毕业设计答辩发言稿

各位评委老师，大家下午好！我是来自电自1304班的**，毕业设计的题目是“基于量测数据的电力系统负荷类别识别方法研究”。

我将主要从以下几个方面介绍我毕设的研究内容。

随着智能电网的发展，智能量测设备被广泛的应用于电力系统中，使得获得海量的用户负荷数据成为可能。如何从这些数据中更高效地获得有价值的信息，就需要对处理和分析数据的方法进行进一步的研究。

供电部门传统的负荷分类方法，往往是分局用户的经济活动划分。但由于设备构成、生活习惯等因素的影响，具有相同经济活动特点的用户，其负荷特性也并不完全一致。因此，研究更科学准确的分类方法是具有实际价值的。

本文的主要工作是梳理和总结现有的负荷类别识别方法，然后选取具体的方法进行算法实现和算例分析，并比较不同方法的优缺点。

目前普遍使用的负荷类别识别方法主要有两大类，一类是基于数学优化方法的时间序列相似性度量，另一种是基于数据挖掘技术的智能算法。根据以往文献对方法的理论分析和效果评估，本文选择了其中最有代表性的三种方法，先用Matlab编写识别程序，然后进行算例分析。

算例分析采用的负荷数据来自浙江省杭州局及其下属的8个供电局，处理后共得到12000条较为可靠地用户负荷数据，采用K-means算法进行聚类分析得到7条典型负荷类型曲线。同时，聚类分析时的归类结果也可以作为衡量方法准确率的标准。

针对每种方法，采用了两种方式进行算例分析。一个是给典型曲线加入不同程度的噪声作为待识别曲线，另一种是选用实际的用户负荷曲线作为样本。对分类识别的结果主要通过以下三个指标来衡量。

首先，是基于相关系数的负荷类别识别方法。此处以第六类典型负荷曲线为例，当分别加入0.05倍、0.1倍和0.5倍的高斯白噪声后，得到各自的相似距离如下表。可以看出，在三种情况下，样本曲线与第六类典型负荷曲线间的相似距离都是七类中最小的，程序可以实现准确的分类判断。而且，随着噪声的增大，相似距离逐渐增大，这符合理论依据。

通过“噪声——相似距离曲线”可以更直观的看出二者的变化规律，在噪声从0逐渐加到1的过程中，200条待识别样本曲线的准确率在80%左右。

在选取1000条实际用户负荷曲线进行算例分析时，首先需要设定一个初始阈值。在这里我以原始数据集中相似距离的最大值作为初始阈值，这样可以保证所有的样本曲线都找到对应的类别，便于比较识别准确率。

得到识别结果如下。

通过表格中的结果可以看出，基于相似距离法的识别方法效果较差，平均准确率仅为62%左右，第1、2两类的准确率甚至不足50%。

通过混淆矩阵可以看到错误分类的具体情况。其中绿色方框是正确归类的曲线数，红色方框是错误的。比如图中圈出的就代表有13条本来应该属于第六类的曲线被错误的归到了第4类。

第二种方法是基于最大隶属度的负荷类别识别方法。从表中可以看出，样本曲线对于第六类负荷的隶属度值最大，可以正确判断。从“噪声——隶属度”曲线中可以看出，随着所加噪声的增大，样本与中心间的相似度逐渐降低，隶属度值也逐渐下降。

取1000条实际用户负荷曲线进行分析，识别结果如图所示。其中红色为典型负荷曲线，粉色为归于该类样本曲线的平均值，可以看到，二者在形状上还

是具有较高相似度的。

最大隶属度方法的平均识别准确率能达到99%左右，实现了非常理想的分类识别效果。通过混淆矩阵可以看到错误分类的曲线非常少。

接下来是基于人工神经元网络的识别方法，对1000条实际用户负荷曲线进行识别，得到如图所示分类结果。其中红色为典型负荷曲线，绿色为归于该类样本曲线的平均值，可以看到，二者在形状上也是比较相似性的。

基于人工神经元网络的负荷类别识别方法七类的平均识别准确率大概在90%左右。但错误归类的情况相对比较分散。

通过增加网络的隐含层数和每层的神经元数可以提高该方法的识别准确率。当采用单层10神经元网络和双层10神经元网络时，准确率从90%提高到95%左右。

对比三种方法的识别结果，最大隶属度法具有最高的识别准确率，人工神经元网络的方法次之，相似距离法的识别准确率则较低。而且由于该方法初始阈值的设定缺乏普适的标准，使其有效判断率也会受到影响。最大隶属度法在准确率上最为理想，但它存在的问题是没有考虑到新的负荷类型的产生，基于这个问题，可以考虑引入序列方差进行改进，对新的负荷类型进行筛选。基于人工神经元网络的识别方法即使在缺少典型负荷曲线信息的情况下也能进行识别，但由于网络训练的随机性，每次的识别结果可能不同。

综上，针对本文算例分析对应的情况，最大隶属度方法是最适宜的识别手段。

为了对负荷类别识别方法进行更详尽全面的评估，还应该对更多的算法进行研究，同时获取新的用户负荷数据进一步评估有效性，这些工作将在今后的学习中进一步完成。