基于DBN深度学习算法的低压台区反窃电诊断_任盛.pdf
《基于DBN深度学习算法的低压台区反窃电诊断_任盛.pdf》由会员分享,可在线阅读,更多相关《基于DBN深度学习算法的低压台区反窃电诊断_任盛.pdf(5页珍藏版)》请在咨信网上搜索。
1、电子设计工程Electronic Design Engineering第31卷Vol.31第4期No.42023年2月Feb.2023收稿日期:2021-08-24稿件编号:202108155基金项目:国网公司科技项目(5216AB180006)作者简介:任 盛(1987),男,湖南安乡人,硕士,工程师。研究方向:营销线损技术分析、计量采集监控与分析等。基于DBN深度学习算法的低压台区反窃电诊断任 盛,周志飞,卜龙敏,刘文婕,王艺錂(国网湖南省电力有限公司供电服务中心(计量中心)智能电气量测与应用技术湖南省重点实验室,湖南 长沙 410004)摘要:当前已有的低压台区反窃电诊断方法很难精准确定
2、窃电用户,导致无法完成反窃电工作。为解决上述问题,基于DBN深度学习算法提出新的低压台区反窃电诊断方法。采用大数据挖掘方法检测反窃电诊断大数据信息,并输出检测过程中产生的反窃电特征数据,分析反窃电识别数据,并重组通过逆行反窃电定位而形成的随机分布结构。利用 DBN深度学习算法建立低压台区反窃电诊断模型,增加训练系数,以消除误差,通过清洗补正反窃电数据、辨识窃电风险和分析窃电行为三个步骤,实现对窃电量的估算。实验结果表明,基于 DBN深度学习算法的低压台区反窃电诊断方法能够精准地确定出窃电用户,从而更好地完成反窃电工作。关键词:DBN深度学习;学习算法;低压台区;反窃电诊断中图分类号:TN-9文
3、献标识码:A文章编号:1674-6236(2023)04-0096-04DOI:10.14022/j.issn1674-6236.2023.04.020Antistealing diagnosis of lowvoltage station area based on DBNdeep learning algorithmREN Sheng,ZHOU Zhifei,BU Longmin,LIU Wenjie,WANG Yiling(Hunan Province Key Laboratory of Intelligent Electrical Measurement and Application
4、 Technology,StateGrid Hunan Electric Power Limited Company Power Supply Service Center(Metrology Center),Changsha410004,China)Abstract:At present,the existing anti power theft diagnosis methods in low voltage station area aredifficult to accurately determine the power stealing user,resulting in the
5、inability to complete the anti powerstealing work.In order to solve the above problems,a new anti stealing diagnosis method in low voltagestation area is proposed based on DBN deep learning algorithm.The big data mining method is used todetect the big data information of anti stealing diagnosis,outp
6、ut the antistealing characteristic datagenerated in the detection process,analyze the antitheft identification data,and reorganize the randomdistribution structure formed by retrograde antistealing positioning.The DBN deep learning algorithm isused to establish the anti stealing diagnosis model of t
7、he low voltage bench area,and the trainingcoefficient is increased to eliminate the error.Through three steps of cleaning and correcting the anti stealing data,identifying the risk of electricity theft and analyzing the behavior of electricity theft,theestimation of electricity stealing is realized.
8、The experimental results show that the anti power theftdiagnosis method in low voltage station area based on DBN deep learning algorithm can accuratelydetermine the power stealing users,so as to better complete the anti power stealing work.Keywords:DBN deep learning;learning algorithm;lowvoltage sta
9、tion area;antistealing diagnosis-96在电网覆盖率不断上升的背景下,居民的用电量逐渐增加,一些不法分子实施窃电行为损害电力公司的权益,为电力公司带来了巨大的经济损失,同时也带来了一定的安全隐患。随着科学技术的不断发展,不法分子的窃电手段已逐渐科技化,由传统的分压、分流发展成高频干扰器非侵入式窃电等,尤其在低压台区,窃电的地点更加隐秘,窃电过程更为复杂,给电力公司的反窃电诊断工作带来了极大的挑战。为此,国内的许多专家学者对此展开了相关的研究。以往提出的基于时空关联矩阵的低压台区反窃电诊断方法1,通过大数据挖掘技术对智能电表的高频率数据进行了挖掘,通过挖掘出的高频率
10、数据建立了诊断模型,在诊断模型中对用户窃电量进行了预估,该诊断方法改变了传统人工调查的窃电方式,实现了对低压台区窃电用户的准确认定与反窃电手段的诊断,但该方法对窃电用户的窃电行为没有进行具体分辨,诊断效率较差。基于大数据挖掘的反窃电诊断识别定位方法2分析了窃电用户的时空分布特征,统计了窃电用户的窃电开始时间、终止时间、用电容量等窃电信息,对其进行了综合诊断,但是该方法诊断精准性过低。为了解决以上问题,该文提出了基于 DBN深度学习算法的低压台区反窃电诊断方法,通过实验进行了验证。1低压台区反窃电数据挖掘为了实现对低压台区反窃电的诊断,首先需要对低压台区反窃电数据进行挖掘。利用数据挖掘技术分析窃
11、电用户窃电的交流频率,进行电压融合分析,采用电源融合方法对交流频率负荷进行管理,由此获得的反窃电数据参数模型为:xn(t)=i=0pigidi(t)+n(t)(1)式中,xn(t)表示在 t窃电时刻的窃电交流频率;pi表示输电配电网电压分布参数;gi表示直流微电网负荷参数;i表示输电配电网电流;di表示输电配电网的母线电容;n(t)表示窃电用户n在t时刻的窃电数据量3。通过该反窃电数据参数模型分析窃电用户窃电的有功功率变化,利用电网内电源辨识诊断输电配电网的母线差异性,获得三相交流电流与交直流母线的关联性,由两者之间表现出的关联性对反窃电数据的差异性进行判断与识别,得到反窃电直流输出功率的分布
12、情况,将直流微电网反窃电扩频序列与母线差异性结合起来,可得出反窃电数据的模糊度参数,将母线电容与反窃电相角差进行数据融合,融合后的低压台区反窃电数据为:yi=gi1m1+gi2m2(2)式中,yi表示挖掘出的低压台区反窃电数据;gi1表示反窃电数据变化值;m1表示直流微电网的输出功率变化值;gi2表示反窃电交流侧电压;m2表示反窃电数据的模糊度参数4-5。在均衡分配下,通过挖掘出的低压台区反窃电数据,可获得窃电用户窃电量以及窃电时间、电流等相关窃电信息,通过这些窃电信息以及反窃电数据可建立低压台区反窃电诊断模型6-7。2低压台区反窃电诊断通过以上挖掘的低压台区反窃电数据构建反窃电诊断模型。在建
13、立低压台区反窃电诊断模型时,采用了 DBN 深度学习算法,该算法通过一个 RBM(受限玻尔兹曼机)的训练使 DBN进行学习,通过自下而上进行每一层的训练,使 DBN对输入的每个数据都能够进行很好的学习与训练8。该文将 DBN 深度学习算法应用在反窃电诊断模型中,主要将挖掘出的反窃电数据分为样本数据集与训练数据集,利用样本数据集建立反窃电样本诊断模型,采用训练数据集建立反窃电训练诊断模型,最后将样本诊断模型与训练诊断模型进行融合,形成低压台区反窃电诊断模型9-12。首先建立低压台区反窃电样本诊断模型。利用DBN深度学习算法对挖掘出的反窃电数据进行预处理,分成样本数据集与训练数据集。样本数据集内含
14、有输入层、隐含层与输出层,每层中均含有数量不等的反窃电样本数据,在这些反窃电样本数据中含有一定数量的无效数据,无效数据会影响反窃电样本诊断模型的建立,因此需要先将其剔除出去。无效反窃电数据通常存在于输入层、隐含层、输出层中数量最少的节点内,对比不同层中节点的数量,找出数量最少的节点,将其中的无效数据剔除即可。根据剩下的反窃电样本数据集建立的反窃电样本诊断模型为:X=j=1()Ak+BrRj(3)式中,X表示反窃电样本诊断模型的系数;j任 盛,等基于DBN深度学习算法的低压台区反窃电诊断-97电子设计工程 2023年第4期表示节点数量;表示节点的总数量;Ak表示在输入层上的反窃电样本数据;Br表
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 DBN 深度 学习 算法 低压 台区反窃电 诊断 任盛
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。