基于深度学习和迁移学习的电力数据挖掘技术研究

基于深度学习和迁移学习的电力数据挖掘技术研究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。