论文部分内容阅读
随着坚强智能电网体系规划的不断推进,智能电网进行了快速发展,高级量测体系得到了不断完善,配用电数据类型逐渐增多,数据量不断加大而且增速不断加快。传统的异常用电检测存在成本高,准确率低,耗时长的问题。电力系统是大数据技术应用的领域之一,随着大数据技术的不断发展以及大数据生态圈的不断扩展,可以选择合适的算法模型提高异常用电检测的准确率,同时利用大数据技术具有存储数据量大及快速处理数据的能力,可以建设具有高可用、高效的异常用电检测系统。
首先,分析了目前基于Hadoop构建的电力行业大数据平台的不足和需求,在保留传统大数据平台的优点的基础上,设计了基于Lambda架构的、适应大规模数据量、对流式数据有更好处理能力的电力大数据平台;其次,研究了不同常用的异常用电检测方法,为更有效地从高维数据中提取数据特征从而解决特征匹配问题,提出一种基于小波和长短期记忆混合神经网络的异常用电检测模型,通过级联长短期记忆网络构建特征提取网络,从电力用户用电数据中提取序列特征,以小波神经网络为核心构建模式映射网络,实现序列特征到用电模式的映射,完成异常用电模式检测;最后,将文章提出的基于小波和长短期记忆混合神经网络的异常用电检测算法模型与电力大数据平台结合,实现了基于大数据的异常用电检测系统,利用CERSmartMeteringProject数据进行试验,文章提出的异常用电检测模型与传统网络模型相比,具有更高的检出率、更低的误检率和更高的贝叶斯检出率,同时验证系统的高可用性及对流式数据处理的高效性。
首先,分析了目前基于Hadoop构建的电力行业大数据平台的不足和需求,在保留传统大数据平台的优点的基础上,设计了基于Lambda架构的、适应大规模数据量、对流式数据有更好处理能力的电力大数据平台;其次,研究了不同常用的异常用电检测方法,为更有效地从高维数据中提取数据特征从而解决特征匹配问题,提出一种基于小波和长短期记忆混合神经网络的异常用电检测模型,通过级联长短期记忆网络构建特征提取网络,从电力用户用电数据中提取序列特征,以小波神经网络为核心构建模式映射网络,实现序列特征到用电模式的映射,完成异常用电模式检测;最后,将文章提出的基于小波和长短期记忆混合神经网络的异常用电检测算法模型与电力大数据平台结合,实现了基于大数据的异常用电检测系统,利用CERSmartMeteringProject数据进行试验,文章提出的异常用电检测模型与传统网络模型相比,具有更高的检出率、更低的误检率和更高的贝叶斯检出率,同时验证系统的高可用性及对流式数据处理的高效性。