智能电表大数据管理、分析和可视化方法研究

随着电网建设规模的不断扩大,以及电网智能化的不断推进,智能电表正大量应用于各级电网,其产生的能耗大数据为电网数据管理带来了较大压力。为此,从智能电表数据的时间、用电设备类型、用电户名三个数据维度出发,构建了一套分布式数据文件存储系统,针对数据特征提出了一种数据查询模型,基于开源数据库中的电力大数据,对一百万个智能电表的大数据进行了的可视化,最后对比了内存和磁盘两种数据存取方式的数据查询时延、数据传输速度。研究结果表明所提出的方法可有效实现智能电表大数据的查询、可视化,对比结果表明相比磁盘,内存具有更好的数据存取性能。     

基于异构数据的电力短期负荷大数据预测方案

随着多种可再生能源电力的接入,电力系统正在向更智能、更灵活、交互性更高的系统过渡。负荷预测,特别是针对单个电力客户的短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。提出了一个基于异构数据的电力短期负荷大数据预测方案,该方案收集来自智能电表和天气预报的数据,预处理后将其加载到非关系型数据库中进行存储并做进一步的异构数据处理;设计并实现了一个长短期记忆递归神经网络模型,用于确定负荷分布并预测未来24 h的住宅小区用电量;最后利用一个住宅小区的智能电表数据集对提出的短期负荷预测框架进行了测试,并使用均方根误差和平均绝对百分比误差两个指标,对比了预测模型与两种经典算法的性能,验证了所提模型的有效性。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于粒子群优化方法的短期电力负荷组合预测

短期电力负荷预测是实现电力系统安全、经济运行的基础,其准确性对电力系统运行的可靠性、经济性都有重要意义。本文在灰色模型、ARIMA模型以及指数平滑族模型的基础上,提出了一种基于以上三种模型的组合预测模型,并用粒子群优化算法对其组合权重系数进行了优化。对澳大利亚新南威尔士州2011年9月实际电力负荷数据进行实例分析,其结果表明本文提出的组合模型确实能够提高短期电力负荷预测的精度。     

基于用电信息大数据的时间序列分析研究

智能电表是用电信息采集系统的核心设备,能够以较高时间分辨率(例如每5分钟、15分钟等)测量客户的能源消耗,因此数据量非常庞大,使得数据管理非常复杂。为此本文基于100个匿名商业建筑智能电表数据集,深入探讨了不同行业电力用户的用电量时间序列规律,采用相似日法建立了用电量的预测模型,该方法可用于分析由智能电表产生大量的用电数据,以优化发电、配电和用电。研究结果表明本文提出的方法可以帮助电网公司改善能源和服务管理,支持智能电网控制,做出准确的用电预测或检测用电异常。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

基于高斯过程回归的电力负荷预测算法

针对基于传统算法的电力负荷预测方法误差大的问题,本文提出一种基于高斯过程回归的负荷预测算法。算法首先利用电量数据当作高斯过程回归的学习样本,并构建电力负荷预测模型,然后采用遗传算法对超参数进行优化,避免用共轭梯度法优化超参数的缺点。最后,利用测试集对该模型性能进行实验测试。基于某地区的电网数据的仿真显示,基于高斯过程回归的负荷预测算法比神经网络和支撑向量机算法的预测精度更高。     

一种基于LSTM的弹丸长时间落点预测修正方法

针对炮位侦察校射雷达在弹丸上升段长时间预测落点偏差大的问题，文中提出了一种基于长短时记忆(LSTM)网络的弹丸长时间落点预测模型修正算法。针对训练样本少的问题，采用知识驱动和数据驱动相结合的双驱动方法，结合传统无迹卡尔曼滤波预测作为先验知识，利用LSTM网络对射向和侧向偏差量进行学习拟合构建误差模型，并利用误差模型对外推弹道进行射向和侧向修正。仿真验证表明：采用少量训练样本就可显著提升弹丸长时间落点预测的精度，落点预测射向精度提升55%,落点预测侧向精度提升85%～91%。     

基于量子滤波器的电能数据检测与分析

随着以智能电表为核心的智能电网快速发展,电力大数据吸引了用户、用电企业、政府的注意力.用电数据容易受到各种未知的随机干扰.探索了将自适应滤波技术引入电网信息监测.而由于用电负荷曲线复杂、不能给出一个具体的模型,利用量子递归神经网络构造了一个与模型无关的智能滤波器.最后提出了利用量子滤波器进行电力负荷预测以及利用测量误差的概率密度函数进行用户异常用电检测的设想.     

基于雾计算的智能电表用户虚拟环隐私保护方案

作为智能电网的基础组件,智能电表(SMS)可以定期向电力公司报告用户的详细用电量数据。但是智能电表也带来了一些安全问题,比如用户隐私泄露。该文提出了一种基于虚拟环的隐私保护方案,可以提供用电数据和用户身份的隐私,使攻击者无法知道匹配电力数据与用户身份的关系。在所提方案中,智能电表可以利用其虚拟环成员身份对其真实身份进行匿名化,并利用非对称加密和Paillier同态系统对其获得的用电量数据生成密文数据;然后智能电表将密文数据发送给其连接的雾节点,雾节点定期采集其管理的智能电表的密文数据。同时,雾节点对这些智能电表的虚拟环身份进行验证,然后将收集到的密文数据聚合并发送给控制中心;最后控制中心对聚合后的密文进行解密,得到用电量数据。实验结果表明所提方案在计算和通信成本上具有一定的优势。     

基于GAN数据重构的电信用户流失预测方法

用户是运营商利益的核心。随着携号转网政策的出台,运营商之间的竞争越发激烈。为了提前精准有效地预测用户流失倾向,提出了一种基于生成对抗网络（generative adversarial network,GAN）数据重构的电信用户流失预测方法。首先,利用有效的数据预处理方法电信用户流失数据中的脏数据;其次,利用GAN重构电信用户流失数据,解决电信用户流失数据不平衡问题;最后,利用极度梯度提升树（extremegradient boosting,XGBoost）算法分别训练基于GAN重构的电信用户流失预测模型和基于合成少数类过采样技术（synthetic minority oversampling technique,SMOTE）采样的电信用户流失预测模型,对比两种模型的预测精度。实验结果表明,GAN重构后的电信用户流失预测模型预测精度比未重构的预测模型的准确率提升了6.75%,查准率提升了25.91%,召回率提升了30.91%,F1值提升了28.73%。该方法能够有效提升电信用户流失预测的准确度。     

基于神经网络-Markov状态模型的电力电量预测

提出了神经网络-Markov状态预测模型,采用误差修正的方法,对电力电量进行预测.我们采用1998年1月-2009年7月的数据对全国发电总量进行预测.结果表明:神经网络-Markov状态预测模型明显提高了预测精度,说明该模型对电力电量的预测更为有效.     

基于三种模型的昆士兰州短期电力负荷预测对比探究

为提高电力负荷预测模型的预测精度本文将基本ARMA模型与Kalman滤波结合建立ARMA-Kalman滤波模型,将ARMA模型与SVM模型以及SVM的优化方法结合,建立ARMA-SVM模型,以试图提高模型的预测精度。同时将前两个模型以及基本ARMA模型应用于澳大利亚昆士兰州短期电力负荷预测中。实例研究表明,ARMA-Kalman模型未能如期较大提高对澳大利亚昆士兰州的电力负荷预测精度,ARMA-SVM模型在一定程度上提高了预测精度。     

用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题。首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算法,提升了电力异常数据检测效率;最后,通过实际电力数据对算法进行了测试,验证了所提算法的有效性。     

基于单因素与多因素灰色理论在电力负荷预测中的对比分析

电力一直是中国的重要基础产业和公用事业,电力系统负荷预测作为电力规划、投资、生产、调度和交易等工作的基础?在电力安全和经济运行中发挥着至关重要的作用,由于电力负荷增长的不确定性和非线性,因此很难对其进行准确的预测?本文针对电力负荷预测的难题,讨论基于灰色理论的两种预测模型,即单因素负荷预测与多因素负荷预测,笔者搜集了10年的社会用电数据,通过不同结构的用电量数据,分别建立基于多因素与单因素的GM(1,1)用电负荷预测模型。最后,分析并对比了基于多因素与单因素的灰色模型预测误差,基于多因素与单因素的电力负荷预测结果表明,基于多因素与单因素两个模型预测平均误差均小于5％,但本文推荐使用基于多因素的负荷用电预测模型,因为其结果更为精确,最大平均误差仅为15.7%,上述研究对于完善灰色预测理论,丰富电力负荷预测手段均具有十分重要的现实意义。     

基于灰色理论的电力监控数据多因素预测模型

电力是关系国计民生的重要基础产业和公用事业。电力系统负荷是重要电力监控数据,其作为电力规划、投资、生产、调度和交易等工作的基础,在电力安全和经济运行中发挥着至关重要的作用。随着大数据技术的发展,大数据技术被广泛的应用在电力负荷预测上,大数据技术的应用前提是需要海量的相关数据,对数据量要求较高。为分析处理缺少样本信息的灰色系统理论可以弥补大数据此方面的缺陷。我国电力负荷,既有逐年增长的确定性,又有随机变化的不确定性,可以视为典型的灰色系统,适合使用灰色模型建模预测。本文提出采用多因素的GM(1,1)优化模型,分析了10年的社会用电结构,并以不同结构的用电力监控数据为基础,建立并检验了基于有限电力数据多因素的灰色预测模型。全社会不同结构电力负荷预测结果表明,该模型预测的最大误差小于4.8%,预测结果证明了该模型的有效性和可用性。上述研究对于丰富电力负荷预测手段,弥补传统大数据技术在负荷预测方面需求数据量较高局限性均具有十分重要的现实意义。     

智能电表集群的数据处理算法与应用研究

智能电网的基本节点终端就是智能电表,而目前不同厂家的智能电表数据采集方式、存储方式和传输方式都不同,面对不同类型智能电表组成的集群网络时,难以进行远程的电力数据采集和自动抄表。文章提出了一种基于嵌入式系统的自适应处理方法。该方法能够读取不同类型电表的数据,自主换算为合法的电力系统数据,并根据不同的条件显示各个阶段和各种类型的参数,能够直接运用于智能化的数据传输单元和电力数据终端采集器。     

山东省电力需求预测的协整模型构建研究

为了提高电力需求量的预测精度,本文基于协整理论和误差修正模型,构建了山东省电力需求与国内生产总值、人口数量的预测模型,并运用该模型预测了2010-2011年山东省的电力需求量,结果表明构建的模型具有较高的准确性.     

时间序列神经网络预测方法

本文从信息论的角度出发,讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题,并在此基础上提出3种时间序列神经网络预测方法,它们是:神经网络非线性时间序列模型、神经网络多维时间序列模型和神经网络组合预测模型,将上述模型应用于实例的结果表明,在非线性信息的处理能力和预测精度方面都有很大提高。进一步,对今后智能信息预测方法的发展方向进行了探讨,提出了智能信息预测系统的结构模型。     

基于遗传算法优化BP神经网络雾霾预测模型的研究

对BP神经网络雾霾预测模型误差较大的问题,提出用遗传算法优化BP网络雾霾预测的方法,通过遗传算法对BP网络雾霾预测模型的权值和阈值的优化,然后用优化后的BP神经网络对实际的数据进行预测,实验表明:遗传算法优化BP网络雾霾模型具有更高的预测精度。