電力行業(yè)是國家發(fā)展的重要基礎能源產(chǎn)業(yè),也是國家經(jīng)濟的第一基礎產(chǎn)業(yè),控制著國家的命脈。隨著電網(wǎng)規(guī)模不斷擴大,運行條件日益復雜,電網(wǎng)數(shù)據(jù)采集范圍和頻率不斷增加,如何合理運用電力大數(shù)據(jù),提高電網(wǎng)數(shù)據(jù)利用率,為電網(wǎng)運行的安全性和可靠性提供理論依據(jù),成為了一個新的研究熱點。由于電力數(shù)據(jù)具有數(shù)據(jù)量大、數(shù)據(jù)類型多、價值密度低、處理速度快的特征,如何高效深度地對其進行挖掘分析,提取有價值的信息,為實際問題服務,是具有挑戰(zhàn)性的難題。針對電力大數(shù)據(jù)的特點,本文利用深度學習、遷移學習等人工智能方法,為電網(wǎng)故障檢測、故障診斷和負荷預測等任務建立數(shù)據(jù)挖掘網(wǎng)絡模型,提取數(shù)據(jù)的關(guān)聯(lián)性特征,提高數(shù)據(jù)挖掘的精度和效率。本文的主要研究工作和貢獻如下:首先,針對故障異常數(shù)據(jù)少、傳統(tǒng)神經(jīng)網(wǎng)絡易陷入局部最小、梯度消失爆炸問題,本文提出了基于棧式稀疏自編碼器的線路跳閘故障檢測網(wǎng)絡,利用SSAE對數(shù)據(jù)進行無監(jiān)督學習,提取高維稀疏特征,并引入PCA對特征進行壓縮降維,利用高斯核SVM分類器進行最后的故障判別。其次,考慮故障類型特征不明顯、RNN梯度消失和網(wǎng)絡過擬合等問題,本文提出了基于MLSTM網(wǎng)絡的線路跳閘故障診斷網(wǎng)絡,利用三個帶...

【文章頁數(shù)】：148 頁

【學位級別】：博士

【文章目錄】：
摘要
Abstract
術(shù)語與縮略詞
1 緒論
    1.1 課題背景和意義
    1.2 電力數(shù)據(jù)挖掘研究現(xiàn)狀
    1.3 深度學習、遷移學習概述
        1.3.1 深度學習概述
        1.3.2 遷移學習概述
    1.4 論文的研究內(nèi)容
        1.4.1 本文組織結(jié)構(gòu)
        1.4.2 具體內(nèi)容
2 預備知識
    2.1 自編碼器
    2.2 循環(huán)神經(jīng)網(wǎng)絡
    2.3 網(wǎng)絡訓練方法
        2.3.1 反向傳播算法
        2.3.2 隨時間的反向傳播算法
    2.4 本章小結(jié)
3 基于棧式稀疏自編碼器的電網(wǎng)線路跳閘數(shù)據(jù)驅(qū)動故障檢測
    3.1 引言
    3.2 問題描述
    3.3 基于棧式稀疏自編碼器的線路跳閘故障檢測方法
        3.3.1 棧式稀疏自編碼器網(wǎng)絡
        3.3.2 基于PCA和SVM的改進故障檢測模型
    3.4 模型性能評估實驗與分析
        3.4.1 實驗數(shù)據(jù)與實驗條件設置
        3.4.2 實驗結(jié)果與分析
    3.5 本章小結(jié)
4 基于MLSTM網(wǎng)絡的電網(wǎng)線路跳閘數(shù)據(jù)驅(qū)動故障診斷
    4.1 引言
    4.2 問題描述
    4.3 基于MLSTM網(wǎng)絡的線路跳閘故障診斷方法
        4.3.1 長短期記憶網(wǎng)絡模型
        4.3.2 基于MLSTM網(wǎng)絡的故障診斷模型
    4.4 模型性能評估實驗與分析
        4.4.1 實驗數(shù)據(jù)與實驗條件設置
        4.4.2 實驗結(jié)果與分析
    4.5 本章小結(jié)
5 基于GRU網(wǎng)絡的電網(wǎng)用戶短期負荷預測
    5.1 引言
    5.2 問題描述
    5.3 基于GRU網(wǎng)絡的電網(wǎng)用戶短期負荷預測方法
        5.3.1 GRU單元結(jié)構(gòu)
        5.3.2 基于GRU網(wǎng)絡的電網(wǎng)用戶短期負荷預測模型
    5.4 模型性能評估實驗與分析
        5.4.1 實驗數(shù)據(jù)與實驗條件設置
        5.4.2 實驗結(jié)果與分析
    5.5 本章小結(jié)
6 基于遷移學習和MMD的電力數(shù)據(jù)挖掘技術(shù)
    6.1 引言
    6.2 問題描述
    6.3 基于遷移學習和MMD的電力數(shù)據(jù)挖掘模型
        6.3.1 遷移學習
        6.3.2 最大均值差異算法
        6.3.3 基于遷移學習和MMD的電力數(shù)據(jù)挖掘網(wǎng)絡
    6.4 模型性能評估實驗與分析
        6.4.1 實驗數(shù)據(jù)與實驗條件設置
        6.4.2 實驗結(jié)果與分析
    6.5 本章小結(jié)
7 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 研究展望
參考文獻
作者簡歷
攻讀博士學位期間的主要成果
致謝



本文編號：3763213