CN114818871A - 一种面向含分布式电源配电网的异常用电检测方法 - Google Patents
一种面向含分布式电源配电网的异常用电检测方法 Download PDFInfo
- Publication number
- CN114818871A CN114818871A CN202210327138.7A CN202210327138A CN114818871A CN 114818871 A CN114818871 A CN 114818871A CN 202210327138 A CN202210327138 A CN 202210327138A CN 114818871 A CN114818871 A CN 114818871A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- features
- load
- detection method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 230000005611 electricity Effects 0.000 title claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012966 insertion method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 15
- 230000008859 change Effects 0.000 abstract description 11
- 230000006399 behavior Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向含分布式电源配电网的异常用电检测方法,包括以下步骤:数据获取与数据预处理;构造输入特征集并转换为像素图片;建立由卷积神经网络、门控循环单元、和支持向量机、结合的异常用电特征提取和检测模型;采用训练集数据,对检测模型进行训练。本发明相比于传统方法的输入特征集仅考虑历史负荷数据和温度气象数据,本发明的输入特征集能够较全面反映含分布式电源净负荷的影响因素,更有利于分析净负荷的变化模式,进而有助于提高异常用电检测的精度。本发明充分挖掘出净负荷的局部特征、全局特征、时序变化规律,并揭示净负荷受气象因素影响的情况,进而较全面地把握净负荷的变化模式,实现较高精度的异常用电检测。
Description
技术领域
本发明涉及电网用电异常检测技术领域,特别涉及一种面向含分布式电源配电网的异常用电检测方法。
背景技术
窃电等异常用电行为是导致电网输配电损失的重要原因,其会造成电网企业的重大经济损失,一直是各国电力部门期待解决的重要问题。精准高效的异常用电检测方法,可以快速、准确地发现窃电行为,减少窃电带来的经济损失,具有重要价值。
现有异常用电检测方法可分为基于***状态的方法和基于数据驱动的方法。其中,基于***状态的方法利用配电网的电压、电流和节点功率等量测数据进行状态估计,进而检验出异常用电用户。该方法需要完备的网络拓扑结构参数,成本较高,在实际中不易实施。
数据驱动的异常用电检测方法则是直接从用户用电曲线的形状和电量分布等特征出发,借助聚类技术和分类技术实现异常用电用户的识别,具有低成本、高效率、易实施等优点,是当前的研究热点。
现有基于数据驱动的异常用电检测方法通常包括三个环节:
(1)构造输入特征集,即确定检测模型的输入数据;
(2)特征提取,即从输入数据中进一步提取出有利于异常检测的重要特征;
(3)异常辨识,即根据提取出的重要特征,对正常和异常用电行为进行辨识。
在面向含分布式电源配电网时,现有异常用电检测方法在以上环节存在下列不足:
在构造输入特征集环节,现有方法未针对含分布式电源的负荷的特点,来构造异常检测模型的输入特征。例如,专利《一种基于深度神经网络的用电异常检测方法、***》(CN202111237405.3)采用历史用电数据和环境温度数据作为异常检测模型的输入,专利《一种基于多源量测数据的配电网网损分析方法及***》(CN202111433526.5)将用电数据、温度气候数据、台区信息作为检测模型的输入数据。然而,仅利用这些数据作为输入特征集,无法反映含分布式电源的负荷的特征。这是因为,在接入分布式电源的情况下,负荷受多重因素的耦合影响,这些因素包括用户用电习惯、风机或光伏板额定容量、风速、辐照度、温度等。现有异常用电检测方法未全面考虑这些因素,因而不能准确挖掘负荷的变化模式,无法适用于面向含分布式电源配电网的异常用电检测。
在特征提取环节,现有异常用电检测方法的特征提取模型仅适用于常规负荷,还未有专门针对含分布式电源的特征提取模型。因此,现有异常用电检测方法在在面向含分布式电源配电网时,检测精度低。
随着当前配电网负荷侧接入大量分布式可再生能源,电力负荷变为了由实际用电减去分布式电源发电后的“净负荷”。净负荷既包含用户实际用电成分,又具有可再生能源发电成分。这意味着电力负荷不仅受用户用电行为的影响,还受到风速、辐照度、温度等多重气象因素的影响,负荷特性变得更加复杂,不确定性更强。现有基于数据驱动的异常用电检测方法主要针对规律性较强的常规负荷,难以适用于特性更复杂的含分布式电源的净负荷。因此,有必要开发面向含分布式电源配电网的异常用电检测方法。
发明内容
本发明的目的是提供一种面向含分布式电源配电网的异常用电检测方法,可以解决现有技术中异常用电检测方法在在面向含分布式电源配电网时,检测精度低的问题。
本发明的目的是通过以下技术方案来实现的:
一种面向含分布式电源配电网的异常用电检测方法,包括以下步骤:
步骤S1、数据获取与数据预处理;
步骤S2、构造输入特征集并转换为像素图片;
步骤S3、建立由卷积神经网络CNN、门控循环单元GRU、和支持向量机SVM、结合的异常用电特征提取和检测模型CNN-GRU-SVM;
步骤S4、采用训练集数据,对步骤S3所述的检测模型CNN-GRU-SVM进行训练。
进一步的,所述步骤S1包括:
步骤S101、获取待检测区域多个用户的历史净负荷数据、历史气象数据、所安装分布式电源的参数数据、用户标签数据;
步骤S102、对于缺失数据和异常突变数据,采用均值***法进行填充和替换;对于重复数据,进出删除处理;
步骤S103、将预处理后的数据按8:2的比例,划分为训练集和测试集。
进一步的,所述构造输入特征集包括构造电力负荷特征、构造新能源相关气象特征、构造新能源设备特征和构造日期特征。
进一步的,所述电力负荷特征分为负荷曲线图像特征和负荷统计特征,所述负荷曲线图像特征由用户净负荷矩阵转换成像素图片得到。
进一步的,所述步骤S3包括:
步骤S301、对于电力负荷特征中负荷曲线图像特征,采用n个卷积层和池化层的组合进行特征提取得到深层特征F1;
步骤S302、对于电力负荷特征中负荷统计特征,采用k个GRU网络进行特征提取得到深层特征F2;
步骤S303、对于新能源相关气象特征,采用m个卷积层和池化层的组合进行特征提取得到深层特征F3;
步骤S304、对于新能源设备特征,采用全连接的Dense网络,对输入特征进行提取,得到深层特征F4;
步骤S305、对于日期特征,采用全连接的Dense网络,对输入特征进行提取得到深层特征F5;
步骤S306、将深层次特征F1、深层次特征F2和深层次特征F3输入到Dense网络,进行进一步的特征提取,得到新的深层特征F6;
步骤S307、将深层次特征F4、深层次特征F5和深层次特征F6输入到Dense网络,进行进一步的特征提取,得到新的深层特征F7;
步骤S308、将得到的新的深层特征F6和新的深层特征F7输入到SVM分类器,获得用户用电行为的辨识结果。
进一步的,所述步骤S301中卷积层的计算公式为:
ci=fc(Ai*wc,i+bc,i);
其中,ci为第i个卷积层的输出,i=1,2,…,n;Ai、wc,i、bc,i分别为第i个卷积层的输入、权值、偏置;fc为卷积层激活函数;*表示点积计算,即两矩阵对应元素相乘后再累加计算。
进一步的,所述步骤S301中池化层的计算公式为:
di=wd,i*zi;
其中,di是第i个池化层的输出;wd,i为第i个池化层的权值;zi是di对应的池化区域。
进一步的,所述步骤S302中GRU网络的计算公式如下:
其中,rt、ot、ht分别为GRU单元中第t步输入的重置门、更新门、候选门、状态门的输出;Wr、Wo、分别是重置门、更新门、候选门的权值;xt为GRU的输入数据;yt为GRU的输出数据;σ为激活函数。
进一步的,所述步骤S4中,将测试集或待检测的数据集输入训练好的检测模型CNN-GRU-SVM,获得异常用电的辨识结果;采用查准率、查全率指标对辨识结果进行评价。
进一步的,所述查准率定义为:
所述查全率定义为:
式中,TP为辨识为正常用户实际也是正常用户的样本数;FP表示辨识为正常用户实际却为异常用户的样本数;FN表示辨识为异常用户实际却为正常用户的样本数。
本发明构造了包含电力负荷特征、新能源相关气象特征、新能源设备特征、日期特征的输入特征集。特别地,采用像素图片的方式构造电力负荷特征和新能源相关气象特征,更有利于CNN网络提取其中潜在的用电信息。相比于传统方法的输入特征集仅考虑历史负荷数据和温度气象数据,本发明的输入特征集能够较全面反映含分布式电源净负荷的影响因素,更有利于分析净负荷的变化模式,进而有助于提高异常用电检测的精度。
本发明针对含分布式电源净负荷的特点,构建了异常用电特征提取和检测模型(CNN-GRU-SVM)。特别地,采用多层CNN网络对负荷曲线图像特征、新能源相关气象特征进行深层次特征提取,深度挖掘了净负荷和气象的局部和全局变化规律;采用GRU网络对负荷统计特征进行深层次特征提取,挖掘了净负荷的时序变化规律;采用Dense网络将提取到的净负荷特征、气象特征进行融合,有助于挖掘净负荷与气象之间的相关性,提高检测精度;采用Dense网络将所提取到的深层次特征进一步融合,然后输入的SVM分类器,实现高精度的异常用电辨识。
本发明提出的CNN-GRU-SVM模型,可充分挖掘出净负荷的局部特征、全局特征、时序变化规律,并揭示净负荷受气象因素影响的情况,进而较全面地把握净负荷的变化模式,实现较高精度的异常用电检测。
附图说明
图1为本发明的由用户净负荷矩阵转换成的像素图片示意图;
图2为本发明的由气象数据形成的矩阵转化成的像素图片示意图;
图3为本发明的检测模型CNN-GRU-SVM示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本发明的一种面向含分布式电源配电网的异常用电检测方法,包括以下步骤:
步骤S1、数据获取与数据预处理。
具体地,步骤S1包括:
步骤S101、获取待检测区域多个用户的历史净负荷数据、历史气象数据、所安装分布式电源的参数数据、用户标签数据。
步骤S102、对于缺失数据和异常突变数据,采用均值***法进行填充和替换;对于重复数据,进出删除处理。
步骤S103、将预处理后的数据按8:2的比例,划分为训练集和测试集。
步骤S2、构造输入特征集并转换为像素图片。
进一步的,构造输入特征集包括构造电力负荷特征、构造新能源相关气象特征、构造新能源设备特征、构造日期特征。具体如下:
进一步的,电力负荷特征分为负荷曲线图像特征和负荷统计特征:负荷曲线图像特征由用户净负荷矩阵转换成像素图片得到。用户净负荷矩阵中的每一列对应一天中某一时刻的能耗,每一行对应不同的一天。例如,用户2周的用电净负荷数据构成了14*24的矩阵,其中14为天数,24为每日24点的负荷。将矩阵转换为像素图片后,可得到如附图1所示的图片。
采用像素图片表示负荷曲线特征的优势在于:将负荷特征转化为像素图片后,图像的线条、形状、颜色中蕴含用户用电行为信息,进而可利用具有平移不变特性的卷积神经网络(Convolutional Neural Networks,CNN),将图片中蕴含的用户用电信息捕获。相比于数值矩阵,CNN更擅长于从图片中提取信息,因此将负荷数据转化成像素图像,更有利于负荷特征的提取。
进一步的,负荷统计特征包括:日用电量、日最大负荷、日最小负荷、日平均负荷。负荷统计特征反映了用户净负荷的分布情况。
进一步的,新能源相关气象特征包括和电力负荷特征时间相对应的风速、太阳辐照度、温度、湿度等气象数据。将这些气象数据形成的矩阵,转化为像素图片。以太阳辐照度数据为例,转换为像素图片后如附图2所示。
进一步的,新能源设备特征包括分布式电源设备的最大容量、额定容量、额定温度、风机切出风速等。新能源设备参数与分布式电源发电功率息息相关,将其作为输入特征数据,有助于分析净负荷的变化规律,进而提升异常用电检测的精度。
进一步的,日期特征包括:日期、星期、月份、季度信息。在不同的日期、星期、月份、季度,用户用电行为和分布式电源发电的特点不一样,将以上日期特征信息作为输入特征,有助于理解净负荷的变化规律,进而提升异常用电检测的精度。
步骤S3、建立由卷积神经网络(CNN)、门控循环单元(Gated Recurrent Unit,GRU)和支持向量机(Support Vector Machines,SVM)结合的异常用电特征提取和检测模型(CNN-GRU-SVM)。
所建立的CNN-GRU-SVM模型如附图3所示,步骤S3包括:
步骤S301、对于电力负荷特征中负荷曲线图像特征,采用n个卷积层和池化层的组合进行特征提取,将CNN从负荷曲线图像提取得到的深层特征,记为F1。
其中,卷积层的计算公式为:
ci=fc(Ai*wc,i+bc,i)(1)
(1)式中,ci为第i个卷积层的输出,i=1,2,…,n;Ai、wc,i、bc,i分别为第i个卷积层的输入、权值、偏置;fc为卷积层激活函数;*表示点积计算,即两矩阵对应元素相乘后再累加计算。
池化层的计算公式为:
di=wd,i*zi(2)
(2)式中,di是第i个池化层的输出;wd,i为第i个池化层的权值;zi是di对应的池化区域。
步骤S302、对于电力负荷特征中负荷统计特征,采用k个GRU网络进行特征提取,将GRU从负荷统计特征提取得到的深层特征,记为F2。
进一步的,GRU网络的计算公式如下:
(3)式中,rt、ot、ht分别为GRU单元中第t步输入的重置门、更新门、候选门、状态门的输出;Wr、Wo、分别是重置门、更新门、候选门的权值;xt为GRU的输入数据;yt为GRU的输出数据;σ为激活函数。
步骤S303、对于新能源相关气象特征,采用m个卷积层和池化层的组合进行特征提取。
将CNN从新能源相关气象特征提取得到的深层特征,记为F3。
步骤S304、对于新能源设备特征,采用全连接的Dense网络,对输入特征进行提取。
将Dense网络从新能源设备特征提取得到的深层特征,记为F4。
步骤S305、对于日期特征,采用全连接的Dense网络,对输入特征进行提取。
将Dense网络从日期特征特征提取得到的深层特征,记为F5。
步骤S306、将深层次特征F1、F2和F3输入到Dense网络,进行进一步的特征提取,得到新的深层特征,记为F6。
步骤S307、将深层次特征F4、F5和F6输入到Dense网络,进行进一步的特征提取,得到新的深层特征,记为F7。
步骤S308、将提取得到的综合特征F6和F7输入到SVM分类器,获得用户用电行为的辨识结果。
步骤S4、采用训练集数据,对步骤S3所述的CNN-GRU-SVM模型进行训练。其中,第3步中所提到的超参数n,k,m,以及各CNN网络、GRU网络和Dense网络隐藏层神经元个数,采用网格搜索法进行优化选择。
将测试集或待检测的数据集,输入训练好的模型,获得异常用电的辨识结果。采用查准率、查全率指标对辨识结果进行评价。
查准率定义为:
查全率定义为:
式中,TP为辨识为正常用户实际也是正常用户的样本数;FP表示辨识为正常用户实际却为异常用户的样本数;FN表示辨识为异常用户实际却为正常用户的样本数。
以某净负荷数据集为例进行仿真分析,其中样本总数为4619个,正常用户为2772个,异常用户个数为1874个。采用本发明的方法进行异常用电检测,结果如下表1所示:
表1本发明方法对某算例的检测精度
其中,平均查准率为0.87,平均查全率为0.83。可知,本发明的方法针对含分布式电源的净负荷,具有较高的异常用电检测精度。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或彼此可通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向含分布式电源配电网的异常用电检测方法,其特征在于,包括以下步骤:
步骤S1、数据获取与数据预处理;
步骤S2、构造输入特征集并转换为像素图片;
步骤S3、建立由卷积神经网络CNN、门控循环单元GRU、和支持向量机SVM、结合的异常用电特征提取和检测模型CNN-GRU-SVM;
步骤S4、采用训练集数据,对步骤S3所述的检测模型CNN-GRU-SVM进行训练。
2.根据权利要求1所述的面向含分布式电源配电网的异常用电检测方法,其特征在于,所述步骤S1包括:
步骤S101、获取待检测区域多个用户的历史净负荷数据、历史气象数据、所安装分布式电源的参数数据、用户标签数据;
步骤S102、对于缺失数据和异常突变数据,采用均值***法进行填充和替换;对于重复数据,进出删除处理;
步骤S103、将预处理后的数据按8:2的比例,划分为训练集和测试集。
3.根据权利要求1所述的面向含分布式电源配电网的异常用电检测方法,其特征在于,所述构造输入特征集包括构造电力负荷特征、构造新能源相关气象特征、构造新能源设备特征和构造日期特征。
4.根据权利要求3所述的面向含分布式电源配电网的异常用电检测方法,其特征在于,所述电力负荷特征分为负荷曲线图像特征和负荷统计特征,所述负荷曲线图像特征由用户净负荷矩阵转换成像素图片得到。
5.根据权利要求1所述的面向含分布式电源配电网的异常用电检测方法,其特征在于,所述步骤S3包括:
步骤S301、对于电力负荷特征中负荷曲线图像特征,采用n个卷积层和池化层的组合进行特征提取得到深层特征F1;
步骤S302、对于电力负荷特征中负荷统计特征,采用k个GRU网络进行特征提取得到深层特征F2;
步骤S303、对于新能源相关气象特征,采用m个卷积层和池化层的组合进行特征提取得到深层特征F3;
步骤S304、对于新能源设备特征,采用全连接的Dense网络,对输入特征进行提取,得到深层特征F4;
步骤S305、对于日期特征,采用全连接的Dense网络,对输入特征进行提取得到深层特征F5;
步骤S306、将深层次特征F1、深层次特征F2和深层次特征F3输入到Dense网络,进行进一步的特征提取,得到新的深层特征F6;
步骤S307、将深层次特征F4、深层次特征F5和深层次特征F6输入到Dense网络,进行进一步的特征提取,得到新的深层特征F7;
步骤S308、将得到的新的深层特征F6和新的深层特征F7输入到SVM分类器,获得用户用电行为的辨识结果。
6.根据权利要求5所述的面向含分布式电源配电网的异常用电检测方法,其特征在于,所述步骤S301中卷积层的计算公式为:
ci=fc(Ai*wc,i+bc,i);
其中,ci为第i个卷积层的输出,i=1,2,…,n;Ai、wc,i、bc,i分别为第i个卷积层的输入、权值、偏置;fc为卷积层激活函数;*表示点积计算,即两矩阵对应元素相乘后再累加计算。
7.根据权利要求5所述的面向含分布式电源配电网的异常用电检测方法,其特征在于,所述步骤S301中池化层的计算公式为:
di=wd,i*zi;
其中,di是第i个池化层的输出;wd,i为第i个池化层的权值;zi是di对应的池化区域。
9.根据权利要求1所述的面向含分布式电源配电网的异常用电检测方法,其特征在于,所述步骤S4中,将测试集或待检测的数据集输入训练好的检测模型CNN-GRU-SVM,获得异常用电的辨识结果;采用查准率、查全率指标对辨识结果进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327138.7A CN114818871A (zh) | 2022-03-30 | 2022-03-30 | 一种面向含分布式电源配电网的异常用电检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327138.7A CN114818871A (zh) | 2022-03-30 | 2022-03-30 | 一种面向含分布式电源配电网的异常用电检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818871A true CN114818871A (zh) | 2022-07-29 |
Family
ID=82533633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210327138.7A Pending CN114818871A (zh) | 2022-03-30 | 2022-03-30 | 一种面向含分布式电源配电网的异常用电检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818871A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409296A (zh) * | 2022-11-02 | 2022-11-29 | 国网江西省电力有限公司电力科学研究院 | 一种有源配电网净负荷概率预测方法 |
-
2022
- 2022-03-30 CN CN202210327138.7A patent/CN114818871A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409296A (zh) * | 2022-11-02 | 2022-11-29 | 国网江西省电力有限公司电力科学研究院 | 一种有源配电网净负荷概率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
Chen et al. | Parameters identification of photovoltaic models using hybrid adaptive Nelder-Mead simplex algorithm based on eagle strategy | |
Rao et al. | Machine learning for solar array monitoring, optimization, and control | |
Liu et al. | Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves | |
CN101728868B (zh) | 遥测电力负荷特性的分类和预测方法 | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
CN111859283B (zh) | 一种考虑多能源荷时序性、相关性的场景生成方法 | |
Liu et al. | Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves | |
CN112285376A (zh) | 一种基于cnn-lstm的风速预测方法 | |
CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
Lai et al. | Sub-region division based short-term regional distributed PV power forecasting method considering spatio-temporal correlations | |
CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
CN114818871A (zh) | 一种面向含分布式电源配电网的异常用电检测方法 | |
TWI684927B (zh) | 太陽光電發電預測系統及方法 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供***负荷预测方法 | |
CN117439045A (zh) | 综合能源***多元负荷预测方法 | |
CN117150409A (zh) | 一种用电异常检测方法 | |
Rosato et al. | 2-D convolutional deep neural network for multivariate energy time series prediction | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
Adhya et al. | Stacking ensemble based fault diagnosis approach for improved operation of photovoltaic arrays | |
CN116340534A (zh) | 一种识别新能源异常数据的知识图谱构建方法和*** | |
CN116068303A (zh) | 一种基于数据驱动的专用变压器私自增容在线监测方法 | |
CN115169544A (zh) | 一种短期光伏发电功率预测方法及*** | |
CN113537607B (zh) | 停电预测方法 | |
CN114595884A (zh) | 一种遗传智能优化的神经网络风力发电设备温度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |