電力服務(wù)營(yíng)銷中的用電異常數(shù)據(jù)檢測(cè),對(duì)于減少非技術(shù)性損失以及保障電網(wǎng)安全用電具有非常重要的意義。目前,我國(guó)電力企業(yè)異常用電檢測(cè)主要面臨著幾個(gè)問題:（1）主要依賴專家經(jīng)驗(yàn)、建立機(jī)理規(guī)則模型識(shí)別,識(shí)別能力不夠,靈活性不足;（2）隨著智能電網(wǎng)的蓬勃發(fā)展以及用電數(shù)據(jù)急劇增加,復(fù)雜的數(shù)據(jù)結(jié)構(gòu)和海量的數(shù)據(jù)流使得大量異常信息淹沒而無法得到有效檢測(cè);（3）異常數(shù)據(jù)的占比很小,屬于典型的不均衡數(shù)據(jù)集挖掘問題,傳統(tǒng)的用電異常檢測(cè)算法早已不適用。因此,為了解決這些問題,亟需研發(fā)智能高效的異常用電檢測(cè)算法來保障電力企業(yè)中的智慧用電管理。針對(duì)上述問題,本文的工作主要分為四大部分:（1）針對(duì)復(fù)雜多變的用電大數(shù)據(jù),借鑒統(tǒng)計(jì)學(xué)習(xí)方法的思想首次提出一種基于各類異常定義的特征提取方法,提取了電量的同比和環(huán)比等具有相關(guān)性的電量特征作為異常數(shù)據(jù)特征。（2）針對(duì)不平衡分布的異常電量數(shù)據(jù),提出一種基于超限學(xué)習(xí)機(jī)（ELM）和集成學(xué)習(xí)的融合的Ensemble-ELM異常用電檢測(cè)方法。采用集成學(xué)習(xí)思想可以有效解決異常電量數(shù)據(jù)分布不均衡問題,以ELM作為基模型,對(duì)異常電量數(shù)據(jù)表征能力強(qiáng)、訓(xùn)練速度快且識(shí)別率高,最后使用多數(shù)投票方式進(jìn)行表決,... 

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究的背景及意義
    1.2 用電異常檢測(cè)的主要問題以及研究現(xiàn)狀
        1.2.1 用電異常檢測(cè)主要面臨的問題
        1.2.2 基于信號(hào)分析的用電異常檢測(cè)研究現(xiàn)狀
        1.2.3 基于機(jī)器學(xué)習(xí)的用電異常檢測(cè)研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 本文的組織結(jié)構(gòu)
第二章 用電異常的行為分析以及初步特征探索
    2.1 引言
    2.2 用電異�，F(xiàn)狀
    2.3 用電異常產(chǎn)生的原因及分類
    2.4 常見用電異常以及防范措施
    2.5 用電異常的一般處理流程
    2.6 基于用電異常的特性分析
    2.7 基于傳統(tǒng)方法的異常用電檢測(cè)
        2.7.1 基于監(jiān)督學(xué)習(xí)的異常用電檢測(cè)
        2.7.2 基于半監(jiān)督學(xué)習(xí)的異常用電檢測(cè)
        2.7.3 基于無監(jiān)督學(xué)習(xí)的異常用電檢測(cè)
    2.8 本章小結(jié)
第三章 基于Ensemble-ELM的用電異常智能檢測(cè)算法研究
    3.1 引言
    3.2 異常用電數(shù)據(jù)的預(yù)處理
        3.2.1 異常用電數(shù)據(jù)分析
        3.2.2 異常用電特征提取
    3.3 基于改進(jìn)的Ensemble異常用電檢測(cè)
        3.3.1 集成學(xué)習(xí)
        3.3.2 超限學(xué)習(xí)機(jī)
        3.3.3 多數(shù)投票算法
        3.3.4 基于Ensemble-ELM的異常用電量檢測(cè)
    3.4 實(shí)驗(yàn)分析
        3.4.1 數(shù)據(jù)集描述
        3.4.2 評(píng)價(jià)方法
        3.4.3 基于Ensemble-ELM的單個(gè)異常獨(dú)立建模結(jié)果分析
        3.4.4 基于Ensemble-ELM的全部異常共同建模結(jié)果分析
    3.5 本章小結(jié)
第四章 基于K-means SMOTE+KELM的用電異常智能檢測(cè)算法研究
    4.1 引言
    4.2 基于K-means SMOTE+KELM的異常電量檢測(cè)
        4.2.1 K-means算法
        4.2.2 SMOTE算法
        4.2.3 K-means SMOTE算法
        4.2.4 KELM
        4.2.5 基于K-means SMOTE+KELM的異常用電檢測(cè)
    4.3 實(shí)驗(yàn)分析
        4.3.1 與使用原始用電數(shù)據(jù)的傳統(tǒng)分類算法比較
        4.3.2 與使用SMOTE方法進(jìn)行數(shù)據(jù)平衡后的傳統(tǒng)分類算法比較
        4.3.3 與使用K-means SMOTE方法進(jìn)行數(shù)據(jù)平衡后的傳統(tǒng)分類算法比較
    4.4 本章小結(jié)
第五章 基于深度加權(quán)ELM的用電異常智能檢測(cè)算法研究
    5.1 引言
    5.2 基于深度的加權(quán)ELM的用電異常檢測(cè)
        5.2.1 傳統(tǒng)不平衡學(xué)習(xí)算法
        5.2.2 WELM
        5.2.3 BWELM
        5.2.4 深度加權(quán)ELM
    5.3 實(shí)驗(yàn)分析
        5.3.1 與傳統(tǒng)不平衡分類算法的實(shí)驗(yàn)比較
        5.3.2 與一般加權(quán)算法的實(shí)驗(yàn)比較
    5.4 本章小結(jié)
第六章 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)人工蜂群算法的用電異常檢測(cè)方法[J]. 張思揚(yáng),匡芳君.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[2]基于深度學(xué)習(xí)的用戶異常用電模式檢測(cè)[J]. 趙文清,沈哲吉,李剛.  電力自動(dòng)化設(shè)備. 2018(09)
[3]運(yùn)用PCA改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的用電異常行為檢測(cè)[J]. 田野,張程,毛昕儒,劉驥.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2017(08)
[4]基于聚類分析的用電量數(shù)據(jù)分析[J]. 梁玉泉,王華佑,陳熾光,張眾發(fā),王慶斌,佘國(guó)鴻,謝文旺,劉振盛,孫云蓮.  武漢大學(xué)學(xué)報(bào)(工學(xué)版). 2017(04)
[5]基于改進(jìn)快速密度峰值聚類算法的電力大數(shù)據(jù)異常值檢測(cè)[J]. 劉鳳魁,鄧春宇,王曉蓉,王新迎.  電力信息與通信技術(shù). 2017(06)
[6]基于密度聚類技術(shù)的電力系統(tǒng)用電量異常分析算法[J]. 田力,向敏.  電力系統(tǒng)自動(dòng)化. 2017(05)
[7]大規(guī)模用電數(shù)據(jù)流的快速聚類和異常檢測(cè)技術(shù)[J]. 王桂蘭,周國(guó)亮,趙洪山,米增強(qiáng).  電力系統(tǒng)自動(dòng)化. 2016(24)
[8]ELM算法在用戶用電行為分析中的應(yīng)用[J]. 胡殿剛,李韶瑜,樓俏,王瓊,程淼海,王國(guó)軍,李國(guó)輝.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2016(08)
[9]基于粒子群算法的異常用電檢測(cè)方法[J]. 盧海明,郭壯志.  東北電力技術(shù). 2016(05)
[10]一種用于異常用電檢測(cè)的負(fù)荷模式分析新方法[J]. 楊玉銳,程杰,周剛,徐詒玥,吳偉健,吳佳.  浙江電力. 2014(09)

碩士論文
[1]基于深度學(xué)習(xí)的小樣本異常用電數(shù)據(jù)檢測(cè)技術(shù)研究[D]. 陳文嫻.華中科技大學(xué) 2018
[2]電能計(jì)量數(shù)據(jù)聚類分析與竊電檢測(cè)研究[D]. 曾虎.昆明理工大學(xué) 2017



本文編號(hào)：3648858