【摘要】：隨著智能電網(wǎng)的深化建設(shè),一方面,智能電表等設(shè)備接入配電網(wǎng),并實(shí)時采集運(yùn)行數(shù)據(jù),海量數(shù)據(jù)蘊(yùn)含巨大的價值有待開發(fā)。另一方面,配電網(wǎng)與外界交互日益增多,如分布式供電儲能等。新模式對配電網(wǎng)的物理特性產(chǎn)生重要影響,傳統(tǒng)物理理論建模方法難以滿足復(fù)雜系統(tǒng)的需求。因此,配電網(wǎng)亟需新方案應(yīng)對復(fù)雜環(huán)境。機(jī)器學(xué)習(xí)等新技術(shù)能夠挖掘海量運(yùn)行數(shù)據(jù)的潛在價值,并探索新的認(rèn)知關(guān)系,輔助現(xiàn)有方法優(yōu)化運(yùn)行。配電網(wǎng)的拓?fù)浞治鍪瞧浒踩�(wěn)定運(yùn)行的基礎(chǔ),拓?fù)渖珊椭貥?gòu)優(yōu)化又是拓?fù)浞治龅暮诵摹Ｒ虼?本文重點(diǎn)探索機(jī)器學(xué)習(xí)方法在拓?fù)渖珊椭貥?gòu)優(yōu)化的基礎(chǔ)問題。1)為實(shí)現(xiàn)實(shí)時準(zhǔn)確地監(jiān)測配電網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),提出基于Lasso及其補(bǔ)充規(guī)則的拓?fù)渖伤惴�。算法首先利用Lasso模型計算各節(jié)點(diǎn)的關(guān)聯(lián)系數(shù)矩陣,然后利用“and”規(guī)則和補(bǔ)充判據(jù)修正該矩陣,最后通過準(zhǔn)確的關(guān)聯(lián)系數(shù)矩陣生成拓?fù)�。�?shí)驗(yàn)驗(yàn)證,該算法在獲取720個時序電壓值的情況下,生成119-bus及更低復(fù)雜度的無環(huán)和有環(huán)拓?fù)涞恼`差率低于6.14%,且隨著電壓時長增加,誤差率逐步下降。本算法性能優(yōu)于傳統(tǒng)的Chow-Liu和Lasso+“and”算法。2)為實(shí)現(xiàn)高效經(jīng)濟(jì)地優(yōu)化配電網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),提出基于LSTM預(yù)測機(jī)制的動態(tài)拓?fù)渲貥?gòu)算法。算法首先構(gòu)建LSTM模型預(yù)測各節(jié)點(diǎn)各時段的負(fù)荷,然后利用優(yōu)化的BPSO模型生成各時段的重構(gòu)方案,最后基于綜合費(fèi)用最優(yōu)的判據(jù)生成全局優(yōu)化的動態(tài)重構(gòu)策略。利用英格蘭某配電網(wǎng)2004-2009年真實(shí)數(shù)據(jù)測試LSTM模型性能,結(jié)果顯示模型預(yù)測的平均絕對誤差率為1.59%,且80%分布在[0,2%],在不同時段下均無明顯誤差異常點(diǎn);其預(yù)測性能優(yōu)于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)和支持向量回歸模型。利用IEEE33-bus仿真算例測試重構(gòu)算法性能,算法生成的動態(tài)策略將1個運(yùn)行周期重新劃分為7個時段,并進(jìn)行20次開關(guān)操作。算法共減少線損費(fèi)用1152.42元,且提升各節(jié)點(diǎn)電壓質(zhì)量。對比分析驗(yàn)證該算法的性能均優(yōu)于傳統(tǒng)的在線計算重構(gòu)算法。實(shí)驗(yàn)結(jié)果表明,拓?fù)渖伤惴ň哂休^高的準(zhǔn)確率和較低的計算復(fù)雜度,可用于實(shí)時監(jiān)測拓?fù)浣Y(jié)構(gòu),保障配電網(wǎng)拓?fù)溥\(yùn)行的準(zhǔn)確性和安全性;拓?fù)渲貥?gòu)算法能夠?yàn)橹貥?gòu)操作提供更多的時間裕度,并且減少更多的線路損耗費(fèi)用,可用于重構(gòu)優(yōu)化拓?fù)浣Y(jié)構(gòu),保障配電網(wǎng)運(yùn)行的穩(wěn)定性和經(jīng)濟(jì)性。算法均無需新增專用的拓?fù)浔O(jiān)測設(shè)備,可作為物理模型方法的輔助決策方法,提升配電網(wǎng)的智能化程度,具有一定的前沿性和實(shí)用性。
【圖文】：

圖２－１機(jī)器學(xué)習(xí)模型分類逡逑２．１．２深度學(xué)習(xí)模型逡逑人工神經(jīng)網(wǎng)絡(luò)（Ａｒｔｉｆｉｃｉａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，邋ＡＮＮ）是一種模仿生物神經(jīng)系統(tǒng)逡逑的數(shù)學(xué)模型。ＡＮＮ由大量神經(jīng)元構(gòu)成，每個神經(jīng)元是一個非線性激活函數(shù)，其逡逑模擬神經(jīng)細(xì)胞對環(huán)境的反映。神經(jīng)元的相互連接模擬生物神經(jīng)信號的傳遞。最逡逑簡單的ＡＮＮ模型是一種僅包含輸入層、隱藏層和輸出層的簡單網(wǎng)絡(luò)模型，每層逡逑網(wǎng)絡(luò)由若干神經(jīng)元構(gòu)成，神經(jīng)元采用ｓｉｇｍｏｉｄ等激活函數(shù)模擬人腦細(xì)胞對激勵的逡逑響應(yīng)。ＡＮＮ具有一定的學(xué)習(xí)能力和容錯能力，能夠?qū)崿F(xiàn)分類、回歸、降維等多逡逑種功能，屬于一種功能強(qiáng)大的機(jī)器學(xué)習(xí)模型。逡逑ＡＮＮ學(xué)習(xí)的本質(zhì)是擬合模型輸入到輸出的非線性映射關(guān)系，傳統(tǒng)ＡＮＮ模逡逑型的代表是反向傳播神經(jīng)網(wǎng)絡(luò)（Ｂａｃｋ邋＇Ｐｒｏｐａｇａｔｉｏｎ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，邋ＢＰＮＮ），邋ＢＰ逡逑神經(jīng)網(wǎng)絡(luò)通過反向傳遞模型輸出值和真實(shí)值之間的差值修正神經(jīng)元之間的連接逡逑權(quán)重，以實(shí)現(xiàn)輸入到輸出的擬合。ＢＰ神經(jīng)網(wǎng)絡(luò)屬于淺層神經(jīng)網(wǎng)絡(luò)，一般僅包含逡逑三層網(wǎng)絡(luò)，即輸入層、隱藏層和輸出層。淺層神經(jīng)網(wǎng)絡(luò)具有一些劣勢，主要表逡逑

邐Ｓ邐）逡逑圖２－１機(jī)器學(xué)習(xí)模型分類逡逑２．１．２深度學(xué)習(xí)模型逡逑人工神經(jīng)網(wǎng)絡(luò)（Ａｒｔｉｆｉｃｉａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，邋ＡＮＮ）是一種模仿生物神經(jīng)系統(tǒng)逡逑的數(shù)學(xué)模型。ＡＮＮ由大量神經(jīng)元構(gòu)成，每個神經(jīng)元是一個非線性激活函數(shù)，其逡逑模擬神經(jīng)細(xì)胞對環(huán)境的反映。神經(jīng)元的相互連接模擬生物神經(jīng)信號的傳遞。最逡逑簡單的ＡＮＮ模型是一種僅包含輸入層、隱藏層和輸出層的簡單網(wǎng)絡(luò)模型，每層逡逑網(wǎng)絡(luò)由若干神經(jīng)元構(gòu)成，神經(jīng)元采用ｓｉｇｍｏｉｄ等激活函數(shù)模擬人腦細(xì)胞對激勵的逡逑響應(yīng)。ＡＮＮ具有一定的學(xué)習(xí)能力和容錯能力，能夠?qū)崿F(xiàn)分類、回歸、降維等多逡逑種功能，屬于一種功能強(qiáng)大的機(jī)器學(xué)習(xí)模型。逡逑ＡＮＮ學(xué)習(xí)的本質(zhì)是擬合模型輸入到輸出的非線性映射關(guān)系，傳統(tǒng)ＡＮＮ模逡逑型的代表是反向傳播神經(jīng)網(wǎng)絡(luò)（Ｂａｃｋ邋＇Ｐｒｏｐａｇａｔｉｏｎ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TM76;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孟雨;;機(jī)器學(xué)習(xí)讓計算機(jī)更智能[J];計算機(jī)與網(wǎng)絡(luò);2019年14期

2 李兵;林文釗;羅崢尹;;基于機(jī)器學(xué)習(xí)的智慧農(nóng)業(yè)決策系統(tǒng)設(shè)計與實(shí)現(xiàn)[J];信息與電腦(理論版);2018年24期

3 舒娜;劉波;林偉偉;李鵬飛;;分布式機(jī)器學(xué)習(xí)平臺與算法綜述[J];計算機(jī)科學(xué);2019年03期

4 劉傳會;汪小亞;郭增輝;;機(jī)器學(xué)習(xí)在反洗錢領(lǐng)域的應(yīng)用與發(fā)展[J];清華金融評論;2019年04期

5 朱輝;;機(jī)器學(xué)習(xí)在企業(yè)級場景中的實(shí)踐與探討[J];中國建設(shè)信息化;2018年03期

6 彭傳意;;機(jī)器學(xué)習(xí)——我們該如何與機(jī)器競爭[J];數(shù)字通信世界;2018年01期

7 陳軼翔;埃里克·布倫喬爾森;湯姆·米切爾;;機(jī)器學(xué)習(xí)的能力范圍及其對勞動力的影響[J];世界科學(xué);2018年04期

8 趙長林;;機(jī)器學(xué)習(xí)即服務(wù)[J];網(wǎng)絡(luò)安全和信息化;2017年10期

9 ;機(jī)器學(xué)習(xí)作用于信息安全的五大頂級案例[J];網(wǎng)絡(luò)安全和信息化;2018年01期

10 吳承楊;;2018年來說說機(jī)器學(xué)習(xí)[J];軟件和集成電路;2018年05期

相關(guān)會議論文 前10條

1 王玨;;歸納機(jī)器學(xué)習(xí)[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

2 劉永陽;鐘秋添;曹晶;;機(jī)器學(xué)習(xí)在電網(wǎng)監(jiān)控告警信息處理中應(yīng)用的研究[A];福建省電機(jī)工程學(xué)會2018年學(xué)術(shù)年會獲獎?wù)撐募痆C];2018年

3 王衍魯;張利會;張淑潔;石潔茹;王鵬;;大學(xué)新生學(xué)校適應(yīng)的個體與環(huán)境因素探究:基于機(jī)器學(xué)習(xí)的考察[A];第二十屆全國心理學(xué)學(xué)術(shù)會議--心理學(xué)與國民心理健康摘要集[C];2017年

4 張長水;;大數(shù)據(jù)機(jī)器學(xué)習(xí)[A];2015年中國自動化大會摘要集[C];2015年

5 何琳;侯漢清;;基于標(biāo)引經(jīng)驗(yàn)和機(jī)器學(xué)習(xí)相結(jié)合的多層自動分類[A];2005年中國索引學(xué)會年會暨學(xué)術(shù)研討會論文集[C];2005年

6 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機(jī)器學(xué)習(xí)法相結(jié)合的蛋白質(zhì)名識別[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

7 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機(jī)器學(xué)習(xí)在中醫(yī)計算機(jī)診斷識別系統(tǒng)中的應(yīng)用思考[A];第一屆全國中西醫(yī)結(jié)合診斷學(xué)術(shù)會議論文選集[C];2006年

8 吳滄浦;;智能系統(tǒng)與機(jī)器學(xué)習(xí)的新領(lǐng)域[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學(xué)術(shù)年會文集[C];2000年

9 蔡健平;林世平;;基于機(jī)器學(xué)習(xí)的詞語和句子極性分析[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

10 吳娜;刁聯(lián)旺;;基于機(jī)器學(xué)習(xí)的博弈對抗模型優(yōu)化框架軟件系統(tǒng)設(shè)計[A];第六屆中國指揮控制大會論文集（上冊）[C];2018年

相關(guān)重要報紙文章 前10條

1 本報記者 馬愛平;聯(lián)邦學(xué)習(xí)或可破解機(jī)器學(xué)習(xí)數(shù)據(jù)獲取難題[N];科技日報;2019年

2 CIO.com資深作家 Clint Boulton 編譯 Charles;領(lǐng)先一步:機(jī)器學(xué)習(xí)的10個成功案例[N];計算機(jī)世界;2018年

3 Bob Violino 編譯 Charles;盲目冒進(jìn):機(jī)器學(xué)習(xí)的5個失敗案例[N];計算機(jī)世界;2018年

4 本報駐波士頓記者 侯麗;深入挖掘機(jī)器學(xué)習(xí)潛力[N];中國社會科學(xué)報;2019年

5 王方 編譯;菌自何方 機(jī)器學(xué)習(xí)早知道[N];中國科學(xué)報;2019年

6 Matt Asay 編譯 Monkey King;為什么機(jī)器學(xué)習(xí)沒有捷徑可循？[N];計算機(jī)世界;2019年

7 本報記者 操秀英;當(dāng)量子計算遇到機(jī)器學(xué)習(xí)會碰撞出什么火花？[N];科技日報;2019年

8 彭博企業(yè)數(shù)據(jù)業(yè)務(wù)全球負(fù)責(zé)人 Gerard Francis;金融數(shù)據(jù)質(zhì)量決定機(jī)器學(xué)習(xí)時代的投資回報[N];計算機(jī)世界;2019年

9 Isaac Sacolick 編譯 Charles;關(guān)于機(jī)器學(xué)習(xí)的5個要點(diǎn)[N];計算機(jī)世界;2019年

10 記者 張夢然;全新算法助機(jī)器學(xué)習(xí)抵抗干擾[N];科技日報;2019年

相關(guān)博士學(xué)位論文 前10條

1 王磊;基于機(jī)器學(xué)習(xí)的藥物—靶標(biāo)相互作用預(yù)測研究[D];中國礦業(yè)大學(xué);2018年

2 張慶;鈣鈦礦型功能材料的基因組工程研究[D];上海大學(xué);2018年

3 管月;醫(yī)學(xué)腫瘤影像分類算法研究及其在肝癌上的應(yīng)用[D];南京大學(xué);2018年

4 郝小可;基于機(jī)器學(xué)習(xí)的影像遺傳學(xué)分析及其應(yīng)用研究[D];南京航空航天大學(xué);2017年

5 施建明;基于機(jī)器學(xué)習(xí)的產(chǎn)品剩余壽命預(yù)測方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2018年

6 陳再毅;機(jī)器學(xué)習(xí)中的一階優(yōu)化算法收斂性研究[D];中國科學(xué)技術(shù)大學(xué);2018年

7 陸海進(jìn);Zr合金熱動力學(xué)研究及機(jī)器學(xué)習(xí)[D];上海大學(xué);2018年

8 戴望州;一階邏輯領(lǐng)域知識與機(jī)器學(xué)習(xí)的結(jié)合研究[D];南京大學(xué);2019年

9 符丹卉;基于MRI結(jié)構(gòu)成像與靜息態(tài)功能成像影像特征的機(jī)器學(xué)習(xí)法在AIDS患者中的應(yīng)用研究[D];廣西醫(yī)科大學(xué);2019年

10 Kashif Sultan（克希夫）;5G移動通信網(wǎng)絡(luò)中的呼叫記錄分析[D];北京科技大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 王健宇;基于機(jī)器學(xué)習(xí)的政務(wù)決策網(wǎng)絡(luò)支持度應(yīng)用研究[D];中北大學(xué);2019年

2 沈嘉怡;基于機(jī)器學(xué)習(xí)的圖劃分算法的可預(yù)測性研究[D];華東師范大學(xué);2019年

3 郭佳琦;基于機(jī)器學(xué)習(xí)的Gstore消費(fèi)額預(yù)測[D];天津商業(yè)大學(xué);2019年

4 李江濤;基于機(jī)器學(xué)習(xí)組合算法的Webshell檢測方法與實(shí)現(xiàn)[D];山東大學(xué);2019年

5 唐婧璇;基于機(jī)器學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定性評估[D];山東大學(xué);2019年

6 劉巧利;基于機(jī)器學(xué)習(xí)的疾病自動診斷研究[D];煙臺大學(xué);2019年

7 樓麗琪;基于機(jī)器學(xué)習(xí)的光網(wǎng)絡(luò)告警智能分析技術(shù)研究[D];北京郵電大學(xué);2019年

8 邵佳俊;基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)違規(guī)信息的分類系統(tǒng)[D];上海師范大學(xué);2019年

9 杜宇梅;政策不確定性與公司長期投資[D];廈門大學(xué);2017年

10 尚書夏;基于機(jī)器學(xué)習(xí)的二維五邊形材料性質(zhì)預(yù)測[D];蘭州大學(xué);2019年

，

本文編號：2625688