典型文献
基于两阶段数据增强和双向深度残差TCN的用户负荷曲线分类方法
文献摘要：
深度挖掘用户负荷规律并感知用电行为对于提升电网服务质量、改善用户用能体验具有重要意义.针对用户负荷中存在的数据缺失、类别不平衡问题以及分类模型性能缺陷,提出一种基于数据增强和双向深度残差时间卷积网络(temporal convolutional network,TCN)的电力用户负荷曲线分类方法.首先,提出考虑负荷数据全局分布特性的两阶段数据增强方法,第一阶段采用基于张量奇异值阈值算法的低秩张量补全方法补全缺失数据,第二阶段使用基于Wasserstein距离的生成对抗网络过采样少数类样本,解决类别不平衡问题.其次,构建融合双向时序特征的深度残差TCN分类模型,实现大规模用电曲线精准辨识.最后,通过选取公开时序分类基准数据集以及实测负荷数据集,验证了所提分类模型在收敛速度和分类精度上具有更好的性能,所提数据增强方法能有效提升模型分类效果.
文献关键词：
负荷分类;时间卷积网络(TCN);生成对抗网络;低秩张量补全;类别不平衡;数据缺失
中图分类号：
作者姓名：
张杰;刘洋;李文峰;王磊;许立雄
作者机构：
四川大学电气工程学院,成都市610065;智能电网四川省重点实验室(四川大学),成都市610065;国网河南省电力公司,郑州市450052
文献出处：
引用格式：
[1]张杰;刘洋;李文峰;王磊;许立雄-.基于两阶段数据增强和双向深度残差TCN的用户负荷曲线分类方法)[J].电力建设,2022(02):89-97
A类：
奇异值阈值算法
B类：
两阶段,阶段数,数据增强,TCN,用户负荷,负荷曲线分类,分类方法,深度挖掘,用电行为,善用,户用,数据缺失,类别不平衡,不平衡问题,分类模型,模型性能,时间卷积网络,temporal,convolutional,network,电力用户,负荷数据,局分,分布特性,增强方法,第一阶段,低秩张量补全,缺失数据,第二阶段,Wasserstein,生成对抗网络,过采样,少数类,时序特征,开时,基准数据集,提分,收敛速度,分类精度,模型分类,分类效果,负荷分类
AB值：
0.328323
相似文献
面向新型电力系统的需求响应机制探讨
范帅;危怡涵;何光宇;李祖毅-电力传输与功率变换教育部重点实验室(上海交通大学),上海市200240;伊利诺伊理工大学电气与计算机工程学院,芝加哥 60616,美国
基于数据增强及降维方法的配网业扩工程分类模型
周鑫;林镜星;谢志炜;张铮;梁濡铎;欧祖宏-广东电网有限责任公司广州供电局 ,广东 广州 510013;广东工业大学 自动化学院,广东 广州 510006
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
