǎng)絡(luò)的諧波多標(biāo)簽分類[J]. 陳倩,齊林海,王紅.  電力建設(shè). 2019(07)
[3]計(jì)及數(shù)據(jù)類別不平衡的海量用戶負(fù)荷典型特征高性能提取方法[J]. 劉洋,劉洋,許立雄,王劍.  中國(guó)電機(jī)工程學(xué)報(bào). 2019(14)
[4]基于深度長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的區(qū)域級(jí)超短期負(fù)荷預(yù)測(cè)方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術(shù). 2019(06)
[5]電力市場(chǎng)中基于Attention-LSTM的短期負(fù)荷預(yù)測(cè)模型[J]. 彭文,王金睿,尹山青.  電網(wǎng)技術(shù). 2019(05)
[6]不平衡數(shù)據(jù)分類方法綜述[J]. 李艷霞,柴毅,胡友強(qiáng),尹宏鵬.  控制與決策. 2019(04)
[7]采用深度學(xué)習(xí)和多維模糊C均值聚類的負(fù)荷分類方法[J]. 石亮緣,周任軍,張武軍,余虎,李彬,王瓏.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2019(07)
[8]適用于海量負(fù)荷數(shù)據(jù)分類的高性能反向傳播神經(jīng)網(wǎng)絡(luò)算法[J]. 劉洋,劉洋,許立雄.  電力系統(tǒng)自動(dòng)化. 2018(21)
[9]面向海量用戶用電數(shù)據(jù)的集成負(fù)荷預(yù)測(cè)[J]. 楊德昌,趙肖余,何紹文,杜松懷,蘇娟,巨云濤.  電網(wǎng)技術(shù). 2018(09)
[10]基于形態(tài)距離的日負(fù)荷數(shù)據(jù)自適應(yīng)穩(wěn)健聚類算法[J]. 李陽(yáng),劉友波,劉俊勇,程明暢,馬鐵豐,魏文濤,尹龍,寧世超.  中國(guó)電機(jī)工程學(xué)報(bào). 2019(12)



本文編號(hào)：3664540