基于ARMA和K-means聚类的用电量数据异常识别

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。     

基于边缘计算的低压用户窃电检测

低压用户窃电导致线损电量增加,对台区线损异动进行归因分析是识别窃电用户的有效途径。低压用户通信异常多发,可导致用电信息采集系统主站数据失真,易误导窃电检测。利用配变终端可就地完整准确采集台区数据的特点,提出基于边缘计算的低压用户窃电检测方法。首先,在通信正常和异常的条件下,分析台区窃电用户用电量与线损电量的关联关系;然后,在配变终端窃电检测模块中对真实的台区线损和用户用电量进行归因分析来识别窃电用户;最后,基于高损台区实际数据的仿真分析,验证了所提方法相比于在主站侧采用异常数据以及采用不同缺失数据填补算法修复后的数据进行窃电检测时的优势。     

一种用电信息采集系统异常电量数据的识别与修复方法

当前,用电信息采集系统基本实现了全覆盖,可为多种业务提供数据支撑。但由于采集设备故障、通信信道不稳定以及外界干扰等原因,往往会使用电信息采集系统采集到异常的电量数据,这会造成基于电量数据的各种应用分析失去准确性甚至无法进行。因此,必须对用电信息采集系统采集到的异常电量数据进行识别与修复。文章基于负荷数据与电量数据的物理规律以及相应的数学算法,提出了一种用电信息采集系统异常电量数据的识别与修复方法。该方法将出现异常电量数据的用户按负荷数据分为有完整负荷数据、有不完整负荷数据以及无负荷数据三种类型,并分别建立了各类型相对应的异常电量修复数学模型。通过算例分析验证了该方法的有效性。     

数字化电能表信息采样中的反向电量异常识别方法

针对目前识别方法准确性和全面性较低的问题，提出一种数字化电能表信息采样中的反向电量异常识别方法。通过用电信息采集系统召测数据，完成数字化电能表信息采样工作，并实施缺失值填补、数据标准化等预处理。以处理好的数据为基础，计算电能表状态特征，包括用户用电量变化、电压量/电流量、有功功率等三个维度的特征指标，利用AdaBoost算法构建分类器，实现反向电量异常识别。结果表明：所研究方法应用下，F1分数值更高，能更为准确且全面地检测出用户窃电行为，为窃电用户便捷查找与预防预控提供了可靠的依据。     

基于多表融合数据的用户短期用电量预测

用电量预测是用户用能分析的一个重要研究内容,提高预测精度对用户用能分析以及异常检测具有重要意义。利用用电信息系统采集的电、水、气三表数据,提出了基于支持向量机的短期用电量预测方法。该方法首先利用通径分析计算出影响用户用电量的日特征向量的权重以及模糊相似矩阵;然后,通过模糊聚类传递闭包法选取相似日,并将它们作为样本训练支持向量机模型,实现对用户用电量的预测。采用杭州地区2016年的多表融合数据对提出方法的性能进行测试。实验结果表明,多表融合预测相对于单表预测方法,其单用户用电量和小区多用户总用电量的预测相对误差分别减小了6%和1%以上。     

基于电能质量监测数据的企业环保异常工况识别

针对目前污染企业环保工况异常监测实施困难、识别误差大、结果易被篡改等问题,提出了一种基于电能质量监测数据的环保异常工况识别方法。区别于对每个设备安装分表进行用电监测的现有方案,使用企业设备公共用电入口处非侵入式负荷监测所得的多维电能质量数据进行工况分类模型训练,实现异常工况识别。首先,对表征生产情况的特征数据进行时序变点检测与聚类计算,实现企业生产工况的划分;然后,结合环保设备运行情况得到用于分类的环保工况类别;进而,采用Stacking集成学习模型对环保相关的工况场景进行分类学习;最后,利用所训练的分类模型识别出企业存在的环保异常工况。利用仿真测试数据与实际企业数据验证了所提方法的有效性。     

基于面板回归的地区行业用电量空间协同预测模型研究

中国大部分地区目前还处在工业化中后期阶段，行业用电在全社会用电量中占有较大比重，随着区域协同发展政策的实施，各地区内部行业间联系日益紧密，针对地区内部行业用电量预测问题，传统单维度历史序列分析无法满足需求。介绍一种基于关联规则发掘算法确定行业电量增长主导因素的方法，结合面板数据建立区域行业用电量空间协同预测模型，模型基于面板协整关系实现多地区行业用电量预测。以中国南方五省非金属行业用电量及相关经济数据为例进行实证研究，验证了所提出的空间协同预测模型的可行性与有效性。     

基于向量自回归模型的高损线路窃电检测

接入配电线路的用户窃电将直接导致分线线损电量异常波动,因此用户用电量与分线线损电量间存在长期动态互动。该文提出基于向量自回归模型检测造成线损波动的异常用户的方法。首先,运用边限协整检验分析线损电量和用户用电量的长期均衡关系;然后,构建线路线损电量与接入用户用电量的向量自回归模型,计算脉冲响应函数分析线损电量与用户用电量的动态作用机制;再通过方差分解分析线损电量与用户用电量间冲击作用的贡献度,将对线损电量有显著影响且波动贡献度最大的用户识别为窃电用户;最后,结合实际高损线路用户数据识别窃电嫌疑用户,并运用现场稽查的手段验证了所提方法的有效性。     

基于逻辑回归算法的异常用电辨识方法研究

检测异常用电的目的 是打击异常用电,并减少电能的非技术性损失.文中提出了一种基于逻辑回归算法的异常用电辨识方法,主要包括特征提取、算法构建以及检验模型等模块.提取电网用电量等相关数据,并从数据集中提取出电量下降趋势指标、线损指标和告警类指标用作异常用电评判体系.进行电量下降趋势指标、线损指标和告警类指标的归一化处理,再进行离群邻近度的计算,初步筛选异常用电用户.对初步筛选的结果进行逻辑回归算法的再次筛选,进一步提高识别准确率.经过电网部分用电数据的检验后,该算法相较于逻辑回归算法,识别率更高,识别效果更好.     

基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测

在电力系统的运行过程中,不可避免地会产生异常电量数据,如何高效地检测辨识这些异常数据是电力系统状态估计中至关重要的组成部分,也是电力系统运行的安全性和稳定性的基础。传统的异常检测方法只针对特定的电力系统特性,且存在计算量较大、准确率较低的问题。针对传统电量数据异常检测方法的不足,提出一种基于三次指数平滑模型和DBSCAN聚类的电量数据异常检测方法。三次指数平滑模型利用历史数据预测当前时刻区域用电量,然后对预测值和真实值相减得到残差项,最后利用DBSCAN密度聚类算法来对残差项进行聚类,实现电量异常数据的识别。对某电网的区域用电量数据进行实证分析并与3种常用异常检测模型进行实验对比。结果表明,三次指数平滑模型与DBSCAN聚类结合,在电量异常数据检测中检测率和误报率指标均取得了比较好的结果。     

考虑集群辨识的海量用户负荷分层概率预测

随着电力公司等传统能源企业向综合能源服务商的加速转型,原有的粗放式用户用电管理模式逐渐难以满足电力营销管理的需求。针对海量用户场景提出了用电模式分层聚类方法及用户集群辨识模型。基于用户集群辨识结果提出了条件残差模拟负荷概率预测模型,进行负荷分层概率预测,以实现对用户精细化用电管理。通过典型案例验证了所提方法的可行性与优越性。     

一种基于组合算法的异常用电模式辨识方法

针对电力用户异常用电的检测问题,提出了一种基于无监督组合算法的异常用电模式辨识方法。所提辨识方法由数据处理、特征提取、离群检测三部分组成。文中先获取用户的用电量及相关数据,进行数据清洗和缺失数值补全;再对数据进行特征提取,得到相应的异常用电识别特征量;通过k均值聚类将用户聚为两组,并分别对每组进行主成分分析优化特征空间,计算离群邻近度,通过2 sigma原则实现异常用电用户辨识。该方法通过聚类、优化特征空间、离群检测组合算法,提高了辨识效率。文中采用真实用电数据进行了异常用电用户辨识仿真实验,辨识结果验证了该方法的有效性。     

基于加性分位数GB算法的智能电能表数据不确定性预测

与传统电力数据相比,智能电能表数据波动性更大,可预测性更低。能源行业需对智能电能表数据进行概率预测,以量化未来电力需求的不确定性,以便对发电和配电进行合理规划。文章提出了一种用梯度提升算法估计智能电能表数据未来分布的加性分位数回归模型。所提方法提出了电能表数据概率预测的分位数回归及分位数修正算法。基于分位数算法给出了综合考虑外部影响因素的加性分位数的GB算法,并研究了该基于梯度提升算法的智能电能表数据概率预测加性分位数模型的关键性能参数选择,从而建立起了高性能的智能电能表数据概率预测模型;通过算例分析证明了该方法在综合和单个用户智能电能表数据概率预测中的准确性和有效性,尤其是在单个用户电能表数据概率预测方面具有远超其他算法的优越性能。     

基于非参数核密度估计的电力市场用户电量异常数据辨识与修正方法

随着我国电力现货市场的逐步推进,电力市场中的交易结算环节对电力市场用户电量数据的准确度提出了更高的要求。首先,为解决由于计量装置等问题造成的分时电量数据缺失与异常,采取非参数核密度估计(kernel density estimation,KDE)的方法,对窗宽进行优化选取,根据电力市场用户的历史电量数据提取其日分时电量特征曲线。其次,将提取的特征曲线结合历史电量所蕴含的信息得到用户电量数据的可行域矩阵,并将其应用于异常数据的辨识中。再次,根据异常数据区间用电量大小对特征曲线进行缩放处理后的数据作为连续缺点数据修正值。最后,利用某省电力市场用户的计量电量数据,对所提方法的有效性和准确性进行了验证。结果表明所提方法能够有效地处理异常数据,和其他方法相比较,该文方法在连续多点电量数据异常的修正过程中准确度最高,具有实际应用价值。     

基于动态贝叶斯网络的电价区间预测

在高比例可再生能源参与市场竞争的背景下,电价波动更为剧烈.为了对电价区间进行预测,提出了动态贝叶斯网络(Dynamic Bayesian Network,DBN)的电价区间预测方法.该方法以风电发电量、总发电量和总用电量的预测值以及历史电价真实值为输入数据,以贪婪搜索算法确定DBN的网络结构,以最大似然估计法(Maxi...     

基于区域峰谷分时电价的电动汽车有序充电研究

随着电力市场的发展,差异化电价机制的出现为引导大规模电动汽车的有序充电行为提供了一种新的思路。因此,提出了一种能够引导电动汽车有序充电的最优区域峰谷分时电价计算模型。首先,基于城市区域用电行为的差异特性,将用电区域分为居民区、办公区、工业区、商业区等四个区域,并运用隶属度函数法研究区域分时电价峰谷时段划分方法;然后,基于弹性系数法建立电动汽车用户响应量对区域峰谷分时电价的响应关系。最后,以日峰谷差和用户充电成本最小为优化目标,建立最优区域峰谷分时电价计算模型。仿真结果表明所提出的电动汽车区域峰谷分时电价计算模型能够有效降低用户充电成本和系统日峰谷差,有效引导电动汽车进行有序充电。     

基于强化学习的异常用电判决方法

目前异常用电检测问题有许多基于分类的方法,但大多都是基于短期用电行为的判决来判断长期用电行为,判决阈值与比例难以确定,且在实际应用中,不同区域、时段的用户用电数据分布差异较大,比例与阈值也会有较大的不同,难以以固定的比例通用于所有的用户数据。针对此问题,文中提出一种基于强化学习的异常用电判决方法,创新地利用强化学习模型来动态生成阈值,以适应差异较大的不同数据集。首先获取分类器输出的数个用户短期行为的异常概率,然后输入到强化学习模型深度递归Q网络（DRQN）中,学习得到动态阈值即判决阈值与判决比例。试验结果表明,相比于人工调参的传统投票法,文中方法在评估指标上有明显提升,面对数据分布差异较大的数据集时也有较好的表现,说明文中方法具有较强的泛化能力,在数据类型复杂的现实环境中也有较好的应用场景。     

电力现货市场环境下园区型综合能源系统多阶段联合优化运行

针对国内最新电力现货市场规则,设计了园区型综合能源系统参与电力市场的系统框架和运行模式,基于多时间尺度多步递进优化的思想,建立了包含日前、日内、实时三阶段联合优化经济运行模型:在日前和日内阶段,采用随机优化概率约束解决光伏、负荷的不确定性问题,通过线性规划算法求解现货日前市场最优申报用电量和日内24 h功率计划曲线;在实时阶段,采用模型预测控制算法,形成了对功率、电价信息的滚动跟踪预测和校正反馈,实现与实时市场的同步滚动优化.算例分析结果表明,该优化经济运行模型可以使园区用户积极跟踪电力现货市场价格波动,通过降低综合用能成本有效提升盈利空间.     

基于负荷数据分析的用户侧用电感知与失电影响评估方法研究

提出一种基于调度侧配电网负荷数据分析进行负荷性质辨识与用户侧用电感知、失电影响评估的方法。利用调度自动化系统中的负荷数据,首先通过基于时间序列趋势的模糊C均值聚类方法求解馈线负荷曲线与典型负荷曲线的隶属度,判断馈线负荷性质;然后利用用户侧多维系统中历史数据,通过基于用电量积分的概率谱方法,分析线路负荷异常波动对应的用户侧实际用电感知及故障影响。实际案例分析表明:该方法能够根据调度侧负荷数据分析,正确辨识配电线路的负荷性质,精准评估用户侧失电影响,建立配网运行数据与客户用电感知之间的实时映射,辅助配网调控人员根据用户需求开展方式调整与故障处置。     

基于用电行为数字特征画像的电力用户两阶段分类方法

对用户开展精细化用电行为画像及分类,是电力企业精准掌握用户用电规律、提升服务水平和市场竞争力的关键因素之一.针对当前电力用户分类研究中用户用电行为画像结果片面、集成学习负荷分类研究中的基分类器冗余问题及负荷类别不平衡问题,提出一种基于用电行为数字特征画像的电力用户两阶段分类算法.第一阶段,提出一种结合谱聚类和集成强基分...