據(jù)研究顯示,每年電力系統(tǒng)中因非技術(shù)性問題造成的營運損失高達百億美元。非技術(shù)性損失是指由配電網(wǎng)側(cè)電力用戶的竊電、欺詐等一系列虛假用電行為造成的運營損失。隨著智能電網(wǎng)不斷推進與傳感采集技術(shù)的高速發(fā)展,電力公司用電負荷數(shù)據(jù)海量增加,這導致異常用電用戶檢測越來越困難。近年來,人們提出一些智能檢測算法來克服原始人工檢測盲目性高、查準率低等弊端,提高現(xiàn)場檢測的命中率,降低運營成本�，F(xiàn)階段大部分智能檢測算法都是基于有監(jiān)督學習進行的,需要以大量帶標簽的訓練集為前提。但現(xiàn)實情況中,數(shù)據(jù)分析檢測的初始階段沒有大量訓練集進行模型訓練,所以本文提出了基于無監(jiān)督和半監(jiān)督學習的異常用電用戶檢測模型,旨在形成用戶可疑度排序列表,為現(xiàn)場檢測提供檢測重點,提高現(xiàn)場檢測的準確率。本文研究工作主要包括:(1)針對檢測初期,缺乏用戶用電類型(正常、異常)的問題,利用無監(jiān)督學習方法提出基于離群點的異常檢測模型框架�？蚣苤邪诰垲惙治龅囊患壔颐麊紊伤惴ㄅc基于離群點計算的二級灰名單生成算法。利用此模型可以生成具有可疑度排名的用戶列表。利用真實電力數(shù)據(jù)進行實驗表明本文模型在無需訓練集的情況下生成可疑度排名列表,只需檢測該列表前...

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

圖4-16本文方法獲得的第3次用戶負荷異常下跌檢測結(jié)果

第四章電壓暫降與用電可靠性關聯(lián)機理分析與關聯(lián)模型研究(b)總體負荷圖4-15本文方法獲得的第2次用戶負荷異常下跌檢測結(jié)果第3次用戶負荷異常下跌檢測結(jié)果如圖4-16所示，則用戶LP3、LP11、LP17、LP18發(fā)生了電壓暫降；LP6為其他原因?qū)е碌呢摵晒?...

圖２．１局部離群因子的示意圖??Ｆｉｇ．?２．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｆｏｒ?ｌｏｃａｌ?ｏｕｔｌｉｅｒ?ｆａｃｔｏｒ??

＿ｄｉｓｔｋ?（／？，〇）?＝?ｍａｘ｜Ａ：＿ｄｉｓｉ（ｏ），（／？，〇）｝?式（２．１６）??由式２．１６可見，圖２．２中對象５和對象Ｃ關于對象ｄ的可達距離０?＝?３）相??等。???－？??（狗??圖２．２可達距離的示意圖??Ｆｉｇ．?２．２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａ....

圖２．２可達距離的示意圖??Ｆｉｇ．?２．２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｆｏｒ?ｒｅａｃｈａｂｉｌｉｔｙ?ｄｉｓｔａｎｃｅ??

＃??＊??圖２．１局部離群因子的示意圖??Ｆｉｇ．?２．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｆｏｒ?ｌｏｃａｌ?ｏｕｔｌｉｅｒ?ｆａｃｔｏｒ??定義２．２對象的丨－距離鄰域［５（）］??對象的／ｔ?－距離鄰域是所有到Ｐ的距離不超過Ａ?－距離的對象集合，即：??Ｍ（／？）?＝....

圖２．３聚類示意圖??Ｆｉｇ．?２．３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｆｏｒ?ｃｌｕｓｔｅｒ??

且土巧＝１４?坌，］，＾（心巧，？？４７＼；１１，４，．．．；１々）／是未知參數(shù)的向量［５３］。??／＝１?Ｖ?）??采用基于高斯混合模型的聚類算法進行聚類，將產(chǎn)生圖２．３的聚類效果。??▲??〇??〇?，棚麵麵〇??〇〇〇〇?占??Ｏ?參°」八??ｃｃ＞°?黎???？??圖２．....

本文編號：3965231