基于时间序列分析的输变电设备状态大数据清洗方法

数据清洗是输变电设备状态评估数据预处理的一个关键步骤,有助于提高数据质量和数据利用率。文中将设备状态信息等效成各状态量的时间序列,提出了一种基于时间序列分析的双循环迭代检验法。首先,将时间序列中的异常数据进行了分类,并将缺失值归纳为其中一类异常值。然后,分析了不同类别异常值对时间序列模型的影响,并阐述了迭代检验法的实现步骤。最后,利用所述方法对南网某变压器和线路的监测数据进行了数据清洗,结果表明该方法能识别并修正数据中的噪声点,填补缺失值,满足数据清洗要求。     

基于遗传优化的调控系统缺失数据填补算法

数据缺失问题是电网调度控制系统中重要的研究课题。为保证数据的完整性和准确性,提出一种基于遗传优化的调度控制系统缺失数据填补算法。该算法利用遗传优化方法估计不完整数据的参数,获得最优数据参数,在最优参数基础上利用马尔科夫链蒙特卡罗算法对缺失数据进行估计、填补。对电力调度控制系统中缺失数据的填补结果分析,发现所提出的缺失数据填补算法能快速准确地填补缺失数据,保证了电网调度控制数据的完整性和准确性。     

电网一次设备状态检修风险评估方法改进

电网一次设备风险评估结论是状态检修辅助决策中的一个重要依据。传统风险评估方法对电气元件在电网中的位置重要性(系统枢纽变电站、地区重要变电站和一般变电站)进行粗略分类定级,没有基于电网潮流的定量计算分析,也未考虑元件检修对电网造成的损失影响,对电力系统元件检修决策难以定量指导。在弥补传统风险评估方法不足的基础上,提出了基于电网安全分析的电网一次设备风险定量评估方法,该方法主要对元件故障后电网稳定情况、减供负荷值等指标进行分析,根据各指标值对电网不同运行方式下一次设备故障的风险损失进行计算,风险损失以货币形式给出。该方法根据设备运行与检修存在风险的比值结果,指导设备状态检修工作。通过实例计算,结果表明改进算法能够更准确地反映设备在电网中的运行状态,弥补了传统评估方法的不足。     

基于相关性分析和生成对抗网络的电网缺失数据填补方法

城市电网新型电力系统中多元资源增多，数据采集难度加大，导致数据随机缺失率升高，难以满足精细化分析决策需求。为了解决新型电力系统中配网量测数据在采集与传输过程中频发的缺失问题，本文提出了一种基于波动互相关分析算法（FCCA）和改进型生成对抗网络（GAN）的电网缺失数据填补方法。首先，融合FCCA提出强相关性电网数据多维特征提取方法；其次，基于核主成分分析（KPCA）对多维特征数据集进行降维处理；最后设计改进型GAN结构，融合电网数据多维特征对低维向量进行重构，实现缺失数据填补。算例采用真实电网数据进行算法验证，并在某城市电网试运行，结果表明所提方法比传统数据填补方法具有更高填补精度。所以，在新型电力系统中量测数据连续缺失和缺失量较大的情况下，融合强相关性特征进行数据填补，对提升量测数据的完整性和可用性有明显优势。     

风机异常及缺失数据的填补方法研究

风机异常数据和缺失数据的识别和填补对于风机运行状态的评估和未来风速的预测具有重要意义。本文考虑到SCADA数据中某些风机可能存在异常数据和大量缺失数据的情况,首先对数据进行错误数据的识别剔除,再对缺失数据进行分类,对于个别不连续点缺失的情况进行均值填补;对于连续缺失并有旁侧风机数据参考的情况下,基于同时间段临近风机数据,先建立风向填补模型,绘制连续完整的风向数据,再分风向区间分别使用SVM方法建立风速填补模型;对于无旁侧风机参考状态下的缺失数据,使用NAR神经网络进行逐点填补。本文采用某风场实测数据进行数据验证,并与其他几种传统神经网络填补方法进行比较,测试结果表明本文提出的方法性能优于其他模型。     

基于多维度相关性分析的电压缺失数据辨识方法研究

针对电网数据采集中常出现的电压数据缺失问题,提出一种多维度相关性分析的电压缺失数据辨识方法IMVMDMC(identifi-cation method of voltage missing data based on multidimensional correlation analysis).首先通过 K 均值聚类方法基于历史数据对缺失电压进行聚类分析找出相似数据聚合;其次,提出一种基于多维度相关性分析的填补策略,采用皮尔逊系数获得强相关属性,并利用熵权分析实现对多维度相关属性的综合加权确定电压填补值;最后采用一种核聚类的数据校验策略,进一步改善填补的准确性.算例采用真实电网数据进行分析,仿真结果显示方法的可行性和优势.     

基于正则化矩阵补全的用户电量缺失值填补研究

针对用户电量采集过程中数据缺失的问题,提出一种基于正则化矩阵补全的用户电量缺失值填补方法.首先,基于原始用户电量缺失值进行特性分析,构造初始化矩阵;其次,搭建一个新的近似矩阵,采用低秩矩阵分解策 略将近似矩阵拆分为两个潜在矩阵;最后,引入随机梯度最速下降法对目标参数进行优化,求解近似矩阵模型,完成缺失电量数据的填补.算例采用真实电网数据进行仿真分析,结果表明,所提方法能准确补全用户电量缺失值.     

基于历史数据挖掘辅助场景分析的电网缺失数据填补方法

针对当前电网数据填补精度不足的实际问题，提出一种基于历史数据辅助场景分析的电网缺失数据填补方法。首先通过波动互相关分析选取具有强相关的属性数据作为缺失属性数据填补的参考依据，并通过组合权重进一步量化其关联程度；其次，在负荷场景分析的基础上引入动态时间弯曲距离来衡量数据源之间的相似度；最后，结合动态时间弯曲距离与组合权重，找出含有最相似数据的日期，使用该日同一时刻的数据来替代缺失时刻数据。算例采用实际电网数据进行仿真分析，结果表明，提出的数据填补方法具有良好的填补效果。     

基于全景监测与智能预警的配电网全域大数据应用研究

面对不断扩大的电网规模及愈加复杂的外部环境,影响电网安全稳定运行的因素也在不断增加,为此提出了基于大数据机器学习算法的设备状态监测方法。运用成熟的数据挖掘技术,基于当前大量的数据积累开展数据价值的挖掘分析,构建基于随机森林的设备状态评价模型、基于D-S证据论的故障预警模型等,以云计算为支撑,以"互联、共享、智能"为理念引领全景监测体系,建设风险和隐患智能感知体系,实现低风险系数下配电网安全稳定运行。本文从数据关联融合、数据清洗转换、相关性分析及特征提取、模型构建四个方面着手,挖掘配电数据的潜在价值,预知配电网故障发生,进一步提高配电网精益化、智能化管理水平,促进电网企业提质增效提供指导,为电网安全生产及电网企业优质服务提供高效益的数据化科学决策依据。     

基于栈式降噪自编码器的输变电设备状态数据清洗方法

针对当前输变电设备状态监测数据清洗过程繁琐,易造成信息丢失等问题,利用栈式降噪自编码器对"脏"数据的还原解析能力及异常状态特征提取能力,提出了一种基于栈式降噪自编码器的数据清洗方法。对设备正常工况及异常运行状态数据分别利用栈式降噪自编码器进行训练学习,获取损失函数向量,形成奇异点、缺失数据修复模型和设备异常运行状态数据降噪模型。通过核密度估计确定训练样本损失函数上限和容限时窗,根据测试数据重构误差和异常数据时长与损失函数上限和容限时窗间的关系,对"脏"数据进行分类处理。对某变压器油色谱中总烃含量及某导线温度数据进行清洗,结果表明所提方法能有效辨识奇异点、缺失信息及异常运行状态数据,并对奇异点、缺失值进行修复重构。在设备异常运行时刻,可以有效过滤干扰数据。     

基于改进LSTM的电力设备状态融合预测模型

针对电力大数据存在数据随机缺失进而降低长短期记忆模型（Long Short-term Memory, LSTM）预测准确率的问题,本文提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型首先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型（Autoregressive Integrated Moving Average model, ARIMA）对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;然后将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;最后根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测。为了验证本文模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明：基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了52%和25% ,在数据缺失情况下的预测准确率分别提高了44%和57%。     

基于高风险模式树挖掘方法的电力系统风险设备集分析

迅速积累的调度控制系统大数据为电网设备风险分析提供了充足的条件,在分析调度控制系统大数据特性的基础上,给出了具有普遍适用性的调度控制系统大数据分析的总体架构,并针对在电网风险管控中的应用,提出一种基于高风险模式树(HRT)的高风险设备集挖掘方法。通过分析电力系统中设备的风险诱发因素,定义了设备风险影响度,用于量化设备发生告警或故障后对电网运行的影响程度,并提出设备风险影响度计算指标体系,通过融合设备故障发生频次,计算设备风险值。以设备风险值为目标进行高风险设备集挖掘,通过构建HRT,保留原始事务数据库中各设备风险值及设备风险先验知识信息,根据HRT的路径信息输出满足一定风险阈值的高风险设备集。以调度控制系统的海量历史告警数据为基础进行了仿真,结果表明,HRT可以在告警数据中迅速挖掘出满足条件的高风险设备集,并且能够反映出高风险设备组合之间存在的潜在关联性。     

面向电力变压器状态评价的油中溶解气体监测数据补全方法

基于马尔可夫理论充分考虑相邻时间点系统在所有状态间的转移特性,提出了一种基于马尔可夫模型的变压器油中溶解气体数据补全方法,将油中溶解气体数据时间序列转化为在不同状态间转移的马尔可夫链,利用正、反向的状态转移矩阵计算得到油中溶解气体数据的补全值。从数据挖掘的角度建立了油中溶解气体数据质量的综合评估体系,从多个角度对数据补全的效果进行评估,并基于D-S证据融合理论融合各个角度的评估结果,得到综合评估结果。利用所提方法对某变压器100组油中溶解气体数据中25组随机缺失值进行补全,结果表明补全后的数据与实际值相似度可以达到99.999%。进一步地,验证其中15组极值点、跃变点处缺失数据补全效果,经过综合评估,补全后的数据与实际值相似度可以达到98.956%。经过验证表明所提方法能够在不改变数据特征的前提下对变压器油中溶解气体的缺失值进行准确的补全,有利于提高变压器状态评估方法的准确性。     

基于Apriori算法的二次设备缺陷数据挖掘与分析方法

为提升电力系统二次设备的运维和管控水平,从二次设备的缺陷数据出发,提出了基于Apriori算法的二次设备缺陷数据挖掘与分析方法。首先,分析了关联规则与Apriori算法的基本思路,然后建立了基于关联规则的二次设备缺陷模型,在模型中考虑了二次设备缺陷的几个重要属性:二次设备的生产厂家、设备类型、设备缺陷的原因、发生缺陷的设备部位以及缺陷等级。进一步,以一组自动化设备缺陷数据为例,阐述了基于Apriori算法的二次设备缺陷数据挖掘和分析方法,分析结果表明所提方法能够用于寻找二次设备的薄弱环节,并能够找到诱发薄弱环节的原因,同时还具有分析设备家族性缺陷等功能。     

一种无绝缘轨道电路道砟电阻估算方法

针对无绝缘轨道电路中道砟电阻易受工作环境影响以及现场测量困难的问题,提出一种道砟电阻估算方法。 首先根据 二端口网络理论,构建调整状态下轨道电路传输模型,仿真分析道砟电阻和补偿电容对轨道电路各设备两端电压、电流的影响 规律;其次基于现场微机监测数据,计算轨道电路各设备两端电压、电流仿真值与监测值之间的误差;最后利用粒子群优化算 法,将轨道电路传输模型和误差值作为算法适应函数和适应值估算道砟电阻,并对结果进行性能验证。 实验结果表明该方法的 估算结果在验证中平均绝对百分比误差(MAPE)为 14. 31%,计算精度相比轨入电压法较优,从而验证所提道砟电阻估算方法 的有效性和可行性。     

基于数据挖掘技术的电力网络参数估计方法研究

错误的网络参数对状态估计的结果产生较大影响,现在一般认为参数值是常量,但实际上网络参数随周围环境、天气状况及负荷水平等变化而变化。提出基于数据挖掘技术的电力网络参数估计方法,利用大量样本数据估计网络的真实参数值。首先,利用聚类分析技术对SCADA历史数据进行分类,分成不同类型的样本数据;其次,利用数据处理技术对各个样本数据中的孤立点、空缺值、噪声等进行处理;最后,利用线性回归技术估计满足一定条件的网络参数。经过两个算例验证,证明基于数据挖掘技术的状态估计方法是非常有效的。     

面向全景调控统一数据模型的缺失数据填补算法

缺失数据填补是构建调度控制系统全景数据的关键步骤之一,有助于保证全景数据的完整性和准确性。文中根据电力调度控制系统的历史数据特征,提出了一种面向全景调控统一数据模型的缺失数据填补算法。针对构建全景数据过程中出现的不完整数据,该算法采用改进的混沌遗传优化方法估计不完整数据的均值和协方差对应的最佳参数,再利用改进马尔可夫蒙特卡洛方法根据已知数据估计缺失数据。结果表明,该算法能通过较少的迭代次数获得不完整调控数据的最佳参数,可以提高缺失数据估计值的准确性,进而保证数据的完整性和准确性。     

新型电力AMI系统中基于Neural Prophet模型的电力负荷预测与修补研究

针对新型电力系统高级量测体系（AMI）系统中电力负荷异常值与空值的修补问题,提出一种基于Neural Prophet模型的电力负荷预测方法,用预测值修补AMI系统中出现的负荷异常值与空值。通过Neural Prophet模型的趋势模块、季节性模块、自回归模块3个模块组合进行电力负荷精准预测,可解决AMI系统的负荷数据修补问题。在电力负荷数据集上进行实验,结果表明所提方法与负荷预测经典算法相比具有较优的准确性且具有参数可解释的优势。所提方法可对AMI系统中有问题的电力负荷异常数据进行有效修改,对缺失的电力负荷数据进行填补。     

模糊推理和深度学习数模融合的卡尔曼滤波腐蚀预测

腐蚀状态的准确预测对油气储运、化工设备安全可靠运行具有重要意义。因腐蚀过程复杂,影响因素多,导致常规腐蚀预测方法中先验模型对环境依赖性大,中长期预测效果差。本文提出一种融合模糊推理和深度学习的数模融合驱动的卡尔曼滤波腐蚀预测方法。首先结合腐蚀物理模型和实际监测数据,建立腐蚀速度模糊规则,得到基于现场环境的结合物理模型的修正腐蚀速度。同时针对模糊推理结果存在的预测滞后性,考虑腐蚀监测数据的长期规律性,利用深度学习预测腐蚀速度;然后融合模糊策略和深度学习预测结果,实现基于卡尔曼滤波的数模融合腐蚀预测。最后利用天然气管道实际腐蚀监测数据,与高斯过程回归(Gaussian process regression, GPR),粒子群优化灰度模型(particle swarm optimization gray model, PSOGM),模糊推理(fuzzy reasoning, FR),多层感知机(multilayer perceptron, MLP)和卡尔曼滤波预测方法(Kalman filter, KF)进行了对比验证分析。结果表明本文所提方法具有良好的预测效果,对两年内腐蚀状态的相对预测误...