泛在电力物联网数据挖掘体系建设综述及数据驱动认知框架探究

论文摘要

配电网认知旨在精确快速地把握配电网的运行状态和趋势,是配电网运维调控决策的前提,其难点在于支撑态势评估的特征量往往并不显著。针对上述现象,综述了现有的大数据技术和工程数据集的数据挖掘体系,包含电力系统数据建模与电力数据模型分析所涉及的基础理论、数学工具、处理算法和高维特征及其优越性等。通过建立电网运行的数据模型,为配电系统的运行分析提供全新的切入点,有助于推进智能算法在电力系统中的深度应用。此外,在三型两网的战略目标大背景下,研究也为如何系统性地萃取泛在电力物联网所承载的数据流其隐性价值这一问题提供了解决方案。

论文目录

0 引言

1 数据驱动的配电网认知与大数据挖掘体系

1.1 经典配电网认知方法

1.2 高维数据驱动模式的配电网认知方法及其思想、优越性与先决条件

1.3 大数据挖掘体系及其实现难点与基本工具

1.4 数据科学及其研究现状

1.4.1 大数据分析与人工智能

1.4.2 随机矩阵理论的研究现状及其工程应用

1.4.3 深度学习技术的研究现状及其工程应用

2 大数据挖掘理论框架及数据驱动认知框架

2.1 大数据挖掘理论框架

2.1.1 工程数据挖掘方法体系实现过程

2.1.2 配电网认知的实现过程

2.2 大数据、数据驱动与高维特征

2.3 配电网数据驱动认知框架

3 RMT及其研究点

3.1 RMT及其模型

3.1.1 随机矩阵模型及基础理论

（1） Wishart系综矩阵及其性质。

（2）随机矩阵基础理论。

3.1.2 电力系统高维时空数据视角及模型

（1）电力系统高维时空数据视角。

（2）电力量测数据集的数据模型。

3.1.3 配电网运行数据的随机矩阵建模技术

（1）实际电网数据的高维建模及意义。

（2）随机过程ARMA模型。

（3）因子模型及其残差检测。

（4）基于自由概率的数据融合。

3.2 随机矩阵模型分析技术

3.2.1 线性特征值统计量LES

（1）定义:

（2） LES的大数定律。

（3） LES的中心极限定理[19]。

3.2.2 基于LES的信号检测模型与优化

（1）假设检验。

（2）测试函数φ的设计。

（3）基于拼接矩阵的判据解析。

4 深度神经网络构建及其应用

4.1 深度神经网络的工作原理

4.2 深度学习模型的性能评估与优化

4.2.1 模型的性能评估

4.2.2 模型和方法的优化策略

5 随机矩阵和深度学习融合

5.1 基于深度学习训练LES的测试函数

5.2 基于RMT解析神经网络

5.3 基于RMT的深层神经网络解析

6 结语

文章来源

类型: 期刊论文

作者: 贺兴,艾芊,邱才明,张东霞

关键词: 泛在电力物联网,数据挖掘,高维特征,随机矩阵理论,深度学习,认知

来源: 电器与能效管理技术 2019年19期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业,电信技术,计算机软件及计算机应用

单位: 上海交通大学电气工程系大数据工程技术与人工智能研究中心,中国电力科学研究院有限公司

基金: 国家自然基金青年科学基金项目(51907121),国家自然科学基金联合基金项目(U1766207)

分类号: TM732;TP391.44;TN929.5

DOI: 10.16628/j.cnki.2095-8188.2019.19.001

页码: 1-14

总页数: 14

文件大小: 1497K

下载量: 335

泛在电力物联网数据挖掘体系建设综述及数据驱动认知框架探究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢