论文摘要
电力行业是国家发展的重要基础能源产业,也是国家经济的第一基础产业,控制着国家的命脉。随着电网规模不断扩大,运行条件日益复杂,电网数据采集范围和频率不断增加,如何合理运用电力大数据,提高电网数据利用率,为电网运行的安全性和可靠性提供理论依据,成为了一个新的研究热点。由于电力数据具有数据量大、数据类型多、价值密度低、处理速度快的特征,如何高效深度地对其进行挖掘分析,提取有价值的信息,为实际问题服务,是具有挑战性的难题。针对电力大数据的特点,本文利用深度学习、迁移学习等人工智能方法,为电网故障检测、故障诊断和负荷预测等任务建立数据挖掘网络模型,提取数据的关联性特征,提高数据挖掘的精度和效率。本文的主要研究工作和贡献如下:首先,针对故障异常数据少、传统神经网络易陷入局部最小、梯度消失爆炸问题,本文提出了基于栈式稀疏自编码器的线路跳闸故障检测网络,利用SSAE对数据进行无监督学习,提取高维稀疏特征,并引入PCA对特征进行压缩降维,利用高斯核SVM分类器进行最后的故障判别。其次,考虑故障类型特征不明显、RNN梯度消失和网络过拟合等问题,本文提出了基于MLSTM网络的线路跳闸故障诊断网络,利用三个带权重的LSTM子网络对故障电气量数据进行时间特征的提取并融合,并应用Dropout和BN层解决电力系统故障样本少产生的过拟合问题。然后,针对负荷预测综合影响因素、用户用电特性、网络参数和收敛速度等方面,本文提出了基于GRU网络的电网用户短期负荷预测网络。利用聚类分析算法减轻不同用户用电特性的干扰,并且对辅助环境信息进行量化,与历史负荷数据作为网络的总输入,挖掘负荷预测与多源信息的综合深层关系。最后,为了解决样本获取问题,进一步提高数据利用率和网络性能,本文针对上述三种数据挖掘方法,分别提出了相应的基于迁移学习和MMD的数据挖掘模型。利用MMD衡量源领域和目标领域数据的分布三异,从而根据MMD的值选择和调整迁移学习网络模型,将源领域有价值的知识迁移到目标领域,防止负迁移现象的发生。总的来说,本文的研究针对基于深度学习和迁移学习的电力数据挖掘问题,从故障检测、故障诊断和负荷预测等主要数据挖掘任务入手,从原理上设计了多个数据挖掘模型。通过南方电网真实数据实验验证,本文提出的方法能有效地提高数据挖掘的性能和效率。
论文目录
文章来源
类型: 博士论文
作者: 王毅星
导师: 张森林,刘妹琴
关键词: 电力系统,数据挖掘,深度学习,迁移学习,故障检测,故障诊断,负荷预测
来源: 浙江大学
年度: 2019
分类: 工程科技Ⅱ辑,信息科技,经济与管理科学
专业: 电力工业,计算机软件及计算机应用,自动化技术,工业经济
单位: 浙江大学
基金: 浙江省自然科学基金“基于开关量和电气量融合的电力系统故障诊断技术研究”(No.Z15F030003),国家高技术研究发展计划“大数据分析技术在输变电设备状态评估中的研究与应用”(No.2015AA050204),“基于UWSNs的近海环境安全实时探测新机理及关键技术”(No.U1609204)
分类号: TP311.13;TP18;F426.61
总页数: 148
文件大小: 11029K
下载量: 7580