论文摘要
针对传统方法难以实现对电力系统异常电量的高效、准确辨识的问题,提出一种基于自回归滑动平均模型（ARMA）和K-means聚类的电量数据异常识别方法。在分析电量数据中的趋势性、周期性和季节性特征的基础上,首先利用历史数据建立ARMA模型进行用电量预测模型训练,并通过极值点步进线性回归策略逐步提取出线性化的旋转分量,提高旋转分量的生成效率。然后计算预测值和真实值之间的残差,最后对残差项进行DBSCAN聚类,实现电量异常数据的识别。对某电网20个区域的用电量数据进行案例分析,并与常见异常识别方法进行对比,通过检测率和误报率评价指标验证了该研究方法的有效性。
论文目录
文章来源
类型: 期刊论文
作者: 梁捷,梁广明
关键词: 异常识别,自回归滑动平均模型,聚类,旋转分量,用电量
来源: 湖北电力 2019年04期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 广西电网有限责任公司计量中心,南宁百会药业集团有限公司
基金: 广西电网有限责任公司重点科技项目(项目编号：GXKJXM20181236)
分类号: TM73
DOI: 10.19308/j.hep.2019.04.010
页码: 65-70
总页数: 6
文件大小: 1258K
下载量: 60
相关论文文献
标签：异常识别论文; 自回归滑动平均模型论文; 聚类论文; 旋转分量论文; 用电量论文;