随着向新型能源体系的转型加速,亟待开展对多元负荷用户的复杂用能特性分析的深入研究。提出了一种综合考量电、冷、热多元负荷耦合特性的用户用能特性标签库构建技术及用户画像方法。首先运用快速相关性滤波算法剔除高冗余低相关特征,...随着向新型能源体系的转型加速,亟待开展对多元负荷用户的复杂用能特性分析的深入研究。提出了一种综合考量电、冷、热多元负荷耦合特性的用户用能特性标签库构建技术及用户画像方法。首先运用快速相关性滤波算法剔除高冗余低相关特征,并通过随机森林和递归式特征消除算法精选出具有强区分能力的用能特征。在聚类阶段,改进的自适应三支密度峰值聚类算法(three-way adaptive density peak clustering,3W-ADPC)通过结合自适应近邻搜索和三支聚类算法提升负荷聚类效果。实证结果表明,所提方法具备在计算效率和聚类精度上的双重优势,能够精准揭示多元负荷用户综合用能特性和深层次信息,证实所提方法在多元负荷用户行为研究中的实用价值。展开更多
负荷预测是综合能源系统(integrated energy system,IES)高效运行的前提,面对综合能源系统多元负荷强耦合相关性、强随机性的特点,单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单...负荷预测是综合能源系统(integrated energy system,IES)高效运行的前提,面对综合能源系统多元负荷强耦合相关性、强随机性的特点,单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单一模型的不足,提出一种基于TCN-TPABiLSTM组合模型和多任务学习框架的IES多元负荷超短期协同预测方法。首先对负荷间耦合相关性、负荷时间相关性和负荷影响因素进行分析以构建模型输入,再通过变分模态分解将负荷数据分解为一定数量的模态以降低非平稳性,最后以TCN-TPA-BiLSTM组合模型作为多任务学习框架的共享层进行预测。通过实际数据进行验证和对比,结果表明该方法能够充分发挥模型各部分优势,相较于其他模型也获得了更优的结果。展开更多
传统的窃电检测方法大多直接在原始功率序列上构建模型,且没有同时考虑长时序列中的周期依赖关系以及周期之间的局部关联特征,限制了电力用户行为规律的深层挖掘。提出了一种综合采用时频模态融合和多尺度特征提取的高精度窃电检测模型...传统的窃电检测方法大多直接在原始功率序列上构建模型,且没有同时考虑长时序列中的周期依赖关系以及周期之间的局部关联特征,限制了电力用户行为规律的深层挖掘。提出了一种综合采用时频模态融合和多尺度特征提取的高精度窃电检测模型。采用经验模态分解方法,将原始信号分解为多个本征模态信号和一个残差信号,依据模糊熵值与皮尔逊相关系数找到同时包含局部信息与原始信号信息较多的模态,并将选择的模态信号与原信号进行拼接,这样既可以提升模型的维度,又能放大窃电用户与正常用户的局部差异;将拼接好的数据先输入卷积神经网络进行局部特征提取,并从提取到的特征输入多头自注意力机制神经网络模型中提取全局特征,从而实现多尺度特征提取,以增强模型提取特征的适应性。在公开数据集上的实验结果表明,所提模型的F1值达到了76.71%、召回率达到了87.99%、曲线下面积(area under the curve,AUC)值达到了93.11%,相比于现有方法均取得了明显提升。展开更多
文摘随着向新型能源体系的转型加速,亟待开展对多元负荷用户的复杂用能特性分析的深入研究。提出了一种综合考量电、冷、热多元负荷耦合特性的用户用能特性标签库构建技术及用户画像方法。首先运用快速相关性滤波算法剔除高冗余低相关特征,并通过随机森林和递归式特征消除算法精选出具有强区分能力的用能特征。在聚类阶段,改进的自适应三支密度峰值聚类算法(three-way adaptive density peak clustering,3W-ADPC)通过结合自适应近邻搜索和三支聚类算法提升负荷聚类效果。实证结果表明,所提方法具备在计算效率和聚类精度上的双重优势,能够精准揭示多元负荷用户综合用能特性和深层次信息,证实所提方法在多元负荷用户行为研究中的实用价值。
基金国家自然科学基金面上项目(52077194)浙江省“十四五”第二批本科省级教学改革备案项目(JGBA2024014)+1 种基金教育部产学合作协同育人项目(2501270945)浙江大学本科“AI赋能”示范课程建设项目(2024-24),浙江大学AI For Education系列实证教学研究项目(202402)。
文摘负荷预测是综合能源系统(integrated energy system,IES)高效运行的前提,面对综合能源系统多元负荷强耦合相关性、强随机性的特点,单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单一模型的不足,提出一种基于TCN-TPABiLSTM组合模型和多任务学习框架的IES多元负荷超短期协同预测方法。首先对负荷间耦合相关性、负荷时间相关性和负荷影响因素进行分析以构建模型输入,再通过变分模态分解将负荷数据分解为一定数量的模态以降低非平稳性,最后以TCN-TPA-BiLSTM组合模型作为多任务学习框架的共享层进行预测。通过实际数据进行验证和对比,结果表明该方法能够充分发挥模型各部分优势,相较于其他模型也获得了更优的结果。
文摘传统的窃电检测方法大多直接在原始功率序列上构建模型,且没有同时考虑长时序列中的周期依赖关系以及周期之间的局部关联特征,限制了电力用户行为规律的深层挖掘。提出了一种综合采用时频模态融合和多尺度特征提取的高精度窃电检测模型。采用经验模态分解方法,将原始信号分解为多个本征模态信号和一个残差信号,依据模糊熵值与皮尔逊相关系数找到同时包含局部信息与原始信号信息较多的模态,并将选择的模态信号与原信号进行拼接,这样既可以提升模型的维度,又能放大窃电用户与正常用户的局部差异;将拼接好的数据先输入卷积神经网络进行局部特征提取,并从提取到的特征输入多头自注意力机制神经网络模型中提取全局特征,从而实现多尺度特征提取,以增强模型提取特征的适应性。在公开数据集上的实验结果表明,所提模型的F1值达到了76.71%、召回率达到了87.99%、曲线下面积(area under the curve,AUC)值达到了93.11%,相比于现有方法均取得了明显提升。
