大数据时代,流数据大量涌现.概念漂移作为流数据挖掘中最典型且困难的问题,受到了越来越广泛的关注.集成学习是处理流数据中概念漂移的常用方法,然而在漂移发生后,学习模型往往无法对流数据的分布变化做出及时响应,且不能有效处理不同...大数据时代,流数据大量涌现.概念漂移作为流数据挖掘中最典型且困难的问题,受到了越来越广泛的关注.集成学习是处理流数据中概念漂移的常用方法,然而在漂移发生后,学习模型往往无法对流数据的分布变化做出及时响应,且不能有效处理不同类型概念漂移,导致模型泛化性能下降.针对这个问题,提出一种面向不同类型概念漂移的两阶段自适应集成学习方法(two-stage adaptive ensemble learning method for different types of concept drift,TAEL).该方法首先通过检测漂移跨度来判断概念漂移类型,然后根据不同漂移类型,提出“过滤-扩充”两阶段样本处理机制动态选择合适的样本处理策略.具体地,在过滤阶段,针对不同漂移类型,创建不同的非关键样本过滤器,提取历史样本块中的关键样本,使历史数据分布更接近最新数据分布,提高基学习器有效性;在扩充阶段,提出一种分块优先抽样方法,针对不同漂移类型设置合适的抽取规模,并根据历史关键样本所属类别在当前样本块上的规模占比设置抽样优先级,再由抽样优先级确定抽样概率,依据抽样概率从历史关键样本块中抽取关键样本子集扩充当前样本块,缓解样本扩充后的类别不平衡现象,解决当前基学习器欠拟合问题的同时增强其稳定性.实验结果表明,所提方法能够对不同类型的概念漂移做出及时响应,加快漂移发生后在线集成模型的收敛速度,提高模型的整体泛化性能.展开更多
窃电行为不仅会扰乱正常用电秩序,更会影响电网的供电质量和安全运行。针对窃电检测工作中所面临的用户正常用电行为与窃电行为多样化问题,该文提出一种基于多阶段递推数据分析的低压台区窃电检测方法。该方法第1阶段对嫌疑窃电台区进...窃电行为不仅会扰乱正常用电秩序,更会影响电网的供电质量和安全运行。针对窃电检测工作中所面临的用户正常用电行为与窃电行为多样化问题,该文提出一种基于多阶段递推数据分析的低压台区窃电检测方法。该方法第1阶段对嫌疑窃电台区进行判定,针对当日线损不是明显激增的情况,提出基于台区线损综合波动率、总分表电流差异率、线损和电流曲线的突变点时间重合度的三步分析法,为窃电嫌疑用户的检测提供了良好的条件;第2阶段提出基于最优特征集的时间序列相似性度量方法,基于欧氏距离度量曲线间数值特征,同时基于动态时间规整(dynamic time warping,DTW)算法度量曲线间的形态特征,实现窃电嫌疑用户的初步筛选;第3阶段提出基于核函数和惩罚参数优化的支持向量机二次深度检测模型(optimize kernel-function and penalty-parameters support vector machine,OKPSVM),其中惩罚参数采用综合改进的粒子群(improved particle swarm optimization,IPSO)算法。通过算例仿真和实际工程应用,整体优化后的支持向量机模型(IPSO-OKPSVM)能够提高深度窃电检测的精准性和适用性。展开更多
针对微网独立运行时面临运行成本高,受可再生能源出力和多能负荷功率不确定性影响大等问题,提出一种基于混合两阶段鲁棒优化的多微网合作运行方法。首先,为了应对源荷双重不确定性挑战,在传统两阶段鲁棒优化基础上,提出一种基于多场景...针对微网独立运行时面临运行成本高,受可再生能源出力和多能负荷功率不确定性影响大等问题,提出一种基于混合两阶段鲁棒优化的多微网合作运行方法。首先,为了应对源荷双重不确定性挑战,在传统两阶段鲁棒优化基础上,提出一种基于多场景数据的最恶劣概率场景驱动的混合两阶段鲁棒优化方法,并采用可并行计算列与约束生成(column and constraint generation,C&CG)算法来提高求解效率。然后,在建立的多微网点对点分布式能源交易系统框架上,根据纳什谈判理论构造多微网合作成本最小化问题和收益分配问题,并提出一种耦合可并行计算C&CG的交替方向乘子法进行求解。最后,根据各微网不同的贡献率,设计一种基于点对点电能交易贡献度的非对称纳什谈判机制来分配各微网的合作收益。算例结果表明,所提方法能兼顾系统的鲁棒性、经济性和隐私性,并实现每个微网公平合理的收益分配。展开更多
文摘大数据时代,流数据大量涌现.概念漂移作为流数据挖掘中最典型且困难的问题,受到了越来越广泛的关注.集成学习是处理流数据中概念漂移的常用方法,然而在漂移发生后,学习模型往往无法对流数据的分布变化做出及时响应,且不能有效处理不同类型概念漂移,导致模型泛化性能下降.针对这个问题,提出一种面向不同类型概念漂移的两阶段自适应集成学习方法(two-stage adaptive ensemble learning method for different types of concept drift,TAEL).该方法首先通过检测漂移跨度来判断概念漂移类型,然后根据不同漂移类型,提出“过滤-扩充”两阶段样本处理机制动态选择合适的样本处理策略.具体地,在过滤阶段,针对不同漂移类型,创建不同的非关键样本过滤器,提取历史样本块中的关键样本,使历史数据分布更接近最新数据分布,提高基学习器有效性;在扩充阶段,提出一种分块优先抽样方法,针对不同漂移类型设置合适的抽取规模,并根据历史关键样本所属类别在当前样本块上的规模占比设置抽样优先级,再由抽样优先级确定抽样概率,依据抽样概率从历史关键样本块中抽取关键样本子集扩充当前样本块,缓解样本扩充后的类别不平衡现象,解决当前基学习器欠拟合问题的同时增强其稳定性.实验结果表明,所提方法能够对不同类型的概念漂移做出及时响应,加快漂移发生后在线集成模型的收敛速度,提高模型的整体泛化性能.
文摘窃电行为不仅会扰乱正常用电秩序,更会影响电网的供电质量和安全运行。针对窃电检测工作中所面临的用户正常用电行为与窃电行为多样化问题,该文提出一种基于多阶段递推数据分析的低压台区窃电检测方法。该方法第1阶段对嫌疑窃电台区进行判定,针对当日线损不是明显激增的情况,提出基于台区线损综合波动率、总分表电流差异率、线损和电流曲线的突变点时间重合度的三步分析法,为窃电嫌疑用户的检测提供了良好的条件;第2阶段提出基于最优特征集的时间序列相似性度量方法,基于欧氏距离度量曲线间数值特征,同时基于动态时间规整(dynamic time warping,DTW)算法度量曲线间的形态特征,实现窃电嫌疑用户的初步筛选;第3阶段提出基于核函数和惩罚参数优化的支持向量机二次深度检测模型(optimize kernel-function and penalty-parameters support vector machine,OKPSVM),其中惩罚参数采用综合改进的粒子群(improved particle swarm optimization,IPSO)算法。通过算例仿真和实际工程应用,整体优化后的支持向量机模型(IPSO-OKPSVM)能够提高深度窃电检测的精准性和适用性。
文摘针对微网独立运行时面临运行成本高,受可再生能源出力和多能负荷功率不确定性影响大等问题,提出一种基于混合两阶段鲁棒优化的多微网合作运行方法。首先,为了应对源荷双重不确定性挑战,在传统两阶段鲁棒优化基础上,提出一种基于多场景数据的最恶劣概率场景驱动的混合两阶段鲁棒优化方法,并采用可并行计算列与约束生成(column and constraint generation,C&CG)算法来提高求解效率。然后,在建立的多微网点对点分布式能源交易系统框架上,根据纳什谈判理论构造多微网合作成本最小化问题和收益分配问题,并提出一种耦合可并行计算C&CG的交替方向乘子法进行求解。最后,根据各微网不同的贡献率,设计一种基于点对点电能交易贡献度的非对称纳什谈判机制来分配各微网的合作收益。算例结果表明,所提方法能兼顾系统的鲁棒性、经济性和隐私性,并实现每个微网公平合理的收益分配。
