本文關(guān)鍵詞：電能計量數(shù)據(jù)聚類分析與竊電檢測研究　出處：《昆明理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 負(fù)荷曲線 聚類分析 竊電檢測 PSO-SVR

【摘要】：隨著電網(wǎng)的智能化發(fā)展,各種智能電量計量裝置的廣泛使用,電能計量自動化系統(tǒng)中積累了大量的電能計量數(shù)據(jù),采用數(shù)據(jù)挖掘的方法對這些數(shù)據(jù)進(jìn)行分析,可以幫助電力部門掌握用戶的用電行為,對負(fù)荷預(yù)測、負(fù)荷控制、用電異常檢測等具有重要的意義。竊電作為影響電網(wǎng)發(fā)展的主要問題之一,不僅給國家經(jīng)濟(jì)造成了重大的損失,而且威脅著電網(wǎng)的安全運行。隨著科技的發(fā)展,竊電手段越來越多樣化,而且隱蔽性更強,這給竊電檢測帶來了更大的困難。同時對大量的用戶進(jìn)行竊電檢測存在著效率問題。針對上述問題,本文首先采用了聚類的方法完成了對用戶用電負(fù)荷曲線的分類,得到了用戶的負(fù)荷特征曲線并根據(jù)負(fù)荷特征曲線對用戶用電行為進(jìn)行了分析,然后采用將用戶的負(fù)荷曲線與其負(fù)荷特征曲線進(jìn)行匹配篩選的方法,以此對疑似竊電用戶進(jìn)行確定,縮小了竊電檢測的用戶范圍,最后通過基于粒子群(Particle Swarm Optimization,PSO)優(yōu)化的支持向量機回歸(Support Vector Regression,SVR)算法對疑似竊電用戶的竊電行為進(jìn)行進(jìn)一步檢測。本文的主要研究內(nèi)容如下:(1)基于聚類分析與支持向量機回歸的相關(guān)技術(shù),提出基于負(fù)荷、電流、電壓、電量等電能計量數(shù)據(jù)的竊電檢測模型,并采用了云南省某供電局的電能計量數(shù)據(jù)對模型進(jìn)行了實驗驗證。(2)詳細(xì)分析了用戶負(fù)荷曲線分類過程,對分類過程中的數(shù)據(jù)抽取、數(shù)據(jù)預(yù)處理、單一用戶典型日負(fù)荷曲線的提取和聚類數(shù)確定進(jìn)行了具體研究,利用模糊C均值(FuzzyC-means,FCM)聚類算法得到用戶的日負(fù)荷特征曲線,并對用戶用電行為進(jìn)行了分析。這為疑似竊電用戶的判別提供了依據(jù)。(3)針對傳統(tǒng)的支持向量機回歸算法在準(zhǔn)確性方面的不足,本文采用了粒子群算法對SVR算法進(jìn)行了優(yōu)化,將優(yōu)化后的SVR算法應(yīng)用到竊電檢測模型中,建立了疑似竊電用戶竊電行為的檢測模型。實驗表明,相比于傳統(tǒng)的SVR算法,經(jīng)過優(yōu)化后的SVR算法的準(zhǔn)確性較高,為竊電檢測提供了一種新方法。
[Abstract]:With the intelligent development of power grid and the wide use of various intelligent metering devices, a large number of electric energy measurement data have been accumulated in the electric energy measurement automation system, and these data are analyzed by the method of data mining. It can help the power department to master the user's behavior of electricity consumption, and it has important significance to load forecasting, load control, abnormal detection of electricity consumption, etc. As one of the main problems affecting the development of power grid, electricity theft is one of the main problems. It not only causes great loss to the national economy, but also threatens the safe operation of power grid. With the development of science and technology, the means of stealing electricity are more and more diversified and more concealment. This brings more difficulties to the detection of electricity theft. At the same time, there are efficiency problems in detecting a large number of users. In this paper, we first use the clustering method to complete the classification of the user load curve, get the user load characteristic curve and analyze the user power consumption behavior according to the load characteristic curve. Then the method of matching the load curve and the load characteristic curve of the user is adopted to determine the suspected power theft user and to reduce the range of the users of the electricity theft detection. Finally, Particle Swarm Optimization based on particle swarm optimization was used. PSO-optimized support Vector Regression. SVR (SVR) algorithm is used to further detect the power theft behavior of suspected users. The main research contents of this paper are as follows: 1) based on clustering analysis and support vector machine regression technology, a load-based approach is proposed. Current, voltage, electricity and other electrical energy measurement data detection model. Using the electric energy metering data of a power supply bureau in Yunnan Province, the model is verified by experiments. (2) the classification process of user load curve is analyzed in detail, and the data extraction and data preprocessing in the process of classification are analyzed in detail. The typical daily load curve of a single user is extracted and the clustering number is determined. The fuzzy C-means clustering algorithm is used to obtain the daily load characteristic curve of the user. It provides a basis for the discrimination of the suspected users of electricity theft. 3) aiming at the lack of accuracy of the traditional support vector machine regression algorithm. In this paper, particle swarm optimization (PSO) algorithm is used to optimize the SVR algorithm, and the optimized SVR algorithm is applied to the detection model of electricity theft. Compared with the traditional SVR algorithm, the accuracy of the optimized SVR algorithm is higher, which provides a new method for the detection of electricity theft.
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP311.13;TM933.4

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙國生;牛貞貞;劉永光;孫超亮;;基于自適應(yīng)模糊C均值聚類算法的電力負(fù)荷特性分類[J];鄭州大學(xué)學(xué)報(工學(xué)版);2015年06期

2 程超;張漢敬;景志敏;陳明;矯磊;楊立新;;基于離群點算法和用電信息采集系統(tǒng)的反竊電研究[J];電力系統(tǒng)保護(hù)與控制;2015年17期

3 王德文;孫志偉;;一種基于內(nèi)存計算的電力用戶聚類分析方法[J];智能系統(tǒng)學(xué)報;2015年04期

4 夏正侃;胡世暉;江炳祥;;一種智能遠(yuǎn)程反竊電稽查裝置的設(shè)計[J];電氣應(yīng)用;2015年S1期

5 黃麒元;王致杰;朱俊;杜彬;王東偉;呂金都;王浩清;;基于模糊聚類的電力系統(tǒng)負(fù)荷分類分析[J];電力學(xué)報;2015年03期

6 蘇才普;;智能電網(wǎng)研究現(xiàn)狀[J];電氣開關(guān);2015年01期

7 周開樂;楊善林;丁帥;羅賀;;聚類有效性研究綜述[J];系統(tǒng)工程理論與實踐;2014年09期

8 劉永光;孫超亮;牛貞貞;趙國生;;改進(jìn)型模糊C均值聚類算法的電力負(fù)荷特性分類技術(shù)研究[J];電測與儀表;2014年18期

9 謝娟英;王艷娥;;最小方差優(yōu)化初始聚類中心的K-means算法[J];計算機工程;2014年08期

10 董瑞;黃民翔;;基于減法聚類的FCM算法在電力負(fù)荷分類中的應(yīng)用[J];華東電力;2014年05期

相關(guān)博士學(xué)位論文 前2條

1 周開樂;模糊C均值聚類及其有效性檢驗與應(yīng)用研究[D];合肥工業(yè)大學(xué);2014年

2 王開軍;基于數(shù)據(jù)幾何特性的概率推理和統(tǒng)計學(xué)習(xí)研究[D];西安電子科技大學(xué);2008年

相關(guān)碩士學(xué)位論文 前9條

1 董方;粒子群算法研究及其在動態(tài)優(yōu)化中的應(yīng)用[D];浙江大學(xué);2014年

2 王軍;人工智能方法在光伏發(fā)電功率預(yù)測中的應(yīng)用研究[D];華北電力大學(xué);2013年

3 楊佳;基于電網(wǎng)電氣參量特性分析的竊電辨識方法[D];華北電力大學(xué);2013年

4 朱曉清;電力負(fù)荷的分類方法及其應(yīng)用[D];華南理工大學(xué);2012年

5 李仁義;數(shù)據(jù)挖掘中聚類分析算法的研究與應(yīng)用[D];電子科技大學(xué);2012年

6 劉麗輕;電力用戶負(fù)荷模式識別系統(tǒng)研究與設(shè)計[D];華北電力大學(xué);2012年

7 曹崢;反竊電系統(tǒng)的研究與應(yīng)用[D];上海交通大學(xué);2011年

8 馮曉蒲;基于實際負(fù)荷曲線的電力用戶分類技術(shù)研究[D];華北電力大學(xué);2011年

9 蔣國棟;基于K-means聚類算法的負(fù)荷模型研究[D];哈爾濱工業(yè)大學(xué);2009年

，

本文編號：1410702